CN107832834A - 一种基于生成对抗网络的wifi室内定位指纹库的构建方法 - Google Patents

Abstract

本发明公开了一种基于生成对抗网络的WIFI室内定位指纹库的构建方法，包括：1、通过测量得到衡量信道情况的信道状态信息，即CSI数据；2、分别将每个位置的CSI数据处理为对应的幅值相位特征图初步构建指纹库；3、将得到的幅值相位特征图送入生成对抗网络中训练生成更多的幅值相位特征图，从而构建样本充足的WIFI室内定位指纹库。本发明利用生成对抗网络生成不同位置的幅值相位特征图的方法减少了信号采样数量，解决了CSI数据不足时无法有效建库的问题，提高了测量效率、简便易行。

Description

一种基于生成对抗网络的WIFI室内定位指纹库的构建方法

技术领域

本发明涉及室内定位领域，尤其是涉及一种定位指纹库构建方法。该方法通过高斯回归过程和深度卷积的生成对抗网络来扩充样本库，适用于在有限条件下不能获得完整数据时进行高效建库的情况。

背景技术

随着移动互联网技术的快速发展，基于位置的服务需求与应用越来越广泛的应用于生活当中。以智能终端为平台，基于WLAN的室内定位系统是近年来的一个研究热点，其具有操作简单，成本低等特点。目前对室内定位系统的研究，主要集中在离线阶段指纹库的构建和在线阶段实施定位两个方面。如何高效地建立并维护指纹库是室内定位一个重要的研究点。由于室内环境复杂，同一位置接收到的信号强度具有不稳定性和时变性，而且信号采集也是一个人工与时间成本都很高的过程，所以，研究一种高效准确的指纹库构建方法很有必要。

合肥工业大学硕士学位论文，2017，“一种面向信号盲区的高效指纹库构建算法”，提出了一种信号盲区内AP的部署方法，解决了信号盲区无法建库的问题，提高了信号盲区的定位精度，结合高斯过程回归模型，降低了离线阶段50％的工作量。但是此种方法无法在已有数据的基础上生成更多相同数据的类似数据，样本数量匮乏。

四川师范大学硕士学位论文，2016，“基于WiFi的室内指纹定位技术研究”，在WiFi环境下对室内指纹定位技术进行改进和实现，理论方面创新的提出了利用惯性导航设备快速构建方法与基于环境的衰减系数建库两种构建方法，提升了建库速度与减小了建库所需信息量，有效解决了建库阶段成本大的问题。但是此种方法并没有采用一种高效的方法来生成新的数据，效率较低。

中国科学院深圳先进技术研究院发明了一种室内定位指纹库的动态建立方法及系统(公开号：103747519A)，提供了一种室内定位指纹库的动态建立方法及系统，提高了指纹库的建立效率。但是此种方法并不能利用已有的数据生成更多的数据，指纹库中样本数量不足。

上海交通大学发明了一种基于地图结构的Wi-Fi位置指纹非监督训练方法(公开号：105208651A)。基于带有路径和节点的地图结构中，在静止状态下获取地图结构的起点位置，并在行走状态下获得路径上的所有转弯点，经采样点内插处理后得到用于定位的指纹数据库，从而实现室内精确定位。但是此种方法并没有采用一种快速便捷的方法来获取新的数据，样本数量较少。

发明内容

本发明是为避免上述现有技术所存在的不足之处，提供一种基于生成对抗网络的WIFI室内定位指纹库的构建方法，以期能利用转化CSI数据为不同位置的幅值相位特征图的方法来构建初始指纹库，并利用生成对抗网络生成不同于初始库的幅值相位特征图，减少信号采样次数，从而实现高效构建样本充足的WIFI室内定位指纹库。

