CN110933628B - 基于孪生网络的指纹室内定位方法 - Google Patents
基于孪生网络的指纹室内定位方法 Download PDFInfo
- Publication number
- CN110933628B CN110933628B CN201911172883.3A CN201911172883A CN110933628B CN 110933628 B CN110933628 B CN 110933628B CN 201911172883 A CN201911172883 A CN 201911172883A CN 110933628 B CN110933628 B CN 110933628B
- Authority
- CN
- China
- Prior art keywords
- reference point
- state information
- channel state
- twin network
- fingerprint
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
- H04W16/225—Traffic simulation tools or models for indoor or short range network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
Abstract
本发明公开了一种基于孪生网络的指纹室内定位方法,有效提升了在在较难采集样本的室内定位环境的定位准确率。技术方案为:1)构建指纹室内定位系统;2)对室内定位区域进行划分;3)估计每个参考点的信道状态信息;4)计算每个参考点的指纹;5)构造训练集和验证集;6)对孪生网络模型进行训练;7)构造待定位点的信道状态信息样本对集合;8)获取待定位点位置。本发明基于指纹室内定位方法,考虑训练集较小时,传统的分类方法很难训练出能较为准确的分类模型的问题,构造样本对,有效提升了孪生网络的训练集大小,训练出的模型有更强的分类能力。用于有较难采集样本的室内环境中,适于室内救援及大型场所中人员定位等场景。
Description
技术领域
本发明属于通信技术领域,特别涉及指纹室内定位方法,具体是一种基于孪生网络的指纹室内定位方法。可适用于具有较少障碍物的室内场景中,尤其是在较难采集信息的室内场景中,能给用户提供精准的定位以及良好的用户体验。
背景技术
随着通信技术的发展,基于位置的服务已经成为了一个新兴的移动互联网产业,并具有良好的发展前景。因此,快速并且准确地获得移动终端的位置信息的需求变得日益迫切。定位信息还可以用来支持基于位置的业务和改善网络管理,提高位置服务的质量和网络性能。所以,在无线网络中能够快速、准确、稳定地获取位置信息的定位技术及其相关的定位系统已经成为当前的研究热点。目前室外定位技术如卫星定位的精度已经可以达到厘米级,但在室内环境下,尚无较为经济且成熟的方案,主要是因为室内定位的环境复杂、干扰源多、直达波路径缺失、多径传播、环境易变等特点。由于建筑物的遮蔽,卫星信号穿透建筑物的损耗太大,定位能力大大降低,所以卫星定位方法不适合在室内环境中定位。除了对定位纯技术方面的要求,一些人为的制约因素,比如安全性,隐私保护性等,也对室内定位体系提出了新的挑战。目前常用的室内定位方法定位准确率都还不够高,因此需要寻找新的方法或者优化现有的定位方法满足人们对定位的需求。
从信号测量方法来划分,无线室内定位方法技术可以分为四种:基于到达时间测量、基于到达角度测量、基于到达时间差测量和基于信号强度测量定位方法。相比于其余的三种无线室内定位方法,基于信号强度测量定位方法具有更高的室内定位准确率。
基于信号强度的定位分为信号传输损耗法和位置指纹定位法。信号传输损耗法首先建立接收信号强度指示RSSI—距离模型,据此可将接收信号强度指示RSSI转化为相应的距离值,得到待测位置到各个接入点AP的距离,再用三边定位法求得待测点位置。指纹定位法使用与所有参考点的信道状态信息CSI描述物理位置,将所有参考点的信道状态信息CSI汇总成指纹数据库,在在线匹配阶段,通过在某一点测量得到的信道状态信息CSI值,根据匹配算法进行位置匹配,进而推断出测试点的具体位置。信号传输损耗法需要建立较为准确的无线传播损耗模型,受无线室内环境影响较大,位置指纹定位法利用指纹数据描述参考点的特征,相比于信号传输损耗法受室内环境影响较小。
