一种基于掩码自编器和信号引导的无线定位方法及系统技术方案

本发明专利技术采用的技术方案是：一种基于掩码自编器和信号引导的无线定位方法及系统，包括以下步骤：采集待定位用户与已知基站群之间的信道脉冲响应，形成待定位用户的信道脉冲响应矩阵；将待定位用户的信道脉冲响应矩阵输入已经训练完成的微调模型；所述微调模型包括编码器网络和回归网络；编码器网络在由经过掩码处理的信道脉冲响应矩阵样本集进行预训练后，与回归网络组成微调模型进行共同训练；所述编码器网络提取输入的信道脉冲响应矩阵的特征向量；所述回归网络根据输入的特征向量输出格局待定位用户的位置信息。本发明专利技术在训练样本较少的情况下，有效保证定位精度。有效保证定位精度。有效保证定位精度。

【技术实现步骤摘要】
一种基于掩码自编器和信号引导的无线定位方法及系统


[0001]本专利技术属于通信用户定位
，具体涉及一种基于掩码自编器和信号引导的无线定位方法及系统。

技术介绍

[0002]高精度定位是智慧城市、智慧工厂的基本要求之一。在无线通信网络中，视距传播(line of sight, LOS)是波在用户终端和移动基站之间的直接传播方式。在某些情况下，视线传播被树木和建筑物阻挡，从而导致传播方式变为非视距(non
‑
LOS，NLOS)。传统的利用到达时间差、到达角的算法多是针对LOS信道设计的，在NLOS条件下性能较差。因为传播路径大多是NLOS，这在很大程度上降低了定位在实际系统，所以高精度定位是一个相当具有挑战性的任务。此外，其他不理想的因素也可能导致定位精度的降低。
[0003]最近，由于人工智能在各个领域的成功，其被认为是高精度定位的一个有效解决方案。现有技术提出了一种前馈深度神经网络(deep neural network，DNN)室内定位模型，该模型以接收信号强度为输入特征。由于信道状态信息(CSI)和信道脉冲响应(CIR)具有较丰富的细增益信道信息，且从一些商用网络接口卡中可以很容易获得的优点，CSI和CIR被广泛用作基于人工智能的定位模型的输入特征。CSI是由CIR的傅里叶变换得到的信道频率响应的抽样估计。现有技术提出了一种用于室内定位的卷积神经网络CiFi，提取CSI的相位数据，并估计到达角作为模型的输入特征。使用类似的以CIR为输入特征的CNN模型，结果表明，基于CNN模型的特征提取效果更好。然而上述模型在大数据要求下监督学习的常见缺陷。虽然监督学习可以保证定位精度，但其数据依赖问题导致需要过多的手工标注。
[0004]为了解决基于监督学习的定位框架中的数据依赖问题，半监督学习(SSL)允许在少量标记数据的情况下训练模型。因此，提出了基于SSL的CSI/CIR定位模型，该模型需要少量的数据标注和大量的未标注数据才可获得较高的精度。在样本充足的情况下，神经网络可以很好地实现CIR到坐标的映射。然而，当训练数据量不足时，神经网络很容易过拟合，使得定位精度不高。

