CN111866713A - 一种定位方法、装置及电子设备 - Google Patents

一种定位方法、装置及电子设备 Download PDF

Info

Publication number
CN111866713A
CN111866713A CN202010656276.0A CN202010656276A CN111866713A CN 111866713 A CN111866713 A CN 111866713A CN 202010656276 A CN202010656276 A CN 202010656276A CN 111866713 A CN111866713 A CN 111866713A
Authority
CN
China
Prior art keywords
phase
csi
phase information
information
square matrix
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.)
Granted
Application number
CN202010656276.0A
Other languages
English (en)
Other versions
CN111866713B (zh
Inventor
刘雯
邓中亮
程倩倩
贾铭杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202010656276.0A priority Critical patent/CN111866713B/zh
Publication of CN111866713A publication Critical patent/CN111866713A/zh
Application granted granted Critical
Publication of CN111866713B publication Critical patent/CN111866713B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • 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
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明实施例提供了一种定位方法、装置及电子设备，获取待进行相位特征提取的目标信道状态信息CSI中的相位信息，作为目标CSI相位信息；针对各通信数据包：基于不同天线间的第一相位关联关系，及同一天线不同子载波间的第二相位关联关系，得到邻接方阵；将目标CSI相位信息和邻接方阵输入预先训练完成的神经网络模型中的特征提取子模型，得到目标相位特征；并将目标相位特征输入神经网络模型中的多层感知器，得到待定位设备位于各预设参考点的置信度；其中，特征提取子模型包括：图卷积层和卷积层；基于置信度，得到待定位设备的位置信息。本发明实施例中，提取到的相位特征的准确度更高。进而最终得到的待定位设备的位置信息也更加准确。

Description

一种定位方法、装置及电子设备
技术领域
本发明涉及定位技术领域，特别是涉及一种定位方法、装置及电子设备。
背景技术
无线通信过程中，针对单个通信数据包而言，发射端通过天线发送多路子载波，将通信数据包传输至接收端，接收端的多个天线，分别接收上述多路子载波，进而分别获取该通信数据包。
CSI(Channel State Information，信道状态信息)是无线通信过程中，通信链路的信道属性，其描述了信号在传输路径上的衰弱因子。可以采用正交频分复用的方法从接收到的多路子载波中进行CSI提取。提取出的CSI包括：多路子载波的相位信息和振幅信息。无线定位时，可以对多路子载波的相位信息进行特征提取，得到相位特征，进而基于相位特征进行位置解算。
现阶段，进行相位特征提取时，主要考虑相邻通信数据包之间产生的时间相关性。相邻通信数据包之间有着自然对齐的数据结构，属于欧式空间关联关系，而卷积神经网络模型主要用于进行欧式空间关联关系挖掘，因此，可以采用卷积神经网络模型，从相邻数据包之间的时间相关性角度出发，对相位信息中的相位特征进行提取。
上述方法，仅考虑到相邻通信数据包之间产生的时间相关性，因此，相位特征提取的准确度较低，进而使得定位准确度也较低。
发明内容
本发明实施例的目的在于提供一种定位方法、装置及电子设备，以提高定位的准确度。具体技术方案如下：
第一方面，本发明实施例提供了一种定位方法，包括：
获取待进行相位特征提取的目标信道状态信息CSI中的相位信息，作为目标CSI相位信息；所述目标CSI相位信息为待定位设备发送的、接收端设备中各天线接收到的用于传输预设数量个通信数据包的各子载波的CSI相位信息；
针对各通信数据包：基于不同天线间的第一相位关联关系，及同一天线不同子载波间的第二相位关联关系，得到邻接方阵；其中，所述邻接方阵的阶数等于所有天线接收到的子载波总数量，且所述邻接方阵中的各行、各列分别对应一个子载波；当元素所在行对应的子载波，与元素所在列对应的子载波之间存在所述第一相位关联关系，或所述第二相位关联关系时，将元素的元素值确定为1，反之，将元素的元素值确定为0；
将所述目标CSI相位信息和所述邻接方阵输入预先训练完成的神经网络模型中的特征提取子模型，得到目标相位特征；并将所述目标相位特征输入所述神经网络模型中的多层感知器，得到所述待定位设备位于各预设参考点的置信度；其中，所述特征提取子模型包括：图卷积层和卷积层；
基于所述置信度，得到所述待定位设备的位置信息。
进一步的，所述特征提取子模型包括：第一图卷积层、第一卷积层、第二图卷积层以及第二卷积层；
所述将所述目标CSI相位信息和所述邻接方阵输入预先训练完成的神经网络模型中的特征提取子模型，得到目标相位特征，包括：
将所述目标CSI相位信息和所述邻接方阵输入所述第一图卷积层；
所述第一图卷积层，用于基于所述邻接方阵，对所述目标CSI相位信息进行特征提取，得到第一相位特征，并将所述第一相位特征输入所述第一卷积层；
所述第一卷积层，用于基于不同通信数据包在时间维度上的第三相位关联关系，对所述第一相位特征进行特征提取，得到第二相位特征，并将所述第二相位特征输入所述第二图卷积层；
所述第二图卷积层，用于基于所述邻接方阵，对所述第二相位特征进行特征提取，得到得到第三相位特征，并将所述第三相位特征输入所述第二卷积层；
所述第二卷积层，用于基于不同通信数据包在时间维度上的第三相位关联关系，对所述第三相位特征进行特征提取，得到目标相位特征。
进一步的，所述第一图卷积层，具体用于：
针对用于传输同一通信数据包的每个子载波，基于所述邻接方阵，对与该子载波之间存在所述第一相位关联关系，或所述第二相位关联关系的所有子载波的CSI相位信息进行特征聚合，得到第一聚合后邻域特征；
将该子载波的CSI相位信息和所述聚合后邻域特征，进行叠加，得到该子载波的第一相位特征；
将所有子载波的第一相位特征输入所述第一卷积层；
所述第二图卷积层，具体用于：