与常用的分类方法如基于最近邻、卷积神经网络、支持向量机等分类方法相比,孪生网络不仅对大样本数据集有较强的分类能力,对于小样本数据集也具有较高的分类能力,通过将具有多类别的样本数据集中某一类别的样本集视为正样本集,其余样本的样本集视为该类别的负样本集,间接地扩充了每一类别的样本集,并能更精准地分辨出两输入样本是否具有相同标签,因此能够在小样本数据集场景下进行精准分类。
例如申请公布号为CN 108594170A,名称为“一种基于卷积神经网络识别技术的WIFI室内定位方法”的专利申请,公开了一种基于卷积神经网络的指纹室内定位方法,该方法先对每个参考点进行WIFI信号采集,然后分别将每个参考点的数据处理后通过小波变换为对应位置的特征图构建初级定位指纹库;再将每个参考点的特征图进行像素变换构建定位指纹库的训练集,将训练集中每个参考点的特征图加标签后送入改进的卷积神经网络模型中训练得到分类模型;最后通过采样待测位置WIFI信号,数据处理后通过小波变换为对应位置的特征图送入得到的分类模型中进行分类,对位置类别做加权平均,从而实现针对待测位置的定位。该发明利用小波变换对参考点的数据进行处理,再用卷积神经网络进行分类,能够有效提高定位准确率,但是该方法由于采用的模型为卷积神经网络模型,卷积神经网络模型在每个类别有较少训练样本的数据集分类效果较较差,因此该方法仅适用于每个参考点位置具有大量样本集的室内定位场景,在较难采集样本的室内定位环境中定位准确率较低。
发明内容
本发明的目的在于针对上述现有方法的不足,提出了一种基于孪生网络的指纹室内定位方法,用于提高在较难采集样本的室内定位环境的定位准确率。
为实现上述目的,本发明采取的方案包括如下步骤:
(1)构建指纹室内定位系统:
构建包括均配置有intel 5300网卡的终端设备的接收端R和发射端S的指纹室内定位系统;所述接收端R还配置有r根接收天线,该接收端R固定在室内定位区域Q的中心位置;所述发射端S还配置有M根发射天线,该发射端S可以在室内定位区域Q中移动,其中s≥1,r≥1;
(2)对室内定位区域Q进行划分:
将室内定位区域Q划分为n个面积相等的栅格,并将每个栅格的中心作为参考点,得到由n个参考点组成的参考点集合G={G1,G2,…,Gi,…,Gn},其中Gi表示第i个参考点,n≥30;
(3)估计每个参考点Gi的信道状态信息:
(3a)发射端S在每个参考点Gi上分别向接收端R发送M组数据包后,通过接收端R所接收到的n个数据包组中的每组数据包对传输n个数据包组的信道分别进行估计,得到参考点Gi的M个信道幅值矩阵,该信道幅值矩阵的维度为k*s*r,k表示在无线传输标准协议IEEE802.11n下,利用Intel 5300网卡能从信道中获取的子载波个数,M≥k;
(3b)对每个参考点Gi的M个信道幅值矩阵进行合并,得到维度为M*k*s*r的信道状态信息矩阵Di,并以第1个维度为基础将Di连续无重复地划分为P个子矩阵,构成参考点Gi的信道状态信息子矩阵集合Ci={Ci1,Ci2,…,Cij,…,CiP},再将所有参考点的信道状态信息子矩阵集合组合成信道状态信息集合C=C1∪C2∪…∪Ci…∪…Cn,其中, 为向下取整符号,Cij为参考点Gi的第j个信道状态信息子矩阵,维度为k*k*s*r;
(4)计算每个参考点Gi的指纹Fi:
计算C中每个参考点Gi的信道状态信息子矩阵集合Ci所包含的P个子矩阵的平均矩阵,并将计算结果作为参考点Gi的指纹Fi,所有n个参考点的指纹即组成参考点指纹集合F={F1,F2,…,Fi,…,Fn};
(5)构造训练集和验证集:
(5a)将信道状态信息集合C中的每个元素与参考点指纹集合F中的每个元素进行配对,得到包含n*n*P个有序对的笛卡尔积V,V={(C1,1,F1),(C1,2,F1),…(C1P,F1),…(Clj,Fi),…(CnP,Fn)},其中1≤l≤n,(Clj,Fi)为由Clj与Fi构造的有序对,Clj为参考点Gl的第j个信道状态信息子矩阵;
(5b)判断每个有序对(Clj,Fi)中i是否与l相等,若是,则该有序对为配对组,并将配对组标识为1,否则,则该有序对为不匹配组,并将不匹配组标识为0;
(5c)将笛卡尔积V中所有有序对及其标签组合成训练样本集,并将训练样本集中半数以上的样本作为训练集,其余样本作为验证集;
(6)对孪生网络模型进行训练:
(6a)设迭代次数为t,最大迭代次数为iter,iter≥1000,并令t=0;
(6b)将训练集作为孪生网络模型的输入进行迭代训练,并判断t=iter是否成立,若是,得到训练好的孪生网络模型;否则,执行步骤(6c);
(6c)通过训练集的损失函数loss对孪生网络模型的权重参数进行更新,并令t=t+1,判断t>1是否成立,若是,执行步骤(6d),否则,执行步骤(6b);
