CN112040400B

CN112040400B - 一种基于mimo-csi的单站点室内指纹定位方法、存储介质及设备

Info

Publication number: CN112040400B
Application number: CN202010865297.3A
Authority: CN
Inventors: 范建存; 张建雄; 焦利彬
Original assignee: Xian Jiaotong University; CETC 54 Research Institute
Current assignee: Xian Jiaotong University; CETC 54 Research Institute
Priority date: 2020-08-25
Filing date: 2020-08-25
Publication date: 2021-08-13
Anticipated expiration: 2040-08-25
Also published as: CN112040400A

Abstract

本发明公开了一种基于MIMO‑CSI的单站点室内指纹定位方法、存储介质及设备，包括离线阶段和在线阶段。在离线阶段，采用分段求均值，均值滤波，PCA相结合的方法进行数据预处理，充分利用MIMO带来的空间多样性和OFDM带来的频率多样性并提取最有效的数据信息用于位置估计。使用多层神经网络对数据进行复杂非线性学习，按位置进行精确分类。在在线阶段首先将测试样本进行与训练数据同样的数据预处理，然后输入已经训练好的神经网络模型，最后利用WKNN技术将神经网络的输出进行进一步处理以对位置进行更好的估计得到更高的定位精度。实验结果显示，相比其他方法，该方法能显著降低定位误差。在复杂室内环境中误差均值精度达到了1.39m。

Description

一种基于MIMO-CSI的单站点室内指纹定位方法、存储介质及设备

技术领域

本发明属于通信技术领域，具体涉及一种基于MIMO-CSI的单站点室内指纹定位方法、存储介质及设备。

背景技术

随着终端智能化的快速发展，定位在生活中的应用越来越广泛。定位是各种基于位置的服务例如导航，无线网络资源规划，移动广告，天气预报中的核心技术。虽然GPS在室外定位中有很好的性能，但是由于GPS信号的穿透损失及室内环境的多径复杂性导致GPS无法在室内应用。由于室内存在多径且很多情况下不存在直射径，所以传统基于距离的参数估计定位方法不适合用于室内定位。基于到达时间(Time of Arrival，ToA)，到达时间差(Time Difference of Arrival，TDoA)的定位方法是根据移动设备与基站之间信号的传输时间来进行位置估计。基于到达角(Angle-of-Arrival，AoA)的定位方法是根据移动设备与基站之间信号传输的角度进行位置估计。在多径环境或不存在直射径的环境中它们的性能较差。基于指纹的定位技术由于其在室内复杂环境中低成本高精度的特性而受到许多研究者关注。

基于指纹的定位系统通常分为离线阶段和在线阶段，离线阶段也称为训练阶段，在线阶段也称为测试阶段。离线阶段的任务是构建数据库，通常采用接收信号强度(Receive Signal Strength，RSS)或信道状态信息(Channel State Information，CSI)作为指纹以构建数据库。在线阶段的任务是通过某种匹配方式，将测试数据指纹与训练数据指纹进行匹配以达到用训练数据的位置点对测试数据的位置进行估计。