本发明为解决技术问题采用如下技术方案：

本发明一种基于生成对抗网络的WIFI室内定位指纹库的构建方法的特点是按如下步骤进行：

步骤1、将一室内空间的外接矩形作为WIFI室内定位区域，将所述WIFI室内定位区域均匀划分为a个正方形网格；以每个正方形网格的中心点作为参考点，从而形成参考点集合，记为CP＝{CP₁,CP₂,...,CP_i,...,CP_a}，其中，CP_i表示第i个正方形网格内的参考点，i＝1,2,...,a；

步骤2、在所述WIFI室内定位区域外设置一个b根天线的路由器作为发射设备记为AP，在每个参考点上设置一个c根天线的设备作为接收设备；

所述第i个参考点CP_i在一段时间内利用所述接收设备按照采样速率v连续采集所述发射设备发送的n个WIFI信号，从而构成第i个参考点CP_i的信号时间序列集合其中，表示第i个参考点CP_i在第j次采集的WIFI信号，且为b×c×m的三维复数矩阵，m表示所述发射设备发射的WIFI信号信道数，b×c表示所述接收设备和发射设备之间的链路数量，j＝1,2,...,n；

步骤3、以所述第i个参考点CP_i的信号时间序列集合CSI_i中不同链路所采集到的WIFI信号来代表不同种类的位置信息，从而构成第i个参考点CP_i的位置信息集合其中，表示第i个参考点CP_i接收到的第k条链路的n个WIFI信号，且为n×m的二维复数矩阵，k＝1,2,...,b×c；

随机从二维复数矩阵的n行中取出p行数据，共取q次，组成q个p×m的二维复数矩阵，从而重构第i个参考点CP_i的位置信息集合为其中，表示第i个参考点CP_i的第k条链路的q个p×m的复数矩阵；

对重构的位置信息集合CPI_i′中的所有复数矩阵分别取出实部和虚部作出幅值相位图，得到第i个参考点CP_i的b×c条链路的幅值相位图集合其中，表示第i个参考点CP_i的第k条链路的q张幅值相位图，进而得到a个参考点处的幅值相位图集合PIC＝{PIC₁,PIC₂,...,PIC_i,...,PIC_a}并构成初步指纹库；

步骤4、对所述第i个参考点CP_i的幅值相位图集合PIC_i中的图片进行像素变换处理，得到第i个参考点CP_i的训练集其中，表示像素变换后的第i个参考点CP_i的第k条链路的q张幅值相位图，且的像素为w×h；

步骤5、利用第i个参考点CP_i的训练集对初始生成对抗网络模型进行训练，得到第i个生成对抗网络模型：

步骤5.1、设置生成对抗网络的训练总批次为s，当前批次为t，最大迭代次数为f，当前迭代次数为z，学习率变化率为g，将所述第i个参考点CP_i的训练集PIC_i′分为s个批次，且每个批次有l张幅值相位图；设置标志位flag；

步骤5.2、初始化t＝1，z＝1；

步骤5.3、将第t批次的l张幅值相位图集合DPIC_t作为真实样本，将l张由服从均匀分布的u维随机向量z^t生成的图片作为假样本，分别作为输入样本输入生成对抗网络的判别器D₁中，分别输出一个l维的向量D₁_logits_t和D₁logits_t_，所述向量D₁_logits_t表示输入样本为真实样本的概率，所述向量D₁logits_t_表示输入样本为假样本的概率，所述判别器D₁中包含五个处理过程，分别为第一个的卷积和激活函数处理，第二至第四个的批标准化、卷积和激活函数处理，以及第五个的全连接式的线性化处理；

步骤5.4、分别对所述向量D₁_logits_t和D₁logits_t_取均值处理后相加得到判别器D₁的输出误差d_loss_t；

步骤5.5、采用自适应优化算法RMSProp，并以学习率变化率g对所述输出误差d_loss_t进行最小化处理，从而更新判别器D₁的参数；

步骤5.6、初始化flag＝0；

步骤5.7、将l个服从均匀分布的u维随机向量z^t输入生成对抗网络的生成器G中，输出l张w×h的图片集合GPIC_t，所述生成器G中包含五个处理过程，分别为第一个的全连接层，第二至第五个的激活函数、批标准化和反卷积处理；