(6d)将验证集作为权重参数更新后的孪生网络模型的输入,判断t=t+1时验证集的损失函数loss'大于t时的验证集的损失函数值是否成立,若是,得到训练好的孪生网络模型;否则,执行步骤(6b);
(7)构造待定位点的信道状态信息样本对集合K:
(7a)发射端S在室内定位区域Q内任意一个参考点Gx上分别向接收端R发送A组数据包后,A≥k,通过接收端R所接收到的每组数据包对传输A组数据包的信道进行估计,得到由参考点Gx的L个信道幅值子矩阵组成的信道幅值子矩阵集T={T1,T2,…,Tm,…,TL},并将T作为待定位点的信道幅值子矩阵集,其中Tm为待定位点的第m个信道幅值子矩阵,其维度为k*k*s*r;
(7b)将待定位点的信道幅值子矩阵集T中的每个元素与参考点指纹集合F中的每个元素进行配对,得到包含n*L个有序对的笛卡尔积K=K1∪K2∪…Ki…∪Kn,并将K作为信道状态信息样本对集合,且将Ki作为参考点Gi的信道状态信息样本对子集,其中Ki={Ki1,Ki2,…,Kim,…,KiL},Kim=(Fi,Tm)为参考点Gi的第m个信道状态信息样本对;
(8)获取待定位点的位置:
(8a)将参考点Gi的信道状态信息样本对子集Ki中的样本对逐一输入训练好的孪生网络模型,得到由L个输出值组成的参考点Gi的输出子集Oi={Oi,1,Oi,2,…,Oim,…,OiL};
(8b)计算Oi中所有元素的平均值Ei,所有n个参考点的输出子集的平均值即组成平均值集合E={E1,E2,…,Ei,…,En},E中最小值对应的参考点作为待定位点的位置。
本发明与现有技术相比,具有以下优点:
1.本发明采用孪生网络模型作为分类模型,训练孪生网络时,将信道状态信息集合C中的每个元素与参考点指纹集合F两两配对,构造包含n*n*P个有序对的笛卡尔积V,为每个有序对添加标签,将V中半数以上的有序对及其标签作为训练集,对孪生网络模型进行训练,训练集的有序对个数相比于C和F中的元素个数,均近似增加了n倍,孪生网络模型能得到更加充分的训练,因此本发明能更准确地获取待定位点的位置。
2.本发明中所使用的设备为两个均配置有intel 5300网卡的终端设备,其中一个作为发射端,另一个为接收端,发射端在参考点Gi向接收端发送个M数据包后,就可利用接收端上的CSItool模块通过接收端所接收到的每个数据包组对传输该数据包的信道进行估计,得到参考点Gi的M个信道幅值矩阵,无需额外设备。与需要安装多个接入点或传感器的室内定位方法相比,本发明无需安装传感器或接入点,也能取得较高的定位准确率,因此更为经济实用。
附图说明
图1是本发明的实现流程图;
图2是本发明中的孪生网络模型的结构示意图。
具体实施方式
下面结合附图和具体实施例,对本发明作进一步详细说明。
参照图1,本发明包括如下步骤:
步骤1)构建指纹室内定位系统:
构建包括均配置有intel 5300网卡的终端设备的接收端R和发射端S的指纹室内定位系统。所述接收端R还配置有r根接收天线,该接收端R固定在室内定位区域Q的中心位置;所述发射端S还配置有s根发射天线,该发射端S可以在室内定位区域Q中移动,其中s≥1,r≥1。由于Intel 5300网卡仅支持部分终端设备如型号为ThinkPad T400s的联想笔记本上获取信道状态信息,因此本实施例中接收端R和发射端S均为型号为ThinkPad T400s的联想笔记本,s=1,且r=3。
步骤2)对室内定位区域Q进行划分:
将室内定位区域Q划分为n个面积相等的栅格,并将每个栅格的中心作为参考点,得到由n个参考点组成的参考点集合G={G1,G2,…,Gi,…,Gn},其中Gi表示第i个参考点。本实施例中,n=120。
步骤3)估计每个参考点Ci的信道状态信息:
(3a)发射端S在每个参考点Gi上分别向接收端R发送M组数据包后,通过接收端R所接收到的n个数据包组中的每组数据包对传输n个数据包组的信道分别进行估计,得到参考点Gi的M个维度为k*3的信道幅值矩阵,为了能充分利用数据,M应为30的整数倍。在本实施例中,无线传播系统为IEEE202.11n协议的OFDM系统,且信道带宽为20MHz,信道被划分为64个子载波,利用intel 5300网卡可以获取其中的30个子载波幅值和相位值,因此,k=30。由于子载波的相位信息复杂多变,不易利用,因此仅利用子载波的幅值,生成M个信道幅值矩阵。本实施例中,M=300。