技术实现思路

[0005]本专利技术的目的就是为了解决上述
技术介绍
存在的不足，提供一种基于掩码自编器和信号引导的无线定位方法及系统，在训练样本较少的情况下，保证定位精度。
[0006]本专利技术采用的技术方案是：一种基于掩码自编器和信号引导的无线定位方法，包括以下步骤：采集待定位用户与已知基站群之间的信道脉冲响应，形成待定位用户的信道脉冲响应矩阵；将待定位用户的信道脉冲响应矩阵输入已经训练完成的微调模型；所述微调模型包括编码器网络和回归网络；编码器网络在由经过掩码处理的信道脉冲响应矩阵样本集进行预训练后，与回归网络组成微调模型进行共同训练；
所述编码器网络提取输入的信道脉冲响应矩阵的特征向量；所述回归网络根据输入的特征向量输出格局待定位用户的位置信息。
[0007]上述技术方案中，编码器网络的预训练过程包括以下步骤：编码器网络与解码器网络组成预训练模型；构建预训练模型的训练集，单个样本信息包括：作为输入的经过掩码处理的信道脉冲响应矩阵样本，和作为训练标签的原始的信道脉冲响应矩阵样本；训练预训练模型：编码器网络以经过掩码处理的信道脉冲响应矩阵样本为输入，得到相应的特征向量并将其输入至解码器网络，解码器网络输出重构的信道脉冲响应矩阵样本；使用优化器减少重构的信道脉冲响应矩阵样本与相应的训练标签之间的损失。
[0008]上述技术方案中，微调模型的训练过程包括以下步骤：完成预训练的编码器网络与未经训练的回归网络组成微调模型；构建微调模型的训练集，单个样本信息包括：作为输入的原始的信道脉冲响应矩阵样本，和作为训练标签的原始的信道脉冲响应矩阵样本相应的用户位置坐标；训练微调模型：编码器网络以原始的信道脉冲响应矩阵样本为输入，得到相应的特征向量并将其输入至回归网络，回归网络输出预测的用户位置坐标；使用优化器减少预测的用户位置坐标与相应的训练标签之间的损失。
[0009]上述技术方案中，掩码处理单个信道脉冲响应矩阵样本的过程包括：将单个信道脉冲响应矩阵样本中的信道脉冲响应采用设定的掩码比例全部置零或者保持不变。
[0010]上述技术方案中，掩码处理单个信道脉冲响应矩阵样本的过程包括：设置掩码比例为；掩模样本与单个信道脉冲响应矩阵样本维度相同，服从于：；其中，是掩模样本中的向量，向量为全零或全一；P表示待掩码的单个信道脉冲响应矩阵中的信道脉冲响应数量；掩码处理单个信道脉冲响应矩阵样本，
⊙
表示矩阵元素的逐元素乘积。
[0011]上述技术方案中，所述编码器网络包括第一卷积模块、卷积通道注意力模块、第二卷积模块和全连接层；第一卷积模块提取输入的信道脉冲响应矩阵的初步特征；卷积通道注意力模块基于初步特征进一步提取基站和用户的信道特征；第二卷积模块基于通道注意力的输出进一步提取信道特征；全连接层将提取到的信道特征压缩为一维向量并输出至解码器网络。
[0012]上述技术方案中，所述解码器网络包括全连接层、第三卷积模块、转置卷积模块和第四卷积模块；全连接层对输入的信道特征进行初步解码并变换维度；第三卷积模块将解码和维度变换后的信道特征初步恢复为特征矩阵；转置卷积模块对特征矩阵进行超分辨逐步恢复；第四卷积模块输出重构后的信道脉冲响应矩阵。
[0013]上述技术方案中，所述卷积通道注意力模块包括第五卷积模块、第六卷积模块、最
大池化层、卷积层和sigmoid激活函数；第五卷积模块初步提取输入卷积通道注意力模块数据的数据特征；；第六卷积模块基于第五卷积模块的输出进一步提取数据特征；最大池化层提取输入卷积通道注意力模块数据的通道特征；卷积层进一步提取通道特征，sigmoid激活函数将进一步提取得到的通道特征压缩至0和1之间；将压缩至至0和1之间的通道特征与第六卷积模块提取到的数据特征相乘后与第五卷积模块的输出相加，作为卷积通道注意力模块的输出。。
[0014]上述技术方案中，当获取到新的信道脉冲响应矩阵和相应的用户位置坐标后，重新构建新的微调模型的训练集，并再次训练微调模型。
[0015]本专利技术提供了一种基于掩码自编器和信号引导的无线定位系统，该系统用于实现上述技术方案所述的基于掩码自编器和信号引导的无线定位方法。本专利技术的有益效果是：本专利技术针对有限样本标记的无线定位问题，提出了一种S
‑
MAE框架，该框架分为预训练阶段和微调阶段。在预训练阶段中采用天线域掩蔽图处理CIR样本，采用通道注意机制增强特征提取能力以生成编码器；在微调阶段采用预训练的编码器和回归网络，通过CIR数据定位用户位置，有效保证在训练样本较小的情况下的定位精度。
[0016]进一步地，本专利技术所采用的编码器网络，使用通道注意力机制，充分提取信道的潜在表示；同时通过天线域掩蔽图处理后CIR样本的进行训练，使得经过预训练的编码器特征提取的效率更高，能够在微调阶段训练样本较少的前提下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于掩码自编器和信号引导的无线定位方法，其特征在于：包括以下步骤：采集待定位用户与已知基站群之间的信道脉冲响应，形成待定位用户的信道脉冲响应矩阵；将待定位用户的信道脉冲响应矩阵输入已经训练完成的微调模型；所述微调模型包括编码器网络和回归网络；编码器网络在由经过掩码处理的信道脉冲响应矩阵样本集进行预训练后，与回归网络组成微调模型进行共同训练；所述编码器网络提取输入的信道脉冲响应矩阵的特征向量；所述回归网络根据输入的特征向量输出格局待定位用户的位置信息。2.根据权利要求1所述的一种方法，其特征在于：编码器网络的预训练过程包括以下步骤：编码器网络与解码器网络组成预训练模型；构建预训练模型的训练集，单个样本信息包括：作为输入的经过掩码处理的信道脉冲响应矩阵样本，和作为训练标签的原始的信道脉冲响应矩阵样本；训练预训练模型：编码器网络以经过掩码处理的信道脉冲响应矩阵样本为输入，得到相应的特征向量并将其输入至解码器网络，解码器网络输出重构的信道脉冲响应矩阵样本；使用优化器减少重构的信道脉冲响应矩阵样本与相应的训练标签之间的损失。3.根据权利要求1所述的一种方法，其特征在于：微调模型的训练过程包括以下步骤：完成预训练的编码器网络与未经训练的回归网络组成微调模型；构建微调模型的训练集，单个样本信息包括：作为输入的原始的信道脉冲响应矩阵样本，和作为训练标签的原始的信道脉冲响应矩阵样本相应的用户位置坐标；训练微调模型：编码器网络以原始的信道脉冲响应矩阵样本为输入，得到相应的特征向量并将其输入至回归网络，回归网络输出预测的用户位置坐标；使用优化器减少预测的用户位置坐标与相应的训练标签之间的损失。4.根据权利要求2所述的一种方法，其特征在于：掩码处理单个信道脉冲响应矩阵样本的过程包括：将单个信道脉冲响应矩阵样本中的信道脉冲响应采用设定的掩码比例全部置零或者保持不变。5.根据权利要求4所述的一种方法，其特征在于：掩码处理单个信道脉冲响应矩阵样本的过程包括：设置掩码比例为；掩模样本与单个信道脉冲响应矩阵样本维度相同...

【专利技术属性】
技术研发人员：王骥，方炜，谢文武，王俊，黄远甲，梅欣宇，朱鹏，
申请(专利权)人：湖南理工学院，
类型：发明
国别省市：