步骤5.8、将所述l张像素大小为w×h的图片集合GPIC_t输入生成对抗网络的判别器D₂中，从而输出一个l维的向量D₂_logits_t；所述判别器D₂与所述判别器D₁的处理过程相同；

步骤5.9、对所述l维的向量D₂_logits_t取均值处理后得到生成器G的输出误差g_loss_t；

步骤5.10、采用自适应优化算法RMSProp，并以学习率变化率g对所述输出误差g_loss_t进行最小化处理，从而更新生成器G的参数；

步骤5.11、令flag+1赋值给flag；若flag＝2则执行步骤5.12；否则，返回步骤5.7-步骤5.10；

步骤5.12、令t+1赋值给t，令z+1赋值给z；判断t＜s且z＜f是否成立，若成立，则转步骤5.3，否则，执行步骤5.13；

步骤5.13、判断t＝s且z＜f是否成立，若成立，则令t＝0，并转步骤5.3；否则结束迭代，得到第i个生成对抗网络模型；

步骤6、将r个服从均匀分布的u维随机向量z输入所述第i个生成对抗网络模型的生成器G中，从而生成r张对应于第i个参考点CP_i的b×c条链路的幅值相位图集合IPIC_i；

步骤7、重复步骤5和步骤6，从而生成a个参考点处的幅值相位图集合IPIC＝{IPIC₁,IPIC₂,...,IPIC_i,...,IPIC_a}；

步骤8、将所述a个参考点处的幅值相位图集合IPIC加入所述初步指纹库中，从而构成WIFI室内定位指纹库。

与现有技术相比，本发明的有益效果体现在：

1、本发明利用CSI数据转化为不同位置的幅值相位特征图，构建初始指纹库，并利用生成对抗网络生成不同于初始库的幅值相位特征图来扩展指纹库，减少了信号采样次数，提高了WIFI室内定位指纹库的构建效率。

2、本发明将CSI数据降维处理，转化为不同位置的幅值相位特征图，使得位置信息可视化。

3、本发明的生成对抗网络模型中生成器和判别器的输出误差不取对数，且判别器的最后一层输出不经过sigmoid函数处理，在优化误差时采用自适应优化算法RMSProp，解决了模型容易陷入崩溃的问题，使得生成的样本具有多样性。

4、本发明通过将所需样本输入生成对抗网络中进行训练，得到一个收敛稳定的生成对抗网络模型，然后利用训练好的生成模型生成新的位置特征图，增加了指纹库的样本数量。

综上所述，本发明通过构建和优化生成模型及判别模型，利用生成对抗网络的对抗特性，有效地生成了更多的样本，减少了测量数据量，扩充了WIFI室内定位指纹样本库，解决了CSI数据不足时无法有效建库的问题，此方法提高了测量效率、简便易行。

附图说明

图1为本发明测量现场教室布局图。

图2为本发明滤波之后的一个位置的第一条链路第一个信道的幅度图和相位图；

图3为本发明中采样后经过数据处理得到的某位置幅值相位图；

图4为本发明中生成对抗网络判别器的工作流程图；

图5为本发明中生成对抗网络生成器的工作流程图；

图6为本发明中通过训练后的生成器生成的某位置幅值相位图。

具体实施方式

本实施例中，一种基于生成对抗网络的WIFI室内定位指纹库的构建方法，包括以下步骤：

步骤1、如图1所示，将一教室的外接矩形作为WIFI室内定位区域，将WIFI室内定位区域均匀划分为49个正方形网格；以每个正方形网格的中心点作为参考点，从而形成参考点集合，记为CP＝{CP₁,CP₂,...,CP_i,...,CP₄₉}，其中，CP_i表示第i个正方形网格内的参考点，i＝1,2,...,49；