(3b)对每个参考点Gi的M个信道幅值矩阵进行合并,得到维度为M=30的信道状态信息矩阵Di。由于本方法中使用的模型为以卷积神经网络为子网络的孪生网络,输入应为多通道方阵。以第一个维度为基础,将参考点Gi的信道状态信息矩阵Di连续无重复地划分为P个子矩阵,每个子矩阵的维度为30*30*3,其中, 为向下取整符号,构成参考点Gi的信道状态信息CSI集合Ci={Ci1,Ci2,…,Cij,…,CiP},再将所有参考点的信道状态信息子矩阵集合组合成信道状态信息集合C=C1∪C2∪…∪Ci…∪…Cn其中,1≤j≤P,Cij为参考点Gi的第j个信道状态信息子矩阵。本实施例中,取M=300。
步骤4)计算每个参考点Gi的指纹Fi:
计算C中每个参考点Gi的信道状态信息子矩阵集合Ci所包含的P个子矩阵的平均矩阵,并将计算结果作为参考点Gi的指纹Fi,所有n个参考点的指纹即组成参考点指纹集合F={F1,F2,…,Fi,…,Fn}。
步骤5)构造训练集和验证集:
(5a)由于孪生网络由两个并行的子网络构成,含有两个输入,因此需要将信道状态信息集合C中的每个元素与参考点指纹集合F中的每个元素进行配对,得到包含n*n*P个有序对的笛卡尔积V,V={(C1,1,F1),(C1,2,F1),…(C1P,F1),…(Clj,Fi),…(CnP,Fn)},其中1≤l≤n,(Clj,Fi)为由Clj与Fi构造的有序对,Clj为参考点Gl的第j个信道状态信息子矩阵;
(5b)判断每个有序对(Clj,Fi)中i是否与l相等,若是,则该有序对为配对组,并将配对组标识为1,否则,则该有序对为不匹配组,并将不匹配组标识为0;
(5c)将笛卡尔积V中所有有序对及其标签组合成训练样本集,并通过分层采样将训练样本集中半数以上的样本作为训练集,其余样本作为验证集。若训练集所占比例太小,会导致模型过拟合,反之,若训练集所占比例太大,会导致验证集的评估结果不准确,因此,本实施例中,训练集所占训练样本集的比例为70%。
步骤6)对孪生网络模型进行训练:
(6a)本实施例中使用的分类模型为孪生网络模型,孪生网络以两个三层卷积神经网络为子网络,其结构参照图(2)。卷积神经网络的三个卷积层的权重参数分别为w1,w2,w3,三个池化层的参数相同,池化窗口大小为p*p,池化的步长为stride。设迭代次数为t,最大迭代次数为iter,iter≥1000,并令t=0;
(6b)将训练集作为孪生网络模型的输入进行迭代训练,并判断t=iter是否成立,若是,得到训练好的孪生网络模型;否则,执行步骤(6c);
(6c)通过训练集的损失函数loss对孪生网络模型的权重参数进行更新,并令t=t+1,判断t>1是否成立,若是,执行步骤(6d),否则,执行步骤(6b);
(6d)将验证集作为权重参数更新后的孪生网络模型的输入,判断t=t+1时验证集的损失函数loss'大于t时的验证集的损失函数值是否成立,若是,得到训练好的孪生网络模型;否则,执行步骤(6b)。
本实施例中,卷积神经网络的三个卷积层的卷积核大小分别为:3*3*3*64,3*3*64*32,以及3*3*32*10。池化层使用的是最大池化,池化窗口大小为2*2,步长stride=2。计算训练集的损失函数loss和验证集的损失函数loss'的表达式均为:
c=yd2+(1-y)*max(margin-d,0)2
其中,c表示loss或loss',y、d和margin分别表示输入孪生网络模型的有序对的标签、孪生网络模型的输出和超参数。本实施例中,利用格点搜索方法选择出margin=4.0。令iter=3000,采用小批量梯度下降算法更新孪生网络模型的权重参数。
步骤7)构造待定位点的信道状态信息样本对集合K:
(7a)发射端S在室内定位区域Q内任意一个参考点Gx上分别向接收端R发送A组数据包后,A≥k,通过接收端R所接收到的每组数据包对传输A组数据包的信道进行估计,得到由参考点Gx的L个信道幅值子矩阵组成的信道幅值子矩阵集T={T1,T2,…,Tm,…,TL},并将T作为待定位点的信道幅值子矩阵集,其中Tm为待定位点的第m个信道幅值子矩阵,其维度为30*30*3。为了能充分利用接受端接收到的数据包,A应取为30的整数倍。本实施例中,A=90,L=3;
(7b)将待定位点的信道幅值子矩阵集T中的每个元素与参考点指纹集合F中的每个元素进行配对,得到包含n*L个有序对的笛卡尔积K=K1∪K2∪…Ki…∪Kn,并将K作为信道状态信息样本对集合,且将Ki作为参考点Gi的信道状态信息样本对子集,其中Ki={Ki1,Ki2,…,Kim,…,KiL},Kim=(Fi,Tm)为参考点Gi的第m个信道状态信息样本对。
步骤8)获取待定位点的位置:
(8a)将参考点Gi的信道状态信息样本对子集Ki中的样本对逐一输入训练好的孪生网络模型,得到由L个输出值组成的参考点Gi的输出子集Oi={Oi,1,Oi,2,…,Oim,…,OiL};
