CN108650628B - 基于Wi-Fi网络的测距和指纹相结合的室内定位方法 - Google Patents

Abstract

本发明属于无线通信及无线定位技术领域，公开了一种基于Wi‑Fi网络的测距和指纹相结合的室内定位方法，对室内场景构建环状指纹地图并采集每个目标位置的CSI，利用具有区分多径簇能力的并经相位校正和AGC环路补偿处理后CIR进行收发端之间距离估计，利用天线间相位差数据提取指纹，当收发端之间的距离被确定后，只需要处理相应环路上的指纹数据，利用MPL对每个环路的指纹集合进行学习并得到分类模型，模型接收在线阶段的实时指纹并预测处被定为目标的位置。本发明利用相位校正以AGC环路补偿处理后的CIR进行测距，能够提高测距精度，利用距离确定相应环路能够减少在线阶段的计算开销，提高系统实时响应能力。

Description

基于Wi-Fi网络的测距和指纹相结合的室内定位方法

技术领域

本发明属于无线通信及无线定位技术领域，尤其涉及一种基于Wi-Fi网络的测距和指纹相结合的室内定位方法。

背景技术

目前，业内常用的现有技术是这样的：

目前，业内常用的现有技术是这样的：随着通信技术的不断发展以及人们生活水平的提高，人们对室内位置信息的需求的不断增长，目标的位置信息在各种场合中得到广泛的运用。Wi-Fi网络广泛的部署在典型的室内场景中，且无线设备经济廉价，这使得基于Wi-Fi网络的室内定位成为现有的各种室内定位方案中最有前景的一个。然而室内环境复杂多变，使基于Wi-Fi网络的室内定位面临种种挑战。在距离估计方面，室外条件下建立的能量衰减模型，在复杂的室内环境中将变的不再适用。以往的室内定位方案大多利用RSS或直接使用CSI幅度建立收发端之间的距离估计模型。RSS是多径信号的叠加，不具有区分多径信号的能力，虽然在一定程度上能够反映信道质量的优劣，但其易受室内环境的影响，即便在稳定环境中，也会产生较大的幅度波动。室内多径效应加之各种衰落，破坏了RSS随收发端之间距离增加而递减的单调性，这些都限制了RSS在测距方面的应用。

基于指纹的室内定位方案中，以往基于Wi-Fi指纹定位方案多选用RSS以及CSI幅度信息进行指纹以及指纹库的构建，CSI的相位信息很少利用，并且Wi-Fi指纹定位方案在线阶段生成指纹要和指纹库中的指纹进行匹配，这增加了室内定位系统在线阶段的计算开销，使得系统实时响应能力变得很差。

综上所述，现有技术存在的问题是：

与空旷相对简单的室外环境相比，在复杂多变，多径效应严重的室内环境中建立收发端之间精度高，鲁棒性好的距离估计模型，面临着极大的挑战。

其次，将指纹和地理位置进行映射的过程中，在线生成的指纹需要和指纹库中的指纹进行匹配的，这一过程计算开销大且低效，严重影响了室内定位系统的实时响应能力。

再者，在基于指纹的定位方案中，RSS或部分CSI指纹易受环境的影响，利用RSS或直接使用未处理的CSI作为指纹效果不太理想，在复杂的室内环境中难以达到较高的定位精度。

解决上述技术问题的难度和意义：

RSS是粗粒度的MAC层信息，从商用Wi-Fi设备中容易获取，因此RSS被广泛的应用于以往的室内定位方案中，典型的应用包括利用RSS进行指纹和指纹库的构建以及根据信号衰减模型对收发端之间进行距离估计。但是RSS极易受到周围环境的影响而变得不稳定且难以保持稳定的统计结构。因此在复杂多变的室内条件下利用RSS进行距离估计，难以区分RSS的变化是由室内环境变化造成的还是收发端之间距离的改变造成的，因此很难利用RSS建立精准的距离估计模型。传统的基于指纹的室内定位方法需要将指纹和实际地理位置进行映射，这一过程需要在线指纹和指纹库中所有的指纹进行匹配，需要很大的计算开销，因此影响定位系统的实时性能。