步骤2、在WIFI室内定位区域外设置一个2根天线的路由器作为发射设备记为AP，在每个参考点上设置一个3根天线的设备作为接收设备；

所述第i个参考点CP_i在一段时间内利用所述接收设备按照采样速率2.5ping/s连续采集所述发射设备发送的5000个WIFI信号，从而构成第i个参考点CP_i的信号时间序列集合其中，表示第i个参考点CP_i在第j次采集的WIFI信号，且为2×3×30的三维复数矩阵，30表示发射设备发射的WIFI信号信道数，2×3表示接收设备和发射设备之间的链路数量，j＝1,2,...,5000，如图2所示为滤波之后的一个位置的第一条链路第一个信道的幅度图和相位图；

步骤3、以第i个参考点CP_i的信号时间序列集合CSI_i中不同链路所采集到的WIFI信号来代表不同种类的位置信息，从而构成第i个参考点CP_i的位置信息集合其中，表示第i个参考点CP_i接收到的第k条链路的5000个WIFI信号，且为5000×30的二维复数矩阵，k＝1,2,...,6；

随机从二维复数矩阵的5000行中取出500行数据，共取2000次，组成2000个500×30的二维复数矩阵，从而重构第i个参考点CP_i的位置信息集合为其中，表示第i个参考点CP_i的第k条链路的2000个500×30的复数矩阵；

对重构的位置信息集合CPI_i′中的所有复数矩阵分别取出实部和虚部作出幅值相位图，得到第i个参考点CP_i的6条链路的幅值相位图集合其中，表示第i个参考点CP_i的第k条链路的2000张幅值相位图，进而得到49个参考点处的幅值相位图集合PIC＝{PIC₁,PIC₂,...,PIC_i,...,PIC₄₉}并构成初步指纹库。如图3所示为采样后经过数据处理得到的某位置幅值相位图，使得CSI数据表示的位置信息可视化；

步骤4、对第i个参考点CP_i的幅值相位图集合PIC_i中的图片进行像素变换处理，得到第i个参考点CP_i的训练集其中，表示像素变换后的第i个参考点CP_i的第k条链路的2000张幅值相位图，且的像素为300×300；

步骤5、利用第i个参考点CP_i的训练集对初始生成对抗网络模型进行训练，得到第i个生成对抗网络模型：

步骤5.1、设置生成对抗网络的训练总批次为20，当前批次为t，最大迭代次数为600，当前迭代次数为z，学习率变化率为0.0002，将第i个参考点CP_i的训练集PIC_i′分为20个批次，且每个批次有100张幅值相位图；设置标志位flag；

步骤5.2、初始化t＝1，z＝1；

步骤5.3、将第t批次的100张幅值相位图集合DPIC_t作为真实样本，将100张由服从均匀分布的100维随机向量z^t生成的图片作为假样本，分别作为输入样本输入生成对抗网络的判别器D₁中，分别输出一个l维的向量D₁_logits_t和D₁logits_t_，向量D₁_logits_t表示输入样本为真实样本的概率，向量D₁logits_t_表示输入样本为假样本的概率，判别器D₁中包含五个处理过程，分别为第一个的卷积和激活函数处理，第二至第四个的批标准化、卷积和激活函数处理，以及第五个的全连接式的线性化处理。这里输出时未采用sigmoid函数处理，目的是防止模型崩溃。如图4所示为生成对抗网络判别器的工作流程图；

步骤5.4、分别对向量D₁_logits_t和D₁logits_t_取均值处理后相加得到判别器D₁的输出误差d_loss_t；

步骤5.5、采用自适应优化算法RMSProp，并以学习率变化率0.0002对所述输出误差d_loss_t进行最小化处理，从而更新判别器D₁的参数。采用优化算法RMSProp和0.0002的学习率变化率可以更好地最小化误差，使得模型能够快速收敛；

步骤5.6、初始化flag＝0；

步骤5.7、将100个服从均匀分布的100维随机向量z^t输入生成对抗网络的生成器G中，输出100张300×300的图片集合GPIC_t，生成器G中包含五个处理过程，分别为第一个的全连接层，第二至第五个的激活函数、批标准化和反卷积处理。如图5所示为生成对抗网络生成器的工作流程图；

