CN112333642B - 基于信道状态信息的室内定位方法 - Google Patents

基于信道状态信息的室内定位方法 Download PDF

Info

Publication number
CN112333642B
CN112333642B CN202011228750.6A CN202011228750A CN112333642B CN 112333642 B CN112333642 B CN 112333642B CN 202011228750 A CN202011228750 A CN 202011228750A CN 112333642 B CN112333642 B CN 112333642B
Authority
CN
China
Prior art keywords
csi
image
phase
information
channel state
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
Application number
CN202011228750.6A
Other languages
English (en)
Other versions
CN112333642A (zh
Inventor
陆扣华
颜俊
朱卫平
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing 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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202011228750.6A priority Critical patent/CN112333642B/zh
Publication of CN112333642A publication Critical patent/CN112333642A/zh
Application granted granted Critical
Publication of CN112333642B publication Critical patent/CN112333642B/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
    • H04W4/30—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
    • 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
    • H04W4/029—Location-based management or tracking services
    • 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
    • H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于信道状态信息的室内定位方法，主要包括以下步骤：测量信道状态信息并进行预处理；构建CSI幅度图像和CSI相位图像；提取CSI幅度图像和相位图像中的颜色特征；构建基于CSI幅度图像和相位图像的颜色特征的训练数据库；通过卷积神经网络进行离线学习，以得到位置分类模型；将在线获得的CSI进行预处理，构建CSI幅度图像和相位图像并分别提取颜色特征，后代入位置分类模型，以对目标位置进行预测/估计。本发明利用CSI幅度图像和CSI相位图像的颜色特征作为定位指纹，通过主成分分析和小波变换，可实现数据维度降低，去除CSI幅度信息和CSI相位信息的噪声，能够提高离线学习的效率；同时通过卷积神经网络进行分类学习，可以提高目标定位精度。

Description

基于信道状态信息的室内定位方法
技术领域
本发明涉及一种基于信道状态信息的室内定位方法，属于定位导航领域。
背景技术
目前，室内定位技术种类繁多，主要有基于射频识别、超声波、红外线、WiFi等室内定位技术。WiFi室内定位技术由于其高精度、低成本、设备少、开放性广的特点成为现在的主流。
传统的WiFi室内定位技术中，接收信号强度(RSSI)由于成本低且容易获取而被广泛应用，而蓝牙定位技术主要是基于RSSI来实现，由于信号的衰减并不仅与距离相关，还包括多径损耗等，因此该方法存在稳定性差，定位效果不好的缺点。而信道状态信息(CSI)由于鲁棒性较好，能更好的区分多径信号，能够得到稳定的信息状态，可以获得更高的定位精度。
有鉴于此，确有必要提出一种基于信道状态信息的室内定位方法，以解决上述问题。
发明内容
本发明的目的在于提供一种基于信道状态信息的室内定位方法，利用CSI幅度和相位图像的颜色特征作为定位指纹，通过卷积神经网络(CNN)进行分类学习，实现目标定位。
为实现上述目的，本发明提供了一种基于信道状态信息的室内定位方法，主要包括以下步骤：
步骤1、在离线状态下，测量信道状态信息(CSI)并进行预处理；
步骤2、构建CSI幅度图像和CSI相位图像；
步骤3、提取CSI幅度图像和CSI相位图像中的颜色特征；
步骤4、构建基于CSI幅度图像和CSI相位图像的颜色特征的训练数据库；
步骤5、通过卷积神经网络(CNN)进行离线学习，以得到位置分类模型；
步骤6、将在线获得的CSI进行预处理，构建CSI幅度图像和CSI相位图像，并分别提取CSI幅度图像和CSI相位图像中的颜色特征；
步骤7、将步骤6中获取的CSI幅度图像和CSI相位图像的颜色特征代入位置分类模型，以对目标位置进行预测/估计。
可选的，包括离线阶段和在线阶段，其中步骤1-5在离线阶段完成，步骤6-7在在线阶段完成。
可选的，步骤1具体为：
步骤11、将定位区域划分成若干参考点，当目标位于每一个参考点上时，分别在接收端测量发射机发出的WiFi信号的CSI，以得到CSI幅度信息和CSI相位信息；
步骤12、利用线性变换法对CSI相位信息进行校正，去除时间偏差和随机相位偏差的影响，生成实际的CSI相位信息；
步骤13、利用主成分分析法(PCA)对CSI幅度信息和校正后的CSI相位信息进行降维处理；
步骤14、对步骤13中降维后的CSI幅度信息和CSI相位信息进行小波变换，以从频域上去除幅度信息和相位信息的噪声。
可选的，步骤14中选用sym8小波基作为小波分解的基函数，分解层数为5层，并通过基于启发式阈值(heursure)的小波变换去噪方法选取阈值λ。
可选的，步骤2具体包括：
步骤21、利用步骤14中经过小波变换后的CSI幅度信息构建CSI幅度图像；
步骤22、利用步骤14中经过小波变换后的CSI相位信息构建CSI相位图像。
可选的，步骤3具体包括：
步骤31、采用颜色直方均衡的方法提取CSI幅度图像的颜色特征；
步骤32、采用颜色直方均衡的方法提取CSI相位图像的颜色特征。
可选的，步骤4具体包括：
步骤41、根据CSI幅度图像的颜色特征和参考点X轴的位置，构建训练数据库；
步骤42、根据CSI相位图像的颜色特征和参考点Y轴的位置，构建训练数据库。
可选的，步骤5具体包括：
步骤51、利用CNN进行基于X轴位置的分类学习，得到X轴位置分类模型；
步骤52、利用CNN进行基于Y轴位置的分类学习，得到Y轴位置分类模型。
可选的，步骤7具体包括：
步骤71、将CSI幅度图像的颜色特征带入到X轴位置分类模型，计算出目标在X轴的位置；
步骤72、将CSI相位图像的颜色特征带入到Y轴位置分类模型，计算出目标在Y轴的位置。
可选的，所述室内定位方法采用无线路由器作为发射机，将Inter5300的无线网卡插入电脑中作为WiFi信号的接收端。
本发明的有益效果是：本发明利用CSI幅度图像和CSI相位图像的颜色特征作为定位指纹，通过主成分分析和小波变换，可实现数据维度降低，去除CSI幅度信息和CSI相位信息的噪声，能够提高离线学习的效率；同时通过卷积神经网络进行分类学习，可以提高目标定位精度。
附图说明
图1是本发明基于信道状态信息的室内定位方法的步骤流程图。
图2是图1中卷积神经网络CNN的结构图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，本发明揭示了一种基于信道状态信息(CSI)的室内定位方法，包括离线阶段和在线阶段，其中步骤1-5在离线阶段完成，步骤6-7在在线阶段完成。在本实施例中，本发明采用无线路由器作为发射机发送WiFi信号，接收端使用装有Intel 5300网卡的电脑，其中发射机有2根发射天线，接收端有3根接收天线，每一组CSI数据包括30个子信道的数据。所述基于信道状态信息的室内定位方法，主要包括以下步骤：
步骤1、在离线状态下，测量信道状态信息(CSI)并进行预处理；
步骤2、构建CSI幅度图像和CSI相位图像；
步骤3、提取CSI幅度图像和CSI相位图像中的颜色特征；
步骤4、构建基于CSI幅度图像和CSI相位图像的颜色特征的训练数据库；
步骤5、通过卷积神经网络(CNN)进行离线学习，以得到位置分类模型；
步骤6、将在线获得的CSI进行预处理，构建CSI幅度图像和CSI相位图像，并分别提取CSI幅度图像和CSI相位图像中的颜色特征；
步骤7、将步骤6中获取的CSI幅度图像和CSI相位图像的颜色特征代入位置分类模型，以对目标位置进行预测/估计。
以下将对步骤1-步骤7进行详细说明。
步骤1具体分为以下步骤：
步骤11、将定位区域划分成若干参考点，当目标位于每一个参考点上时，分别在接收端测量发射机发出的WiFi信号的CSI，以得到CSI幅度信息和CSI相位信息；
步骤12、利用线性变换法对CSI相位信息进行校正，去除时间偏差和随机相位偏差的影响，以减小CSI相位信息的周期性，生成实际的CSI相位信息；
步骤13、利用主成分分析法(PCA)对CSI幅度信息和校正后的CSI相位信息进行降维处理，其中降维处理通过特征值分解实现。
步骤14、对步骤13中降维后的CSI幅度信息和CSI相位信息进行小波变换，以从频域上去除幅度信息和相位信息的噪声。
步骤14中选用sym8小波基作为小波分解的基函数，分解层数为5层，并通过基于启发式阈值(heursure)的小波变换去噪方法选取阈值λ。
步骤2具体分为以下步骤：
步骤21、利用步骤14中经过小波变换后的CSI幅度信息构建CSI幅度图像；
步骤22、利用步骤14中经过小波变换后的CSI相位信息构建CSI相位图像。
步骤3具体分为以下步骤：
步骤31、采用颜色直方均衡的方法提取CSI幅度图像的颜色特征；
步骤32、采用颜色直方均衡的方法提取CSI相位图像的颜色特征。
由于在不同的位置下，CSI幅度图像和CSI相位图像的颜色特征不同，因此颜色特征可以作为定位指纹来区分不同位置。
步骤4具体分为以下步骤：
步骤41、根据CSI幅度图像的颜色特征和参考点X轴的位置，构建训练数据库；
步骤42、根据CSI相位图像的颜色特征和参考点Y轴的位置，构建训练数据库。
步骤5具体分为以下步骤：
步骤51、利用CNN进行基于X轴位置的分类学习，得到X轴位置分类模型；
步骤52、利用CNN进行基于Y轴位置的分类学习，得到Y轴位置分类模型。
如图2所示，为本发明中卷积神经网络CNN的结构，包括输入数据、卷积层、池化层以及中间层的数据变化。
步骤7具体分为以下步骤：
步骤71、将CSI幅度图像的颜色特征带入到X轴位置分类模型，计算出目标在X轴的位置；
步骤72、将CSI相位图像的颜色特征带入到Y轴位置分类模型，计算出目标在Y轴的位置。
本发明使用不同处理方法所得到的定位精度也不相同。如下表1所示，可以看出：只经过卷积神经网络CNN训练后的验证准确率是最低的，而在经过主成分分析法、小波变换、颜色直方均衡和卷积神经网络CNN训练后的验证准确率最高。
表1
分类 训练准确率 训练准确率 验证准确率
CNN 0.946733 10.696989 0.715625
颜色直方均衡+CNN 0.977869 6.286374 0.800000
PCA+颜色直方均衡+CNN 0.987926 4.910984 0.818750
PCA+小波+CNN 0.960227 8.904906 0.821875
PCA+小波+颜色直方均衡+CNN 1.000000 0.843466 0.858750
综上所述，本发明利用CSI幅度图像和CSI相位图像的颜色特征作为定位指纹，通过小波变换，可去除CSI幅度信息和CSI相位信息的噪声，能够提高离线学习的效率；同时通过卷积神经网络进行分类学习，可以提高目标定位精度。
以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。