针对用于传输同一通信数据包的每个子载波，基于所述邻接方阵，对与该子载波之间存在所述第一相位关联关系，或所述第二相位关联关系的所有子载波的第一相位特征进行特征聚合，得到第二聚合后邻域特征；
将该子载波的第一相位特征和所述第二聚合后邻域特征，进行叠加，得到该子载波的第二相位特征；
将所有子载波的第二相位特征输入所述第二卷积层。
进一步的，所述第一图卷积层，具体用于采用第一预设公式，对所述目标CSI相位信息进行特征提取，得到第一相位特征，并将所述第一相位特征输入所述第一卷积层，所述第一预设公式为：
Figure BDA0002576850050000031
其中，A为所述邻接方阵，I为与同阶的单位阵；H(0)为所述目标CSI相位信息；H(1)为所述第一相位特征；D为归一化矩阵；σ为sigmoid函数；W(1)为第一权重矩阵；
所述第二图卷积层，具体用于采用第二预设公式，对所述第二相位特征进行特征提取，得到第三相位特征，并将所述第三相位特征输入所述第二卷积层，所述第二预设公式为：
Figure BDA0002576850050000032
其中，A为所述邻接方阵，I为与同阶的单位阵；H(2)为所述第二相位特征；H(3)为所述第三相位特征；W(2)为第二权重矩阵。
进一步的，所述神经网络模型，采用如下方法训练获得：
获取参考CSI相位信息，以及与所述参考CSI相位信息对应的置信度真值向量；所述参考CSI相位信息为从指定预设参考点发送的、接收端设备中各天线接收到的用于传输所述预设数量个样本通信数据包的各子载波的CSI相位信息；针对各通信数据包：基于不同天线间的第一相位关联关系，及同一天线不同子载波间的第二相位关联关系，得到参考邻接方阵；
将所述参考CSI相位信息和所述参考邻接方阵输入所述神经网络模型中的特征提取子模型，得到参考相位特征；并将所述参考相位特征输入所述神经网络模型中的多层感知器，得到所述指定预设参考点为各预设参考点的置信度；所述置信度表示为以所述神经网络模型中的网络参数和所述参考CSI相位信息为自变量的置信度函数；其中，所述特征提取子模型包括：图卷积层和卷积层；
计算由所述置信度组成的置信度输出向量与所述置信度真值向量之间的距离，对所述距离求取关于所述网络参数的偏导数；并基于所述偏导数，调整所述神经网络模型中的网络参数；
判断所述网络参数的调整次数是否等于预设调整次数，若否，返回执行所述获取参考CSI相位信息，以及与所述参考CSI相位信息对应的置信度真值向量的步骤；
若是，获取验证CSI相位信息，以及与所述验证CSI相位信息对应的置信度真值向量；所述参考CSI相位信息为从预设验证位置点发送的、接收端设备中各天线接收到的用于传输所述预设数量个样本通信数据包的各子载波的CSI相位信息；针对各通信数据包：基于不同天线间的第一相位关联关系，及同一天线不同子载波间的第二相位关联关系，得到验证邻接方阵；
将所述验证CSI相位信息和所述验证邻接方阵输入所述神经网络模型中的特征提取子模型，得到参考相位特征；并将所述参考相位特征输入所述神经网络模型中的多层感知器，得到所述预设验证位置点为各预设参考点的置信度输出向量；
基于所述置信度输出向量，得到所述预设验证位置点的位置信息；计算位置信息的准确率，并基于所述准确率，确定训练是否结束；当训练结束时，得到训练完成的神经网络模型；否则，返回执行所述获取参考CSI相位信息，以及与所述参考CSI相位信息对应的置信度真值向量的步骤。
第二方面，本发明实施例提供了一种定位装置，包括：
目标CSI相位信息获取模块，用于获取待进行相位特征提取的目标信道状态信息CSI中的相位信息，作为目标CSI相位信息；所述目标CSI相位信息为待定位设备发送的、接收端设备中各天线接收到的用于传输预设数量个通信数据包的各子载波的CSI相位信息；
邻接方阵得到模块，用于针对各通信数据包：基于不同天线间的第一相位关联关系，及同一天线不同子载波间的第二相位关联关系，得到邻接方阵；其中，所述邻接方阵的阶数等于所有天线接收到的子载波总数量，且所述邻接方阵中的各行、各列分别对应一个子载波；当元素所在行对应的子载波，与元素所在列对应的子载波之间存在所述第一相位关联关系，或所述第二相位关联关系时，将元素的元素值确定为1，反之，将元素的元素值确定为0；
置信度得到模块，用于将所述目标CSI相位信息和所述邻接方阵输入预先训练完成的神经网络模型中的特征提取子模型，得到目标相位特征；并将所述目标相位特征输入所述神经网络模型中的多层感知器，得到所述待定位设备位于各预设参考点的置信度；其中，所述特征提取子模型包括：图卷积层和卷积层；
位置信息得到模块，用于基于所述置信度，得到所述待定位设备的位置信息。
进一步的，所述特征提取子模型包括：第一图卷积层、第一卷积层、第二图卷积层以及第二卷积层；
所述置信度得到模块，在执行所述将所述目标CSI相位信息和所述邻接方阵输入预先训练完成的神经网络模型中的特征提取子模型，得到目标相位特征时，具体用于：
将所述目标CSI相位信息和所述邻接方阵输入所述第一图卷积层；
所述第一图卷积层，用于基于所述邻接方阵，对所述目标CSI相位信息进行特征提取，得到第一相位特征，并将所述第一相位特征输入所述第一卷积层；
所述第一卷积层，用于基于不同通信数据包在时间维度上的第三相位关联关系，对所述第一相位特征进行特征提取，得到第二相位特征，并将所述第二相位特征输入所述第二图卷积层；
所述第二图卷积层，用于基于所述邻接方阵，对所述第二相位特征进行特征提取，得到得到第三相位特征，并将所述第三相位特征输入所述第二卷积层；
所述第二卷积层，用于基于不同通信数据包在时间维度上的第三相位关联关系，对所述第三相位特征进行特征提取，得到目标相位特征。
进一步的，所述装置还包括：
模型训练模块，用于：
获取参考CSI相位信息，以及与所述参考CSI相位信息对应的置信度真值向量；所述参考CSI相位信息为从指定预设参考点发送的、接收端设备中各天线接收到的用于传输所述预设数量个样本通信数据包的各子载波的CSI相位信息；针对各通信数据包：基于不同天线间的第一相位关联关系，及同一天线不同子载波间的第二相位关联关系，得到参考邻接方阵；
将所述参考CSI相位信息和所述参考邻接方阵输入所述神经网络模型中的特征提取子模型，得到参考相位特征；并将所述参考相位特征输入所述神经网络模型中的多层感知器，得到所述指定预设参考点为各预设参考点的置信度；所述置信度表示为以所述神经网络模型中的网络参数和所述参考CSI相位信息为自变量的置信度函数；其中，所述特征提取子模型包括：图卷积层和卷积层；
计算由所述置信度组成的置信度输出向量与所述置信度真值向量之间的距离，对所述距离求取关于所述网络参数的偏导数；并基于所述偏导数，调整所述神经网络模型中的网络参数；
判断所述网络参数的调整次数是否等于预设调整次数，若否，返回执行所述获取参考CSI相位信息，以及与所述参考CSI相位信息对应的置信度真值向量的步骤；
若是，获取验证CSI相位信息，以及与所述验证CSI相位信息对应的置信度真值向量；所述参考CSI相位信息为从预设验证位置点发送的、接收端设备中各天线接收到的用于传输所述预设数量个样本通信数据包的各子载波的CSI相位信息；针对各通信数据包：基于不同天线间的第一相位关联关系，及同一天线不同子载波间的第二相位关联关系，得到验证邻接方阵；