步骤5.8、将100张像素大小为300×300的图片集合GPIC_t输入生成对抗网络的判别器D₂中，从而输出一个100维的向量D₂_logits_t；判别器D₂与判别器D₁的处理过程相同，处理过程相同，但判别器D₂的参数共享于判别器D₁的参数；

步骤5.9、对100维的向量D₂_logits_t取均值处理后得到生成器G的输出误差g_loss_t；

步骤5.10、采用自适应优化算法RMSProp，并以学习率变化率0.0002对输出误差g_loss_t进行最小化处理，从而更新生成器G的参数；

步骤5.11、令flag+1赋值给flag；若flag＝2则执行步骤5.12；否则，返回步骤5.7-步骤5.10。连续两次优化判别器再优化一次判别器，目的是为了防止判别器误差d_loss_t变为0；

步骤5.12、令t+1赋值给t，令z+1赋值给z；判断t＜20且z＜600是否成立，若成立，则转步骤5.3，否则，执行步骤5.13。通过上述迭代可以覆盖所有的训练样本；

步骤5.13、判断t＝20且z＜600是否成立，若成立，则令t＝0，并转步骤5.3；否则结束迭代，得到第i个生成对抗网络模型。通过该步可以使训练epoch达到30次；

步骤6、将2000个服从均匀分布的100维随机向量z输入第i个生成对抗网络模型的生成器G中，从而生成2000张对应于第i个参考点CP_i的6条链路的幅值相位图集合IPIC_i。如图6所示为通过训练后的生成器生成的某位置幅值相位图；

步骤7、重复步骤5和步骤6，从而生成49个参考点处的幅值相位图集合IPIC＝{IPIC₁,IPIC₂,...,IPIC_i,...,IPIC₄₉}；

步骤8、将49个参考点处的幅值相位图集合IPIC加入所述初步指纹库中，从而构成WIFI室内定位指纹库。

Claims (1)

1.一种基于生成对抗网络的WIFI室内定位指纹库的构建方法，其特征是按如下步骤进行：

步骤1、将一室内空间的外接矩形作为WIFI室内定位区域，将所述WIFI室内定位区域均匀划分为a个正方形网格；以每个正方形网格的中心点作为参考点，从而形成参考点集合，记为CP＝{CP₁,CP₂,...,CP_i,...,CP_a}，其中，CP_i表示第i个正方形网格内的参考点，i＝1,2,...,a；

步骤2、在所述WIFI室内定位区域外设置一个b根天线的路由器作为发射设备记为AP，在每个参考点上设置一个c根天线的设备作为接收设备；

所述第i个参考点CP_i在一段时间内利用所述接收设备按照采样速率v连续采集所述发射设备发送的n个WIFI信号，从而构成第i个参考点CP_i的信号时间序列集合其中，表示第i个参考点CP_i在第j次采集的WIFI信号，且为b×c×m的三维复数矩阵，m表示所述发射设备发射的WIFI信号信道数，b×c表示所述接收设备和发射设备之间的链路数量，j＝1,2,...,n；

步骤3、以所述第i个参考点CP_i的信号时间序列集合CSI_i中不同链路所采集到的WIFI信号来代表不同种类的位置信息，从而构成第i个参考点CP_i的位置信息集合其中，表示第i个参考点CP_i接收到的第k条链路的n个WIFI信号，且为n×m的二维复数矩阵，k＝1,2,...,b×c；

随机从二维复数矩阵的n行中取出p行数据，共取q次，组成q个p×m的二维复数矩阵，从而重构第i个参考点CP_i的位置信息集合为其中，表示第i个参考点CP_i的第k条链路的q个p×m的复数矩阵；

