CN112135344B - 一种基于csi和dcnn的无设备目标定位方法 - Google Patents
一种基于csi和dcnn的无设备目标定位方法 Download PDFInfo
- Publication number
- CN112135344B CN112135344B CN202010951650.XA CN202010951650A CN112135344B CN 112135344 B CN112135344 B CN 112135344B CN 202010951650 A CN202010951650 A CN 202010951650A CN 112135344 B CN112135344 B CN 112135344B
- Authority
- CN
- China
- Prior art keywords
- csi
- amplitude
- phase
- information
- axis
- 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
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- H04W4/30—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
Abstract
本发明提出了一种基于CSI和DCNN的无设备目标定位方法,包括离线阶段和在线阶段两部分。离线阶段,当目标位于训练参考点时,接收端测量路由器发射信号的信道状态信息。同时提取每根发射天线到接收天线上的CSI幅度信息和相位信息,构建CSI的幅度差图像和相位差图像。最后使用CSI幅度差和CSI相位差图像,进行基于双流卷积神经网络的回归学习,得到基于X轴坐标位置和Y轴坐标位置的回归模型。在线阶段,在得到CSI幅度差和相位差图像后,直接利用X轴坐标位置和Y轴坐标位置的回归模型计算目标位置。
Description
技术领域
本发明涉及一种基于CSI(信道状态信息)图像和DCNN(双流卷积神经网络)的无设备目标定位方法,具体的说是一种利用信道状态信息的幅度和相位信息,通过双流卷积神经网络的回归学习,实现无设备下的目标定位,属于定位导航与机器学习应用技术领域。
背景技术
近年来,基于位置的服务已逐渐深入人们的生活。但对于卫星定位无法有效工作的室内环境,还未形成一套标准的定位技术方案,导致LBS(Location Based Services,基于位置的服务)在室内无法进一步发展。常见的室内定位技术有红外线以及蓝牙,但它们都存在成本高、功耗大以及稳定性差等缺点。比如红外线的定位技术虽然可以达到较高的精度,但是红外线信号易受到日光和荧光的干扰,并且红外线不能穿透墙壁等障碍物,因此只能进行短距离的视距定位。蓝牙技术主要是基于接收信号强度来实现,但由于信号的衰减并不仅与距离相关,还包括多径损耗等,因此该方法稳定性差,定位效果不好。
随着Wi-Fi技术的不断成熟以及无线设备在室内的广泛部署,基于无线信号的室内定位技术受到了越来越多的关注。其中,基于位置指纹的定位技术由于其成本低、应用范围广且无需额外硬件支持等优势,成为室内定位领域研究的重点。而由于硬件设备不断支持物理层信道状态信息的获取,基于CSI(Channel State Information)的指纹定位技术为室内定位的研究提供了新思路。在无线通信中,CSI描述了信号在每条传输路径上的传输因子,如信号散射、距离衰减及环境衰弱等信息。与传统接收信号强度不同,CSI从无线链路接收到的分组中测量每个正交频分复用子载波,因而信道状态信息会获得更稳定的信息。CSI表征了子载波在频域的幅度和相位信息,描述了细粒度的物理信息,对环境更加敏感。
申请人于2019年7月9日提交的公开号为CN110366108A的中国专利申请,是一种基于信道状态信息和接收信号强度的室内定位方法,接收信号强度(RSSI)是MAC层信息,信道状态信息(CSI)是PHY层信息。CN110366108A专利申请使用的是CSI幅度值以及RSSI测量值作为定位测量参数,使用的是机器学习算法。
有鉴于此,有必要提出一种基于信道状态信息图像和双流卷积神经网络的目标定位方法。
发明内容
本发明所要解决的技术问题是,克服现有技术的不足而提供一种基于信道状态信息图像和双流卷积神经网络的无设备目标定位方法。该方法能够综合利用信道状态信息的幅度和相位信息,通过深度学习的方法,实现目标定位,能够悠闲提高定位精度、缩短定位时间、降低实现复杂程度。
本发明提供一种基于CSI和DCNN的无设备目标定位方法,该方法包括离线阶段和在线阶段两部分,其中离线阶段具体包括以下步骤:
步骤1、构建训练数据库
步骤1-1、将定位区域划分成若干参考点,目标站在参考点上,接收端测量路由器发射信号的信道状态信息(CSI),并记为CSI测量值;
步骤1-2、提取CSI测量值的幅度信息和相位信息,构建基于幅度差和相位差的CSI图像;
步骤1-3、结合相应的参考点位置,形成第一训练数据库和第二训练数据库,第一训练数据库包含CSI幅度差图像、CSI相位差图像和参考点X轴坐标位置,第二训练数据库包含CSI幅度差图像、CSI相位差图像和参考点Y轴坐标位置;
步骤2、离线学习
步骤2-1、搭建双流卷积神经网络(DCNN);
步骤2-2、利用第一训练数据库和搭建的双流卷积神经网络(DCNN)进行回归学习,得到基于X轴坐标位置的回归模型;
步骤2-3、利用第二训练数据库和搭建的双流卷积神经网络(DCNN)进行回归学习,得到基于Y轴坐标位置的回归模型;
在线阶段具体包括以下步骤:
步骤1、接收端接收路由器发射的信号;
步骤2、根据路由器发射信号的信道状态信息提取CSI测量值的幅度信息和相位信息,构建基于幅度差和相位差的CSI图像;
步骤3、目标位置估计
步骤3-1、将基于幅度差和相位差的CSI图像带入到基于X轴坐标位置的回归模型,得到目标在X轴上的位置,即X轴上的位置估计值;
步骤3-2、将基于幅度差和相位差的CSI图像带入到基于Y轴坐标位置的回归模型,得到目标在Y轴上的位置,即Y轴上的位置估计值;
步骤3-3、合并X轴和Y轴上的位置估计值,得到目标的位置估计。
本发明中:离线阶段,当目标位于训练参考点时,接收端测量路由器发射信号的信道状态信息。同时提取每根发射天线到接收天线上的CSI幅度信息和相位信息,构建CSI的幅度差图像和相位差图像。最后使用CSI幅度差和CSI相位差图像,进行基于双流卷积神经网络的回归学习,得到基于X轴坐标位置和Y轴坐标位置的回归模型。在线阶段,在得到CSI幅度差和相位差图像后,直接利用X轴坐标位置和Y轴坐标位置的回归模型计算目标位置。本发明使用CSI测量值的幅度信息和相位信息,并且将其渲染成了RGB图片,采用深度学习中的卷积神经网络进行回归学习。
作为本发明进一步的技术方案,具体如下:
进一步的,离线阶段的步骤1-2包含如下步骤:
步骤1-2-1、选择任意一根接收天线作为参考天线;
步骤1-2-2、将其余接收天线接收到的CSI测量值的幅度信息矩阵与参考天线接收到的CSI测量值的幅度信息矩阵进行减法计算,得到接收信号的幅度差矩阵;
步骤1-2-3、将其余接收天线接收到的CSI测量值的相位信息矩阵与参考天线接收到的CSI测量值的相位信息矩阵进行减法计算,得到接收信号的相位差矩阵;
步骤1-2-4、将CSI的幅度差矩阵和相位差矩阵通过图像渲染技术转成RGB彩色图像,即为基于幅度差和相位差的CSI图像。
在线阶段的步骤2所包含的步骤与离线阶段步骤1-2所包含的步骤相同。
进一步的,离线阶段的离线学习中,使用双流卷积神经网络学习CSI的幅度相位信息与位置之间的非线性关系,分别建立基于目标X轴和Y轴坐标位置的回归模型。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明利用双流卷积神经网络将CSI幅度和相位信息融合在一起,提高了目标的定位精度;并且CSI幅度特征和相位特征可以直接在接收信号中提取,无需添加任何硬件设备;
2、本发明利用CSI幅度差和相位差矩阵来构建CSI幅度差和相位差图像,由于基于幅度差和相位差的预处理能够减小CSI图像构造中测量噪声对图像指纹的影响,所以离线学习效率能够得到提升。
附图说明
图1为本发明的基于卷积层融合的双流卷积神经网络结构图。
图2为本发明的流程图。
图3为本发明的累积误差分析图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护权限不限于下述的实施例。
本实施例提出了一种基于CSI和DCNN的无设备目标定位方法,经过测试发现,在不同位置上,CSI幅度差图像和相位差图像存在明显差异,可以用来作为参考位置的指纹。
如图1所示,本发明的基于卷积层融合双流卷积神经网络结构,C代表卷积层,P代表池化层,FC代表全连接层,Output代表输出层。将CSI幅度差图像以及相位差图像分别输入到;两个单流卷积神经网络中,两个卷积神经网络间权值共享,经过数次卷积和池化得到各自特征后,对两个卷积网络最后一层的神经元使用相同的卷积核进行卷积。设幅度差流最后一个卷积层的卷积结果为x,相位差流最后一个卷积层的卷积结果为y,那么融合的卷积结果为αx+βy,其中α+β=1,S为输入仅是幅度差图像的单流卷积神经网络的平均误差,T为输入仅是相位差图像的单流卷积神经网络的平均误差。然后,继续使用卷积核提取融合后的特征,最后通过数层全连接层得到输出。由于本算法是采用回归学习的方法,所以输出层并不是采用softmax函数,而是采用y=ωx+b,使用的损失函数为2018年ECCV(European Conference on Computer Vision)中公开的《Deep Regression Trackingwith Shrinkage Loss》论文中给出的
但未加正则化。其中,Y为标签值,wx+b为网络的输出值,a=10,c=0.2为直接引用的该论文中的值。
如图2所示,本发明的方法包括离线阶段和在线阶段两部分。离线阶段,当目标位于训练参考点时,接收端测量路由器发射信号的信道状态信息(CSI),同时提取每根发射天线到接收天线上的CSI幅度值和相位值。以CSI幅度差图像的构造为例,设NT为发射天线数量,NR为接收天线数量,Nk为CSI测量值的子载波数量,Np为构造一张图像所使用的数据包的数量;(1)对于每个数据包,以从每根接收天线提取的幅度值作为矩阵的每一行,则单个发射天线对应接收端天线的幅度值矩阵的维数为NR×Nk,再以第一根接收天线的CSI幅度值作为参考,该矩阵中的每一行都减去参考天线的幅度值,并删除矩阵中的全零行,此时矩阵的维数为(NR-1)×Nk;(2)对剩余的发射天线执行与步骤(1)同样的操作,则得到NT个维数为(NR-1)×Nk的幅度差矩阵,对这NT个矩阵进行基于行的矩阵合并操作,得到一个数据包下的维数为[(NR-1)×NT]×Nk的幅度差矩阵;(3)对Np个数据包执行步骤(1)、(2)的操作,则得到Np个维数为[(NR-1)×NT]×Nk的幅度差矩阵,对这Np个矩阵同样进行基于行的矩阵合并操作,即得到维数为[(NR-1)×NT×Np]×Nk的全部接收包和发射信号的CSI幅度差矩阵;最后利用图像渲染技术将步骤(3)得到的CSI幅度差矩阵进行渲染,从而得到CSI幅度差图像。CSI相位差图像的得到方式与CSI幅度差图像相同,不过要先对CSI相位值进行一步解卷绕的操作。将得到的CSI幅度差图像、CSI相位差图像以及参考点X轴坐标和Y轴坐标分别送入双流卷积神经网络中进行离线回归学习,得到基于X轴坐标位置和Y轴坐标位置的回归模型。
在线阶段,再以和离线阶段同样的方式得到测试参考点的CSI幅度差和相位差图像后,直接利用X轴坐标位置和Y轴坐标位置的回归模型计算目标位置,最后组合得到X、Y坐标,即(X,Y)。
如图3所示,为本发明的累计误差分析图。当对比仅使用CSI幅度差图像和相位差图像输入到单流的卷积神经网络时,可以看出本发明将CSI幅度差图像和相位差图像联合输入到双流卷积神经网络中具有最佳的估计结果。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (2)
1.一种基于CSI和DCNN的无设备目标定位方法,DCNN为双流卷积神经网络;其特征在于,该方法包括离线阶段和在线阶段两部分,其中离线阶段具体包括以下步骤:
步骤1、构建训练数据库
步骤1-1、将定位区域划分成若干参考点,目标站在参考点上,接收端测量路由器发射信号的信道状态信息,并记为CSI测量值;
步骤1-2、提取CSI测量值的幅度信息和相位信息,构建基于幅度差和相位差的CSI图像;具体操作如下:
步骤1-2-1、选择任意一根接收天线作为参考天线;
步骤1-2-2、将其余接收天线接收到的CSI测量值的幅度信息矩阵与参考天线接收到的CSI测量值的幅度信息矩阵进行减法计算,得到接收信号的幅度差矩阵;
步骤1-2-3、将其余接收天线接收到的CSI测量值的相位信息矩阵与参考天线接收到的CSI测量值的相位信息矩阵进行减法计算,得到接收信号的相位差矩阵;
步骤1-2-4、将CSI的幅度差矩阵和相位差矩阵通过图像渲染技术转成RGB彩色图像,即为基于幅度差和相位差的CSI图像;
步骤1-3、结合相应的参考点位置,形成第一训练数据库和第二训练数据库,第一训练数据库包含CSI幅度差图像、CSI相位差图像和参考点X轴坐标位置,第二训练数据库包含CSI幅度差图像、CSI相位差图像和参考点Y轴坐标位置;
步骤2、离线学习
步骤2-1、搭建双流卷积神经网络;
步骤2-2、利用第一训练数据库和搭建的双流卷积神经网络进行回归学习,得到基于X轴坐标位置的回归模型;
步骤2-3、利用第二训练数据库和搭建的双流卷积神经网络进行回归学习,得到基于Y轴坐标位置的回归模型;
在线阶段具体包括以下步骤:
步骤1、接收端接收路由器发射的信号;
步骤2、根据路由器发射信号的信道状态信息提取CSI测量值的幅度信息和相位信息,构建基于幅度差和相位差的CSI图像;在线阶段的步骤2所包含的步骤与离线阶段步骤1-2所包含的步骤相同;
步骤3、目标位置估计
步骤3-1、将基于幅度差和相位差的CSI图像带入到基于X轴坐标位置的回归模型,得到目标在X轴上的位置,即X轴上的位置估计值;
步骤3-2、将基于幅度差和相位差的CSI图像带入到基于Y轴坐标位置的回归模型,得到目标在Y轴上的位置,即Y轴上的位置估计值;
步骤3-3、合并X轴和Y轴上的位置估计值,得到目标的位置估计。
2.根据权利要求1所述一种基于CSI和DCNN的无设备目标定位方法,其特征在于,离线阶段的离线学习中,使用双流卷积神经网络学习CSI的幅度相位信息与位置之间的非线性关系,分别建立基于目标X轴和Y轴坐标位置的回归模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010951650.XA CN112135344B (zh) | 2020-09-11 | 2020-09-11 | 一种基于csi和dcnn的无设备目标定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010951650.XA CN112135344B (zh) | 2020-09-11 | 2020-09-11 | 一种基于csi和dcnn的无设备目标定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112135344A CN112135344A (zh) | 2020-12-25 |
CN112135344B true CN112135344B (zh) | 2022-04-08 |
Family
ID=73846092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010951650.XA Active CN112135344B (zh) | 2020-09-11 | 2020-09-11 | 一种基于csi和dcnn的无设备目标定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112135344B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113225144B (zh) * | 2021-05-07 | 2022-07-26 | 南京邮电大学 | 一种基于信道状态信息分解的无线感知方法 |
CN113822351B (zh) * | 2021-09-14 | 2023-10-24 | 南京邮电大学 | 一种基于csi图像特征提取的双流卷积神经网络目标定位方法 |
CN113822350B (zh) * | 2021-09-14 | 2024-04-30 | 南京邮电大学 | 一种基于多任务学习的无设备人员动作识别和位置估计方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9536293B2 (en) * | 2014-07-30 | 2017-01-03 | Adobe Systems Incorporated | Image assessment using deep convolutional neural networks |
CN106815579A (zh) * | 2017-01-22 | 2017-06-09 | 深圳市唯特视科技有限公司 | 一种基于多区域双流卷积神经网络模型的动作检测方法 |
CN110443849B (zh) * | 2019-07-11 | 2022-10-14 | 南京邮电大学 | 一种基于深度图像的双流卷积神经网络回归学习的目标定位方法 |
CN110636466A (zh) * | 2019-09-06 | 2019-12-31 | 联泰集群(北京)科技有限责任公司 | 一种机器学习下基于信道状态信息的WiFi室内定位系统 |
CN111212379B (zh) * | 2020-01-06 | 2021-11-23 | 浙江工易云服科技有限公司 | 一种基于卷积神经网络的新型csi室内定位方法 |
-
2020
- 2020-09-11 CN CN202010951650.XA patent/CN112135344B/zh active Active
Non-Patent Citations (4)
Title |
---|
A Received Signal Strength Based Indoor Localization Algorithm Using ELM Technique and Ridge Regression;Zhiyue Feng等;《2019 IEEE 2nd International Conference on Electronic Information and Communication Technology (ICEICT)》;20191104;第599-603页 * |
A Secure Received Signal Strength based Indoor Localization Algorithm Using OS-ELM and Clustering Analysis Technique;Peibin Lu等;《2019 IEEE 2nd International Conference on Electronic Information and Communication Technology (ICEICT)》;20191104;第242-246页 * |