将所述验证CSI相位信息和所述验证邻接方阵输入所述神经网络模型中的特征提取子模型，得到参考相位特征；并将所述参考相位特征输入所述神经网络模型中的多层感知器，得到所述预设验证位置点为各预设参考点的置信度输出向量；
基于所述置信度输出向量，得到所述预设验证位置点的位置信息；计算位置信息的准确率，并基于所述准确率，确定训练是否结束；当训练结束时，得到训练完成的神经网络模型；否则，返回执行所述获取参考CSI相位信息，以及与所述参考CSI相位信息对应的置信度真值向量的步骤。
第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一定位方法的步骤。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述任一所述的定位方法。
第五方面，本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的定位方法。
本发明实施例有益效果：
本发明实施例提供的定位方法、装置及电子设备，获取待进行相位特征提取的目标信道状态信息CSI中的相位信息，作为目标CSI相位信息；所述目标CSI相位信息为待定位设备发送的、接收端设备中各天线接收到的用于传输预设数量个通信数据包的各子载波的CSI相位信息；针对各通信数据包：基于不同天线间的第一相位关联关系，及同一天线不同子载波间的第二相位关联关系，得到邻接方阵；其中，所述邻接方阵的阶数等于所有天线接收到的子载波总数量，且所述邻接方阵中的各行、各列分别对应一个子载波；当元素所在行对应的子载波，与元素所在列对应的子载波之间存在所述第一相位关联关系，或所述第二相位关联关系时，将元素的元素值确定为1，反之，将元素的元素值确定为0；将所述目标CSI相位信息和所述邻接方阵输入预先训练完成的神经网络模型中的特征提取子模型，得到目标相位特征；并将所述目标相位特征输入所述神经网络模型中的多层感知器，得到所述待定位设备位于各预设参考点的置信度；其中，所述特征提取子模型包括：图卷积层和卷积层；基于所述置信度，得到所述待定位设备的位置信息。
本发明实施例中，相位特征提取时，除了采用卷积层，考虑相邻数据包之间的时间相关性之外，还采用图卷积层，同时考虑了不同天线间的相位关联关系以及同一天线不同子载波间的相位关联关系，因此，提取到的相位特征的准确度更高。进而使得基于提取到的相位特征，最终得到的待定位设备的位置信息也更加准确。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。
图1为本发明实施例提供的定位方法的一种流程示意图；
图2为本发明实施例中神经网络模型的训练流程示意图；
图3为本发明一个实施例提供的卷积神经网络的架构图；
图4为本发明实施例提供的定位方法的另一种流程示意图；
图5为本发明实施例提供的定位装置的结构示意图；
图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，图1为本发明实施例提供的定位方法的一种流程示意图，具体包括如下步骤：
步骤101，获取待进行相位特征提取的目标信道状态信息CSI中的相位信息，作为目标CSI相位信息，目标CSI相位信息为待定位设备发送的、接收端设备中各天线接收到的用于传输预设数量个通信数据包的各子载波的CSI相位信息。
预设数量可以根据实际需要进行设定，此处，对于具体的数量值不作限定。
例如，假设预设数量为4，接收端设备中天线数量为3，且对于单个通信数据包而言，需要通过30个子载波进行传输。此种情况下，接收端设备中，每根天线均会接收到4×30个子载波，整个接收端设备共接收到4×30×3个子载波，由于从每个子载波中均可以获取到一个CSI，进而可以从获取到的CSI中提取出相位信息(即CSI相位信息)，因此，接收端设备中共可以获取到4×30×3个CSI相位信息，将获取到的4×30×3个CSI相位信息合称为目标CSI相位信息，因此，可以将目标CSI相位信息看作一个4×30×3的三维矩阵，矩阵中的每个元素值代表一个子载波的CSI相位信息。
步骤102，针对各通信数据包：基于不同天线间的第一相位关联关系，及同一天线不同子载波间的第二相位关联关系，得到邻接方阵。
其中，邻接方阵的阶数等于所有天线接收到的子载波总数量，且邻接方阵中的各行、各列分别对应一个子载波；当元素所在行对应的子载波，与元素所在列对应的子载波之间存在第一相位关联关系，或第二相位关联关系时，将元素的元素值确定为1，反之，将元素的元素值确定为0。
还以步骤101中的例子来说，针对发送端设备(待定位设备)发送的每个通信数据包，接收端设备中都会接收到30×3＝90个子载波，相应地，也会获取到＝90个CSI相位信息。本步骤中，针对每个通信数据包，可以生成一个邻接方阵，该方阵的阶数等于所有天线接收到的子载波总数量(即：90)，且邻接方阵中的各行、各列分别对应一个子载波。
采用如下方法确定邻接方阵中各元素的元素值：当元素所在行对应的子载波，与元素所在列对应的子载波之间存在第一相位关联关系，或第二相位关联关系时，将元素的元素值确定为1，反之，将元素的元素值确定为0。确定出的邻接方阵的对角线上的元素值均为0。
具体的，从传输单个通信数据包的子载波中获取到的CSI相位信息可以采用如下矩阵方式表示：
Figure BDA0002576850050000101
其中，m表示子载波个数；n表示接收端天线个数；hi,j表示从第i根天线接收到的第j个子载波中获取到的CSI相位信息。
为便于描述，将上述矩阵中的每个hi,j均称为一个节点。每两个相邻节点之间，则存在上述第一相位关联关系或者第一相位关联关系。具体的，对于同一行中的节点而言，该节点为不同天线接收的子载波，因此，相邻节点之间存在不同天线间的相位关联关系，即上述第一相位关联关系；对于同一列中的节点而言，该节点为同一天线接收的不同子载波，因此，相邻节点之间存在同一天线不同子载波间的相位关联关系，即上述第二相位关联关系。
步骤103，将目标CSI相位信息和邻接方阵输入预先训练完成的神经网络模型中的特征提取子模型，得到目标相位特征；并将目标相位特征输入神经网络模型中的多层感知器，得到待定位设备位于各预设参考点的置信度；其中，特征提取子模型包括：图卷积层和卷积层。
本步骤中，在将目标CSI相位信息输入预先训练完成的神经网络模型之前，可以先对目标CSI相位信息进行预处理，具体包括：包括解卷绕和线性变换两个部分。解卷绕用于抵消反正切函数引入的周期性，线性变换用于去除相位中确定的线性偏移。在进行解卷绕处理时，可以采用现有的任意一种解卷绕处理方法，同样，在进行线性变换处理时，也可以采用现有的任意一种线性变换方法，此处，对于解卷绕和线性变换的具体方式不作限定。
预设参考点为在进行定位之前，预先设定好的位置点。预设参考点的数量可以根据定位精度要求进行自行设定，参考点的数量越多，定位精度越准确。例如，若需要在某一较大的室内空间中定位，则可以在该室内空间均匀的设定较多数量的参考点；若需要在某一较小的室内空间中定位，则可以在该室内空间均匀的设定较少数量的参考点。