接收信号强度由于其简单易获取而在指纹定位中广泛使用，但是接收信号强度容易受到室内多径的影响而导致指纹地图错误映射(较远的点比较近的点拥有更强的接收信号强度)和在同一个位置点不同时间差异较大。同时它是一个以每包级别RF信号测量的粗略值，很难获得准确的与位置一一对应的值。目前大多数无线通信设备支持OFDM，可以实现载波级的信息获取。信道状态信息是在物理层基带测得，它包含了每个传输子载波上关于信道的幅度和相位信息，可以用作指纹来进行定位提高室内定位的精度。现有方法使用多个天线上的平均CSI值，通过以概率算法为基础的相关计算确定测试对象的位置。但是该方法只是简单的在多个天线上取平均，未能很好的利用MIMO带来的空间多样性，且需要多基站协作。还有一种结合CSI与多输入多输出技术(Multiple-Input Multiple-Output，MIMO)的室内指纹定位系统，该系统对相邻子载波上的CSI幅度与相位分别求差值，再利用所有差值的平均值构造位置指纹，从而充分利用CSI的频率分集来提高室内定位的精度。定位匹配算法较简单不能全面捕捉特征中的信息。随着MIMO在无线通信中的应用，通过一个站点就可以获取在某一位置大量的CSI信息成为可能。单站点定位由于其低成本、易实现的特性而成为一种很有吸引力的定位技术。一种通过最大鉴别变换投影提取位置指纹信息，相似性匹配进行位置估计的定位方法。不能很好的分辨复杂环境下样本间指纹信息的差异度，使得在复杂室内环境下定位精度较差。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于MIMO-CSI的单站点室内指纹定位方法、存储介质及设备，采用载波分段取均值和PCA的方法进行数据预处理更好的考虑了多天线带来的空间多样性，使用神经网络进行复杂非线性学习更充分的捕获到位置的唯一性，用于实现复杂室内环境中低成本高精度定位。

本发明采用以下技术方案：

一种基于MIMO-CSI的单站点室内指纹定位方法，包括以下步骤：

S1、将具有多输入多输出功能的单个基站与具有多输入多输出功能的移动终端进行信息交互，在移动终端处利用信道估计算法对信道进行估计产生信道状态信息矩阵H；

S2、根据步骤S1获得的矩阵H在同一时刻包含多个子载波信息且子载波信息之间变化较小的数据特点，在子载波维度进行分段取均值的方法对数据进行降维形成矩阵H₁，根据每个分段的长度由子载波之间相关性系数与设定值的关系确定子载波的间隔数；

S3、每个收发天线采用单独进行均值滤波的方法对数据载波维度进行滤波得到H₂；

S4、步骤S3完成后，对数据进行天线对整合，将空频维度作为特征，时间维度作为样本，采用主成分分析法降低维度，将各个位置的数据投影到主成分w上最分散，将每个位置的数据变换为H₃；

S5、建立包含三层隐含层的神经网络模型，对步骤S4得到的H₃进行分类，使用训练集进行神经网络模型训练；

S6、将测试集的H₃输入至步骤S5中已经训练好的神经网络模型中，然后将神经网络的输出进行WKNN处理，得到最终的位置估计。

具体的，步骤S1中，H为C×T×M×N结构的复数矩阵，C表示子载波维数，T表示在测量时间内接收到OFDM符号的个数，M表示基站处的发送天线个数，N表示移动设备的接收天线个数。

具体的，步骤S2中，根据子载波之间相关性系数低于设定值时的子载波间隔数确定分段长度如下：

其中，ρ_kΔf代表间隔为kΔf个载波的两个数据的相关系数，Δf为子载波之间的间隔带宽，k为所求的分段内的载波数量。

具体的，步骤S3中，使用分段均值滤波的方法，具体为：

其中，s代表经过均值滤波后的数据，x代表原数据，N代表区间范围。

具体的，步骤S4中，主成分分析变换的定义如下：

z＝w^Tx

其中，x表示降维前的向量，w^T表示投影矩阵，z表示降维后的向量。

更进一步的，本发明的特点还在于，选择方差解释率大于0.95时所需要的维度数量作为降维后的数据维度数。

具体的，步骤S5中，神经网络模型包含三层隐含层，输入层的神经元个数由样本特征决定，输出层的神经元个数由分类类别个数决定，隐藏层决定神经网络的复杂程度。

具体的，步骤S6中，使用WKNN的方法进行位置估计，具体为：

其中，(x,y)为最终估计的位置，K为所设置的常数，选择神经网络输出中最大的K个输出，w_i为K个输出中第i个输出占的比重，(x_i,y_i)表示第i个输出所对应的训练数据中的位置坐标。