在本发明中，针对上述第一个难点，我们选用细粒度的物理层信息CSI进行收发端之间的距离估计。在这一过程中，我们对CSI数据进行相位校正，通过IFFT将其转换为CIR，随后经过多径抑制、AGC环路补偿处理以及离群值处理，最终得到CIR_eff。在复杂的室内环境下，CIR_eff具有稳定的统计结构，因此本发明利用CIR_eff作为距离估计的物理量提高了距离估计的精度。针对上述第二个难点，我们采用测距和指纹相结合的方法，当收发端之间的距离确定之后，相应的环路也就可以确定，之后只需要处理相应环路上的指纹数据，并且我们利用环路上相应的分类模型对输入的指纹进行位置预测，从而提高了定位系统的实时响应能力。针对上述第三个难点，我们提取CSI数据天线间相位差作为定位方案的指纹，收发端之间同步误差对同一张网卡的所有天线造成的相位误差是相同的，通过天线之间相位作差，消除了收发端之间的同步误差的影响，在室内条件下，天线间相位差更加稳定，能够更好的代表室内的目标位置。

发明内容

针对现有技术存在的问题，本发明提供了一种基于Wi-Fi网络的测距和指纹相结合的室内定位方法。

本发明是这样实现的，

一种基于Wi-Fi网络的测距和指纹相结合的室内定位方法采用距离和指纹相结合的方式进行室内定位，用以提高系统实时响应能力。距离估计方面，利用具有区分多径簇能力的并经相位校正和AGC环路补偿处理后CIR进行收发端之间距离估计；指纹构建方面，利用天线间相位差数据提取指纹；分类模型训练方面，利用MPL对每个环路的指纹集合进行学习并得到分类模型，模型接收在线阶段的实时指纹并预测处被定为目标的位置。距离和指纹融合进行定位，包括以下步骤：

(1)、建立定位系统并在室内场景中进行离线CSI数据采集。

(2)、对离线采集的CSI数据采用线性拟合的方式进行相位校正；

(3)、相位校正完毕，提取每个数据包中CSI数据的相位信息，并利用3天线间相位差信息构建指纹以及环状指纹数据库；

(4)、对于每个环形区域上处理得到的指纹数据集合，利用多层感知机进行训练，得到与每个环形区域相对应的分类模型；

(5)、定位的在线阶段，对于某个目标位置实时采集的CSI数据，进行相位校正并生成与该位置对应的在线指纹；

(6)、对相位校正后的CSI数据进行IFFT，得到每个数据包相应的CIR数据，本发明利用CIR数据建立收发端之间的距离估计模型；

(7)、当收发端之间的距离被计算出来，根据距离可以确定定位区域相应的环形区域，将步骤(5)中产生的在线指纹输入与该环形区域相对应的分类模型，对结果进行预测；

(8)、对模型产出的分类结果进行处理，得到最终的被定位目标的坐标；

进一步，步骤(3)是从相位校正后的CSI数据中进行指纹提取的过程，该过程可细分以下几个步骤：

A.对于相位校正后的CSI数据，提取3天线在30个子载波上的相位并得到3天线之间的相位差；并将从每个数据包中得到的3*30的相位差矩阵按行进行拼接，得到一个长度为90的行向量。

B.为室内每个数据采集点分配一个标签，并将每个数据包得到的长度为90的行向量和相应的标签相关联，以便利用多层感知机进行分类模型的训练，对于每个数据采集点，选取100个数据包，利用这100个数据中得到的100×90的相位差矩阵作为目标位置的指纹；

进一步，步骤(4)是利用多层感知机对指纹数据集进行训练的过程，具体过程如下：

A.对于某个环形区域上得到的指纹数据集，在进行分类模型训练之前，首先根据指纹特征的维度以及该环形区域上的分类数确定多层感知机输入层和输出层神经元的数目。

B.设置多层感知机隐藏层数目为3，同时在训练过程中手动调节其他参数，例如最大迭代次数，学习率，激活函数等。

进一步，在步骤(6)收发端之间距离估计过程包括：

A.对实时采集的CSI数据按照步骤(2)中的方法进行相位校正，经过相位校正，多个数据包得到的CIR数据具有了稳定的统计结构，有利于提高室内条件下距离估计的精度。

B.对相位校正后的CSI数据进行IFFT变换，获取每个数据包中的CIR数据并对CIR数据进行多径成分的抑制，对每根天线上保留下来的能量最大的两个CIR分量求和，并对3天线上的CIR数据求平均，用以避免室内复杂条件下单天线接收的偶然因素，进而提高距离估计物理量的鲁棒性。

C.Intel5300NIC以dB的计数形式提供了接收每个数据包时的AGC读数。首先获取每个数据包对应的AGC读数，对于得到的CIR数据，移除AGC环路的补偿作用。对于每一个接收的数据包，本发明将步骤B中得到的3天线上的CIR平均值转化为dB计数的形式，最后减去该数据包的AGC读数，并定义为有效CIR，并记为CIR_eff：

