CN110636466A - 一种机器学习下基于信道状态信息的WiFi室内定位系统 - Google Patents

Abstract

本发明公开了一种机器学习下基于信道状态信息的WiFi室内定位系统，其包括：离线数据采集模块，用于获取参考点位置信息，采集参考点离线信道状态信息；指纹库建立模块，用于根据离线数据采集模块传入的信息，遍历所有参考点的位置信息和离线信道状态信息，并且对离线状态信息进行聚类和归一化处理，形成位置信息与离线状态信息一一对应的指纹数据库；指纹特征训练模块，用于获取指纹库数据，将获取的数据进行PCA降维，然后用支持向量机(SVM)进行训练，得到定位模型，并将定位模型提交给在线定位模块；在线定位模块，用于获取实时信道状态信息数据并对其进行聚类和归一化处理，将处理后数据进行PCA降维，然后利用定位模型进行定位，得到实时信道状态数据对应的地理位置坐标；目标位置输出模块，用于可视化目标地理位置并输出，实现对目标的定位。

Description

一种机器学习下基于信道状态信息的WiFi室内定位系统

技术领域

本发明属于通信定位的技术领域，具体涉及一种机器学习下基于信道状态 信息的WiFi室内定位系统。

背景技术

近年来，随着无线通信技术与网络技术的不断发展和全面普及，人们对位 置服务的需求越来越高。室外定位有GPS和北斗等提供服务，对于室内定位： 基于WiFi指纹的室内定位技术成为最受欢迎的室内定位技术之一，已经在各种 各样的室内场所投入应用。

现有的基于WiFi指纹的室内定位技术中，大多是基于RSSI(接受信号强 度)。RSSI是基于MAC层的通过接受到信号强弱测定信号点与接收点的距离， 进而根据相应的数据进行定位计算的方法。在复杂的室内环境中，信号的严重 衰减和多径效应及其它噪声干扰，定位阶段造成很大的定位误差。目前已经有 很多技术人员通过NN、KNN、神经网络等算法及一些机器学习网络提升基于 RSSI的WiFi指纹的室内定位技术的定位精度。但这些方法由于信道衰减、多径 效应以及阴影效应的影响，效果达不到最佳。

发明内容

本发明的目的在于针对现有技术中的上述不足，提供一种机器学习下基于 信道状态信息的WiFi室内定位系统，以解决传统的WiFi室内定位由于多径效 应导致定位不准的问题。

为达到上述目的，本发明采取的技术方案是：

一种机器学习下基于信道状态信息的WiFi室内定位系统，包括：

离线数据采集模块，用于获取参考点位置信息，采集参考点离线信道状态 信息，并将所述参考点位置信息和参考点离线信道状态信息传入指纹库建立模 块；

指纹库建立模块，用于根据离线数据采集模块传入的信息，遍历所有参考 点的位置信息和信道状态信息，并且聚类然后归一化处理，形成参考点位置坐 标与信道状态信息相对应的指纹数据库，递交给指纹特征训练模块；

指纹特征训练模块，用于获取指纹库数据，将所述获取的数据进行PCA降 维，然后用支持向量机(SVM)进行训练，得到定位模型，并将定位模型提交给在 线定位模块；

在线定位模块，用于获取实时信道状态信息数据并对其进行聚类和归一化 处理，将所述处理后的数据进行PCA降维，然后利用定位模型进行预测，得到 实时信道状态数据对应的地理位置坐标，并递交给目标位置输出模块；

目标位置输出模块，用于可视化目标地理位置并输出，实现对目标的定位。

优选地，离线数据采集模块包括：

参考点位置记录模块，用于记录参考点所在的地理位置坐标；

离线信道状态信息采集模块，用于采集位于参考点处的离线信道状态信息 数据，其中离线信道状态信息具体为：

一个参考点对应n个CSI数据包，一个CSI数据包有一个p×q×30的复数矩 阵H_MIMO，其中p为发射天线数，q为接收天线数，p×q为天线对个数；

离线数据输出模块，用于将参考点的位置数据和离线信道状态信息数据输 入到指纹库建立模块。

优选地，指纹库建立模块包括离线数据处理模块、指纹库生成模块和指纹库 输出模块。

优选地，离线数据处理模块所用方法为：

对IEEE802.11n中OFDM的30个子载波的信道频率响应进行采样：

H_ij＝[h₁,h₂,h₃,...,h₃₀]

其中，H_ij为天线对，

|h_j|为幅值，∠h_i为相位；

提取幅值作为指纹：

H_amp＝[|h₁|,|h₂|,|h₃|,...,|h₃₀|]；

采用K-means算法对同一参考点的n个数据包在同一个天线对下的CSI幅 值进行处理，从n个数据包的值中得到k个具有代表性的CSI幅值作为特征指 纹fin:

fin＝[H_amp1,H_amp2,...,H_ampk]