本发明的另一技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。

本发明的另一技术方案是，一种计算设备，其特征在于，包括：

一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。

与现有技术相比，本发明至少具有以下有益效果：

本发明一种基于MIMO-CSI的单站点室内指纹定位方法，与基于贝叶斯匹配的方法相比，能充分学习样本数据之间的非线性关系，达到较高的精度。与基于神经网络分类的方法相比，本发明采用三步数据预处理方法，将数据维度降低99.4％，充分提取了数据的有效性，极大的降低了系统的复杂度。与现有的单站点定位技术相比，本发明通过利用神经网络模型，充分学习样本点之间的非线性规律，达到了更高的精度。本发明能在物理层获得的大量CSI数据中通过数据预处理得到有效的数据信息用于分类。

进一步的，由于不同的位置具有不同的周围环境，从固定位置的发射机发射的信号到达不同位置的接收机处，不同位置由于不同的周围环境而产生不同的多径效应等。信道状态信息矩阵可以很好的反应这一过程，充分捕捉多天线空间多样性的同时由于OFDM技术获得不同子载波所经历的多径衰落信息。使每个位置具有唯一的信息矩阵。

进一步的，由于相邻子载波之间的间隔较小，表现出的频率选择性衰落不是很明显，相邻子载波之间相关性较大。为了高效利用信道状态信息矩阵，选择对子载波进行分段取均值降维。子载波之间相隔越远相关性越低，通过设定相关系数阈值来确定子载波分段间隔大小。

进一步的，在均值滤波阶段为了充分考虑多天线带来的空间多样性，将不同收发天线对信息分段进行均值滤波。

进一步的，整合所有同一个位置所有天线对的信息，进行PCA处理，得到最大分辨的指纹信息，降低数据维度。

进一步的，设置方差解释率大于0.95时，既能很好的表示原数据不同位置之间的差异性。同时可以去除一些低功率噪声的干扰。

进一步的，使用多层神经网络对有效数据特征进行复杂非线性学习，按位置进行精确分类。

进一步的，根据在线阶段神经网络的输出使用WKNN的方法准确估计未知数据的位置。

综上所述，本发明将单站点MIMO—OFDM系统的CSI作为指纹，采用分段求均值，均值滤波，PCA相结合的方法进行数据预处理，充分利用MIMO带来的空间多样性和OFDM带来的频率多样性并提取最有效的数据信息用于位置估计。使用多层神经网络对数据进行复杂非线性学习，按位置进行精确分类。最后根据在线阶段神经网络的输出使用WKNN的方法准确估计未知数据的位置。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明方法所应用的场景示意图；

图2为实现模块流程图；

图3为相关性较低时不同位置子载波间隔图；

图4为数据进行均值滤波对比图。

图5为数据进行PCA对比图。

图6为WKNN取不同K值时定位误差均值对比图。

图7为WKNN取最佳K值时实验结果CDF图。

图8为不同定位方法对比图。

具体实施方式

本发明提供了一种基于MIMO-CSI的单站点室内指纹定位方法，基站具备多天线，采用OFDM调制。利用软件无线电平台ZedBoard获取固定单站点发送，不同位置处接收的CSI数据。ZedBoard是Xilinx Zynq^TM-7000的低成本开发板，将其在Windows操作系统上运行，在接收端通过信道估计算法获取CSI数据。传输信道带宽为10MHz，子载波的间隔Δf＝15kHz，共有600个子载波相互正交，分别承载了600个复数信号。在发送端运行发送数据程序，发射天线数为2，以2GHz的发射频率持续发出数据。在接收端运行接收数据程序，接收天线数为2。每个OFDM符号的发送时间间隔为71.4μs，在每个接收位置处采集90ms的CSI数据包，获得600*2*2*1260的CSI复数矩阵。为了更好的模拟生活实际情况，训练数据集和测试数据集分别单独获取。在预处理计算参数时，使用的均为训练数据集。

