【技术实现步骤摘要】
一种基于模仿学习的智能自适应CSI指纹地图更新方法
[0001]本专利技术涉及定位
，尤其涉及一种基于模仿学习的智能自适应CSI指纹地图更新方法。
技术介绍
[0002]随着复杂室内环境对基于位置服务需求的日益增长及移动感知技术的快速发展，考虑到温度、湿度、WiFi、蓝牙等大量空间数据的可用性，定位技术已逐步从几何法向指纹法转变。指纹法需要在离线阶段构建指纹库，即专业人员将实验定位区域划分成网格进行采样，在每个采样点测量采集指纹数据并将其存储在位置指纹数据库中，该过程也被称为现场勘测或指纹校准。其中，信道状态信息(Channel State Information,CSI)作为WiFi的物理层信息是一种细粒度指标，可由Intel WiFi Link 5300网卡提取并支持IEEE 802.11a/g/n标准，其也反映了信号的传输特征并逐步应用于指纹定位。CSI使用正交频分多路复用技术，利用单一信道中相互正交的不同子载波传输数据，具有较强的抗干扰效果，并能够有效降低多径效应的影响。其描述了信号的传输特征，包括信号衰减、散...
【技术保护点】
【技术特征摘要】
1.一种基于模仿学习的智能自适应CSI指纹地图更新方法，其特征在于，包括：采集一定数量的采样点的真实CSI指纹数据，确定所有采样点的最佳路径，采集所述最佳路径上的各个采样点的CSI指纹数据，利用多元高斯回归模型来预测其它未采集的采样点的CSI指纹数据，利用所有采样点的CSI指纹数据构建初始的CSI指纹库；使用状态空间模型获取真实数值的变化范围作为误差波段，利用所述误差波段对所述初始的指纹库进行校正；将所述最优采集路径上的CSI采样数据和所述一定数量的采样点的真实CSI指纹数据一起作为样本数据，通过模仿学习对上述样本数据进行分割和分段训练，提取CSI数据分布的回归精度；将所述CSI数据分布的回归精度作为权重系数，对所述状态空间模型校正后的初始的CSI指纹库中指纹数据的分布进行调整，构建最终的CSI指纹库。2.根据权利要求1所述的方法，其特征在于，所述的采集一定数量的采样点的真实CSI指纹数据，确定所有采样点的最佳路径，采集所述最佳路径上的各个采样点的CSI指纹数据，利用多元高斯回归模型来预测其它未采集的采样点的CSI指纹数据，利用所有采样点的CSI指纹数据构建初始的CSI指纹库，包括：将目标定位区域划分为由各个点和边组成的网格，将网格中相邻的点两两相连接，形成由点和边组成的指纹地图，每个点为一个采样点，按照正态分布随机选取约占全局采样点总数10％的点进行第一轮CSI数据收集；使用A3C强化学习算法搜寻采样点的最优路径，采集所述最佳路径上的各个采样点的CSI指纹数据；采样点的真实物理坐标x与原始CSI数据y之间的关系呈多元高斯回归分布，多元高斯回归模型描述如下：式中，m(x)为平均值函数，为协方差函数，采用径向基函数作为内核，来计算如下式：其中，τ为比例系数；使用初始阶段在一定数量采样点上收集的原始真实CSI数据拟合所述多元高斯回归模型后，预测其它未采集的采样点的CSI指纹数据，利用所有采样点的CSI指纹数据构建初始的CSI指纹库。3.根据权利要求2所述的方法，其特征在于，所述的使用A3C强化学习算法搜寻采样点的最优路径，包括：A3C强化学习算法采用Actor Critic框架和多线程技术，设置A3C强化学习算法的模拟训练目标为：其中，θ为π
θ
的参数，s
t
为状态，即当前智能体所处位置坐标，s
t
为动作空间包括“上”、
“
下”、“左”和“右”，α和β为比例参数；将探索路径的起点与终点置为对角线，在探索步长有限的前提下准许智能体搜寻一条或多条路径，并满足：其中，Path为一条潜在有效路径，R(
·
)为奖赏值函数，Ψ为所有路径集合，将总奖赏值最大的那条路径作为最终的最优路径，该有效路径指的是有效信息最大化的唯一路径。4.根据权利要求2或者3所述的方法，其特征在于，所述的使用状态空间模型获取真实数值的变化范围作为误差波段，利用所述误差波段对所述初始的指纹库进行校正，包括：拟合CSI数据序列的自回归
‑
滑动平均模型，表示为：Δy
t
＝c+φ1Δy
t
‑1+θ1∈
t
‑1+∈
t
ꢀꢀꢀꢀꢀꢀ
(5)其中，为模型的截距，Δ为一阶差分算子且∈
t
～N(0，σ2)，φ1为自回归系数，θ1为移动平均系数，∈
t
为白噪声误差项，y
t
是当前时刻的观测值，即CSI样本数据；使用statmodels工具来拟合原始CSI样本数据并预测误差变化范围，利用误差变化范围使用Savitzky
‑
Golay算法对...
【专利技术属性】
技术研发人员：朱晓强，刘吉强，张大林，李令昆，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。