采用K-means算法对m＝p×q个天线对进行处理，得到向量：

FIN＝[fin₁,fin₂,...,fin_m]

将二维空间第k个参考点：{(x_k,y_k),FIN_k}归一化后传给指纹库生成模块 形成了指纹库。

优选地，指纹特征训练模块包括PCA降维模块、支持向量机模块、和定位 模型输出模块。

优选地，PCA降维模块，其步骤为：

输入：n维样本集D＝(x⁽¹⁾,x⁽²⁾,...,x^(m))，要降维到的维数n'，其中样本集D 为：(FIN₁,FIN₂,...,FIN_m)；

输出：降维后的样本集D′；

对所有的样本进行中心化：

求出样本协方差矩阵：XX^T；

对矩阵XX^T进行特征值分解；

取出最大的n'个特征值对应的特征向量(w₁,w₂,...,w_n')，将所有的特征向量标准化后，组成特征向量矩阵W；

对样本集中的每一个样本x⁽ⁱ⁾，转化为新的样本z⁽ⁱ⁾＝W^Tx⁽ⁱ⁾；

得到输出样本集D′＝(z⁽¹⁾,z⁽²⁾,...,z^(m))。

优选地，支持向量机模块，其步骤为：

将上述PCA降维模块处理后的数据，结合其对应的位置坐标，输入到支持向 量机，进行训练，训练过程采用网格搜索法和k-折交叉验证，以找到支持向量 机的参数C和gamma的最优值，确保得到最优的模型；

优选地，在线定位模块包括实时数据预处理模块、预测模块以及预测数据输 出模块。

优选地，在线定位模块，其方法为：

获取实时的信道状态信息，同样地把幅值作为指纹：

H_amp＝[|h₁|,|h₂|,|h₃|,...,|h₃₀|]

用K-means方法和归一化方法进行处理；

紧接用PCA降维方法进行降维；

最后将上述处理后的数据用训练好的支持向量机模型进行预测，输出可能性 最大的目标所在位置，并把结果递交给目标位置输出模块。

优选地，的实时数据预处理模块应当具有如下特征：

K-means方法中的K值和归一化方法应当同离线数据处理模块中的一致， 降维方法应当同PCA降维模块中的一致。

本发明提供的机器学习下基于信道状态信息的WiFi室内定位系统，具有以 下有益效果：

本发明基于离线数据采集模块、指纹库建立模块、指纹特征训练模块、在线 定位模块和目标位置输出模块构建基于信道状态信息的WiFi室内定位系统，利 用信道状态信息实现定位，减少信道衰减、多径效应以及阴影效应的影响，提 高定位的精确度，有效地解决了传统的WiFi室内定位方法由于信道衰减、多径 效应以及阴影效应的影响，效果达不到最佳的问题。

附图说明

图1为机器学习下基于信道状态信息的WiFi室内定位系统的原理框图。

图2为机器学习下基于信道状态信息的WiFi室内定位系统离线数据采集模 块和指纹库建立模块的原理框图。

图3为机器学习下基于信道状态信息的WiFi室内定位系统的指纹特征训练 模块原理框图。

图4为机器学习下基于信道状态信息的WiFi室内定位系统在线定位模块和 目标位置输出模块原理框图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理 解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的 普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精 神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保 护之列。

根据本申请的一个实施例，本方案的机器学习下基于信道状态信息的WiFi 室内定位系统，参考图1，包括依次信号连接的离线数据采集模块、指纹库建立 模块、指纹特征训练模块、在线定位模块、目标位置输出模块，本发明利用信 道状态信息实现定位，减少信道衰减、多径效应以及阴影效应的影响，提高定 位的精确度。

以下对各个模块分别进行详细描述

参考图2，离线数据采集模块，用于获取参考点位置信息，采集参考点离线 信道状态信息，并将参考点位置信息和参考点离线信道状态信息传入指纹库建 立模块。

离线数据采集模块包括：

参考点位置记录模块，用于记录参考点所在的地理位置坐标；

离线信道状态信息采集模块，用于采集位于参考点处的离线信道状态信息 数据，其中离线信道状态信息具体为：

一个参考点对应n个CSI数据包，一个CSI数据包有一个p×q×30的复数 矩阵H_MIMO，其中p为发射天线数，q为接收天线数，p×q为天线对个数

离线数据输出模块，用于将参考点的位置数据和离线信道状态信息数据输 入到指纹库建立模块。

参考图2，指纹库建立模块包括离线数据处理模块、指纹库生成模块和指 纹库输出模块。

其中离线数据处理模块的方法为：

对IEEE802.11n中OFDM的30个子载波的信道频率响应进行采样：

H_ij＝[h₁,h₂,h₃,...,h₃₀]

