CN111669820B - 一种密度峰值异常检测方法及智能无源室内定位方法 - Google Patents
一种密度峰值异常检测方法及智能无源室内定位方法 Download PDFInfo
- Publication number
- CN111669820B CN111669820B CN202010460953.1A CN202010460953A CN111669820B CN 111669820 B CN111669820 B CN 111669820B CN 202010460953 A CN202010460953 A CN 202010460953A CN 111669820 B CN111669820 B CN 111669820B
- Authority
- CN
- China
- Prior art keywords
- amplitude
- channel state
- state information
- local density
- formula
- 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
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Image Analysis (AREA)
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
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,...,xn);数据集中任意样本的K个最近邻定义为:
样本间局部密度定义为:
式中,exp()为指数函数,dc是截止距离参数;
式中,ρτ为局部密度阈值,dτ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xi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,xj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:
得到最优的局部密度:
进一步的,所述局部密度阈值ρτ定义为:
所述距离阈值dτ定义为:
式中,θ和θd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,ωβ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,ωαβ为模型权重,P是权重ωβ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dc,与传统按经验人工选取参数dc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L1,2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,...,xn),数据集中任意样本的K个最近邻为:
其中,exp()为指数函数,dc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(dc)最小化,通过求解最优化问题确定截止距离参数dc的最优值,即:
其中:
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xi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:
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;
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,ωαβ为模型权重,P是权重ωβ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,是第α个位置图像在完全连接层中第β个神经元的输出,ωβ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。
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。
Claims (9)
1.一种参数自适应快速密度峰值异常检测方法,其特征在于: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,...,xn);数据集中任意样本的K个最近邻定义为:
样本间局部密度定义为:
式中,exp()为指数函数,dc是截止距离参数;
式中,ρτ为局部密度阈值,dτ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。
6.一种基于信道状态信息的智能无源室内定位方法,其特征在于: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:采用权利要求1至5任意一项所述的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。
8.根据权利要求6所述的一种基于信道状态信息的智能无源室内定位方法,其特征在于: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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010460953.1A CN111669820B (zh) | 2020-05-27 | 2020-05-27 | 一种密度峰值异常检测方法及智能无源室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010460953.1A CN111669820B (zh) | 2020-05-27 | 2020-05-27 | 一种密度峰值异常检测方法及智能无源室内定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111669820A CN111669820A (zh) | 2020-09-15 |
CN111669820B true CN111669820B (zh) | 2022-02-11 |
Family
ID=72384797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010460953.1A Active CN111669820B (zh) | 2020-05-27 | 2020-05-27 | 一种密度峰值异常检测方法及智能无源室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111669820B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801910B (zh) * | 2021-02-08 | 2022-09-23 | 南京邮电大学 | 一种信道状态信息图像去噪方法及室内定位模型 |
