System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及室内定位,具体为一种利用通道状态信息进行定位的机器学习样本增强方法。
技术介绍
1、在室内环境无法使用卫星定位时,使用室内定位技术作为卫星定位的辅助定位,解决卫星信号到达地面时较弱、不能穿透建筑物的问题,最终定位物体当前所处的位置,而当今使用机器学习实现准确室内定位的有效方法之一。
2、当前,机器学习需要大型数据集来训练神经网络,室内定位相关的数据收集的成本很高,制作数据集需要针对不同的室内环境进行大量测量和标记,而机器学习模型的效果和样本的数量有着直接的关系,若缺乏充分的样本训练,模型不可能获得很好效果。
3、于是,有鉴于此,针对现有的结构及缺失予以研究改良,提出一种利用通道状态信息进行定位的机器学习样本增强方法。
技术实现思路
1、针对现有技术的不足,本专利技术提供了一种利用通道状态信息进行定位的机器学习样本增强方法,解决了上述
技术介绍
中提出的问题。
2、为实现以上目的,本专利技术通过以下技术方案予以实现:一种利用通道状态信息进行定位的机器学习样本增强方法,所述利用通道状态信息进行定位的机器学习样本增强方法包括下述操作步骤:
3、s1、数据集设置:
4、设置数据集d即原始数据集ds,数据集d包含n个样本以及承载数据的子载波,且一共有n个ap,而且每个ap有n个rx天线,而csi在多天线系统下其数据是个矩阵;
5、s2、正交分频复用:
6、采用正交分频复用将信道分成若干正交子信道,将
7、s3、天线信号计算:
8、任一ap的某一个天线信号的计算公式如下:
9、rk,j(fm;i)=hk,j(fm)+nk,j;
10、s4、ap随机偏移:
11、在无线系统中,不同ap的时钟会受到相位噪声和漂移的影响,由于相位的偏移相对独立,因此让每个ap为来自用户设备的每个记录的信号添加一个独立的相移来生成增强的csi数据;
12、s5、模拟测量设备的实际波动:
13、随机相位向量ejr乘以每个对应ap的信道响应矩阵,形状是[m,nrx],ejr乘以信道响应矩阵的操作称之为矩阵乘以表示,且每个来自同一ap的样本,都添加相同振幅对应步骤s3信道响应公式中的振幅αl,通过添加随机波动模拟测量设备引起的实际波动;
14、s6、机器学习:
15、控制变量自增,设置控制变量i=1,j=1,输入参数,参数包括总数n,nap即总数为n的ap,需要增强的目标数据集总数m,目标数据集dt,dt的初始值为ds。
16、进一步的,所述步骤s1中,ap全称为wifi ap即无线接入点,而csi即信道状态信息。
17、进一步的,所述步骤s2中,m个子载波承载数据中不包含导频和保护频带的子载波。
18、进一步的,所述步骤s3中,rk,j表示接收的第k个ap的第j根天线的信号;
19、k的范围{1,nap},j的范围{1,nrx},nrx表示接收天线的数目的整数;
20、从位置i传输信号(signal)的频率为fm的子载波,记做si(fm),si(fm)即为从位置i传输信号(signal)的频率为fm的子载波,而公式中是以(fm)显示,si即可被理解为中的s为传输信号,i为位置,而说明书中亦有以下说明“hk,j(fm)表示第k个ap的第j个天线的第m个子载波的信道频率响应”,由此可知hk,j(fm)表示的含义包含了si(fm)所表示的含义,故而可以将si(fm)理解为hk,j(fm);
21、i属于{1,n},m属于{1,m};
22、hk,j(fm)表示第k个ap的第j个天线的第m个子载波的信道频率响应;
23、其中nk,j是高斯分布的噪音。
24、进一步的,所述步骤s4中,噪声和漂移在ap之间独立,且与用户设备的相位无关。
25、进一步的,所述步骤s4中,相位偏移对于连接同一个ap的不同连接设备来说是一样的,因为这个偏移都来自同一个物理设备。
26、进一步的,所述步骤s5中,的值属于参数,需根据实际情况自行设定,单位为db。
27、进一步的,所述步骤s6中,输入的参数数据均为矩阵形态。
28、一种利用通道状态信息进行定位的机器学习样本增强方法,所述利用通道状态信息进行定位的机器学习样本增强方法用于降低对原始样本的需求。
29、本专利技术提供了一种利用通道状态信息进行定位的机器学习样本增强方法,具备以下有益效果:
30、该利用通道状态信息进行定位的机器学习样本增强方法,通过针对每个ap为来自用户设备的每个记录的信号添加一个独立的相移和独立的振幅来生成增强的csi数据,这个相位偏移对于连接同一个ap的不同连接设备来说是一样的,以更加接近真实情况,由此将特定幅度随机添加至测量设备的测量结果中,有利于为训练提供了更多数据,并有效降低样本需求从而降低样本采集成本。
本文档来自技高网...【技术保护点】
1.一种利用通道状态信息进行定位的机器学习样本增强方法,其特征在于:所述利用通道状态信息进行定位的机器学习样本增强方法包括下述操作步骤:
2.根据权利要求1所述的一种利用通道状态信息进行定位的机器学习样本增强方法,其特征在于:所述步骤S1中,AP全称为WIFIAP即无线接入点,而CSI即信道状态信息。
3.根据权利要求1所述的一种利用通道状态信息进行定位的机器学习样本增强方法,其特征在于:所述步骤S2中,m个子载波承载数据中不包含导频和保护频带的子载波。
4.根据权利要求1所述的一种利用通道状态信息进行定位的机器学习样本增强方法,其特征在于:所述步骤S4中,噪声和漂移在AP之间独立,且与用户设备的相位无关。
5.根据权利要求1所述的一种利用通道状态信息进行定位的机器学习样本增强方法,其特征在于:所述步骤S4中,相位偏移对于连接同一个AP的不同连接设备来说是一样的,因为这个偏移都来自同一个物理设备。
6.根据权利要求1所述的一种利用通道状态信息进行定位的机器学习样本增强方法,其特征在于:所述步骤S5中,的值属于参数,单位为
7.根据权利要求1所述的一种利用通道状态信息进行定位的机器学习样本增强方法,其特征在于:所述步骤S6中,输入的参数数据均为矩阵形态。
8.根据权利要求1-7任一项所述的一种利用通道状态信息进行定位的机器学习样本增强方法,其特征在于:所述利用通道状态信息进行定位的机器学习样本增强方法用于降低对原始样本的需求。
...【技术特征摘要】
1.一种利用通道状态信息进行定位的机器学习样本增强方法,其特征在于:所述利用通道状态信息进行定位的机器学习样本增强方法包括下述操作步骤:
2.根据权利要求1所述的一种利用通道状态信息进行定位的机器学习样本增强方法,其特征在于:所述步骤s1中,ap全称为wifiap即无线接入点,而csi即信道状态信息。
3.根据权利要求1所述的一种利用通道状态信息进行定位的机器学习样本增强方法,其特征在于:所述步骤s2中,m个子载波承载数据中不包含导频和保护频带的子载波。
4.根据权利要求1所述的一种利用通道状态信息进行定位的机器学习样本增强方法,其特征在于:所述步骤s4中,噪声和漂移在ap之间独立,且与用户设备的相位无关。
5....
【专利技术属性】
技术研发人员:龙真真,刘德生,王斌,王微,周宇,
申请(专利权)人:中科晶锐苏州科技有限公司,
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。