其中，H_ij为天线对，|h_j|为幅值，∠h_i为相位；

提取

幅值作为指纹：

H_amp＝[|h₁|,|h₂|,|h₃|,...,|h₃₀|]；

采用Kmeans算法对同一参考点的n个数据包在同一个天线对下的CSI幅 值进行处理，Kmeans算法能使类聚域中所有的CSI幅值向量到类聚中心距离的 平方和最小，从n个数据包的值中得到k个具有代表性的CSI幅值作为位置指 纹fin:

fin＝[H_amp1,H_amp2,...,H_ampk]

无线天线在室内存在多径传播的情况，CSI幅值也受其影响，存在着成簇 分布的情况，根据现有文献的实验观测表明，超过80％的CSI幅值向量存在四 个以内的分簇，为了提高定位精准度，Kmeans算法中设置分簇个数k＝10。

采用Kmeans算法对m＝p×q个天线对进行处理，得到向量：

FIN＝[fin₁,fin₂,...,fin_m]

将二维空间第k个参考点：{(x_k,y_k),FIN_k}归一化后传给指纹库生成模块 形成了指纹库；其中，x_k为参考点所在位置的横坐标，y_k为参考点所在位置的 纵坐标。

指纹库生成模块，用于遍历所有的预处理过得指纹信息，打包并保存为指 纹库。

指纹库输出模块，用于将指纹库数据递交给指纹特征训练模块。

参考图3，指纹库训练模块包括PCA降维模块、支持向量机模块、和定位模 型输出模块。

其中PCA降维模块处理方法为：

输入：n维样本集D＝(x⁽¹⁾,x⁽²⁾,...,x^(m))，其中，x^(m)为第m个样本，要降维 到的维数n'其中样本集D为：(FIN₁,FIN₂,...,FIN_m)，为了保证精度，同时降低训 练时间，n'取值为30；

输出：降维后的样本集D′；

对所有的样本进行中心化：

求出样本协方差矩阵：XX^T；

对矩阵XX^T进行特征值分解；

取出最大的n'个特征值对应的特征向量(w₁,w₂,...,w_n')，将所有的特征向量标准化后，组成特征向量矩阵W；

对样本集中的每一个样本x⁽ⁱ⁾，转化为新的样本z⁽ⁱ⁾＝W^Tx⁽ⁱ⁾；

得到输出样本集D′＝(z⁽¹⁾,z⁽²⁾,...,z^(m))。

其中支持向量机模块的方法为：

将PCA降维模块处理后的数据，结合其对应的位置坐标，输入到支持向量 机，进行训练，训练过程采用网格搜索法和k-折交叉验证，以找到支持向量机 的参数C和gamma的最优值，确保得到最优的模型。

其中定位模型输出模块，用于将支持向量机模块训练得到的模型封装成 API，递交给在线定位模块使用。

参考图4，在线定位模块包括：

实时数据预处理模块，用于对实时采集的信道状态信息进行类聚、归一化以 及降维处理。特别地，该模块使用的K-means方法中的K值和归一化方法应当 同离线数据处理模块中的一致，降维方法应当同PCA降维模块中的一致；

预测模块，利用指纹特征训练模块训练好的模型对预处理后的数据进行预 测；

预测数据输出模块，将预测结果递交给目标位置输出模块。

目标位置输出模块，用于可视化目标地理位置并输出，实现对目标的定位。

本发明利用信道状态信息实现定位，减少了信道衰减、多径效应以及阴影 效应的影响，提高了定位的精确度，有效地解决传统的WiFi室内定位由于多径 效应导致定位不准的问题。

虽然结合附图对发明的具体实施方式进行了详细地描述，但不应理解为对 本专利的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不 经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。

Claims (10)

1.一种机器学习下基于信道状态信息的WiFi室内定位系统，其特征在于，包括：

离线数据采集模块，用于获取参考点位置信息，采集参考点离线信道状态信息，并将所述参考点位置信息和参考点离线信道状态信息传入指纹库建立模块；

指纹库建立模块，用于根据离线数据采集模块传入的信息，遍历所有参考点的位置信息和信道状态信息，并且聚类然后归一化处理，形成参考点位置坐标与信道状态信息相对应的指纹数据库，递交给指纹特征训练模块；

指纹特征训练模块，用于获取指纹库数据，将所述获取的数据进行PCA降维，然后用支持向量机(SVM)进行训练，得到定位模型，并将定位模型提交给在线定位模块；

在线定位模块，用于获取实时信道状态信息数据并对其进行聚类和归一化处理，将所述处理后的数据进行PCA降维，然后利用定位模型进行预测，得到实时信道状态数据对应的地理位置坐标，并递交给目标位置输出模块；