Deep Convolutional Neural Networks for Indoor Localization with CSI Images;Xuyu Wang等;《IEEE Transactions on Network Science and Engineering》;20180919;第316-327页 * |
基于信道状态信息幅值-相位的被动式室内指纹定位;江小平等;《电子与信息学报》;20200515;第1165-1171页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112135344A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112135344B (zh) | 一种基于csi和dcnn的无设备目标定位方法 | |
Li et al. | AF-DCGAN: Amplitude feature deep convolutional GAN for fingerprint construction in indoor localization systems | |
CN106793086B (zh) | 一种室内定位方法 | |
CN112153736B (zh) | 一种基于信道状态信息的人员动作识别和位置估计方法 | |
CN110557716B (zh) | 一种基于对数正态模型的室内定位方法 | |
CN108650628B (zh) | 基于Wi-Fi网络的测距和指纹相结合的室内定位方法 | |
Zhu et al. | BLS-location: A wireless fingerprint localization algorithm based on broad learning | |
Cai et al. | PILC: Passive indoor localization based on convolutional neural networks | |
CN107992882A (zh) | 一种基于WiFi信道状态信息和支持向量机的室内人数统计方法 | |
CN114189809B (zh) | 基于卷积神经网络与高维5g观测特征的室内定位方法 | |
CN107727095A (zh) | 基于谱聚类和加权反向传播神经网络的3d室内定位方法 | |
CN110536245A (zh) | 一种基于深度学习的室内无线定位方法及系统 | |
CN110351654A (zh) | 一种定位方法、装置、存储介质及电子设备 | |
CN110297213A (zh) | 基于装载互质线阵的无人机平台的辐射源定位装置及方法 | |
CN113207089A (zh) | 基于csi与众包迁移自校准更新的位置指纹定位方法 | |
CN107645772A (zh) | 人体定位方法、人体定位系统与定位服务器 | |
Zhou et al. | Device-to-device cooperative positioning via matrix completion and anchor selection | |
Xiang et al. | Crowdsourcing-based indoor localization with knowledge-aided fingerprint transfer | |
Shi et al. | WiFi-based activity recognition using activity filter and enhanced correlation with deep learning | |
Sun et al. | Successive and asymptotically efficient localization of sensor nodes in closed-form | |
Chen et al. | Deep neural network based on feature fusion for indoor wireless localization | |
Cai et al. | CSI-based device-free indoor localization using convolutional neural networks | |
Sun et al. | Device-free human localization using panoramic camera and indoor map | |
CN113283490A (zh) | 基于前端融合的信道状态信息深度学习定位方法 | |
CN105337676B (zh) | 移动场景中软判决协作频谱感知数据融合方法 |
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 |