本发明一种基于MIMO-CSI的单站点室内指纹定位方法，包括离线阶段和在线阶段；在离线阶段，采用分段求均值，均值滤波，PCA相结合的方法进行数据预处理，充分利用MIMO带来的空间多样性和OFDM带来的频率多样性并提取最有效的数据信息用于位置估计。使用多层神经网络对数据进行复杂非线性学习，按位置进行精确分类。在在线阶段首先将测试样本进行与训练数据同样的数据预处理，然后输入已经训练好的神经网络模型，最后利用WKNN技术将神经网络的输出进行进一步处理以对位置进行更好的估计得到更高的定位精度。具体步骤如下：

S1、具有多输入多输出(Multiple Input Multiple Output，MIMO)功能的单个基站与具有MIMO功能的移动终端进行信息交互，在移动终端处利用信道估计算法对信道进行估计产生信道状态信息(Channel State Information，CSI)矩阵H；

H为C×T×M×N结构的复数矩阵，其中C表示子载波维数，T表示在测量时间内接收到OFDM符号的个数，M表示基站处的发送天线个数，N表示移动设备的接收天线个数。

S2、根据步骤S1中提到的CSI矩阵H在同一时刻包含多个子载波信息且子载波信息之间变化较小的数据特点，提出在子载波维度进行分段取均值的方法对数据进行降维形成矩阵H₁，每个分段的长度由子载波之间相关性系数低于某一个值时的子载波间隔数决定；

根据子载波之间相关性系数低于某一个值时的子载波间隔数决定分段的长度：

其中，ρ_kΔf代表间隔为kΔf个载波的两个数据的相关系数，Δf为子载波之间的间隔带宽，k为所求的分段内的载波数量，通过选取合适的ρ_kΔf来计算k的值。进而得出H₂为(C/k)×T×M×N结构的复数矩阵。

S3、在步骤S2中得到H₁后，为了抑制数据在测量中受到噪声的干扰同时考虑多天线的空间多样性，提出每个收发天线对单独进行均值滤波的方法对数据载波维度进行滤波得到H₂；

使用分段均值滤波的方法。分段均值滤波的基本原理是每一点的值用该点领域内点的均值来代替。

其中，s代表经过均值滤波后的数据，x代表原数据，N区间范围；通过设置合适的N值进行均值滤波。

S4、在步骤S3经过均值滤波后的数据H₂的基础上对数据进行天线对整合，将空频维度作为特征，时间维度作为样本。提出进一步采用主成分分析法降低维度，将各个位置的数据投影到主成分w上最分散，不同位置样本点之间的差别变得最明显。最后每个位置的数据变换为H₃；

主成分分析变换的定义如下：

z＝w^Tx

其中，x表示降维前的向量，w^T表示投影矩阵，z表示降维后的向量。通过最大化样本方差，使得样本投影到主成分w上最分散，样本点之间的差别变得最明显。

降维中最重要的是选择正确数量的投影矩阵w的维度数。通常选择方差解释率大于0.95时所需要的维度数量作为降维后的数据维度数。

S5、建立包含三层隐含层的神经网络模型对步骤S4中得到的H₃进行分类，使用训练集进行神经网络模型训练；

神经网络模型包括三层隐含层，输入层的神经元个数由样本特征决定，输出层的神经元个数由分类类别个数决定，隐藏层决定神经网络的复杂程度，层数和神经元个数越多模型越复杂。复杂的模型容易造成过拟合，即模型在训练集上表现良好，而在测试集上表现很差。模型过于简单则不能很好的学习复杂非线性映射。

使用WKNN的方法进行位置估计，即：

其中，(x,y)为最终估计的位置，K为所设置的常数，选择神经网络输出中最大的K个输出；w_i为K个输出中第i个输出占的比重，(x_i,y_i)表示第i个输出所对应的训练数据中的位置坐标。

