CN111669820B

CN111669820B - 一种密度峰值异常检测方法及智能无源室内定位方法

Info

Publication number: CN111669820B
Application number: CN202010460953.1A
Authority: CN
Inventors: 王韦刚; 张云伟; 刘芫健
Original assignee: Nanjing University of Posts and Telecommunications
Current assignee: Nanjing University of Posts and Telecommunications
Priority date: 2020-05-27
Filing date: 2020-05-27
Publication date: 2022-02-11
Anticipated expiration: 2040-05-27
Also published as: CN111669820A

Abstract

本发明公开了一种密度峰值异常检测方法及智能无源室内定位方法，通过K最近邻的参数自适应快速密度峰值异常检测算法对信道状态信息测量值的异常振幅进行检测，将处理后的CSI振幅值转换成RGB图像，利用卷积神经网络，实现智能无源室内定位的过程。

Description

一种密度峰值异常检测方法及智能无源室内定位方法

技术领域

本发明涉及智能信息处理技术领域，特别涉及一种参数自适应快速密度峰值异常检测方法及一种基于信道状态信息的智能无源室内定位方法。

背景技术

位置信息在无线网络中至关重要，包括技术和应用要求。室内定位技术是基于位置信息服务技术的核心技术。随着智能设备和无线技术的迅速发展，室内定位技术越来越具有广泛的应用，例如目标跟踪，机器人导航，医疗保健管理和活动识别等。室内定位的研究可分为基于设备的室内定位和无源室内定位。基于设备的定位需要可穿戴的传感器或能进行跟踪任务的设备。但是，无源定位的目标不受任何跟踪设备的影响，具有成本低，功耗低，隐私性好，方便等优点。用于室内定位的无源WIFI感应在家庭和办公室的医疗，安全和保障中具有巨大的潜在应用。因此，无源室内定位吸引了学术界和工业界的大量研究兴趣。

在此背景下，提高无源室内定位的精度具有越来越重要的意义。与接收信号强度相比，信道状态信息简称CSI，是物理层的子载波级信道测量，它包含更丰富的信息，并且对时变和多径效应不那么敏感。在IEEE 802.11n标准中，当无线设备以高通模式工作时，可以在信道状态信息字段中轻松获得信道状态信息。信道状态信息测量值是一个复数，它表示天线特定子载波上的信道状况，包含有关频带内每个子载波的信息，并提供了提高定位精度的可能性。

传统的基于信道状态信息的室内定位方法都需要特征的手动提取和具有专门知识的计算。近年来，深度学习技术得到了广泛的探索，并取得了巨大的成功，尤其是在计算机视觉领域。卷积神经网络作为深度学习算法的典型应用，具有局域连接，权重共享的特点，无需手动选择特征功能。它可以减少权重的数量和网络模型的复杂度，因此在图像处理中具有良好的应用效果。借助卷积神经网络，可以从高维，大规模基于信道状态信息的位置图像中提取丰富的指纹特征，包括时间跨度和天线分集，这有助于提高定位精度。

发明内容

本发明目的：为解决目前无源室内定位精度不高的问题，本发明提出了一种参数自适应快速密度峰值异常检测方法及一种基于信道状态信息的智能无源室内定位方法，通过K最近邻的参数自适应快速密度峰值异常检测算法对信道状态信息测量值的异常振幅进行检测，将处理后的CSI振幅值转换成RGB图像，利用卷积神经网络，实现智能无源室内定位的过程。