例如，假设在某空间中均匀设定了6个参考点，则本步骤中得到6个置信度值，每个置信度值对应一个参考点，每个置信度值表征待定位设备位于与该置信度值对应的参考点的概率。
步骤104，基于置信度，得到待定位设备的位置信息。
此处，对于基于置信度，得到待定位设备的位置信息的具体方式不作限定。例如：可以将最大置信度值对应的参考点的位置信息，确定为待定位设备的位置信息；也可以，先为每个参考点对应的置信度设定一个置信度阈值，将置信度值大于对应置信度阈值的参考点位置，确定为待定位设备的位置信息。
本发明实施例提供的图1所示的定位方法，相位特征提取时，除了采用卷积层，考虑相邻数据包之间的时间相关性之外，还采用图卷积层，同时考虑了不同天线间的相位关联关系以及同一天线不同子载波间的相位关联关系，因此，提取到的相位特征的准确度更高。进而使得基于提取到的相位特征，最终得到的待定位设备的位置信息也更加准确。
参见图2，图2为本发明实施例中神经网络模型的训练流程示意图，具体过程包括：
步骤201，获取参考CSI相位信息，以及与参考CSI相位信息对应的置信度真值向量。
其中，参考CSI相位信息为从指定预设参考点发送的、接收端设备中各天线接收到的用于传输预设数量个样本通信数据包的各子载波的CSI相位信息。
置信度真值向量中的每个置信度真值对应一个预设参考点。每个置信度真值表征：上述指定预设参考点为与该置信度真值对应的预设参考点为同一参考点的概率。
例如，假设在某空间中均匀设定了6个参考点，编号为参考点1、参考点2、参考点3、参考点4、参考点5以及参考点6，上述指定预设参考点为参考点1，则得到与上述6个参考点对应的置信度真值分别为：1，0，0，0，0，0，进而可以得到置信度真值向量为(1，0，0，0，0，0)。
步骤202，针对各通信数据包：基于不同天线间的第一相位关联关系，及同一天线不同子载波间的第二相位关联关系，得到参考邻接方阵。
其中，参考邻接方阵的阶数等于所有天线接收到的子载波总数量，且邻接方阵中的各行、各列分别对应一个子载波；当元素所在行对应的子载波，与元素所在列对应的子载波之间存在第一相位关联关系，或第二相位关联关系时，将元素的元素值确定为1，反之，将元素的元素值确定为0。
步骤203，将参考CSI相位信息和参考邻接方阵输入神经网络模型中的特征提取子模型，得到参考相位特征；并将参考相位特征输入神经网络模型中的多层感知器，得到指定预设参考点为各预设参考点的置信度；置信度表示为以神经网络模型中的网络参数和参考CSI相位信息为自变量的置信度函数。
其中，特征提取子模型包括：图卷积层和卷积层。
步骤204，计算由置信度组成的置信度输出向量与置信度真值向量之间的距离，对距离求取关于网络参数的偏导数；并基于偏导数，调整神经网络模型中的网络参数。
步骤205，判断网络参数的调整次数是否等于预设调整次数。若否，返回执行步骤201；若是，执行步骤206。
步骤206，获取验证CSI相位信息，以及与验证CSI相位信息对应的置信度真值向量；参考CSI相位信息为从预设验证位置点发送的、接收端设备中各天线接收到的用于传输预设数量个样本通信数据包的各子载波的CSI相位信息；针对各通信数据包：基于不同天线间的第一相位关联关系，及同一天线不同子载波间的第二相位关联关系，得到验证邻接方阵。
步骤207，将验证CSI相位信息和验证邻接方阵输入神经网络模型中的特征提取子模型，得到参考相位特征；并将参考相位特征输入神经网络模型中的多层感知器，得到预设验证位置点为各预设参考点的置信度输出向量。
具体的，步骤206中的验证CSI相位信息的数量可以为多个，分别从多个不同的预设验证位置点发送的、接收端设备中各天线接收到的用于传输预设数量个样本通信数据包的各子载波的CSI相位信息。针对每个验证CSI相位信息，分别执行步骤207，得到该验证CSI相位信息对应的预设验证位置点为各预设参考点的置信度输出向量。
步骤208，基于置信度输出向量，得到预设验证位置点的位置信息；计算位置信息的准确率，并基于准确率，确定训练是否结束。当确定训练结束时，得到训练完成的神经网络模型；当确定训练未结束时，返回执行步骤201。
假设步骤206中获取的验证CSI相位信息的数量为50个，则在步骤208中，可以得到50个位置信息，统计各位置信息的准确率，并基于准确率，确定训练是否结束。具体的，可以当准确率大于预设准确率阈值时，确定训练结束；否则，返回执行步骤201，重新进行神经网络模型训练。
参见图3，图3为本发明一个实施例提供的卷积神经网络的架构图，该卷积神经网络由特征提取子模型和多层感知器组成，其中，特征提取子模型包括：第一图卷积层、第一卷积层、第二图卷积层以及第二卷积层。实际定位时，先将邻接矩阵和预处理之后的目标CSI相位信息输入特征提取子模型中的第一图卷积，之后，依次经过第一卷积层、第二图卷积层、第二卷积层，以及多层感知器，最后输出待定位设备位于各预设参考点的置信度。
参见图4，图4为本发明实施例提供的定位方法的另一种流程示意图，该方法中，卷积神经网络的架构如上图3所示，该方法具体包括如下步骤：
步骤401，获取待进行相位特征提取的目标信道状态信息CSI中的相位信息，作为目标CSI相位信息。
其中，目标CSI相位信息为待定位设备发送的、接收端设备中各天线接收到的用于传输预设数量个通信数据包的各子载波的CSI相位信息。
步骤402，针对各通信数据包：基于不同天线间的第一相位关联关系，及同一天线不同子载波间的第二相位关联关系，得到邻接方阵。
其中，邻接方阵的阶数等于所有天线接收到的子载波总数量，且邻接方阵中的各行、各列分别对应一个子载波；当元素所在行对应的子载波，与元素所在列对应的子载波之间存在第一相位关联关系，或第二相位关联关系时，将元素的元素值确定为1，反之，将元素的元素值确定为0。
步骤403，将目标CSI相位信息和邻接方阵输入第一图卷积层，以使第一图卷积层基于邻接方阵，对目标CSI相位信息进行特征提取，得到第一相位特征；并将第一相位特征输入第一卷积层，以使第一卷积层基于不同通信数据包在时间维度上的第三相位关联关系，对第一相位特征进行特征提取，得到第二相位特征；并将第二相位特征输入第二图卷积层，以使第二图卷积层基于邻接方阵，对第二相位特征进行特征提取，得到得到第三相位特征；并将第三相位特征输入第二卷积层，以使第二卷积层基于不同通信数据包在时间维度上的第三相位关联关系，对第三相位特征进行特征提取，得到目标相位特征；并将目标相位特征输入多层感知器，得到待定位设备位于各预设参考点的置信度。
进一步的，第一图卷积层，具体用于：
针对用于传输同一通信数据包的每个子载波，基于邻接方阵，对与该子载波之间存在第一相位关联关系，或第二相位关联关系的所有子载波的CSI相位信息进行特征聚合，得到第一聚合后邻域特征；
将该子载波的CSI相位信息和聚合后邻域特征，进行叠加，得到该子载波的第一相位特征；
将所有子载波的第一相位特征输入第一卷积层；
第二图卷积层，具体用于：
针对用于传输同一通信数据包的每个子载波，基于邻接方阵，对与该子载波之间存在第一相位关联关系，或第二相位关联关系的所有子载波的第一相位特征进行特征聚合，得到第二聚合后邻域特征；
将该子载波的第一相位特征和第二聚合后邻域特征，进行叠加，得到该子载波的第二相位特征；