(8b)计算Oi中所有元素的平均值Ei,所有n个参考点的输出子集的平均值即组成平均值集合E={E1,E2,…,Ei,…,En},E中最小值对应的参考点作为待定位点的位置。
下面结合实验数据,对本发明的技术效果做进一步的说明:
1、实验条件:
本发明的实验环境是:面积为76.8m2的连续的室内区域。
本发明的硬件设备为:两个安装有intel 5300网卡的ThinkPad T400s笔记本,其中一个安装有1根天线,另一个安装有3根天线。
本发明用于提取子载波幅值的软件平台为:Ubuntu操作系统和CSItool模块。
2、实验内容及结果分析:
将本发明和现有技术的一种基于卷积神经网络识别技术的WIFI室内定位方法进行对比实验。
其结果如表1所示,表1中使用在0.8m的定位精度下定位的准确率对实验结果进行评价。
表1.本发明方法与现有方法定位准确率的定量分析表
M | 30 | 60 | 90 | 120 | 150 | 180 |
孪生网络 | 0.62 | 0.66 | 0.85 | 0.91 | 0.92 | 0.94 |
卷积神经网络 | 0.21 | 0.35 | 0.42 | 0.65 | 0.77 | 0.82 |
准确率计算公式为:
其中Acc表示计算出的测试集的准确率,N为测试集中元素个数,pi为对第i个测试样本的预测的位置,ri为第i个输入对的实际位置,1(·)为指示函数,当预测的位置等于实际位置时,指示函数的结果为1,反之,结果为0。在对比试验中,N=100。
结合表1所给的数值化表述可以看出,本发明在室内定位精度为0.8m时,在每个参考点的位置信息集合大小和M取值相同的条件下,接收端定位准确率均高于基于卷积神经网络的室内定位方法的定位准确率。且在M=30时,本发明的室内定位准确率也能达到0.62。
综上所述,本发明通过将参考点指纹集合与信道状态信息集合进行笛卡尔积,极大地增加了训练数据集。孪生网络相比卷积神经网络等分类算法,具有更强的分辨能力,能更加准确地找出与待定位节点最为匹配的参考点,因此在信道状态信息集合较小时,也能达到较高的定位准确率,在较难采集信道状态信息的室内环境中,为能为用户提供精准的定位。
Claims (3)
1.一种基于孪生网络的指纹室内定位方法,其特征在于,包括有如下步骤:
(1)构建指纹室内定位系统:
构建包括均配置有intel 5300网卡的终端设备的接收端R和发射端S的指纹室内定位系统;所述接收端R还配置有r根接收天线,该接收端R固定在室内定位区域Q的中心位置;所述发射端S还配置有s根发射天线,该发射端S可以在室内定位区域Q中移动,其中s≥1,r≥1;
(2)对室内定位区域Q进行划分:
将室内定位区域Q划分为n个面积相等的栅格,并将每个栅格的中心作为参考点,得到由n个参考点组成的参考点集合G={G1,G2,...,Gi,...,Gn},其中Gi表示第i个参考点,n≥30;
(3)估计每个参考点Gi的信道状态信息:
(3a)发射端S在每个参考点Gi上分别向接收端R发送M组数据包后,通过接收端R所接收到的n个数据包组中的每组数据包对传输n个数据包组的信道分别进行估计,得到参考点Gi的M个信道幅值矩阵,该信道幅值矩阵的维度为k*s*r,k表示在无线传输标准协议IEEE802.11n下,利用Intel 5300网卡能从信道中获取的子载波个数,M≥k;
(3b)对每个参考点Gi的M个信道幅值矩阵进行合并,得到维度为M*k*s*r的信道状态信息矩阵Di,并以第1个维度为基础将Di连续无重复地划分为P个子矩阵,构成参考点Gi的信道状态信息子矩阵集合Ci={Ci1,Ci2,...,Cij,...,CiP},再将所有参考点的信道状态信息子矩阵集合组合成信道状态信息集合C=C1∪C2∪...∪Ci...∪...Cn,其中, 为向下取整符号,Cij为参考点Gi的第j个信道状态信息子矩阵,维度为k*k*s*r;
(4)计算每个参考点Gi的指纹Fi:
计算C中每个参考点Gi的信道状态信息子矩阵集合Ci所包含的P个子矩阵的平均矩阵,并将计算结果作为参考点Gi的指纹Fi,所有n个参考点的指纹即组成参考点指纹集合F={F1,F2,...,Fi,...,Fn};
(5)构造训练集和验证集:
(5a)将信道状态信息集合C中的每个元素与参考点指纹集合F中的每个元素进行配对,得到包含n*n*P个有序对的笛卡尔积V,V={(C1,1,F1),(C1,2,F1),...(C1P,F1),...(Clj,Fi),...(CnP,Fn)},其中1≤l≤n,(Clj,Fi)为由Clj与Fi构造的有序对,Clj为参考点Gl的第j个信道状态信息子矩阵;