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

请参阅图2，本发明基于MIMO-CSI的单站点室内指纹定位方法的步骤如下：

特征提取阶段

A子载波分段取均值

每个位置的数据可分为4组600*1260的CSI复数矩阵，分别代表2*2收发天线4个天线对中的一个。由于环境中不同位置受到的多径干扰、路径损耗、频率多样性都在幅度信息中能体现出相对的唯一性，所以本文提出采用CSI复数矩阵的幅度信息作为指纹信息。为充分有效的利用空间多样性，将每个天线对分别进行处理。

将每个位置4个天线对的数据分别在载波维进行相干性计算，设相关系数阈值为0.5，取每个位置4个天线对相关系数小于0.5时最小的子载波间隔为该个位置的子载波间隔数，求得合适的分段段内载波数量。各个位置的子载波间隔数请参阅图3。

B均值滤波

均值滤波用于抑制在数据测量中受到的设备噪声与环境噪声的干扰，取每一点领域内点的均值来代替该点的值。设置每个点附近的前3到后3个点为该点的领域，每个位置的每对天线分别独立进行均值滤波。第一个位置的第一个天线对滤波前后对比请参阅图4，均值滤波较好的抑制了噪声带来的干扰，使数据更好的表示对应位置的特征。

C主成分分析

得到样本主成分的方法有两种，一种是对样本数据集的协方差矩阵进行特征值分解，另一种是对数据矩阵进行奇异值分解。选取最大的前k个特征或奇异值对应的特征向量形成投影矩阵。k的值由前k个特征值或奇异值之和占全体特征值或奇异值之和的比值来决定。我们设置该比值为0.95，通过计算得知k的值为14。最后每个位置指纹信息为14*1260的矩阵。其中14为特征，1260为不同时刻。第一个位置点CSI矩阵，PCA前后对比请参阅图5。

离线训练阶段

根据得到的数据特征集，将其输入神经网络进行分类。神经网络采用包含三层隐藏层的模型，输入层的神经元个数与指纹的特征数相同为14个。设置三个隐藏层神经元个数分别1400、700、350。第一层隐藏层设置为1400以充分捕捉特征包含的信息，第二层隐藏层和第三层隐藏层依次递减，输出层神经元个数根据训练数据集中的位置点数确定为105个，由此构建复杂的深度神经网络。神经网络的优化器使用Root Mean Square Prop，损失函数使用categorical_crossentropy，学习率设置为0.001，输入层及隐藏层中神经元的激活函数选择Relu函数。为了方便进行多分类，选择softmax函数作为输出层神经元的激活函数。

在线定位阶段

根据神经网络的输出是一个维度为输出层神经元个数的向量，输出层的神经元个数和训练数据集样本类别数即训练集的位置点数相同。训练时输入不同位置的数据特征，对应的神经网络期望输出设置为某一个神经元输出为1其余为0。当测试集经过预处理输入时，神经网络同样会输出维度为训练集的位置点数的向量。

根据神经网络的相似输入产生相似输出原则，某一神经元的输出值越大，代表当前测试样本的位置与该神经元输出为1时对应的训练集位置点越接近。

测试集是在不同于训练集的位置上测得，所以为了综合考虑到测试点附近的每个点，我们使用了WKNN的方法进行位置估计。请参阅图6，WKNN取不同K值时，测试数据集的定位误差均值变化结果，随K值增大，误差均值距离先变小后变大，但由于WKNN算法的原理和神经网络输出层选择softmax函数，离估计位置越远所占的权重越小，对最终位置估计的影响也越小。因此随K增加，位置估计的精度变化较小。

请参阅图7，在WKNN取最佳K值为8时，在复杂室内环境中的定位CDF图，测试集中大约有40％的点定位精度在1m以内，90％的点定位精度在2m以内，同时实验结果显示最小的定位误差为0.19m，定位误差的均值为1.39m。

