CN108200644B - 一种基于网络可视图的无源室内定位方法 - Google Patents

Abstract

一种基于网络可视图的无源室内定位方法，利用普通的WLAN设备搭建信道状态信息数据采集平台并构建网络可视图，定位过程分为两个阶段：离线训练阶段和在线测试阶段；离线训练阶段时将子载波序列信号类比成时间序列信号，并通过可视图和水平可视图两种方法构建复杂网络，从而提取网络特征用之建立位置指纹库；在线测试阶段同样采集数据并利用几个机器学习算法进行位置分类；与此同时结合了幅度以及相位信息，并且综合了多对天线以进一步提升检测的准确性和稳定性。本发明能够大大降低实际运营成本，从而有效实现对室内人员的无源定位，且在最优的情况下可实现95％以上的分类准确度。在智能家居、物联网、入侵检测等领域具有一定的应用价值。

Description

一种基于网络可视图的无源室内定位方法

技术领域

本发明涉及室内定位领域，尤其涉及一种基于信道状态信息构建可视图网络的无源室内定位方法。

背景技术

自从以GPS为代表的定位技术出现以来，其高效、方便、快速与准确的特点不仅给人们的生活带来了巨大的改变，同时也带动了一批应用和服务的快速发展。由于传统定位技术原理的局限性，在室内环境的定位效果不是十分理想，因此目前室内环境急需一种高效、便捷、准确的定位技术来填补巨大的技术空白。当前的定位技术主要依托临近信息、场景分析和几何定位几种算法展开，其特点一般是借助多个辅助节点，利用不同的介质手段完成测距，然后和信息数据库中的数据匹配完成定位。

随着无线局域网(WLAN)的发展，无线热点已经广泛的分布于各种室内场合，例如学校、医院、餐厅、超市等等公共场所，如果能充分利用这些现存的无线设备实现室内定位，那么将大大降低系统部署的成本。

目前已经出现了一些基于WLAN的室内定位方案。由被定位目标是否携带设备参与到定位过程，可以将基于WLAN的定位方法分成有源和无源两种。在很多情况下，目标不会携带定位设备，即为无源室内定位方法。但是当前基于WLAN的无源室内定位方法仅采用了CSI的幅度信息，导致在实际应用中定位效果并不是特别好，然而在采集CSI信息过程中，我们还能够采集到相位信息。所以如何在定位过程中充分利用所采集的幅度和相位信息更为稳定的实现定位判断是十分值得继续探索的。

发明内容

为了克服现有的室内定位方式的稳定性较差、准确率较低的不足，本发明提供一种相比传统CSI幅度定位来说更加稳定，有更高准确率的基于网络可视图的无源室内定位方法，它能够有效实现对室内人体的位置分类。

本发明所采用的技术方案是：

一种基于网络可视图的无源室内定位方法，所述方法包括以下步骤：

步骤1：搭建无线信道状态信息数据采集平台；

步骤2：将定位区域分成N个网格，作为定位分类的基本单元，记为L₁,…,L_N；

步骤3：离线训练阶段，人体在每个网格中保持一段时间的静止姿态，采集包含信道状态信息的数据包；每个信道状态信息数据的格式为：

其中F₁～F₃₀均为子载波，T_r为发射天线数，R_e为接收天线数；

步骤4：取第1对天线对上的幅度和相位数据进行预处理，包括以下两个子步骤：

步骤4-1：除去数据中的明显异常值，采用拉依达方法检测出异常值，然后将异常值代替为样本均值；

步骤4-2：经异常值处理过后，再用滑动平均滤波器进行滤波平滑处理，消除因环境噪声引起的较大波动；

步骤5：将不同子载波信号序列类比成时间序列信号，分别对经上述步骤处理过后的幅度和相位数据进行复杂网络构建；构建方法包括：可视图VG和水平可视图HVG；并从构建出的网络中分别提取网络特征作为机器学习分类的特征；

步骤6：取其它不同天线对幅度和相位数据，进行步骤4～5的重复工作，以获取更多的特征；

步骤7：对所有的网络特征数据进行Z-score标准化处理，原始特征数据经过数据标准化处理后，各指标处于同一数量级，进行综合对比评价；

步骤8：将经Z-score标准化处理过后的特征视作一条指纹存入位置指纹库，作为机器学习算法的训练集合备用；

步骤9：在线测试阶段，采集测试数据包；

步骤10：对测试数据进行处理，其处理过程保持和训练阶段相同的方式，即测试数据经4～8步骤处理后得到测试集合；

步骤11：调用指纹库中备用的训练集合对测试集合中的每个样本进行机器学习分类，得到不同机器学习算法下定位样本的估计位置，计算出定位分类的准确率。

进一步，所述步骤5中，包括以下子步骤：

步骤5-1：经处理过后的幅度，可视图VG构建方法为：

其中，y_a,y_b,y_c分别代表不同子载波的幅度，x_a,x_b,x_c分别代表不同子载波的序号；不同子载波间的幅度满足上述公式的几何关系式，即两个不同子载波a和b的幅度以上述关系连接不被其中间的子载波幅度遮挡，则认为以对应子载波为a和b为节点的连边关系被确定；

通过上述方法确定网络的节点和连边关系，并由此构建出信道状态信息网络可视图VG；提取该可视图的4个网络特征，包括度相关系数、连边数、权重度值、聚类系数熵；

步骤5-2：经处理过后的幅度，水平可视图HVG构建方法为：

其中，y_a,y_b,y_c分别代表不同子载波的幅度或者相位，x_a,x_b,x_c分别代表不同子载波的序号；不同子载波间的幅度满足上述公式的几何关系式，即不同子载波a和b的幅度以上述关系连接不被其中间的子载波遮挡，则认为对应子载波a和b为节点的连边关系被确定；

通过上述方法确定网络的节点和连边关系，并由此构建出信道状态信息网络水平可视图HVG，提取该可视图的4个网络特征，包括连边数、平均聚类系数、度同配系数和聚类系数熵。

或者是：所述步骤5中，包括以下子步骤：

步骤5-1：经处理过后的相位，可视图VG构建方法为：

其中，y_a,y_b,y_c分别代表不同子载波的相位，x_a,x_b,x_c分别代表不同子载波的序号；不同子载波间的相位满足上述公式的几何关系式，即两个不同子载波a和b的相位以上述关系连接不被其中间的子载波相位遮挡，则认为以对应子载波为a和b为节点的连边关系被确定；

通过上述方法确定网络的节点和连边关系，并由此构建出信道状态信息网络可视图VG；提取该可视图的4个网络特征，包括度相关系数、连边数、权重度值、聚类系数熵；

步骤5-2：经处理过后的相位，水平可视图HVG构建方法为：

其中，y_a,y_b,y_c分别代表不同子载波的幅度或者相位，x_a,x_b,x_c分别代表不同子载波的序号；不同子载波间的相位满足上述公式的几何关系式，即不同子载波a和b的相位以上述关系连接不被其中间的子载波遮挡，则认为对应子载波a和b为节点的连边关系被确定；

通过上述方法确定网络的节点和连边关系，并由此构建出信道状态信息网络水平可视图HVG；提取该可视图的4个网络特征，包括连边数、平均聚类系数、度同配系数和聚类系数熵。

再进一步，所述步骤7中，Z-score标准化处理：

其中，x_new表示经过标准化处理后的特征，x_old表示标准化处理前的特征，μ和σ分别代表该特征所有样本的均值和所有样本的标准差。

本发明的技术构思为：可视图构建复杂网络是近些年来兴起的一个研究领域，许多学者在可视图网络领域取得了大量的研究成果。有许多学者利用可视图网络作为工具对时间序列信号进行了相关研究工作。由此可见可视图构建网络是一个处理序列信号十分有效的工具。本发明的一种基于信道状态信息构建可视图网络的无源室内定位方法巧妙的将信道状态信息和复杂网络用可视图的方法结合联系起来，实现了室内无源定位。

本发明的有益效果是：

1.利用了简单的设备作为定位实现平台，并充分利用现有的无线局域网设备，降低了设备的部署安装成本，易于实际应用中大量推广；

2.本发明人体无需携带任何有源设备，进一步降低了定位的成本，在智能家居、物联网、安防等领域有很大的应用价值；

3.联合了信道状态信息的幅度和相位信息，使得定位更加稳定、可靠；

4.利用可视图的方法构造复杂网络，充分的将不同天线对的信息联合使用，进一步提升了检测的准确率；

附图说明

图1是本发明基于信道状态信息构建可视图网络的无源室内定位方法工作流程图。

图2是信道状态信息数据采集和检测的工作示意图；

图3是另一种环境下的数据采集和检测的工作示意图；

图4是本发明方法和只用一个天线对幅度信息作定位分类的性能比较图；

图5是本发明方法和置信度的方法的性能比较图。

具体实施方式

下面我们结合附图对本发明的较好实施例进行详细阐述说明，以使本发明的优点和特征能更简单和快速的被本领域技术人员所理解，从而对本发明的保护范围做出更为清楚明确的划分和界定。

参照图1～图5，一种网络可视图的无源室内定位方法，包括以下步骤：

步骤1：搭建信道状态信息数据采集平台；

步骤2：将定位区域分成N个网格，作为定位分类的基本单元，记为L₁,…,L_N；

步骤3：离线训练阶段，人体在每个网格中保持一段时间的静止姿态，采集包含信道状态信息的数据包。每个信道状态信息数据的格式为：

其中F₁～F₃₀均为子载波，T_r为发射天线数，R_e为接收天线数；

步骤4：取第1对天线对上的幅度和相位数据进行预处理，包括以下两个子步骤：

步骤4-1除去数据中较为明显的异常值；

步骤4-2：经异常值处理过后，再用滑动平均滤波器进行滤波平滑处理；

步骤5：将不同子载波信号序列类比成时间序列信号，用两种构建复杂网络的方法：可视图(Visibility Graph)和水平可视图(Horizontal Visibility Graph)分别对经上述步骤处理过后的幅度和相位数据进行可视复杂网络构建，并从构建出的复杂网络中分别提取出一些网络特征作为机器学习分类的特征，两种构建可视网络的方法分别由以下两个子步骤组成；

步骤5-1：经处理过后的幅度(相位)，由VG构建原理：

其中，y_a,y_b,y_c分别代表不同子载波的幅度，x_a,x_b,x_c分别代表不同子载波的序号；不同子载波间的幅度满足上述公式的几何关系式，即两个不同子载波a和b的幅度以上述关系连接不被其中间的子载波幅度遮挡，则认为以对应子载波为a和b为节点的连边关系被确定；

相邻两个节点间必定有连接，由此方法构造的网络是无方向的，不相邻节点间需要满足上述公式中的几何关系方有连接

将幅度(相位)通过此种方式构建成复杂网络，并由此网络提取4个网络特征，对应网络特征分别是度相关系数(degree_assortativity_coefficient)、连边数(number_of_edges)、权重度值(weighted_degree)、聚类系数熵(clustering coefficient entropy)；

步骤5-2：经处理过后的幅度(相位)，由HVG构建原理：

其中，y_a,y_b,y_c分别代表不同子载波的幅度或者相位，x_a,x_b,x_c分别代表不同子载波的序号；不同子载波间的幅度满足上述公式的几何关系式，即不同子载波a和b的幅度以上述关系连接不被其中间的子载波遮挡，则认为对应子载波a和b为节点的连边关系被确定；

相邻两个节点间必定有连边，不相邻节点满足上述公式中的条件，由此方法构造的网络是无方向的。

将幅度(相位)通过此种方式构建成复杂网络，并由此提取4个网络特征，对应网络特征分别是平均聚类系数(average clustering)、度同配系数(degree assortativitycoefficient)、聚类系数熵(clustering coefficient entropy)、连边数(number ofedges)；

步骤6：取其他不同天线对幅度和相位数据，进行步骤4～5的重复工作，以获取更多的有效特征；

步骤7：对所有的网络特征数据进行Z-score标准化处理，

其中，x_new表示经过标准化处理后的特征，x_old表示标准化处理前的特征，μ和σ分别代表该特征所有样本的均值和所有样本的标准差。

步骤8：将经Z-score标准化处理过后的特征视作一条指纹存入位置指纹库，作为机器学习算法的训练集合备用；

步骤9：在线测试阶段，采集测试数据包；

步骤10：对测试数据进行处理，其处理过程保持和训练阶段相同的方式，即测试数据经4～8步骤处理后得到测试集合；

步骤11：调用指纹库中备用的训练集合对测试集合的每个样本进行机器学习分类，得到不同机器学习算法下样本的估计位置，计算出定位分类的准确率。

本实施例的处理过程如下：

1.如附图2所示，我们的实验平台由2台电脑组成，其中一台作为接入点(AP)，另一台作为监控点(MP)，其中在AP中安装了Intel 5300网卡，MP中安装了Intel 5300网卡和信道状态信息提取软件。

2.具体实施场所为一个空旷教室，我们将此房间分成若干个网格，每个网格间距在1.2m左右，如附图2所示；

3.每次采集时，人体静止站立在如附图2中的数据采集点，收集包含信道状态信息的数据包，每个位置点的采集时间为60秒。采集完毕后，每个位置都能得到一个.dat文件；

4.从每个位置的.dat文件中提取出每对天线的信道状态信息数据，其中包括幅度和相位数据；

5.对数据进行预处理，包括以下两个步骤：

5-1采用拉依达方法检测出异常值，然后将异常值代替为样本均值；

5-2使用滑动平均滤波其进行滤波平滑信号，去除由于环境噪声引起的信号异常波动。

6.将经处理过后的幅度(相位)信息分别用VG和HVG两种不同构建网络的方法取构建复杂网络，两种构建网络的方法分别由6-1和6-2组成。

6-1VG构建原理：

6-2HVG构建原理：

我们从幅度(相位)VG网络中提取出4个网络特征，从幅度(相位)HVG网络中提取出4个网络特征。又因为我们综合使用了3个天线对信息，最终我们从中提取出48个特征作为机器学习分类的特征；

7.对所有的网络特征数据进行Z-score标准化处理，原始特征数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价；

8.把经过标准化处理过后的特征视作一条指纹，然后将其存入位置指纹库，用于作为机器学习分类的训练集合备用；

9.测试阶段，人体同样静止于图2中的测试点，采集测试数据，每个位置采集时间为15秒；

10.将采集到的测试数据经过与训练阶段相同的操作4～7后，调用指纹库中的备用训练集合对测试阶段采到的数据所得的测试集合进行分类预测。

为验证本发明在不同环境下的性能，在另一个环境下(如图3)重复了上述步骤；我们采用一个天线对定位的方法和采用可视图构建网络的方法进行比较，得到性能如图4所示。由于环境2相比环境1具有较少的多径干扰，因此其分类正确率比环境1要高；我们用置信度的方法与可视图构建网络的方法进行比较，得到性能如图5所示。最终，我们的可视图构建网络方法好于两种我们所选的对比方法，结果表明本发明的方法显著的提高了分类的准确率。本方法在两种环境下的准确率都在90％以上。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (3)

1.一种基于网络可视图的无源室内定位方法，其特点在于，所述方法包括以下步骤：

步骤1：搭建无线信道状态信息数据采集平台；

步骤2：将定位区域分成N个网格，作为定位分类的基本单元，记为L₁,…,L_N；

步骤3：离线训练阶段，人体在每个网格中保持一段时间的静止姿态，采集包含信道状态信息的数据包；每个信道状态信息数据的格式为：

其中F₁～F₃₀均为子载波，T_r为发射天线数，R_e为接收天线数；

步骤4：取第1对天线对上的幅度和相位数据进行预处理，包括以下两个子步骤：

步骤4-1：除去数据中的明显异常值，采用拉依达方法检测出异常值，然后将异常值代替为样本均值；

步骤4-2：经异常值处理过后，再用滑动平均滤波器进行滤波平滑处理，消除因环境噪声引起的较大波动；

步骤5：将不同子载波信号序列类比成时间序列信号，分别对经上述步骤处理过后的幅度和相位数据进行复杂网络构建；构建方法包括：可视图VG和水平可视图HVG；并从构建出的网络中分别提取网络特征作为机器学习分类的特征；

步骤6：取其它不同天线对幅度和相位数据，进行步骤4～5的重复工作，以获取更多的特征；

步骤7：对所有的网络特征数据进行Z-score标准化处理，原始特征数据经过数据标准化处理后，各指标处于同一数量级，进行综合对比评价；

步骤8：将经Z-score标准化处理过后的特征视作一条指纹存入位置指纹库，作为机器学习算法的训练集合备用；

步骤9：在线测试阶段，采集测试数据包；

步骤10：对测试数据进行处理，其处理过程保持和训练阶段相同的方式，即测试数据经4～8步骤处理后得到测试集合；

步骤11：调用指纹库中备用的训练集合对测试集合中的每个样本进行机器学习分类，得到不同机器学习算法下定位样本的估计位置，计算出定位分类的准确率；

所述步骤5中，包括以下子步骤：

步骤5-1：经处理过后的幅度，可视图VG构建方法为：

其中，y_a,y_b,y_c分别代表不同子载波的幅度，x_a,x_b,x_c分别代表不同子载波的序号；不同子载波间的幅度满足上述公式的几何关系式，即两个不同子载波a和b的幅度以上述关系连接不被其中间的子载波幅度遮挡，则认为以对应子载波为a和b为节点的连边关系被确定；

通过上述方法确定网络的节点和连边关系，并由此构建出信道状态信息网络可视图VG；提取该可视图的4个网络特征，包括度相关系数、连边数、权重度值、聚类系数熵；

步骤5-2：经处理过后的幅度，水平可视图HVG构建方法为：

其中，y_a,y_b,y_c分别代表不同子载波的幅度，x_a,x_b,x_c分别代表不同子载波的序号；不同子载波间的幅度满足上述公式的几何关系式，即不同子载波a和b的幅度以上述关系连接不被其中间的子载波遮挡，则认为对应子载波a和b为节点的连边关系被确定；

通过上述方法确定网络的节点和连边关系，并由此构建出信道状态信息网络水平可视图HVG，提取该可视图的4个网络特征，包括连边数、平均聚类系数、度同配系数和聚类系数熵。

2.根据权利要求1所述的一种基于网络可视图的无源室内定位方法，其特征在于，所述步骤5中，包括以下子步骤：

步骤5-1：经处理过后的相位，可视图VG构建方法为：

其中，y_a,y_b,y_c分别代表不同子载波的相位，x_a,x_b,x_c分别代表不同子载波的序号；不同子载波间的相位满足上述公式的几何关系式，即两个不同子载波a和b的相位以上述关系连接不被其中间的子载波相位遮挡，则认为以对应子载波为a和b为节点的连边关系被确定；

通过上述方法确定网络的节点和连边关系，并由此构建出信道状态信息网络可视图VG；提取该可视图的4个网络特征，包括度相关系数、连边数、权重度值、聚类系数熵；

步骤5-2：经处理过后的相位，水平可视图HVG构建方法为：

其中，y_a,y_b,y_c分别代表不同子载波的相位，x_a,x_b,x_c分别代表不同子载波的序号；不同子载波间的相位满足上述公式的几何关系式，即不同子载波a和b的相位以上述关系连接不被其中间的子载波遮挡，则认为对应子载波a和b为节点的连边关系被确定；

通过上述方法确定网络的节点和连边关系，并由此构建出信道状态信息网络水平可视图HVG；提取该可视图的4个网络特征，包括连边数、平均聚类系数、度同配系数和聚类系数熵。

3.根据权利要求1或2所述的一种基于网络可视图的无源室内定位方法，其特征在于，所述步骤7中，Z-score标准化处理：

其中，x_new表示经过标准化处理后的特征，x_old表示标准化处理前的特征，μ和σ分别代表该特征所有样本的均值和所有样本的标准差。

Images