CN115175306B (zh) * | 2022-06-24 | 2024-05-07 | 国网河南省电力公司经济技术研究院 | 一种基于卷积神经网络的电力物联网室内定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106792808A (zh) * | 2016-12-08 | 2017-05-31 | 南京邮电大学 | 一种基于信道状态信息的室内环境下视距路径识别方法 |
CN108901021A (zh) * | 2018-05-31 | 2018-11-27 | 大连理工大学 | 一种基于无线网络信道状态信息的深度学习身份识别系统及方法 |
CN110139392A (zh) * | 2019-05-06 | 2019-08-16 | 安徽继远软件有限公司 | Lte电力无线专网随机接入信道多重冲突检测方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9078153B1 (en) * | 2014-10-31 | 2015-07-07 | Quantenna Communications, Inc. | Wireless local area network with spatial diagnostics |
US10200103B2 (en) * | 2016-11-23 | 2019-02-05 | Samsung Electronics Co., Ltd. | Method and apparatus to enable multi-resolution CSI reporting in advanced wireless communication systems |
CN106714296B (zh) * | 2016-11-24 | 2020-07-14 | 南京邮电大学 | 一种基于最速下降法的室内定位方法 |
CN106725488B (zh) * | 2016-12-27 | 2023-08-18 | 深圳大学 | 一种无线场强呼吸检测方法、装置及呼吸检测仪 |
CN107703486B (zh) * | 2017-08-23 | 2021-03-23 | 南京邮电大学 | 一种基于卷积神经网络cnn的声源定位方法 |
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 |
CN108924736B (zh) * | 2018-06-14 | 2021-03-09 | 西北师范大学 | 一种基于PCA-Kalman的无源室内人员状态检测方法 |
KR101974002B1 (ko) * | 2018-11-14 | 2019-04-30 | 국방과학연구소 | 이동단말의 연속적인 고정밀 측위 방법 |
CN110366108A (zh) * | 2019-07-09 | 2019-10-22 | 南京邮电大学 | 基于信道状态信息和接收信号强度的室内定位方法 |
CN111050294A (zh) * | 2020-02-24 | 2020-04-21 | 张早 | 一种基于深度神经网络的室内定位系统及方法 |
-
2020
- 2020-05-27 CN CN202010460953.1A patent/CN111669820B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106792808A (zh) * | 2016-12-08 | 2017-05-31 | 南京邮电大学 | 一种基于信道状态信息的室内环境下视距路径识别方法 |
CN108901021A (zh) * | 2018-05-31 | 2018-11-27 | 大连理工大学 | 一种基于无线网络信道状态信息的深度学习身份识别系统及方法 |
CN110139392A (zh) * | 2019-05-06 | 2019-08-16 | 安徽继远软件有限公司 | Lte电力无线专网随机接入信道多重冲突检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111669820A (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112084974B (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
CN112036433B (zh) | 一种基于CNN的Wi-Move行为感知方法 | |
CN111915437B (zh) | 基于rnn的反洗钱模型的训练方法、装置、设备及介质 | |
CN111126575A (zh) | 基于机器学习的气体传感器阵列混合气体检测方法及装置 | |
CN111669820B (zh) | 一种密度峰值异常检测方法及智能无源室内定位方法 | |
CN114359738B (zh) | 一种跨场景鲁棒的室内人数无线检测方法及系统 | |
CN109299698B (zh) | 一种基于支持向量机的无线信道场景识别方法 | |
CN112764024B (zh) | 基于卷积神经网络和Bert的雷达目标识别方法 | |
CN116862320B (zh) | 一种农村生态环境评估监管方法、系统及存储介质 | |
CN111598167B (zh) | 基于图学习的小样本图像识别方法及系统 | |
Yu et al. | Fingerprint extraction and classification of wireless channels based on deep convolutional neural networks | |
Ni et al. | Neurally-inspired hyperdimensional classification for efficient and robust biosignal processing | |
CN116805051A (zh) | 基于注意力机制的双卷积动态域适应设备故障诊断方法 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN113536986A (zh) | 一种基于代表特征的遥感图像中的密集目标检测方法 | |
CN112926477A (zh) | 一种适用于低信噪比环境的物联网射频指纹识别方法 | |
CN116189800B (zh) | 基于气体检测的模式识别方法、装置、设备及存储介质 | |
CN116704241A (zh) | 一种全通道3d卷积神经网络高光谱遥感图像分类方法 | |
CN116484206A (zh) | 基于seim的未知辐射源个体识别方法及系统 | |
CN112946567B (zh) | 基于域对抗神经网络的运动目标指纹室内定位方法 | |
CN115171211A (zh) | 信道状态信息的动作和位置的联合估计方法 | |
CN113378718A (zh) | 一种WiFi环境下基于生成对抗网络的动作识别方法 | |
Yuan et al. | Deep and spatio-temporal detection for abnormal traffic in cloud data centers | |
CN113887506B (zh) | 一种基于mds-cnn的干扰信号分类识别方法及系统 | |
CN117934963B (zh) | 一种气体传感器漂移补偿方法 |
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 |