(5b)判断每个有序对(Clj,Fi)中i是否与l相等,若是,则该有序对为配对组,并将配对组标识为1,否则,则该有序对为不匹配组,并将不匹配组标识为0;
(5c)将笛卡尔积V中所有有序对及其标签组合成训练样本集,并将训练样本集中半数以上的样本作为训练集,其余样本作为验证集;
(6)对孪生网络模型进行训练:
(6a)初始化包括两个并行且共享权值的子网络N1和N2的孪生网络模型,N1和N2都含有一个输入层、多个隐藏层和一个输出层,隐藏层包括三个卷积层和三个池化层;初始化训练集的损失函数loss和验证集的损失函数loss'均为:
c=yd2+(1-y)*max(margin-d,0)2
其中,c表示loss或loss',y、d和margin分别表示输入孪生网络模型的有序对的标签、孪生网络模型的输出和超参数;设迭代次数为t,最大迭代次数为iter,iter≥1000,并令t=0;
(6b)将训练集作为孪生网络模型的输入进行迭代训练,并判断t=iter是否成立,若是,得到训练好的孪生网络模型;否则,执行步骤(6c);
(6c)利用格点搜索方法选择孪生网络模型的超参数margin,并采用小批量梯度下降算法,通过训练集的损失函数loss对孪生网络模型的权重参数进行更新,并令t=t+1,判断t>1是否成立,若是,执行步骤(6d),否则,执行步骤(6b);
(6d)将验证集作为权重参数更新后的孪生网络模型的输入,判断t=t+1时验证集的损失函数loss'大于t时的验证集的损失函数值是否成立,若是,得到训练好的孪生网络模型;否则,执行步骤(6b);
(7)构造待定位点的信道状态信息样本对集合K:
(7a)发射端S在室内定位区域Q内任意一个参考点Gx上分别向接收端R发送A组数据包后,A≥k,通过接收端R所接收到的每组数据包对传输A组数据包的信道进行估计,得到由参考点Gx的L个信道幅值子矩阵组成的信道幅值子矩阵集T={T1,T2,...,Tm,...,TL},并将T作为待定位点的信道幅值子矩阵集,其中Tm为待定位点的第m个信道幅值子矩阵,其维度为k*k*s*r;
(7b)将待定位点的信道幅值子矩阵集T中的每个元素与参考点指纹集合F中的每个元素进行配对,得到包含n*L个有序对的笛卡尔积K=K1∪K2∪...Ki...∪Kn,并将K作为信道状态信息样本对集合,且Ki作为参考点Gi的信道状态信息样本对子集,其中Ki={Ki1,Ki2,...,Kim,...,KiL},Kim=(Fi,Tm)为参考点Gi的第m个信道状态信息样本对;
(8)获取待定位点的位置:
(8a)将参考点Gi的信道状态信息样本对子集Ki中的样本对逐一输入训练好的孪生网络模型,得到由L个输出值组成的参考点Gi的输出子集Oi={Oi,1,Oi,2,...,Oim,...,OiL};
(8b)计算Oi中所有元素的平均值Ei,所有n个参考点的输出子集的平均值即组成平均值集合E={E1,E2,...,Ei,...,En},E中最小值对应的参考点作为待定位点的位置。
2.根据权利要求1所述的基于孪生网络的指纹室内定位方法,其特征在于,步骤(6)中所述的孪生网络模型,隐藏层的结构和参数设置为:
隐藏层的结构:第一卷积层→第一池化层→第二卷积层→第二池化层→第三卷积层→第三池化层;
隐藏层的参数设置:
第一卷积层的卷积核尺寸设置为3*3*3*64;
第二卷积层的卷积核尺寸设置为3*3*3*32;
第一卷积层的卷积核尺寸设置为3*3*3*10;
第一池化层、第二池化层和第三池化层均采用均值池化,池化窗口大小为2*2,步长大小设置为2;
输出层的参数设置为:
输出层的权重矩阵大小设置为40*10。
3.根据权利要求1所述的基于孪生网络的指纹室内定位方法,其特征在于,步骤(3a)中所述的通过接收端R所接收到的n个数据包组中的每组数据包对传输n个数据包组的信道分别进行估计,以及步骤(7a)中所述的通过接收端R所接收到的每组数据包对传输A组数据包的信道进行估计,采用时域估计算法或频域估计算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911172883.3A CN110933628B (zh) | 2019-11-26 | 2019-11-26 | 基于孪生网络的指纹室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911172883.3A CN110933628B (zh) | 2019-11-26 | 2019-11-26 | 基于孪生网络的指纹室内定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110933628A CN110933628A (zh) | 2020-03-27 |