技术方案：一种参数自适应快速密度峰值异常检测方法，包括以下步骤：

步骤1：利用信道状态信息测量值的幅值构建样本数据集X＝(x₁,x₂,...,x_n)；数据集中任意样本的K个最近邻定义为：

式中，d(x_i,x_j)为任意样本x_i与其他样本的欧式距离，

表示当d(x_i,x_j)按升序排列时任意样本x_i所对应的第k个距离的样本；

样本间局部密度定义为：

式中，exp()为指数函数，d_c是截止距离参数；

步骤2：在样本间局部密度的信息熵最小的情况下，通过求解最优化问题确定最优截止距离参数

将最优截止距离参数

代入样本间局部密度公式，获得最优局部密度

步骤3：基于最优局部密度

和K最近邻域内最大距离

可得到基于K最近邻的参数自适应快速密度峰值异常检测算法的振幅异常值判决规则：

式中，ρ_τ为局部密度阈值，d_τ为距离阈值；

步骤4：基于振幅异常值判决规则对信道状态信息测量值的幅值进行振幅异常值检测。

进一步的，对于满足式(7)振幅异常值判决规则的样本x_i根据式(10)(进行更新，对于不满足式(7)振幅异常值判决规则的样本不做任何处理；

式中，x_j为样本数据集X中的样本。

进一步的，步骤2中，样本间局部密度的信息熵定义为：

进一步的，步骤2中，最优截止距离参数

可通过下式所示的求解最优化方法获得：

令局部密度的信息熵最小，使用

替换局部密度中的d_c：

得到最优的局部密度：

进一步的，所述局部密度阈值ρ_τ定义为：

所述距离阈值d_τ定义为：

式中，θ和θ_d为经验参数。

本发明还公开了一种基于信道状态信息的智能无源室内定位方法，包括以下步骤：

S00：获取信道状态信息测量值，提取信道状态信息测量值的幅度以构建一个n*m测量值幅度矩阵：

式中，|H|是信道状态信息测量值幅度，t是所用网卡的天线索引，n是信道状态信息含有的子载波的数量，m是在每个参考点测量信道状态信息的次数；

S10：采用一种参数自适应快速密度峰值异常检测方法对S00构建得到幅度矩阵进行振幅异常值检测，得到可用幅度矩阵；

S20：将可用幅度矩阵以RGB图像的形式构造位置图像，将其作为训练集，将训练集输入构建的卷积神经网络并输出训练好的卷积神经网络模型；

S30：将待定位用户的位置图像输入训练好的卷积神经网络模型中，输出待定位用户的位置信息。

进一步的，S20中，所述卷积神经网络由卷积层和完全连接层构成，卷积层使用线性整流函数ReLU(x)＝max(0,x)作为激活函数，完全连接层使用Softmax函数作为激活函数：

其中，max(,)是比较两元素的大小并输出大的元素，α是训练集中位置图像的索引，

是第α个位置图像在完全连接层中第β个神经元的输出，ω_β是完全连接层中第β个神经元输出的权重向量，T表示向量转置，x^(α)是卷积神经网络倒数第二层的输出，N是参考点的数量。

进一步的，S20中，采用交叉熵加上正则项作为损失函数对卷积神经网络进行训练。

进一步的，所述损失函数表示为：

式中，J是训练集中位置图像的数量，1{.}是指示函数，z^(α)是训练集中位置图像对应参考点索引，β是完全连接层中神经元的索引，ω_αβ为模型权重，P是权重ω_β的维数等于完全连接层神经元的数量。

有益效果：本发明具有以下优点：

1、本发明采用基于K最近邻的参数自适应快速密度峰值异常检测算法，自适应确定截止距离参数d_c，与传统按经验人工选取参数d_c相比，具有更高的检测概率。

2、本发明在智能源室内定位过程中采用了深度学习中的卷积神经网络技术，能够实现对位置图像的识别与分类，并能快速准确的输出待定位用户的位置信息。

3、本发明在构建卷积神经网络过程中，通过设计网络结构，考虑了位置图像的尺寸大小，很好的与实际工程的结构相符。

4、本发明在调整卷积神经网络参数过程中，采用1*1和3*3的混合卷积核，考虑了卷积神经网络的参数数量和复杂度，能够提高卷积神经网络的效率。

5、本发明采用L_1，2混合范数作为正则项，能够对损失函数进行稀疏约束并防止过拟合现象的产生，从而提高室内定位的精度。

6、本发明与传统的K最近邻快速密度峰值异常检测算法相比，具有更好的检测性能，与一般卷积神经网络相比，考虑了位置图像的尺寸和卷积神经网络的参数数量、复杂度与损失函数的约束，与传统无源室内定位相比，具有更高的室内定位精度。

附图说明

图1为基于K最近邻的参数自适应快速密度峰值异常检测示意图；

图2为卷积神经网络结构图；

图3为本发明的方法流程图。

具体实施方式

现结合附图和实施例进一步阐述本发明的技术方案。

实施例1：

在复杂的室内无线环境中，由于信道状态信息对噪声敏感，因此信道噪声不可避免地会干扰采集到的原始信道状态信息数据。它使信道状态信息的振幅包含一些异常值，这不利于从信道状态信息的振幅中学习详细特征，信道状态信息测量值中的异常值可能会大大偏离平均值。

如图1所示，本实施例提出了一种基于K最近邻的参数自适应快速密度峰值异常检测方法，输入是整个样本数据集和该数据集中要检测的样本数据，输出是要检测的样本中的异常样本数据。具体包括以下步骤：

步骤1：接收端使用安装NIC5300网卡的电脑，通过NIC5300网卡和CSI tool工具采集每个参考点m组带有n个子载波的信道状态信息测量值，提取测量值幅度以构建一个n*m测量值幅度矩阵：