请参阅图8，不同定位算法时，在相同复杂室内环境中的定位结果CDF图。

一种基于CSI的室内定位方法，该方法分为校准阶段和定位阶段。校准阶段首先将来自多个MIMO基站的CSI矩阵进行天线域取均值和频率域分段取均值来降低系统复杂度，然后将不同子载波上的CSI幅值的平方和作为指纹，定位阶段采用贝叶斯算法进行位置估计。

请参阅图1，本发明一种基于最大分辨多径指纹识别的单站点定位方法将样本的空时协方差矩阵进行最大分辨投影后作为指纹，使用相似性匹配准则进行位置估计。

相对于以上两种算法，本发明提出的方法具有计算复杂度低，定位精度高的优点。

综上所述，本发明利用联合降维技术将数据的空频维度由2400维降低到14维，极大的降低了模型和计算的复杂度，提高了系统的鲁棒性。利用深度神经网络模型充分捕捉位置信息中的特征，进行准确分类。此外，利用WKNN技术进一步充分考虑被估计位置的邻近点，进行精确位置估计。随K值增大，均方误差距离先变小后变大，但由于WKNN算法的原理和神经网络输出层选择softmax函数，离估计位置越远所占的权重越小，对最终位置估计的影响也越小。因此随K增加，位置估计的精度变化较小。为了简便和高精度，当K取8时，为最优值，既能很好的考虑估计位置的周围点，也不会将较远的点引入。本文提出的方法在复杂的室内环境中取得了较好的定位性能。实验结果显示FIFS定位误差均值为1.79m,通过最大分辨多径指纹识别单站点定位的误差均值为3.14m,均小于本发明提出的方法的误差均值1.39m。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims

1.一种基于MIMO-CSI的单站点室内指纹定位方法，其特征在于，包括以下步骤：

S2、根据步骤S1获得的矩阵H在同一时刻包含多个子载波信息且相邻子载波信息之间变化小的数据特点，在子载波维度进行分段取均值对数据降维，形成矩阵H₁，分段的长度由子载波之间相关性系数低于设定值的间隔数确定，根据子载波之间相关性系数低于设定值时的子载波间隔数确定分段长度如下：

其中，H(f)为矩阵H中子载波为f的那一列，H(f+kΔf)^*为子载波f+kΔf的信道响应的共轭，ρ_kΔf代表间隔为kΔf个载波的两个数据的相关系数，Δf为子载波之间的间隔带宽，k为所求的分段内的载波数量；

S3、每个收发天线对的数据单独采用均值滤波的方法对数据载波维度滤波得到H₂；

S4、步骤S3完成后，对数据进行天线对整合，将空频维度作为特征，时间维度作为样本，采用主成分分析法降低维度，将各个位置的数据投影到主成分w上，使不同位置之间的样本最分散，每个位置的数据变换为H₃；

2.根据权利要求1所述的方法，其特征在于，步骤S1中，H为C×T×M×N结构的复数矩阵，C表示子载波维数，T表示在测量时间内接收到OFDM符号的个数，M表示基站处的发送天线个数，N表示移动设备的接收天线个数。

3.根据权利要求1所述的方法，其特征在于，步骤S3中，使用分段均值滤波的方法，具体为：

其中，s代表经过均值滤波后的数据，x代表原数据，L代表区间范围。

4.根据权利要求1所述的方法，其特征在于，步骤S4中，主成分分析变换的定义如下：

z＝w^Tx

5.根据权利要求4所述的方法，其特征在于，选择方差解释率大于0.95时所需要的维度数量作为降维后的数据维度数。

6.根据权利要求1所述的方法，其特征在于，步骤S5中，神经网络模型包含三层隐含层，输入层的神经元个数由样本特征决定，输出层的神经元个数由分类类别个数决定，隐藏层决定神经网络的复杂程度。

7.根据权利要求1所述的方法，其特征在于，步骤S6中，使用WKNN的方法进行位置估计，具体为：

8.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至7所述的方法中的任一方法。

9.一种计算设备，其特征在于，包括：

一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至7所述的方法中的任一方法的指令。