其中，m＝3，代表接收端天线的数目，n＝2，代表功率时延谱中所取CIR分量的数目，cir_i，j代表一个数据包中第i个天线上得到的CIR分量中第j个分量，agc表示数据包中AGC环路的读数，本发明最终选取减去了AGC环路补偿作用的CIR_eff作为本发明最终距离估计的物理量。

D.对CIR_eff数据集进行离群值剔除，避免“脏数据”对数据集整体特征造成影响。

E.对数据集CIR_eff进行回归分析并建立室内环境中的距离估计模型。采用最小二乘估计的拟合思想，当距离估计模型建立完毕，可以直接将某个位置的得到的CIR_eff数据作为输入，从而对该位置距离发射端的距离进行预测。

本发明的另一目的在于提供基于Wi-Fi网络的测距和指纹相结合的室内定位方法的室内定位系统。

综上所述，本发明的优点及积极效果为：

本发明利用相位校正以AGC环路补偿处理后的CIR进行测距，能够进一步提高测距精度，本发明利用距离确定相应环路能够减少在线阶段的计算开销，提高系统实时响应能力。

本发明在距离估计中，针对室内环境复杂多变，多径效应严重的特点提出采用相位校正并经过AGC环路补偿处理后的CIR_eff作为距离估计的物理量。CSI数据经过相位校正，消除了随机相位误差对CIR幅值的影响，使得同一个位置采集的数据包得到的CIR数据具有稳定的统计特性。其次，CIR具有区分不同多径簇的能力，本发明滤除功率时延谱中时延较大的多径成分，从而使得该测距方案具有了对抗室内多径效应的能力，对得到的CIR数值减去每个数据包的AGC读数，使得CIR_eff和距离之间具有了严格的单调关系。当收发端之间的距离内确定后，与距离相对应的环路就可以被确定，要处理的数据量从整个室内定位区域的减少为相应环路上的，并且在线阶段产生的实时指纹只需要输入相应环路上指纹数据集训练出来的分类模型，经过模型预测输出最终位置。假设定位区域有R个环路，在线阶段的相应时间缩短为以往匹配方案用时的1/R，因此本发明提出的一种基于Wi-Fi网络的测距和指纹相结合的混合室内定位方法，极大地提高了室内定位系统的实时响应能力。

图8展示了本发明在复杂室内环境和相对稳定的室内环境中距离估计方案的效果，我们和基于RSS的测距方案进行比较。本发明中采用的距离估计方案在复杂和相对稳定的室内环境中测距中位数误差分别是1.0m和0.8m，而基于RSS的测距方案对应的测距中位数误差则是1.9m和1.6m。

图9展示了本发明在复杂室内环境和相对稳定的室内环境中定位方案的效果。此外为了说明本本发明提出的定位方案的定位效果，我们和其他基于指纹的定位方案进行了比较。本发明中采用的基于Wi-Fi网络的测距和指纹相结合的室内定位方案在复杂和相对稳定的室内环境中定位中位数误差分别是1.2m和0.9m，小于其他定位方案在这两种环境下的定位误差。

附图说明

图1是本发明实施例提供的基于Wi-Fi网络的测距和指纹相结合的室内定位方法流程图。

图2是本发明实施例提供的环形指纹采集的示意图。

图3是本发明实施例提供的相位校正结果呈现。

图4是本发明实施例提供的四个不同位置提取的指纹。

图5是本发明实施例提供的收发端距离估计过程框图。

图6是本发明实施例提供的异常值滤除前后CIR_eff在不同收发端距离下的分布。

图7是本发明实施例提供的收发端距离估计的回归分析结果。

图8是本发明实施例提供的收发端测距误差的累积分布函数。

图9是本发明实施例提供的定位误差的累积分布函数。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明利用相位校正以AGC环路补偿处理后的CIR进行测距，能够进一步提高测距精度，本发明利用距离确定相应环路能够减少在线阶段的计算开销，提高系统实时响应能力。

如图1所示，本发明实施例提供的基于Wi-Fi网络的测距和指纹相结合的室内定位方法，包括：

室内场景离线CSI数据采集；

原始CSI数据相位校正；

环状指纹地图的构建；

分类模型的训练；

收发端之间距离估计；

在线指纹生成；

在线指纹和距离融合进行定位。

距离估计方面，利用具有区分多径簇能力的并经相位校正和AGC环路补偿处理后CIR进行收发端之间距离估计；指纹构建方面，利用天线间相位差数据提取指纹；分类模型训练方面，利用MPL对每个环路的指纹集合进行学习并得到分类模型，模型接收在线阶段的实时指纹并预测处被定为目标的位置。距离和指纹融合，进行定位，当收发端之间的距离被确定后，在线生成的指纹输入和距离相关的分类模型进行目标定位。

本发明是建立定位系统并在室内场景中进行离线CSI采集的过程，该过程细化为以下几个步骤：

A.定位系统收发端的相关配置。发射端是普通的商用AP，接收端是安装有Intel5300无线网卡的笔记本电脑，其中发射端的天线数目设置为1，接收端的天线设置为3。

B.对定位区域进行环形规划，对室内定位区域以信号发射端为圆心，间隔为d规划出若干同心圆，信号发射端固定，信号接收端沿着每个环形区域进行离线CSI数据的采集，在每个环形区域上相邻两个数据采集点之间的也是d，定位区域每个数据采集点都采集相同数目的数据包，对于室内定位区域，环形指纹地图构建方式如图2所呈现；

C.数据采集过程中，为了获取到足够的数据包，设置收发端之间的发包速率为100packets/s，对采集的数据进行预处理，剔除采集过程中接收到的空数据包；

本发明“对离线采集的CSI数据采用进行相位校正”，相位校正的结果如图3所示，该过程可以详细的表示为：

A.对采集的CSI数据，提取每个数据包中的相位信息并进行展开操作，得到CSI数据的真实的测量相位。

B.展开后的相位在30个子载波上大致是线性的，且整体斜率为负，本发明采用最小二乘进行拟合并得到拟合后的结果，用三天线上的所有子载波CSI展开之后的相位减去线性拟合得到的相位。

具体来说步骤B中“对原始CSI相位进行展开操作”可以详细的表示为：

无线网卡暴露出来的原始CSI测量相位处于折叠的状态，取值范围是[-π，π]，与真正的CSI测量相位相差2kπ，其中k为整数。对相位进行校正，要得到真实的测量相位，因此需要将折叠的相位进行展开。CSI测量相位可知，从第一个CSI相位值开始，随着子载波编号增大，相位值随之减小，当某个子载波的相位值小于-π的时候，其值就会发生跃迁，随后在该值的基础上继续减小。因此本发明可以设置计数器c＝0，判断相邻两个子载波k_n+1与k_n的CSI相位差，若大于π，可以判断该子载波的CSI相位发生了跃迁，令计数器加一，跃迁之后的相位减去2πc大小的相位，否则相位值保持不变，重复上述过程，直到所有的折叠相位都被展开。

本发明是从相位校正后的CSI数据中进行指纹提取的过程，该过程包含以下几个步骤：

A.对于相位校正后的CSI数据，提取3天线在30个子载波上的相位，本发明将第一和第二根天线在30个子载波上的测量相位做差，得到第一和第二根天线之间的相位差，按照类似的方法，得到第二和第三根天线，第一和第三根天线之间的相位差。30个子载波在3天线间的相位差同样是维度为3*30的矩阵。

B.将从每个数据包中得到的3*30的相位差矩阵按行进行拼接，得到一个长度为90的行向量。

C.对于每个目标位置，本发明提取100个数据包的天线间的相位差信息，本发明利用这100个数据中得到的100×90的相位差矩阵作为目标位置的指纹，

图4展示了A、B、C和D 4个位置的3天线相位差指纹，可以发现，本发明提取的指纹能够很好的代表室内场景下的某个地理位置。

D.对每个目标位置分配一个标签，将目标位置获取的指纹数据和该目标位置相应的标签相关联，以便利用多层感知机进行分类模型的训练。

步骤(4)是利用多层感知机对指纹数据集进行训练的过程，具体过程可详细表示如下：

对于某个环形区域上得到的指纹数据集，每个数据包是最终得到的是长度为90的行向量，对于分类模型的训练而言，特征向量的长度就是90，因此本发明将多层感知机输入层神经神经元的个数设置为90，同时将多层感知机输出层神经元的个数等于分类数，本发明将其设置为当前环状区域的目标位置的个数。设置多层感知机隐藏层数目为3，3个隐藏层神经单元的分数分别100、80和50，同时在训练过程中手动调节其他参数，例如最大迭代次数，学习率，激活函数等。

本发明是整个收发端之间距离估计建立的过程，整个距离估计的过程呈现在图5中，该过程具体步骤包括：

A.对实时采集的CSI数据进行相位校正，消除因收发端之间的同步误差带以及接收机硬件补偿不完全带来的影响。经过相位校正，多个数据包得到的CIR数据具有了稳定的统计结构，有利于提高室内条件下距离估计的精度；

B.对相位校正后的CSI数据进行IFFT变换，获取每个数据包中的CIR数据，并利用CIR具有区分多径簇能力的特点，对CIR数据进行多径成分的抑制。具体来讲，对于CIR中各个分量，本发明滤除时延较大的多径成分，保留LOS路径能量以及时延较短的NLOS路径能量的部分，这在一定程度上能够减轻室内多径效应对测距带来的影响。在距离估计模型中，对于每天线的CIR数据本发明只保留前两个能量较大的CIR分量；

C.对每根天线上保留下来两个CIR分量求和，并对3天线上的CIR求平均，用以避免室内复杂条件下单天线接收的偶然因素，进而提高距离估计物理量的鲁棒性。

D.对于得到的CIR数据，减去每个数据包中的AGC读数，移除AGC环路的补偿作用。对于每一个接收的数据包，本发明将步骤C得到的3天线上的CIR平均值转化为dB计数的形式，最后减去该数据包的AGC读数，得到处理后的有效CIR，大量数据实测表明，每个位置得到的CIR_eff和收发端之间距离有严格的单调关系，因此本发明最终选取经过相位校正并减去了AGC环路补偿作用的CIR_eff作为本发明最终距离估计的物理量。

E.对CIR_eff数据集进行离群值剔除。在实际环境中采集的数据，总是存在着一些“脏数据”，为了不因这些少数的离群数据导致数据集整体特征的偏移。本发明采用一种简单的方法对每个位置处CIR_eff数据集中的离群值进行处理：对于CIR_eff集合中的每个数值，求该数据集的均值μ和标准差σ并构造一个区间[μ-kσ，μ+kσ]。当集合中数值落在区间内，就将其视为正常数据，否则视为离群值进行滤除。其中k是一个应用无关的常数，在本发明的方案中取值为3。图6呈现了CIR_eff数据集在不同收发端距离下的整体分布，其中图6(a)是离群值剔除之前的CIR_eff数据分布，图6(b)是离群值剔除之后的CIR_eff数据分布；

F.对数据集CIR_eff进行回归分析并建立室内环境中的距离估计模型。当数据集经过离群值剔除操作之后，本发明用多项式回归的方法建立室内条件下CIR_eff与收发端之间距离的关系模型。距离估计模型建立完毕，可以直接将某个位置的得到的CIR_eff数据作为输入，从而对该位置距离发射端的距离进行预测，室内条件下利用CIR_eff建立的距离估计模型呈现在图7中；

下面结合具体分析对本发明作进一步描述。

本发明实施例提供的基于Wi-Fi网络的测距和指纹相结合的室内定位方法，具体包括：

(1)、建立定位系统并在室内场景中进行离线CSI数据采集。

初始化系统并设置系统相关参数，按照规划好的环状区域进行数据采集同时滤除采集过程中的空数据包。

(2)、对离线采集的CSI数据采用线性拟合的方式进行相位校正；

对步骤(1)阶段采集的CSI数据，首先提取CSI数据的相位，将相位进行展开操作，对其进行线性拟合，最后将原始的展开后的CSI相位减去拟合得到的相位，进而得到校正后的相位，校正结果呈现在图3中。

(3)、相位校正完毕，提取每个数据包中CSI数据的相位信息，并利用3天线间相位差信息构建指纹以及环状指纹数据库；

获取3天线之间的相位差并组织成长度为90的行向量，将每个数据包和相应的标签相关联，用于步骤(4)的训练阶段，4个不同位置的指纹展现在图4中。

(4)、对于每个环形区域上处理得到的指纹数据集合，利用多层感知机进行训练，得到与每个环形区域相对应的分类模型；

设置多层感知机的相关参数，例如学习率、最大迭代次数、激活函数等，对从步骤(3)中获取的指纹集合进行分类模型的训练。

(5)、定位的在线阶段，对于某个目标位置实时采集的CSI数据，首先进行相位校正并生成与该位置对应的在线指纹；

(6)、对相位校正后的CSI数据进行IFFT，得到每个数据包相应的CIR数据，本发明利用CIR数据建立收发端之间的距离估计模型；

对CSI数据按照步骤(2)进行相位校正，进行IFFT得到相应的CIR数据，接着滤除多径成分，进行多径抑制，对每个数据包的CIR将保留下来的CIR成分求和并在3天线求均值，接着减去AGC环路的读数，经过离群值滤除操作后采用回归分析建立室内距离估计模型，对于在线阶段得到的CIR_eff，输入模型，得到响应的距离估计。

(7)、根据估计的距离，确定相应环形区域对应的分类模型；

当收发端之间的距离被计算出来，根据距离可以确定定位区域相应的环形区域，将步骤(5)中产生的在线指纹输入与该环形区域相对应的分类模型，对结果进行预测。

(8)、对模型产出的分类结果进行处理，得到最终的被定位目标的坐标；对模型输出的分类结果，经过简单的计算，转化为被定为目标位置的实际坐标。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于Wi-Fi网络的测距和指纹相结合的室内定位方法，其特征在于，所述基于Wi-Fi网络的测距和指纹相结合的室内定位方法具体包括：

步骤一、建立定位系统并在室内场景中进行离线CSI数据采集；

步骤二、对离线采集的CSI数据采用线性拟合的方式进行相位校正；

步骤三、相位校正完毕，提取每个数据包中CSI数据的相位信息，并利用3天线间相位差信息构建指纹以及环状指纹数据库；

步骤四、对于每个环形区域上处理得到的指纹数据集合，利用多层感知机进行训练，得到与每个环形区域相对应的分类模型；

步骤五、定位的在线阶段，对于某个目标位置实时采集的CSI数据，进行相位校正并生成与该位置对应的在线指纹；

步骤六、对相位校正后的CSI数据进行IFFT，得到每个数据包相应的CIR数据，利用CIR数据建立收发端之间的距离估计模型；

步骤七、当收发端之间的距离被计算出来，根据距离确定定位区域相应的环形区域，将步骤五中产生的在线指纹输入与该环形区域相对应的分类模型，对结果进行预测；

步骤八、对模型产出的分类结果进行处理，得到最终的被定位目标的坐标；

步骤六，具体包括：

a)对实时采集的CSI数据按照步骤二中的方法进行相位校正；

b)对相位校正后的CSI数据进行IFFT变换，获取每个数据包中的CIR数据并对CIR数据进行多径成分的抑制，对每根天线上保留下来的能量最大的两个CIR分量求和，并对3天线上的CIR数据求平均；

c)接收每个数据包时的AGC读数，首先获取每个数据包对应的AGC读数，对于得到的CIR数据，移除AGC环路的补偿作用；对于每一个接收的数据包，将步骤b)中得到的3天线上的CIR平均值转化为dB计数的形式，最后减去该数据包的AGC读数，记为CIR_eff：

其中，m＝3，代表接收端天线的数目，n＝2，代表功率时延谱中所取CIR分量的数目，cir_i，j代表一个数据包中第i个天线上得到的CIR分量中第j个分量，agc表示数据包中AGC环路的读数，最终选取减去AGC环路补偿作用的CIR_eff作最终距离估计的物理量；

d)对CIR_eff数据集进行离群值剔除；

e)对数据集CIR_eff进行回归分析并建立室内环境中的距离估计模型；采用最小二乘估计的拟合方法，距离估计模型建立后，直接将某个位置的得到的CIR_eff数据作为输入，对该位置距离发射端的距离进行预测。

2.如权利要求1所述的测距和指纹相结合的室内定位方法，其特征在于，步骤三，具体包括：

A、对于相位校正后的CSI数据，提取3天线在30个子载波上的相位并得到3天线之间的相位差；并将从每个数据包中得到的3*30的相位差矩阵按行进行拼接，得到一个长度为90的行向量；

B、为室内每个数据采集点分配一个标签，并将每个数据包得到的长度为90的行向量和相应的标签相关联，利用多层感知机进行分类模型的训练，对于每个数据采集点，选取100个数据包，利用这100个数据中得到的100×90的相位差矩阵作为目标位置的指纹。

3.如权利要求1所述的测距和指纹相结合的室内定位方法，其特征在于，步骤四，具体包括：

A)对于某个环形区域上得到的指纹数据集，在进行分类模型训练之前，首先根据指纹特征的维度以及该环形区域上的分类数确定多层感知机输入层和输出层神经元的数目；

B)设置多层感知机隐藏层数目为3，同时在训练过程中手动调节最大迭代次数、学习率、激活函数参数。

4.一种应用如权利要求1～3任意一项所述测距和指纹相结合的室内定位方法的定位系统。

Images