其中，|H|是信道状态信息测量值幅度，t是NIC5300网卡的天线索引；

步骤2：利用信道状态信息测量值的幅值构建样本数据集是X，并且该数据集中有n个样本，则数据集形式为X＝(x₁,x₂,...,x_n)，数据集中任意样本的K个最近邻为：

其中，d(x_i,x_j)为任意样本x_i与其他样本的欧式距离，

步骤3：利用高斯核函数计算任意样本x_i的局部密度

可表示为：

其中，exp()为指数函数，d_c是截止距离参数；

步骤4：信息熵的大小能反映局部密度的大小，信息熵越小则局部密度越大，基于公式(2)定义局部密度的信息熵：

步骤5：为了更好的利用基于K最近邻的局部密度进行聚类，则希望样本间局部密度的信息熵最小，因此令信息熵函数H(d_c)最小化，通过求解最优化问题确定截止距离参数d_c的最优值，即：

用

替换公式(2)中的d_c：

可得到最优局部密度

步骤6：基于公式(5)和K最近邻域内最大距离

其中：

其中，

是

的最优值，ρ_τ为局部密度阈值，d_τ为距离阈值，θ_ρ和θ_d都是经验参数。

步骤7：判断信道状态信息测量值的幅值是否满足振幅异常值判决规则，若满足条件则根据式(10)对样本x_i进行更新，否则不做任何处理，实现振幅异常值检测。

实施例2：

为了获得待定位用户的位置信息，将该用户的测试样本输入训练好的卷积神经网络模型中，利用Softmax函数进行识别和分类，最终输出该用户的位置信息。具体包括以下步骤：

NIC5300网卡含有3根天线，每个天线提供30个子载波，每个子载波采集30组测量值，即n＝30，m＝30，则每根天线可以形成30*30的幅度矩阵。

步骤2：在实施例1的基础上，对幅度矩阵中的异常振幅进行检测，并将通过检测的CSI振幅值作为RGB颜色模型的一个通道，3根天线的幅度矩阵能以RGB图像的形式构造位置图像，在每个参考点测量M个30次则能形成M张位置图像，将其作为训练集；

步骤3：如图2所示，采用三层卷积层和一层完全连接层构成卷积神经网络进行位置图像的识别与分类，由于位置图像尺寸较小只有30*30，并且完全连接层需要足够数量的输入元素，而池化层实质是进行采样以减小图像大小，因此在构建卷积神经网络架构时不需考虑加入池化层，1*1的卷积核能够减少网络参数的数量、降低复杂度，因此第一层卷积层的卷积核尺寸为1*1，第二层和第三层卷积层采用3*3的卷积核，三层卷积层使用1*1和3*3的混合卷积核对位置图像进行卷积运算。为了防止网络产生过拟合现象，采用L₁，₂混合范数作为正则项进行稀疏约束，其表现为：

式中，ω_αβ为模型权重，P是权重ω_β的数量等于完全连接层神经元的数量。

通过正则项来约束损失函数能够防止卷积神经网络产生过拟合现象，因此使用交叉熵加上正则项作为损失函数，最终损失函数被设定为：

式中，J是训练集中位置图像的数量，1{.}是指示函数，z^(α)是训练集中位置图像对应参考点索引，β是完全连接层中神经元的索引。

卷积层使用线性整流函数ReLU(x)＝max(0,x)作为激活函数，完全连接层使用Softmax函数作为激活函数：

其中max(,)是比较两元素的大小并输出大的元素，α是训练集中位置图像的索引，

步骤4：进入训练阶段，将训练集中的图像输入构建的卷积神经网络并输出训练好的网络模型；

步骤5：进入测试阶段，将待定位点的位置图像输入训练好的网络，最终输出待定位点的位置信息。

本实施例的方法可应用于基于信道状态信息的智能无源室内定位。

本实施例考虑在复杂的室内无线环境和信道状态信息对噪声敏感的条件下，考虑信道状态信息的异常振幅值会极大地偏离平均值的情况，通过基于K最近邻的参数自适应快速密度峰值异常检测算法，将信道状态信息的振幅融入检测过程中，以减小室内无线环境带来的测量误差；本发明充分考虑了用信道状态信息构造的图像尺寸和深度学习技术中卷积神经网络模型的分类效果，通过卷积神经网络架构和卷积核尺寸优化以及损失函数的稀疏约束，最大程度地减少了网络参数的数量、降低了复杂度和防止了过拟合现象，能快速准确地检测出室内用户的位置。