目标位置输出模块，用于可视化目标地理位置并输出，实现对目标的定位。

2.根据权利要求1所述的机器学习下基于信道状态信息的WiFi室内定位系统，其特征在于，所述离线数据采集模块包括：

参考点位置记录模块，用于记录参考点所在的地理位置坐标；

离线信道状态信息采集模块，用于采集位于参考点处的离线信道状态信息数据，其中离线信道状态信息具体为：

一个参考点对应n个CSI数据包，一个CSI数据包有一个p×q×30的复数矩阵H_MIMO，其中p为发射天线数，q为接收天线数，p×q为天线对个数；

离线数据输出模块，用于将参考点的位置数据和离线信道状态信息数据输入到指纹库建立模块。

3.根据权利要求1所述的机器学习下基于信道状态信息的WiFi室内定位系统，其特征在于：所述指纹库建立模块包括离线数据处理模块、指纹库生成模块和指纹库输出模块。

4.根据权利要求3所述的机器学习下基于信道状态信息的WiFi室内定位系统，其特征在于，所述离线数据处理模块所用方法为：

对IEEE802.11n中OFDM的30个子载波的信道频率响应进行采样：

H_ij＝[h₁,h₂,h₃,...,h₃₀]

其中，H_ij为天线对，

|h_j|为幅值，∠h_i为相位；

提取

幅值作为指纹：

H_amp＝[|h₁|,|h₂|,|h₃|,...,|h₃₀|]；

采用K-means算法对同一参考点的n个数据包在同一个天线对下的CSI幅值进行处理，从n个数据包的值中得到k个具有代表性的CSI幅值作为特征指纹fin:

fin＝[H_amp1,H_amp2,...,H_ampk]

采用K-means算法对m＝p×q个天线对进行处理，得到向量：

FIN＝[fin₁,fin₂,...,fin_m]

将二维空间第k个参考点：{(x_k,y_k),FIN_k}归一化后传给指纹库生成模块形成了指纹库。

5.根据权利要求1所述的机器学习下基于信道状态信息的WiFi室内定位系统，其特征在于：所述指纹特征训练模块包括PCA降维模块、支持向量机模块、和定位模型输出模块。

6.根据权利要求5所述的机器学习下基于信道状态信息的WiFi室内定位系统，其特征在于：所述PCA降维模块，其步骤为：

输入：n维样本集D＝(x⁽¹⁾,x⁽²⁾,...,x^(m))，要降维到的维数n'，其中样本集D为：(FIN₁,FIN₂,...,FIN_m)；

输出：降维后的样本集D′；

对所有的样本进行中心化：

求出样本协方差矩阵：XX^T；

对矩阵XX^T进行特征值分解；

取出最大的n'个特征值对应的特征向量(w₁,w₂,...,w_n')，将所有的特征向量标准化后，组成特征向量矩阵W；

对样本集中的每一个样本x⁽ⁱ⁾，转化为新的样本z⁽ⁱ⁾＝W^Tx⁽ⁱ⁾；

得到输出样本集D′＝(z⁽¹⁾,z⁽²⁾,...,z^(m))。

7.根据权利要求5所述的机器学习下基于信道状态信息的WiFi室内定位系统，其特征在于：所述支持向量机模块，其步骤为：

将上述PCA降维模块处理后的数据，结合其对应的位置坐标，输入到支持向量机，进行训练，训练过程采用网格搜索法和k-折交叉验证，以找到支持向量机的参数C和gamma的最优值，确保得到最优的模型。

8.根据权利要求1所述的机器学习下基于信道状态信息的WiFi室内定位系统，其特征在于：所述在线定位模块包括实时数据预处理模块、预测模块以及预测数据输出模块。

9.根据权利要8求所述的机器学习下基于信道状态信息的WiFi室内定位系统，其特征在于：所述在线定位模块，其方法为：

获取实时的信道状态信息，同样地把幅值作为指纹：

H_amp＝[|h₁|,|h₂|,|h₃|,...,|h₃₀|]

用K-means方法和归一化方法进行处理；

紧接用PCA降维方法进行降维；

最后将上述处理后的数据用训练好的支持向量机模型进行预测，输出可能性最大的目标所在位置，并把结果递交给目标位置输出模块。

10.根据权利要求9所述的机器学习下基于信道状态信息的WiFi室内定位系统，其特征在于，所述的实时数据预处理模块应当具有如下特征：

K-means方法中的K值和归一化方法应当同离线数据处理模块中的一致，降维方法应当同PCA降维模块中的一致。

Images