对重构的位置信息集合CPI_i′中的所有复数矩阵分别取出实部和虚部作出幅值相位图，得到第i个参考点CP_i的b×c条链路的幅值相位图集合其中，表示第i个参考点CP_i的第k条链路的q张幅值相位图，进而得到a个参考点处的幅值相位图集合PIC＝{PIC₁,PIC₂,...,PIC_i,...,PIC_a}并构成初步指纹库；

步骤4、对所述第i个参考点CP_i的幅值相位图集合PIC_i中的图片进行像素变换处理，得到第i个参考点CP_i的训练集其中，表示像素变换后的第i个参考点CP_i的第k条链路的q张幅值相位图，且的像素为w×h；

步骤5、利用第i个参考点CP_i的训练集对初始生成对抗网络模型进行训练，得到第i个生成对抗网络模型：

步骤5.1、设置生成对抗网络的训练总批次为s，当前批次为t，最大迭代次数为f，当前迭代次数为z，学习率变化率为g，将所述第i个参考点CP_i的训练集PIC_i′分为s个批次，且每个批次有l张幅值相位图；设置标志位flag；

步骤5.2、初始化t＝1，z＝1；

步骤5.3、将第t批次的l张幅值相位图集合DPIC_t作为真实样本，将l张由服从均匀分布的u维随机向量z^t生成的图片作为假样本，分别作为输入样本输入生成对抗网络的判别器D₁中，分别输出一个l维的向量D₁_logits_t和D₁logits_t_，所述向量D₁_logits_t表示输入样本为真实样本的概率，所述向量D₁logits_t_表示输入样本为假样本的概率，所述判别器D₁中包含五个处理过程，分别为第一个的卷积和激活函数处理，第二至第四个的批标准化、卷积和激活函数处理，以及第五个的全连接式的线性化处理；

步骤5.4、分别对所述向量D₁_logits_t和D₁logits_t_取均值处理后相加得到判别器D₁的输出误差d_loss_t；

步骤5.5、采用自适应优化算法RMSProp，并以学习率变化率g对所述输出误差d_loss_t进行最小化处理，从而更新判别器D₁的参数；

步骤5.6、初始化flag＝0；

步骤5.7、将l个服从均匀分布的u维随机向量z^t输入生成对抗网络的生成器G中，输出l张w×h的图片集合GPIC_t，所述生成器G中包含五个处理过程，分别为第一个的全连接层，第二至第五个的激活函数、批标准化和反卷积处理；

步骤5.8、将所述l张像素大小为w×h的图片集合GPIC_t输入生成对抗网络的判别器D₂中，从而输出一个l维的向量D₂_logits_t；所述判别器D₂与所述判别器D₁的处理过程相同；

步骤5.9、对所述l维的向量D₂_logits_t取均值处理后得到生成器G的输出误差g_loss_t；

步骤5.10、采用自适应优化算法RMSProp，并以学习率变化率g对所述输出误差g_loss_t进行最小化处理，从而更新生成器G的参数；

步骤5.11、令flag+1赋值给flag；若flag＝2则执行步骤5.12；否则，返回步骤5.7-步骤5.10；

步骤5.12、令t+1赋值给t，令z+1赋值给z；判断t＜s且z＜f是否成立，若成立，则转步骤5.3，否则，执行步骤5.13；

步骤5.13、判断t＝s且z＜f是否成立，若成立，则令t＝0，并转步骤5.3；否则结束迭代，得到第i个生成对抗网络模型；

步骤6、将r个服从均匀分布的u维随机向量z输入所述第i个生成对抗网络模型的生成器G中，从而生成r张对应于第i个参考点CP_i的b×c条链路的幅值相位图集合IPIC_i；

步骤7、重复步骤5和步骤6，从而生成a个参考点处的幅值相位图集合IPIC＝{IPIC₁,IPIC₂,...,IPIC_i,...,IPIC_a}；

步骤8、将所述a个参考点处的幅值相位图集合IPIC加入所述初步指纹库中，从而构成WIFI室内定位指纹库。