一种轻量化的加权集成学习室内CSI定位方法技术

本发明专利技术公开了一种轻量化的加权集成学习室内CSI定位方法，包括离线训练阶段：分别获取CSI的幅值和相位；利用解卷绕和线性变换的方法还原真实相位；利用拉依达准则剔除幅值和相位异常值，并分别用幅值和相位均值替代异常值，然后利用滑动平均滤波器分别对幅值和相位进行平滑降噪处理，最后将预处理好的幅值和相位作为联合特征；利用改进的自适应加权Kmeans算法减少联合特征的数据量；经标准化后，采用基于奇异矩阵分解的PCA算法进行联合特征降维，最后利用得到的数据训练加权RF

【技术实现步骤摘要】
一种轻量化的加权集成学习室内CSI定位方法


[0001]本专利技术属于无线通信与室内定位
，具体涉及一种轻量化的加权集成学习室内C SI定位方法。

技术介绍

[0002]近年来，随着工EEE802.11n协议的发布，WiFi等商用设备逐渐开放物理层信息，加之已经可以很容易地修改无线网卡的驱动，使得信道状态信息(C SI)的获取变得简单。C SI反映了正交频分复用(OFDM)系统中所有子载波的幅度和相位信息，因此它比多径无线信号叠加值的接收信号强度(RSS)具有更好的稳定性和更细的颗粒度。RSS对环境比较敏感，容易受多径效应的干扰，而C SI在OFDM
‑
MIMO系统下，能有效削弱多径效应带来的影响。虽然C SI的细粒度特性能有效提高定位精度，但若其工作在多天线系统下，无形之中也会增加大量的样本特征，从而会加大定位的时间开销。
[0003]目前，一些基于C SI指纹的室内定位研究都偏向于使用比较复杂的定位模型，比如一些复杂的神经网络或者深度学习模型。使用这些模型固然可以有效提高定位精度，却忽略了定位的时间开销。还有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轻量化的加权集成学习室内CSI定位方法，其特征在于，包括采集待定位区域内所有指纹参考点的CSI数据，并提取CSI数据的特征，训练好用于室内CSI定位的加权RF
‑
SVR集成学习模型的离线训练阶段；以及提取出定位测试点的CSI特征，并利用训练好的加权RF
‑
SVR集成学习模型预测出定位测试点的位置的在线测试阶段；所述离线训练阶段的具体过程包括：步骤S1、在待定位区域布设多个指纹参考点，固定好CSI信号发射设备，利用能够接收到CSI信号的接收设备分别在每个指纹参考点上采集n组数据包，并提取CSI信号的幅值和相位作为训练样本数据；步骤S2、对CSI信号的相位依次进行解卷绕和线性变换，得到去噪后的真实相位，然后采用拉依达准则剔除相位和幅值的异常值，并采用幅值和相位的均值进行填充，最后采用滑动平均滤波器对幅值和相位进行平滑降噪处理，并将处理好的幅值和相位作为联合特征；步骤S3、采用改进的自适应加权Kmeans算法选出对定位贡献大且能描述位置多径特性的特征数据包，减少参考点的数据量；步骤S4、采用Z
‑
score算法进行特征数据标准化，再采用基于奇异矩阵分解的PCA算法对标准化后的特征数据进行特征降维；步骤S5、将降维后的特征数据以及对应的位置坐标存储在离线指纹数据库中，用于训练加权RF
‑
SVR集成学习模型；所述在线测试阶段的具体过程包括：步骤S6、在待定位区域布设若干个测试点，分别在每个测试点上采集n组数据包；步骤S7、提取幅值和相位并进行同样的预处理以获取相对纯净的联合测试特征数据；步骤S8、采用已经训练好的加权RF
‑
SVR集成学习模型进行位置估计。2.按照权利要求1所述的一种轻量化的加权集成学习室内CSI定位方法，其特征在于，步骤S2中所述采用拉依达准则剔除相位和幅值的异常值的具体过程包括：步骤S201、计算CSI信号的幅值或相位的均值μ；式中，t为CSI数据包中CSI信号的总个数，i表示CSI数据包中第i个CSI信号，i的取值为1～t的自然数，raw_data
i
表示第i个CSI信号的幅值或相位；步骤S202、计算CSI信号的幅值或相位的标准差σ；步骤S203、判断|μ
‑
raw_data
i
|是否大于3σ，当|μ
‑
raw_data
i
|大于3σ时，判断为第i个CSI信号的幅值或相位为异常值，将其剔除；否则，当|μ
‑
raw_data
i
|小于等于3σ时，判断为第i个CSI信号的幅值或相位不是异常值，将其保留。3.按照权利要求2所述的一种轻量化的加权集成学习室内CSI定位方法，其特征在于，步骤S2中所述采用滑动平均滤波器对幅值和相位进行平滑降噪处理的具体过程包括：将q个采用拉依达准则处理后的幅值或相位看成一个队列，队列的长度固定为q，每次经过拉依达准则处理后得到的一次新数据放于队尾，并丢弃原先队首的一次数据，最后把
队列中的q个数据进行平均运算，得到新的滤波结果队列中的q个数据进行平均运算，得到新的滤波结果式中，m为可调整的平滑窗口大小，q为数据包序号，w为子载波序号，表示第q个数据包中的第w个子载波对应的幅值或相位。4.按照权利要求3所述的一种轻量化的加权集成学习室内CSI定位方法，其特征在于，步骤S3中所述采用改进的自适应加权Kmeans算法选出对定位贡献大且能描述位置多径特性的特征数据包的具体过程包括：步骤S301、设置聚类的迭代次数为max_iters并初始化每个数据包的权重；W
u，0
＝1式中，W
u，0
表示第u个特征数据包的初始权重；步骤S302、采用n个特征数据的均值和标准差σ
′
来选取k个初始聚类中心；来选取k个初始聚类中心；式中，F
u
表示第u个特征数据；式中，C
o
表示第o个初始聚类中心；步骤S303、计算每个特征数据到k个初始聚类中心的欧式距离D
u，k
，并将特征数据分配到离初始聚类中心C
o
距离最近的聚类中；D
u，k
＝||F
u
‑
C
o
||2式中，||F
u
‑
C
o
||2表示每个特征数据距离初始聚类中心C
o
的欧式距离；a
u
表示距离初始聚类中心C
o
最近的聚类，以整形编号的方式存储；arg为标记符号，表示特征数据隶属哪个类；步骤S304、根据包含的特征数据点及其对应的权重，对每个聚类进行加权平均计算，得到新的聚类中心；式中，C
j
表示新的聚类中心，W
u，j
表示第u个特征数据在第j个聚类中的权重，当进行第一轮迭代时，W
u，j
为初始权重，即W
u，j
＝W
u，0
；a
u，j
表示第u个特征数据分配到第j个聚类中的整形编号，a
u，j
＝[1，2，...，k
‑
1，k]；[a
u，j
＝j]表示指示函数，当a
u，j
＝j时取值为1，表示当前特征数据隶属第j个聚类，当a
u...

【专利技术属性】
技术研发人员：余敏，谢佳俊，戴汉文，郭杭，
申请(专利权)人：江西师范大学，
类型：发明
国别省市：