将所有子载波的第二相位特征输入第二卷积层。
在本发明另一实施例中，第一图卷积层，具体用于采用第一预设公式，对目标CSI相位信息进行特征提取，得到第一相位特征，并将第一相位特征输入第一卷积层，第一预设公式为：
Figure BDA0002576850050000141
其中，A为邻接方阵，I为与同阶的单位阵；H(0)为目标CSI相位信息；H(1)为第一相位特征；D为归一化矩阵；σ为sigmoid函数；W(1)为第一权重矩阵；
第二图卷积层，具体用于采用第二预设公式，对第二相位特征进行特征提取，得到第三相位特征，并将第三相位特征输入第二卷积层，第二预设公式为：
Figure BDA0002576850050000151
其中，A为邻接方阵，I为与同阶的单位阵；H(2)为第二相位特征；H(3)为第三相位特征；W(2)为第二权重矩阵。
步骤404，基于置信度，得到待定位设备的位置信息。
在图4所示实施中，采用预先训练好的神经网络模型进行相位特征提取时，除了采用卷积层，考虑相邻数据包之间的时间相关性之外，还采用图卷积层，同时考虑了不同天线间的相位关联关系以及同一天线不同子载波间的相位关联关系，因此，提取到的相位特征的准确度更高。进而使得基于提取到的相位特征，最终得到的待定位设备的位置信息也更加准确。
另外，由于神经网络模型中包含有两个卷积层和两个图卷积层，并且，卷积层和图卷积层之间采用交替叠加的方式组成特征提取子模型，因此，可以使得提取到的相位特征更加精准，相应地，基于该相位特征得到的待定位设备的位置信息也更准确。
基于同一发明构思，根据本发明上述实施例提供的定位方法，相应地，本发明实施例提供了一种定位装置，其结构示意图如图5所示，包括：
目标CSI相位信息获取模块501，用于获取待进行相位特征提取的目标CSI相位信息，目标CSI相位信息为待定位设备发送的、接收端设备中各天线接收到的用于传输预设数量个通信数据包的各子载波的CSI相位信息；
邻接方阵得到模块502，用于针对各通信数据包：基于不同天线间的第一相位关联关系，及同一天线不同子载波间的第二相位关联关系，得到邻接方阵；其中，邻接方阵的阶数等于所有天线接收到的子载波总数量，且邻接方阵中的各行、各列分别对应一个子载波；当元素所在行对应的子载波，与元素所在列对应的子载波之间存在第一相位关联关系，或第二相位关联关系时，将元素的元素值确定为1，反之，将元素的元素值确定为0；
置信度得到模块503，用于将目标CSI相位信息和邻接方阵输入预先训练完成的神经网络模型中的特征提取子模型，得到目标相位特征；并将目标相位特征输入神经网络模型中的多层感知器，得到待定位设备位于各预设参考点的置信度；其中，特征提取子模型包括：图卷积层和卷积层；
位置信息得到模块504，用于基于置信度，得到待定位设备的位置信息。
进一步的，特征提取子模型包括：第一图卷积层、第一卷积层、第二图卷积层以及第二卷积层；
置信度得到模块503，在执行将目标CSI相位信息和邻接方阵输入预先训练完成的神经网络模型中的特征提取子模型，得到目标相位特征时，具体用于：
将目标CSI相位信息和邻接方阵输入第一图卷积层；
第一图卷积层，用于基于邻接方阵，对目标CSI相位信息进行特征提取，得到第一相位特征，并将第一相位特征输入第一卷积层；
第一卷积层，用于基于不同通信数据包在时间维度上的第三相位关联关系，对第一相位特征进行特征提取，得到第二相位特征，并将第二相位特征输入第二图卷积层；
第二图卷积层，用于基于邻接方阵，对第二相位特征进行特征提取，得到得到第三相位特征，并将第三相位特征输入第二卷积层；
第二卷积层，用于基于不同通信数据包在时间维度上的第三相位关联关系，对第三相位特征进行特征提取，得到目标相位特征。
进一步的，装置还包括：
模型训练模块，用于：
获取参考CSI相位信息，以及与参考CSI相位信息对应的置信度真值向量；参考CSI相位信息为从指定预设参考点发送的、接收端设备中各天线接收到的用于传输预设数量个样本通信数据包的各子载波的CSI相位信息；针对各通信数据包：基于不同天线间的第一相位关联关系，及同一天线不同子载波间的第二相位关联关系，得到参考邻接方阵；
将参考CSI相位信息和参考邻接方阵输入神经网络模型中的特征提取子模型，得到参考相位特征；并将参考相位特征输入神经网络模型中的多层感知器，得到指定预设参考点为各预设参考点的置信度；置信度表示为以神经网络模型中的网络参数和参考CSI相位信息为自变量的置信度函数；其中，特征提取子模型包括：图卷积层和卷积层；
计算由置信度组成的置信度输出向量与置信度真值向量之间的距离，对距离求取关于网络参数的偏导数；并基于偏导数，调整神经网络模型中的网络参数；
判断网络参数的调整次数是否等于预设调整次数，若否，返回执行获取参考CSI相位信息，以及与参考CSI相位信息对应的置信度真值向量的步骤；
若是，获取验证CSI相位信息，以及与验证CSI相位信息对应的置信度真值向量；参考CSI相位信息为从预设验证位置点发送的、接收端设备中各天线接收到的用于传输预设数量个样本通信数据包的各子载波的CSI相位信息；针对各通信数据包：基于不同天线间的第一相位关联关系，及同一天线不同子载波间的第二相位关联关系，得到验证邻接方阵；
将验证CSI相位信息和验证邻接方阵输入神经网络模型中的特征提取子模型，得到参考相位特征；并将参考相位特征输入神经网络模型中的多层感知器，得到预设验证位置点为各预设参考点的置信度输出向量；
基于置信度输出向量，得到预设验证位置点的位置信息；计算位置信息的准确率，并基于准确率，确定训练是否结束；当训练结束时，得到训练完成的神经网络模型；否则，返回执行获取参考CSI相位信息，以及与参考CSI相位信息对应的置信度真值向量的步骤。
基于同一发明构思，根据本发明上述实施例提供的定位方法，相应地，本发明实施例还提供了一种电子设备，如图6所示，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信。
存储器603，用于存放计算机程序；
处理器601，用于执行存储器603上所存放的程序时，至少实现如下步骤：
获取待进行相位特征提取的目标CSI相位信息，目标CSI相位信息为待定位设备发送的、接收端设备中各天线接收到的用于传输预设数量个通信数据包的各子载波的CSI相位信息；
针对各通信数据包：基于不同天线间的第一相位关联关系，及同一天线不同子载波间的第二相位关联关系，得到邻接方阵；其中，邻接方阵的阶数等于所有天线接收到的子载波总数量，且邻接方阵中的各行、各列分别对应一个子载波；当元素所在行对应的子载波，与元素所在列对应的子载波之间存在第一相位关联关系，或第二相位关联关系时，将元素的元素值确定为1，反之，将元素的元素值确定为0；
将目标CSI相位信息和邻接方阵输入预先训练完成的神经网络模型中的特征提取子模型，得到目标相位特征；并将目标相位特征输入神经网络模型中的多层感知器，得到待定位设备位于各预设参考点的置信度；其中，特征提取子模型包括：图卷积层和卷积层；
基于置信度，得到待定位设备的位置信息。
进一步的，还可以包括本发明实施例提供的上述定位方法中的其他处理流程，在此不再进行详细描述。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一定位方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一定位方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种定位方法，其特征在于，包括：
获取待进行相位特征提取的目标信道状态信息CSI中的相位信息，作为目标CSI相位信息；所述目标CSI相位信息为待定位设备发送的、接收端设备中各天线接收到的用于传输预设数量个通信数据包的各子载波的CSI相位信息；
针对各通信数据包：基于不同天线间的第一相位关联关系，及同一天线不同子载波间的第二相位关联关系，得到邻接方阵；其中，所述邻接方阵的阶数等于所有天线接收到的子载波总数量，且所述邻接方阵中的各行、各列分别对应一个子载波；当元素所在行对应的子载波，与元素所在列对应的子载波之间存在所述第一相位关联关系，或所述第二相位关联关系时，将元素的元素值确定为1，反之，将元素的元素值确定为0；
将所述目标CSI相位信息和所述邻接方阵输入预先训练完成的神经网络模型中的特征提取子模型，得到目标相位特征；并将所述目标相位特征输入所述神经网络模型中的多层感知器，得到所述待定位设备位于各预设参考点的置信度；其中，所述特征提取子模型包括：图卷积层和卷积层；
基于所述置信度，得到所述待定位设备的位置信息。
2.根据权利要求1所述的方法，其特征在于，所述特征提取子模型包括：第一图卷积层、第一卷积层、第二图卷积层以及第二卷积层；
所述将所述目标CSI相位信息和所述邻接方阵输入预先训练完成的神经网络模型中的特征提取子模型，得到目标相位特征，包括：
将所述目标CSI相位信息和所述邻接方阵输入所述第一图卷积层；
所述第一图卷积层，用于基于所述邻接方阵，对所述目标CSI相位信息进行特征提取，得到第一相位特征，并将所述第一相位特征输入所述第一卷积层；
所述第一卷积层，用于基于不同通信数据包在时间维度上的第三相位关联关系，对所述第一相位特征进行特征提取，得到第二相位特征，并将所述第二相位特征输入所述第二图卷积层；
所述第二图卷积层，用于基于所述邻接方阵，对所述第二相位特征进行特征提取，得到得到第三相位特征，并将所述第三相位特征输入所述第二卷积层；
所述第二卷积层，用于基于不同通信数据包在时间维度上的第三相位关联关系，对所述第三相位特征进行特征提取，得到目标相位特征。
3.根据权利要求2所述的方法，其特征在于，所述第一图卷积层，具体用于：
针对用于传输同一通信数据包的每个子载波，基于所述邻接方阵，对与该子载波之间存在所述第一相位关联关系，或所述第二相位关联关系的所有子载波的CSI相位信息进行特征聚合，得到第一聚合后邻域特征；
将该子载波的CSI相位信息和所述聚合后邻域特征，进行叠加，得到该子载波的第一相位特征；
将所有子载波的第一相位特征输入所述第一卷积层；
所述第二图卷积层，具体用于：
针对用于传输同一通信数据包的每个子载波，基于所述邻接方阵，对与该子载波之间存在所述第一相位关联关系，或所述第二相位关联关系的所有子载波的第一相位特征进行特征聚合，得到第二聚合后邻域特征；
将该子载波的第一相位特征和所述第二聚合后邻域特征，进行叠加，得到该子载波的第二相位特征；
将所有子载波的第二相位特征输入所述第二卷积层。
4.根据权利要求2所述的方法，其特征在于，所述第一图卷积层，具体用于采用第一预设公式，对所述目标CSI相位信息进行特征提取，得到第一相位特征，并将所述第一相位特征输入所述第一卷积层，所述第一预设公式为：
Figure FDA0002576850040000021
其中，A为所述邻接方阵，I为与同阶的单位阵；H(0)为所述目标CSI相位信息；H(1)为所述第一相位特征；D为归一化矩阵；σ为sigmoid函数；W(1)为第一权重矩阵；
所述第二图卷积层，具体用于采用第二预设公式，对所述第二相位特征进行特征提取，得到第三相位特征，并将所述第三相位特征输入所述第二卷积层，所述第二预设公式为：
Figure FDA0002576850040000031
其中，A为所述邻接方阵，I为与同阶的单位阵；H(2)为所述第二相位特征；H(3)为所述第三相位特征；W(2)为第二权重矩阵。
5.根据权利要求1所述的方法，其特征在于，所述神经网络模型，采用如下方法训练获得：
获取参考CSI相位信息，以及与所述参考CSI相位信息对应的置信度真值向量；所述参考CSI相位信息为从指定预设参考点发送的、接收端设备中各天线接收到的用于传输所述预设数量个样本通信数据包的各子载波的CSI相位信息；针对各通信数据包：基于不同天线间的第一相位关联关系，及同一天线不同子载波间的第二相位关联关系，得到参考邻接方阵；
将所述参考CSI相位信息和所述参考邻接方阵输入所述神经网络模型中的特征提取子模型，得到参考相位特征；并将所述参考相位特征输入所述神经网络模型中的多层感知器，得到所述指定预设参考点为各预设参考点的置信度；所述置信度表示为以所述神经网络模型中的网络参数和所述参考CSI相位信息为自变量的置信度函数；其中，所述特征提取子模型包括：图卷积层和卷积层；
计算由所述置信度组成的置信度输出向量与所述置信度真值向量之间的距离，对所述距离求取关于所述网络参数的偏导数；并基于所述偏导数，调整所述神经网络模型中的网络参数；
判断所述网络参数的调整次数是否等于预设调整次数，若否，返回执行所述获取参考CSI相位信息，以及与所述参考CSI相位信息对应的置信度真值向量的步骤；
若是，获取验证CSI相位信息，以及与所述验证CSI相位信息对应的置信度真值向量；所述参考CSI相位信息为从预设验证位置点发送的、接收端设备中各天线接收到的用于传输所述预设数量个样本通信数据包的各子载波的CSI相位信息；针对各通信数据包：基于不同天线间的第一相位关联关系，及同一天线不同子载波间的第二相位关联关系，得到验证邻接方阵；
将所述验证CSI相位信息和所述验证邻接方阵输入所述神经网络模型中的特征提取子模型，得到参考相位特征；并将所述参考相位特征输入所述神经网络模型中的多层感知器，得到所述预设验证位置点为各预设参考点的置信度输出向量；
基于所述置信度输出向量，得到所述预设验证位置点的位置信息；计算位置信息的准确率，并基于所述准确率，确定训练是否结束；当训练结束时，得到训练完成的神经网络模型；否则，返回执行所述获取参考CSI相位信息，以及与所述参考CSI相位信息对应的置信度真值向量的步骤。
6.一种定位装置，其特征在于，包括：
目标CSI相位信息获取模块，用于获取待进行相位特征提取的目标信道状态信息CSI中的相位信息，作为目标CSI相位信息；所述目标CSI相位信息为待定位设备发送的、接收端设备中各天线接收到的用于传输预设数量个通信数据包的各子载波的CSI相位信息；
邻接方阵得到模块，用于针对各通信数据包：基于不同天线间的第一相位关联关系，及同一天线不同子载波间的第二相位关联关系，得到邻接方阵；其中，所述邻接方阵的阶数等于所有天线接收到的子载波总数量，且所述邻接方阵中的各行、各列分别对应一个子载波；当元素所在行对应的子载波，与元素所在列对应的子载波之间存在所述第一相位关联关系，或所述第二相位关联关系时，将元素的元素值确定为1，反之，将元素的元素值确定为0；
置信度得到模块，用于将所述目标CSI相位信息和所述邻接方阵输入预先训练完成的神经网络模型中的特征提取子模型，得到目标相位特征；并将所述目标相位特征输入所述神经网络模型中的多层感知器，得到所述待定位设备位于各预设参考点的置信度；其中，所述特征提取子模型包括：图卷积层和卷积层；
位置信息得到模块，用于基于所述置信度，得到所述待定位设备的位置信息。
7.根据权利要求6所述的装置，其特征在于，所述特征提取子模型包括：第一图卷积层、第一卷积层、第二图卷积层以及第二卷积层；
所述置信度得到模块，在执行所述将所述目标CSI相位信息和所述邻接方阵输入预先训练完成的神经网络模型中的特征提取子模型，得到目标相位特征时，具体用于：
将所述目标CSI相位信息和所述邻接方阵输入所述第一图卷积层；
所述第一图卷积层，用于基于所述邻接方阵，对所述目标CSI相位信息进行特征提取，得到第一相位特征，并将所述第一相位特征输入所述第一卷积层；
所述第一卷积层，用于基于不同通信数据包在时间维度上的第三相位关联关系，对所述第一相位特征进行特征提取，得到第二相位特征，并将所述第二相位特征输入所述第二图卷积层；
所述第二图卷积层，用于基于所述邻接方阵，对所述第二相位特征进行特征提取，得到得到第三相位特征，并将所述第三相位特征输入所述第二卷积层；
所述第二卷积层，用于基于不同通信数据包在时间维度上的第三相位关联关系，对所述第三相位特征进行特征提取，得到目标相位特征。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括：
模型训练模块，用于：
获取参考CSI相位信息，以及与所述参考CSI相位信息对应的置信度真值向量；所述参考CSI相位信息为从指定预设参考点发送的、接收端设备中各天线接收到的用于传输所述预设数量个样本通信数据包的各子载波的CSI相位信息；针对各通信数据包：基于不同天线间的第一相位关联关系，及同一天线不同子载波间的第二相位关联关系，得到参考邻接方阵；
将所述参考CSI相位信息和所述参考邻接方阵输入所述神经网络模型中的特征提取子模型，得到参考相位特征；并将所述参考相位特征输入所述神经网络模型中的多层感知器，得到所述指定预设参考点为各预设参考点的置信度；所述置信度表示为以所述神经网络模型中的网络参数和所述参考CSI相位信息为自变量的置信度函数；其中，所述特征提取子模型包括：图卷积层和卷积层；
计算由所述置信度组成的置信度输出向量与所述置信度真值向量之间的距离，对所述距离求取关于所述网络参数的偏导数；并基于所述偏导数，调整所述神经网络模型中的网络参数；
判断所述网络参数的调整次数是否等于预设调整次数，若否，返回执行所述获取参考CSI相位信息，以及与所述参考CSI相位信息对应的置信度真值向量的步骤；
若是，获取验证CSI相位信息，以及与所述验证CSI相位信息对应的置信度真值向量；所述参考CSI相位信息为从预设验证位置点发送的、接收端设备中各天线接收到的用于传输所述预设数量个样本通信数据包的各子载波的CSI相位信息；针对各通信数据包：基于不同天线间的第一相位关联关系，及同一天线不同子载波间的第二相位关联关系，得到验证邻接方阵；
将所述验证CSI相位信息和所述验证邻接方阵输入所述神经网络模型中的特征提取子模型，得到参考相位特征；并将所述参考相位特征输入所述神经网络模型中的多层感知器，得到所述预设验证位置点为各预设参考点的置信度输出向量；
基于所述置信度输出向量，得到所述预设验证位置点的位置信息；计算位置信息的准确率，并基于所述准确率，确定训练是否结束；当训练结束时，得到训练完成的神经网络模型；否则，返回执行所述获取参考CSI相位信息，以及与所述参考CSI相位信息对应的置信度真值向量的步骤。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-5任一所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-5任一所述的方法步骤。
CN202010656276.0A 2020-07-09 2020-07-09 一种定位方法、装置及电子设备 Active CN111866713B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010656276.0A CN111866713B (zh) 2020-07-09 2020-07-09 一种定位方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010656276.0A CN111866713B (zh) 2020-07-09 2020-07-09 一种定位方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111866713A true CN111866713A (zh) 2020-10-30
CN111866713B CN111866713B (zh) 2021-09-10

Family

ID=73151990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010656276.0A Active CN111866713B (zh) 2020-07-09 2020-07-09 一种定位方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111866713B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801268A (zh) * 2020-12-30 2021-05-14 上海大学 基于图卷积和多层感知机混合网络的定位方法
CN112953660A (zh) * 2021-01-26 2021-06-11 电子科技大学 一种稳健的信道状态信息csi相位校准方法
CN112953661A (zh) * 2021-01-26 2021-06-11 电子科技大学 一种信道状态信息csi相位指纹优化方法
CN113702719A (zh) * 2021-08-03 2021-11-26 北京科技大学 一种基于神经网络的宽带近场电磁定位方法及装置
CN114531729A (zh) * 2022-04-24 2022-05-24 南昌大学 基于信道状态信息的定位方法、系统、存储介质及设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106646363A (zh) * 2016-12-09 2017-05-10 锐捷网络股份有限公司 定位方法和定位设备
CN107347210A (zh) * 2017-07-04 2017-11-14 江苏先安科技有限公司 一种基于信道状态信息的精确目标定位方法
CN110166938A (zh) * 2019-06-06 2019-08-23 北京邮电大学 一种定位方法及装置
US20200083965A1 (en) * 2018-09-07 2020-03-12 Industrial Technology Research Institute Wireless positioning calibration system and wireless positioning calibration method
CN110888110A (zh) * 2019-12-03 2020-03-17 重庆邮电大学 一种适用于WiFi的室内载波相位定位模型构建方法
CN111211824A (zh) * 2020-01-14 2020-05-29 东南大学 一种智能反射表面辅助无线通信反射相位配置方法
CN111212379A (zh) * 2020-01-06 2020-05-29 天津工业大学 一种基于卷积神经网络的新型csi室内定位方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106646363A (zh) * 2016-12-09 2017-05-10 锐捷网络股份有限公司 定位方法和定位设备
CN107347210A (zh) * 2017-07-04 2017-11-14 江苏先安科技有限公司 一种基于信道状态信息的精确目标定位方法
US20200083965A1 (en) * 2018-09-07 2020-03-12 Industrial Technology Research Institute Wireless positioning calibration system and wireless positioning calibration method
CN110166938A (zh) * 2019-06-06 2019-08-23 北京邮电大学 一种定位方法及装置
CN110888110A (zh) * 2019-12-03 2020-03-17 重庆邮电大学 一种适用于WiFi的室内载波相位定位模型构建方法
CN111212379A (zh) * 2020-01-06 2020-05-29 天津工业大学 一种基于卷积神经网络的新型csi室内定位方法
CN111211824A (zh) * 2020-01-14 2020-05-29 东南大学 一种智能反射表面辅助无线通信反射相位配置方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WEN LIU ET.AL: "LC-DNN: Local Connection Based Deep Neural Network for Indoor Localization With CSI", 《IEEE ACCESS 》 *
XUYU WANG ET.AL: "CSI Phase Fingerprinting for Indoor Localization With a Deep Learning Approach", 《 IEEE INTERNET OF THINGS JOURNAL》 *
周明快 等: "基于无线信道状态相位信息优化的定位算法", 《传感技术学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801268A (zh) * 2020-12-30 2021-05-14 上海大学 基于图卷积和多层感知机混合网络的定位方法
CN112801268B (zh) * 2020-12-30 2022-09-13 上海大学 基于图卷积和多层感知机混合网络的定位方法
CN112953660A (zh) * 2021-01-26 2021-06-11 电子科技大学 一种稳健的信道状态信息csi相位校准方法
CN112953661A (zh) * 2021-01-26 2021-06-11 电子科技大学 一种信道状态信息csi相位指纹优化方法
CN112953660B (zh) * 2021-01-26 2022-08-05 电子科技大学 一种稳健的信道状态信息csi相位校准方法
CN113702719A (zh) * 2021-08-03 2021-11-26 北京科技大学 一种基于神经网络的宽带近场电磁定位方法及装置
CN114531729A (zh) * 2022-04-24 2022-05-24 南昌大学 基于信道状态信息的定位方法、系统、存储介质及设备

Also Published As

Publication number Publication date
CN111866713B (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN111866713B (zh) 一种定位方法、装置及电子设备
CN108387864B (zh) 一种到达角计算方法及装置
CN113282960B (zh) 一种基于联邦学习的隐私计算方法、装置、系统及设备
CN111339436B (zh) 一种数据识别方法、装置、设备以及可读存储介质
CN111800811B (zh) 一种频谱异常的无监督检测方法、装置、设备及存储介质
CN108008936B (zh) 一种数据处理方法、装置及电子设备
CN110351299B (zh) 一种网络连接检测方法和装置
CN114520736B (zh) 一种物联网安全检测方法、装置、设备及存储介质
CN110146855B (zh) 雷达间断干扰抑制门限计算方法及装置
CN111565065B (zh) 一种无人机基站部署方法、装置及电子设备
CN108197498A (zh) 获取数据的方法及装置
WO2017049914A1 (zh) 一种终端定位方法、装置及系统
CN108183736B (zh) 基于机器学习的发射机码字选择方法、装置和发射机
CN116362894A (zh) 多目标学习方法、装置、电子设备及计算机可读存储介质
CN111814051B (zh) 一种资源类型确定方法及装置
CN114422277A (zh) 防御网络攻击的方法、装置、电子设备和计算机可读介质
CN113395762A (zh) 超宽带定位网络中位置校正方法及装置
US8311161B2 (en) Sphere detector performing depth-first search until terminated
CN112583748B (zh) 一种信道估计方法、装置及电子设备
CN111400677A (zh) 一种用户检测方法及装置
CN109359462A (zh) 虚假设备识别方法、设备、存储介质及装置
WO2024083004A1 (zh) Ai模型配置方法、终端及网络侧设备
CN113066486B (zh) 数据识别方法、装置、电子设备和计算机可读存储介质
CN112016123B (zh) 隐私保护算法的验证方法、装置及电子设备
CN113655505B (zh) 定位调整方法、装置、电子设备和存储介质

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