CN110933628B true CN110933628B (zh) | 2020-12-08 |
Family
ID=69851932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911172883.3A Active CN110933628B (zh) | 2019-11-26 | 2019-11-26 | 基于孪生网络的指纹室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110933628B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111542006A (zh) * | 2020-04-02 | 2020-08-14 | 浙江工业大学 | 一种基于无线射频信号的物体识别方法 |
CN112946567B (zh) * | 2021-01-26 | 2023-05-02 | 西安电子科技大学 | 基于域对抗神经网络的运动目标指纹室内定位方法 |
CN113343863B (zh) * | 2021-06-11 | 2023-01-03 | 北京邮电大学 | 融合表征网络模型训练方法、指纹表征方法及其设备 |
CN116527462B (zh) * | 2023-05-25 | 2024-02-02 | 兰州交通大学 | 一种基于信道状态变化csi值的无线定位方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109506658A (zh) * | 2018-12-26 | 2019-03-22 | 广州市申迪计算机系统有限公司 | 机器人自主定位方法和系统 |
CN109685109A (zh) * | 2018-11-26 | 2019-04-26 | 浙江工业大学 | 一种基于孪生神经网络的基站标号轨迹分类方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8666432B2 (en) * | 2011-08-11 | 2014-03-04 | Rf Spot Inc. | Method and system for indoor RF mapping |
US9906914B2 (en) * | 2016-05-11 | 2018-02-27 | Mapsted Corp. | Scalable indoor navigation and positioning systems and methods |
CN106332277B (zh) * | 2016-09-05 | 2019-06-04 | 中南大学 | 一种基于信道状态信息分布的室内定位方法 |
CN107832834B (zh) * | 2017-11-13 | 2020-02-14 | 合肥工业大学 | 一种基于生成对抗网络的wifi室内定位指纹库的构建方法 |
CN110300370B (zh) * | 2019-07-02 | 2021-04-02 | 广州纳斯威尔信息技术有限公司 | 一种重建wifi指纹地图室内定位方法 |
-
2019
- 2019-11-26 CN CN201911172883.3A patent/CN110933628B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685109A (zh) * | 2018-11-26 | 2019-04-26 | 浙江工业大学 | 一种基于孪生神经网络的基站标号轨迹分类方法 |
CN109506658A (zh) * | 2018-12-26 | 2019-03-22 | 广州市申迪计算机系统有限公司 | 机器人自主定位方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110933628A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110933628B (zh) | 基于孪生网络的指纹室内定位方法 | |
Li et al. | AF-DCGAN: Amplitude feature deep convolutional GAN for fingerprint construction in indoor localization systems | |