Claims (7)

1.一种基于信道状态信息的室内定位方法，其特征在于，主要包括以下步骤：
步骤1、在离线状态下，测量信道状态信息CSI并进行预处理；
步骤2、构建CSI幅度图像和CSI相位图像；
步骤3、提取CSI幅度图像和CSI相位图像中的颜色特征；
步骤4、构建基于CSI幅度图像和CSI相位图像的颜色特征的训练数据库；
步骤5、通过卷积神经网络CNN进行离线学习，以得到位置分类模型；
步骤6、将在线获得的CSI进行预处理，构建CSI幅度图像和CSI相位图像，并分别提取CSI幅度图像和CSI相位图像中的颜色特征；
步骤7、将步骤6中获取的CSI幅度图像和CSI相位图像的颜色特征代入位置分类模型，以对目标位置进行预测/估计；
步骤1具体为：
步骤11、将定位区域划分成若干参考点，当目标位于每一个参考点上时，分别在接收端测量发射机发出的WiFi信号的CSI，以得到CSI幅度信息和CSI相位信息；
步骤12、利用线性变换法对CSI相位信息进行校正，去除时间偏差和随机相位偏差的影响，生成实际的CSI相位信息；
步骤13、利用主成分分析法PCA对CSI幅度信息和校正后的CSI相位信息进行降维处理；
步骤14、对步骤13中降维后的CSI幅度信息和CSI相位信息进行小波变换，以从频域上去除幅度信息和相位信息的噪声；
步骤4具体包括：
步骤41、根据CSI幅度图像的颜色特征和参考点X轴的位置，构建训练数据库；
步骤42、根据CSI相位图像的颜色特征和参考点Y轴的位置，构建训练数据库；
步骤5具体包括：
步骤51、利用CNN进行基于X轴位置的分类学习，得到X轴位置分类模型；
步骤52、利用CNN进行基于Y轴位置的分类学习，得到Y轴位置分类模型。
2.根据权利要求1所述的基于信道状态信息的室内定位方法，其特征在于：包括离线阶段和在线阶段，其中步骤1-5在离线阶段完成，步骤6-7在在线阶段完成。
3.根据权利要求1所述的基于信道状态信息的室内定位方法，其特征在于：步骤14中选用sym8小波基作为小波分解的基函数，分解层数为5层，并通过基于启发式阈值heursure的小波变换去噪方法选取阈值λ。
4.根据权利要求1所述的基于信道状态信息的室内定位方法，其特征在于，步骤2具体包括：
步骤21、利用步骤14中经过小波变换后的CSI幅度信息构建CSI幅度图像；
步骤22、利用步骤14中经过小波变换后的CSI相位信息构建CSI相位图像。
5.根据权利要求4所述的基于信道状态信息的室内定位方法，其特征在于，步骤3具体包括：
步骤31、采用颜色直方均衡的方法提取CSI幅度图像的颜色特征；
步骤32、采用颜色直方均衡的方法提取CSI相位图像的颜色特征。
6.根据权利要求1所述的基于信道状态信息的室内定位方法，其特征在于，步骤7具体包括：
步骤71、将CSI幅度图像的颜色特征带入到X轴位置分类模型，计算出目标在X轴的位置；
步骤72、将CSI相位图像的颜色特征带入到Y轴位置分类模型，计算出目标在Y轴的位置。
7.根据权利要求1所述的基于信道状态信息的室内定位方法，其特征在于：所述室内定位方法采用无线路由器作为发射机，将Inter5300的无线网卡插入电脑中作为WiFi信号的接收端。
CN202011228750.6A 2020-11-06 2020-11-06 基于信道状态信息的室内定位方法 Active CN112333642B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011228750.6A CN112333642B (zh) 2020-11-06 2020-11-06 基于信道状态信息的室内定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011228750.6A CN112333642B (zh) 2020-11-06 2020-11-06 基于信道状态信息的室内定位方法

Publications (2)

Publication Number Publication Date
CN112333642A CN112333642A (zh) 2021-02-05
CN112333642B true CN112333642B (zh) 2022-08-30

Family

ID=74315405

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011228750.6A Active CN112333642B (zh) 2020-11-06 2020-11-06 基于信道状态信息的室内定位方法

Country Status (1)

Country Link
CN (1) CN112333642B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113203754A (zh) * 2021-05-13 2021-08-03 合肥工业大学 一种基于无线商用设备的材料检验方法
CN113271539B (zh) * 2021-05-21 2024-06-25 南京邮电大学 一种基于改进的cnn模型的室内目标定位方法
CN113628272A (zh) * 2021-07-12 2021-11-09 中国科学院自动化研究所 室内定位方法、装置、电子设备及存储介质
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
KR20230070849A (ko) * 2021-11-15 2023-05-23 울산과학기술원 Csi 패턴변화와 표준편차를 이용한 예측장치 및 그 방법

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106332277B (zh) * 2016-09-05 2019-06-04 中南大学 一种基于信道状态信息分布的室内定位方法
CN106772219A (zh) * 2017-03-08 2017-05-31 南京大学 基于csi信号的室内定位方法
CN108650628B (zh) * 2018-03-24 2020-07-03 西安电子科技大学 基于Wi-Fi网络的测距和指纹相结合的室内定位方法
CN109151731A (zh) * 2018-06-14 2019-01-04 西北师范大学 一种基于csi的室内定位方法
CN110381440A (zh) * 2019-06-16 2019-10-25 西安电子科技大学 基于深度学习的联合rss与csi的指纹室内定位方法
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

Also Published As

Publication number Publication date
CN112333642A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
CN112333642B (zh) 基于信道状态信息的室内定位方法
CN106851573B (zh) 基于对数路径损耗模型的联合加权k近邻室内定位方法
CN107071743B (zh) 一种基于随机森林的快速KNN室内WiFi定位方法
CN108696331B (zh) 一种基于生成对抗网络的信号重构方法
CN105844216B (zh) 一种利用WiFi信号识别手写字母的检测与匹配机制
CN104519571B (zh) 一种基于rss的室内定位方法
CN108957403B (zh) 一种基于广义互相关的高斯拟合包络时延估计方法及系统
CN111479231A (zh) 一种用于毫米波大规模mimo系统的室内指纹定位方法
CN104703143A (zh) 一种基于wifi信号强度的室内定位方法
CN105301558A (zh) 一种基于蓝牙位置指纹的室内定位方法
CN110636466A (zh) 一种机器学习下基于信道状态信息的WiFi室内定位系统
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
CN109640262B (zh) 一种基于混合指纹的定位方法及系统、设备、存储介质
CN105429719B (zh) 基于功率谱和多尺度小波变换分析强干扰信号检测方法
CN114531729B (zh) 基于信道状态信息的定位方法、系统、存储介质及设备
CN111050282A (zh) 一种多次模糊推理加权knn定位方法
Wang et al. Multi-classification of UWB signal propagation channels based on one-dimensional wavelet packet analysis and CNN
CN109001702B (zh) 无载波超宽带雷达人体动作识别方法
CN104050660A (zh) 一种测量工件圆形边缘的方法
Siyang et al. WKNN indoor Wi-Fi localization method using k-means clustering based radio mapping
CN113300986B (zh) 无人机图传信号与热点信号识别方法、介质、计算机设备
CN113271539B (zh) 一种基于改进的cnn模型的室内目标定位方法
CN109212472B (zh) 一种面向噪声环境下的室内无线定位方法及装置
CN105738866B (zh) 一种基于能量检测的60GHz非视距识别与无线指纹定位方法
CN109995690B (zh) Mfsk数字信号子类调制识别的神经网络自优化方法

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