【技术实现步骤摘要】
本专利技术属于无线通信，具体涉及一种面向mimo ofdm的电力物联网室内定位方法。
技术介绍
1、由于诸如无线通信等技术的快速发展，无线通信越来越多地应用于电力系统中。电力系统中，如电厂、变电站等，许多设备都在室内，并且在系统运行时需用到这些设备的位置信息。但是传统使用的室外定位技术，如gps，受墙体等障碍物影响，难以应用于室内环境，因此电力物联网中的室内定位成为了一个亟需解决的问题。另一方面，由于mimo ofdm具有抗多径衰落强等优点，越来越广泛地应用于电力系统。
2、mimo ofdm无线通信设备在传输数据时可以查看信道状态信息(channel stateinformation,csi)。相较于传统rssi，csi携带了更多的多径信息，具有更高的定位精度。因此，基于csi的室内定位成为了研究热点。
3、现有的室内定位技术主要包括bluetooth技术、zigbee定位技术、rfid技术、以及wifi技术等。在上述室内定位技术中，bluetooth技术所需设备体积小，但是它具有传输距离短；rfid技术定位精度高，但是容易受到干扰的影响，zigbee定位与wifi定位技术相似，覆盖范围比较大。这些定位技术都是利用无线信号的强度信息，寻找位置与信号强度的表达式。但是在应用时，都是利用单一的网络制式进行定位，很难综合各种无线定位技术的优点。
4、传统的无线室内定位算法主要包括：k近邻法和svm算法等传统的机器学习算法。这些传统的算法具有复杂度低，运行速度快，易于实现等优点。但随着无线网路的增多
5、例如，一种在中国专利文献上公开的“基于室内rfid、室外gps定位的监控通信系统”，其公告号cn103630922a，包括定位监控通信系统和监控服务中心，所述定位监控通信系统包括gps室外定位通信模块和rfid室内定位模块，所述rfid室内定位模块、gps室外定位通信模块、监控服务中心依次连接，还包括不少于三个、设置于室内的不同地方的rfid室内定位标签。该方案无法结合多种定位技术的优点。
6、虽然已有多种基于csi的室内定位方法，但是这些方法在精度、稳定性等方便都需提升，并且在电力系统中，存在大量干扰、噪声、遮挡等问题，因此亟需一种面向电力物联网的高精度、稳定性室内定位方法。
技术实现思路
1、本专利技术的目的在于针对现有技术中存在的问题提供一种面向mimo ofdm的电力物联网室内定位方法，该方法充分将csi多径衰落信息通过图像的形式表示出来，并通过卷积神经网络提取多径信息特征，另外通过聚类的方法确保准确、健壮的室内定位。
2、本专利技术的技术方案是：
3、面向mimo ofdm的电力物联网室内定位方法，包括离线指纹库构建、模型训练和在线定位；所述的离线指纹库构建是将每个csi采样位置生成极坐标图用于构建csi样本指纹库；所述的模型训练是利用上述步骤构建的指纹库对卷积神经网络进行训练；所述在线定位是针对接收到的csi样本，首先利用训练好的卷积神经网络对其进行分类并输出该csi在每个采样点的概率，然后对高于概率阈值的采样点进行基于密度的聚类，最后选择总概率最高的那一类中采样点的均值，作为最终定位结果输出。
4、具体的，所述的离线指纹库构建包括如下步骤：
5、s1.记p＝(p1,…,pm)为m个csi采样位置，其中pi的欧式坐标记为(xpi,ypi,zpi)，任一两个csi采样位置之间间隔βm，令a＝(a1,…,az)为待定位空间内的接入点集合，为构建指纹库，需要在p中每个csi采样位置上采集n个报文的csi，记为在第j个接入点的第k根接收天线在第i个csi采样位置上采集的csi中第k个子载波的值，其中和分别表示该csi的幅值和相位，令为所有子载波组成的向量，其中s为子载波数量，令为第j个接入点在csi采样位置pi上采集的形为r×s的csi矩阵，其中r为接入点aj的接收天线个数，令为接入点aj在csi采样位置pi上采集的所有报文的csi矩阵，其形为n×r×s，令为所有接入点在csi采样位置pi上采集的csi组成的矩阵，其形为z×n×r×s；令为所有csi采样位置上采集的csi组成的矩阵，其形为m×z×n×r×s；
6、s2.针对每个构造极坐标图即对任一l∈{1,…,s}，将所表示的极坐标向量在图上画出；记图是一张形为c×w×h的图片，其中c为通道数、w为图片像素宽度、h为图片像素高度，将r张图片在每个通道内按宽度横向拼接成一张形如的图片其中令为接入点aj在csi采样位置pi上的指纹集合；令为所有接入点在csi采样位置pi上的指纹集合；令为最终构建成的指纹库。
7、具体的，所述的步骤s2中图中包含s条向量。
8、具体的，所述模型训练包括如下步骤：
9、2.1)、为每一个接入点利用已有架构构建一个m分类器，即每一个csi采样位置对应一个分类，记为接入点aj搭建的分类器为γj；
10、2.2)、为每个分类器构造自己的训练集，其中为接入点aj构建的训练集dj定义为：其中为输入模型数据、i为该数据对应标签；
11、2.3)、采用交叉熵作为损失函数，对每个接入点的分类器进行训练。
12、具体的，所述在线定位包括如下步骤：
13、3.1)、对于某个待定位设备d，连续采集δ个csi样本，记采集到设备d csi样本的待定位空间内的接入点集合为令ψ(a)表示待定位空间内的接入点a的下标，记中任一待定位空间内的接入点采集的某个csi样本为其中t∈{1,…,δ}、为待定位空间内的接入点第k根接收天线上接收的第l个子载波，则待定位空间内的接入点采集csi样本集合为接收并对任一待定位空间内的接入点采集样本集合进行均值化处理：其中最后将合成一个形如的图片
14、3.2)、将3.1)中对于中每个待定位空间内的接入点合成的图片输入至相应待定位空间内的接入点分类器中然后输出分类器对每个csi采样位置pi的预测概率由于任一csi采样位置pi会得到中多个待定位空间内的接入点分类器的预测概率，那么csi采样位置pi的最终预测概率
15、3.3)、找出所有大于给定概率阈值γ的csi采样位置，即
16、3.4)、用dbscan算法对ξ中csi采样位置进行密度聚类，在聚类时所用半径ε为采样点间隔β，假设dbscan对ξ共生成了κ个类，分别记为ξ1,...,ξκ，则每个类的权值ω(ξi)为该类中所有csi采样位置的预测概率的均值；
17、3.5)、从κ个类中挑出权值最大的类ξ*，即最终用ξ*中
18、所有csi采样位置坐标的均值作为预测结果即
19、本专利技术的有益效果是：该方法包括：离线指纹库构建阶段、模型训练阶段和在线定位阶段，针对电力系统金属遮挡严重、信道干扰强烈等特点，利用极坐标将csi矩阵转换为图片用于输入卷积神经网本文档来自技高网...
【技术保护点】
1.面向MIMO OFDM的电力物联网室内定位方法，其特征在于，包括离线指纹库构建、模型训练和在线定位；
2.根据权利要求1所述面向MIMO OFDM的电力物联网室内定位方法，其特征在于，所述的离线指纹库构建包括如下步骤：
3.根据权利要求2所述面向MIMO OFDM的电力物联网室内定位方法，其特征在于，所述的步骤S2中图中包含s条向量。
4.根据权利要求1所述面向MIMO OFDM的电力物联网室内定位方法，其特征在于，所述模型训练包括如下步骤：
5.根据权利要求1所述面向MIMO OFDM的电力物联网室内定位方法，其特征在于，所述在线定位包括如下步骤：
【技术特征摘要】
1.面向mimo ofdm的电力物联网室内定位方法，其特征在于，包括离线指纹库构建、模型训练和在线定位；
2.根据权利要求1所述面向mimo ofdm的电力物联网室内定位方法，其特征在于，所述的离线指纹库构建包括如下步骤：
3.根据权利要求2所述面向mimo ofdm的电力物联网...
【专利技术属性】
技术研发人员：宋文卓，郭夫然，陈晨，郭飞，张亮，宋景博，姚晗，
申请(专利权)人：国网河南省电力公司经济技术研究院，
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。