Hsieh et al. | Deep learning-based indoor localization using received signal strength and channel state information | |
CN107071743B (zh) | 一种基于随机森林的快速KNN室内WiFi定位方法 | |
Brunato et al. | Statistical learning theory for location fingerprinting in wireless LANs | |
Abdel-Nasser et al. | MonoPHY: Mono-stream-based device-free WLAN localization via physical layer information | |
Zhou et al. | CSI fingerprinting with SVM regression to achieve device-free passive localization | |
CN103874118B (zh) | WiFi室内定位中基于贝叶斯回归的Radio Map校正方法 | |
Huang et al. | Machine-learning-based data processing techniques for vehicle-to-vehicle channel modeling | |
CN104519571B (zh) | 一种基于rss的室内定位方法 | |
Sanam et al. | An improved CSI based device free indoor localization using machine learning based classification approach | |
CN106131958A (zh) | 一种基于信道状态信息和支持向量机的室内被动定位方法 | |
CN108717175B (zh) | 基于区域划分和稀疏支持向量回归的室内指纹定位方法 | |
Zou et al. | A mutual information based online access point selection strategy for WiFi indoor localization | |
Ruan et al. | Hi-Loc: Hybrid indoor localization via enhanced 5G NR CSI | |
Adege et al. | Applying Deep Neural Network (DNN) for large-scale indoor localization using feed-forward neural network (FFNN) algorithm | |
CN106792506B (zh) | 一种WiFi定位方法及服务器 | |
CN109640262B (zh) | 一种基于混合指纹的定位方法及系统、设备、存储介质 | |
Geng et al. | Multipoint channel charting with multiple-input multiple-output convolutional autoencoder | |
Shih et al. | Intelligent radio map management for future WLAN indoor location fingerprinting | |
Ciftler et al. | Federated learning for localization: A privacy-preserving crowdsourcing method | |
CN113207089A (zh) | 基于csi与众包迁移自校准更新的位置指纹定位方法 | |
Wei et al. | Enriching indoor localization fingerprint using a single AC-GAN | |
Berruet et al. | An evaluation method of channel state information fingerprinting for single gateway indoor localization | |
CN111313943A (zh) | 深度学习辅助的大规模天线阵列下的三维定位方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |