CN112423265B - 基于csi的双循环神经网络的船载环境室内定位方法 - Google Patents
基于csi的双循环神经网络的船载环境室内定位方法 Download PDFInfo
- Publication number
- CN112423265B CN112423265B CN202011269279.5A CN202011269279A CN112423265B CN 112423265 B CN112423265 B CN 112423265B CN 202011269279 A CN202011269279 A CN 202011269279A CN 112423265 B CN112423265 B CN 112423265B
- Authority
- CN
- China
- Prior art keywords
- csi
- path
- time
- neural network
- inputting
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000000306 recurrent effect Effects 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 230000003068 static effect Effects 0.000 claims abstract description 9
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 13
- 235000002020 sage Nutrition 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000005259 measurement Methods 0.000 description 6
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/42—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for mass transport vehicles, e.g. buses, trains or aircraft
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/02—Processing of mobility data, e.g. registration information at HLR [Home Location Register] or VLR [Visitor Location Register]; Transfer of mobility data, e.g. between HLR, VLR or external networks
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Aviation & Aerospace Engineering (AREA)
- Databases & Information Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于CSI的双循环神经网络的船载环境室内定位方法,包括以下步骤:分别在船舶室内环境和普通室内环境中,采集人行走时的CSI数据;将船舶室内环境CSI数据输入CSI去噪循环神经网络,之后,输入到CSI清洗模块,消除采样时间偏移、载波频率偏移和静态多径的影响,并输入到CSI参数估计模型,得到各路径信道参数;将各路径信道参数输入到基于LSTM的参数匹配循环神经网络中,得到由人反射的信号的路径信道参数,并输入到定位算法模型,得到人的实时位置;在船舶室内环境下,人在行走时,采集CSI数据,将CSI数据按上述步骤处理即可得到人的实时位置。本设计不仅降低了成本,而且提高了定位精度、减少了定位计算量。
Description
技术领域
本发明涉及智能交通的船舶环境室内定位领域,尤其涉及一种基于CSI的双循环神经网络的船载环境室内定位方法,主要适用于在高噪声的船舶动态钢铁环境中,利用低成本的商业WIFI网卡,进行高精度、计算量小的室内人员定位。
背景技术
船舶作为一种重要的水上交通运输工具,其自身安全保障和信息的捕获受到越来越多的关注,人们积极利用各种各样的手段提高船舶自身信息精细化程度,但是舱室众多、结构复杂、金属干扰严重的船载环境给传统位置信息监测手段带来了一系列困境和约束。2020年2月,轰动一时的钻石公主号事件,更是对船舶上人员的定位跟踪、位置管理提出了迫切的要求。目前,无线室内定位方法众多,根据无线信号在室内定位中的应用方式,可将现有定位方法分为基于模型计算的室内定位和基于特征库匹配的室内定位方法。
基于模型计算的室内定位方法主要是根据无线信号传输模型,利用无线链路信号强度,结合部署设备的物理空间信息,构建目标与部署设备之间的测距、测向以及测速模型,进而实现目标位置计算。这类定位方式通常依赖于多径效应较小的理想室内环境,无线信号受噪声影响较大,一般用软件无线电等专用设备获取无线信号,以保证信号的精确性。此外,当应用于船舶室内,往往面临巨大的精度下降,无法在大规模船舶环境下部署使用。
基于特征库匹配的无线室内定位方法核心思想是利用无线信号在不同位置上的空间差异性,将无线信号作为物理位置的特征(或称为“位置指纹”),通过构建一个目标位置与信号特征关系的定位特征库,以特征识别和匹配的方式实现对目标位置的估计。特征库匹配定位方法所需定位的参考测量节点少,可在非视距路径下工作,降低了定位硬件成本且可保证较高定位精度,但其问题是定位特征库会随环境变化而失效,人工采集定位特征的部署成本和特征库定期更新的维护成本过高,每次采集更新特征库需要耗费巨大的时间、人力,限制了其普适化和规模化应用。
综上所述,尽管目前一些普通室内定位算法已经相当成熟,但是较为复杂的船载环境对这些算法产生了极大的约束作用。
发明内容
本发明的目的是克服现有技术中存在的成本高、定位精度低、定位计算量大的缺陷与问题,提供一种成本低、定位精度高、定位计算量小的基于CSI的双循环神经网络的船载环境室内定位方法。
为实现以上目的,本发明的技术解决方案是:一种基于CSI的双循环神经网络的船载环境室内定位方法,该方法包括离线训练阶段与在线定位阶段;
离线训练阶段包括以下步骤:
A、分别在船舶室内环境和普通室内环境中,在设备部署和人行走路线相同的情况下,采集人行走时的CSI数据;
B、将船舶室内环境下采集的CSI数据输入到基于LSTM的CSI去噪循环神经网络;
C、将去噪后的船舶室内环境CSI数据输入到CSI清洗模块,利用共轭相乘法消除数据中存在的采样时间偏移和载波频率偏移,并使用一个带通滤波器消除静态多径的影响;
D、将步骤C处理后的CSI数据输入到CSI参数估计模型,得到各路径信道参数;
E、将各路径信道参数输入到基于LSTM的参数匹配循环神经网络中;
F、将步骤E得到的由人反射的信号的路径信道参数输入到定位算法模型,得到人的实时位置;
在线定位阶段包括以下步骤:
在船舶室内环境下,按照步骤A部署设备,人在定位跟踪区域内行走时,采集CSI数据,并将CSI数据依次输入步骤B、步骤C、步骤D、步骤E、步骤F,即可实现实时定位的目的。
步骤A具体包括以下步骤:
A1、分别在船舶室内环境和普通室内环境中部署实验设备,具体方法如下:
建立坐标系xoy,发射机有一根天线,布置于原点(0,0)处,接收机有三根天线,布置于(xr,yr)处,且三根天线在同一直线上,接收机线性天线阵列的方向与x轴的夹角为ψr,发射机天线与接收机天线的视线路径长度为length,定位跟踪区域位于坐标系xoy第一象限;每根天线都连接有一个装有Intel 5300无线网卡的计算机,使用Linux CSI工具,在接收端上采集CSI数据;
A2、分别在船舶室内环境和普通室内环境中,让一位志愿者在定位跟踪区域内按相同路线行走,同时,采集无线网卡物理层的信道状态信息数据,分别用和来表示,的幅相向量为的幅相向量为此外,通过摄像机录像,得到t时刻人的真实位置lt。
步骤B具体包括以下步骤:
最终得到LSTM单元输出为:ht=Ot*tanh(Ct);
将LSTM单元的输出ht输入第一个回归层:
x′t=V1ht;
其中,V1为第一个回归层的参数矩阵;
步骤C具体包括以下步骤:
将第1根天线上的CSI作为参考,取它的共轭复数,得到CSI*,并将CSI*的幅值减去CSI*中幅度最小值β,将第i根天线的CSI的幅值加上一个适当的正数γ,将经过幅度处理的CSI*与三根天线上采集的CSI相乘,得到乘积C,将乘积C输入到一个截断频率为2Hz和80Hz的Butterworth滤波器,得到输出,记录为p。
步骤D具体包括以下步骤:
D1、将上一次迭代估计出的各个路径信道参数,代入到CSI参数模型中,得到各个路径上的理想CSI数据P′l,其中,各个路径信道参数初始化都赋值为0;
CSI参数模型为:
其中,P表示CSI数据,m=(i,j,k),τ为信号飞行时间,φ为信号到达角,v为多普勒频移,L为信号路径数,αl为复衰减,Δfj为第j个子载波与第1个子载波的频率差,fc为载波中心频率,Δdk为第k个天线和第1个天线的距离差,c为光速,Δti为第i个数据包与第1个数据包的时间差,N为高斯白噪声;
D3、将上一步估计出的每条路径上的CSI数据输入到SAGE算法的最大化步,得到每条路径上的信道参数:
步骤E具体包括以下步骤:
E1、对于时刻t,采用一个长度为2s的滑动时间窗口,对T<<t时刻的路径信道参数进行取样,假设时间窗口内,有n个时刻的路径信道参数Θ,则这n个Θ组成一个三维张量X=[Θ1,Θ2...Θn],Θ=[θ1,θ2...θL],θ=[τ,φ,v,α];若t<2s,则时刻0之前的参数用0填充;
对第二个基于LSTM循环神经网络的输出ht,输入到下面的第二个回归层中,得到由人反射的信号的路径信道参数θrfl=[τrfl,φrfl,vrfl,αrfl]:
θrfl=V2ht;
其中,V2为第二个回归层的参数矩阵。
步骤F具体包括以下步骤:
F1、将多普勒频移v输入下式:
v=-vc/fc;
其中,v为人与接收机之间路径长度变化速率,c为光速,fc为载波中心频率;
将信号飞行时间τ乘以光速c,得到人与接收机之间的距离d=τc;
然后将v和d输入一个卡尔曼平滑器,进行数据融合,得到精细距离d′;
F2、将由人反射的信号的路径信道参数θrfl=[τrfl,φrfl,vrfl,αrfl]和精细距离d′,输入到如下定位算法模型,得到人的实时位置;
dTar=d′+length;
其中,(x,y)为人在坐标系中的位置坐标,dTar为人到发射机和接收机之间的距离,(xr,yr)为接收机在坐标系中的位置坐标。
损失函数Loss为:
其中,λ1、λ2为两项损失的权重,λ1+λ2=1;T为一段运动终止时刻;为t时刻由人反射的信号的路径信道参数;由t时刻人的真实位置lt与接收机的位置计算而来,由人与接收机的距离除以光速得到,为人与接收机的连线与x轴所成角度加上接收机阵列与x轴所成角度之和,由两时刻之间移动的距离除以时间长度得到。
与现有技术相比,本发明的有益效果为:
本发明一种基于CSI的双循环神经网络的船载环境室内定位方法中,为克服船舶的动态钢铁环境对无线信号产生的巨大噪声,采用的循环神经网络能够精确还原普通室内环境没有巨大噪声的CSI数据,建立的CSI参数估计模型能够准确估计出动态路径信号的信道参数,采用的参数匹配循环神经网络,能够准确提取出由人运动反射的信号的信道参数,进而根据定位模型确定每个时刻人的位置;仅使用两个低成本的商业WIFI网卡,结合物理模型和深度学习方法,在船舶动态环境中,能够对人员进行精确定位,达到成本低、精度高、计算量小的实时定位目的。因此,本发明成本低、定位精度高、定位计算量小。
附图说明
图1是本发明一种基于CSI的双循环神经网络的船载环境室内定位方法的流程图。
图2是本发明中定位算法的原理图。
图3是本发明中双循环神经网络训练策略的原理图。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
参见图1至图3,一种基于CSI的双循环神经网络的船载环境室内定位方法,该方法包括离线训练阶段与在线定位阶段;
离线训练阶段包括以下步骤:
A、分别在船舶室内环境和普通室内环境中,在设备部署和人行走路线相同的情况下,采集人行走时的CSI数据;
B、将船舶室内环境下采集的CSI数据输入到基于LSTM的CSI去噪循环神经网络;
C、将去噪后的船舶室内环境CSI数据输入到CSI清洗模块,利用共轭相乘法消除数据中存在的采样时间偏移和载波频率偏移,并使用一个带通滤波器消除静态多径的影响;
D、将步骤C处理后的CSI数据输入到CSI参数估计模型,得到各路径信道参数;
E、将各路径信道参数输入到基于LSTM的参数匹配循环神经网络中;
F、将步骤E得到的由人反射的信号的路径信道参数输入到定位算法模型,得到人的实时位置;
在线定位阶段包括以下步骤:
在船舶室内环境下,按照步骤A部署设备,人在定位跟踪区域内行走时,采集CSI数据,并将CSI数据依次输入步骤B、步骤C、步骤D、步骤E、步骤F,即可实现实时定位的目的。
步骤A具体包括以下步骤:
A1、分别在船舶室内环境和普通室内环境中部署实验设备,具体方法如下:
建立坐标系xoy,发射机有一根天线,布置于原点(0,0)处,接收机有三根天线,布置于(xr,yr)处,且三根天线在同一直线上,接收机线性天线阵列的方向与x轴的夹角为ψr,发射机天线与接收机天线的视线路径长度为length,定位跟踪区域位于坐标系xoy第一象限;每根天线都连接有一个装有Intel 5300无线网卡的计算机,使用Linux CSI工具,在接收端上采集CSI数据;
A2、分别在船舶室内环境和普通室内环境中,让一位志愿者在定位跟踪区域内按相同路线行走,同时,采集无线网卡物理层的信道状态信息数据,分别用和来表示,的幅相向量为的幅相向量为此外,通过摄像机录像,得到t时刻人的真实位置lt。
步骤B具体包括以下步骤:
最终得到LSTM单元输出为:ht=Ot*tanh(Ct);
将LSTM单元的输出ht输入第一个回归层:
x′t=V1ht;
其中,V1为第一个回归层的参数矩阵;
步骤C具体包括以下步骤:
将第1根天线上的CSI作为参考,取它的共轭复数,得到CSI*,并将CSI*的幅值减去CSI*中幅度最小值β,将第i根天线的CSI的幅值加上一个适当的正数γ,将经过幅度处理的CSI*与三根天线上采集的CSI相乘,得到乘积C,将乘积C输入到一个截断频率为2Hz和80Hz的Butterworth滤波器,得到输出,记录为p。
步骤D具体包括以下步骤:
D1、将上一次迭代估计出的各个路径信道参数,代入到CSI参数模型中,得到各个路径上的理想CSI数据P′l,其中,各个路径信道参数初始化都赋值为0;
CSI参数模型为:
其中,P表示CSI数据,m=(i,j,k),τ为信号飞行时间,φ为信号到达角,v为多普勒频移,L为信号路径数,αl为复衰减,Δfj为第j个子载波与第1个子载波的频率差,fc为载波中心频率,Δdk为第k个天线和第1个天线的距离差,c为光速,Δti为第i个数据包与第1个数据包的时间差,N为高斯白噪声;
D3、将上一步估计出的每条路径上的CSI数据输入到SAGE算法的最大化步,得到每条路径上的信道参数:
步骤E具体包括以下步骤:
E1、对于时刻t,采用一个长度为2s的滑动时间窗口,对T<<t时刻的路径信道参数进行取样,假设时间窗口内,有n个时刻的路径信道参数Θ,则这n个Θ组成一个三维张量X=[Θ1,Θ2...Θn],Θ=[θ1,θ2...θL],θ=[τ,φ,v,α];若t<2s,则时刻0之前的参数用0填充;
对第二个基于LSTM循环神经网络的输出ht,输入到下面的第二个回归层中,得到由人反射的信号的路径信道参数θrfl=[τrfl,φrfl,vrfl,αrfl]:
θrfl=V2ht;
其中,V2为第二个回归层的参数矩阵。
步骤F具体包括以下步骤:
F1、将多普勒频移v输入下式:
v=-vc/fc;
其中,v为人与接收机之间路径长度变化速率,c为光速,fc为载波中心频率;
将信号飞行时间τ乘以光速c,得到人与接收机之间的距离d=τc;
然后将v和d输入一个卡尔曼平滑器,进行数据融合,得到精细距离d′;
F2、将由人反射的信号的路径信道参数θrfl=[τrfl,φrfl,vrfl,αrfl]和精细距离d′,输入到如下定位算法模型,得到人的实时位置;
dTar=d′+length;
其中,(x,y)为人在坐标系中的位置坐标,dTar为人到发射机和接收机之间的距离,(xr,yr)为接收机在坐标系中的位置坐标。
损失函数Loss为:
其中,λ1、λ2为两项损失的权重,λ1+λ2=1;T为一段运动终止时刻;为t时刻由人反射的信号的路径信道参数;由t时刻人的真实位置lt与接收机的位置计算而来,由人与接收机的距离除以光速得到,为人与接收机的连线与x轴所成角度加上接收机阵列与x轴所成角度之和,由两时刻之间移动的距离除以时间长度得到。
本发明的原理说明如下:
本设计针对船舶环境下采集的无线信号噪声巨大、失真严重的问题,使用一个RNN神经网络将CSI信号恢复至普通室内CSI信号,接着将CSI数据传入CSI参数估计模型,估计人员相对WIFI信号接收机的测距、测向、测速和信号衰减参数,但由于多径和噪声的影响,估计出的参数并不纯净,使用第二个RNN神经网络在混杂在一起的参数中,准确挑选出与人的位置对应的参数,并用于定位计算。
采集到的CSI实际上是各个路径混叠在一起的CSI,为了将各路径的CSI分离,并分别估计每条路径上的信道参数θ,使用SAGE算法进行估计。
实施例:
参见图1至图3,一种基于CSI的双循环神经网络的船载环境室内定位方法,该方法包括离线训练阶段与在线定位阶段;
离线训练阶段包括以下步骤:
A、分别在船舶室内环境和普通室内环境中,在设备部署和人行走路线相同的情况下,采集人行走时的CSI数据;具体包括以下步骤:
A1、分别在船舶室内环境和普通室内环境中部署实验设备,具体方法如下:
建立坐标系xoy,发射机有一根天线,布置于原点(0,0)处,接收机有三根天线,布置于(xr,yr)处,且三根天线在同一直线上,接收机线性天线阵列的方向与x轴的夹角为ψr,发射机天线与接收机天线的视线路径长度为length,定位跟踪区域位于坐标系xoy第一象限;每根天线都连接有一个装有Intel 5300无线网卡的计算机,使用Linux CSI工具,在接收端上采集CSI数据;
A2、分别在船舶室内环境和普通室内环境中,让一位志愿者在定位跟踪区域内按相同路线行走,同时,采集无线网卡物理层的信道状态信息数据,分别用和来表示,它们都是复数,其幅度a和相位可由计算得到,的幅相向量为的幅相向量为此外,通过摄像机录像,得到t时刻人的真实位置lt;
B、将船舶室内环境下采集的CSI数据输入到基于LSTM的CSI去噪循环神经网络;具体包括以下步骤:
最终得到LSTM单元输出为:ht=Ot*tanh(Ct);
将LSTM单元的输出ht输入第一个回归层:
x′t=V1ht;
其中,V1为第一个回归层的参数矩阵,通过网络训练学习得到;
C、将去噪后的船舶室内环境CSI数据输入到CSI清洗模块,利用共轭相乘法消除数据中存在的采样时间偏移和载波频率偏移,并使用一个带通滤波器消除静态多径的影响,这样保留了由于人运动导致的动态的路径信号;具体包括以下步骤:
将第1根天线上的CSI作为参考,取它的共轭复数,得到CSI*,并将CSI*的幅值减去CSI*中幅度最小值B,将第i根天线的CSI的幅值加上一个适当的正数γ,将经过幅度处理的CSI*与三根天线上采集的CSI相乘,得到乘积C,将乘积C输入到一个截断频率为2Hz和80Hz的Butterworth滤波器,得到输出,记录为p;
D、将步骤C处理后的CSI数据输入到CSI参数估计模型,得到各路径信道参数;具体包括以下步骤:
D1、将上一次迭代估计出的各个路径信道参数,代入到CSI参数模型中,得到各个路径上的理想CSI数据P′l,其中,各个路径信道参数初始化都赋值为0;
CSI参数模型为:
其中,P表示CSI数据,m=(i,j,k),T为信号飞行时间,φ为信号到达角,v为多普勒频移,L为信号路径数,αl为复衰减,Δfj为第j个子载波与第1个子载波的频率差,fc为载波中心频率,Δdk为第k个天线和第1个天线的距离差,c为光速,Δti为第i个数据包与第1个数据包的时间差,N为高斯白噪声;
D3、将上一步估计出的每条路径上的CSI数据输入到SAGE算法的最大化步,得到每条路径上的信道参数:
E、将各路径信道参数输入到基于LSTM的参数匹配循环神经网络中;具体包括以下步骤:
E1、对于时刻t,采用一个长度为2s的滑动时间窗口,对T<<t时刻的路径信道参数进行取样,假设时间窗口内,有n个时刻的路径信道参数Θ,则这n个Θ组成一个三维张量X=[Θ1,Θ2...Θn],Θ=[θ1,θ2...θL],θ=[τ,φ,v,α];若t<2s,则时刻0之前的参数用0填充;
E2、将张量X输入到第二个基于LSTM的循环神经网络中,网络各单元的输入输出同步骤B中一样,只是网络中的权重参数和偏置参数的值与步骤B中的参数值不一样,其中,是第二个循环神经网络的权重参数,是第二个循环神经网络的偏置参数,权重参数和偏置参数均通过训练网络学习得到;
对第二个基于LSTM循环神经网络的输出ht,输入到下面的第二个回归层中,得到由人反射的信号的路径信道参数θrfl=[τrfl,φrfl,vrfl,αrfl]:
θrfl=V2ht;
其中,V2为第二个回归层的参数矩阵,通过网络训练学习得到;
F、将步骤E得到的由人反射的信号的路径信道参数输入到定位算法模型,得到人的实时位置;具体包括以下步骤:
F1、将多普勒频移v输入下式:
v=-vc/fc;
其中,v为人与接收机之间路径长度变化速率,c为光速,fc为载波中心频率;
将信号飞行时间τ乘以光速c,得到人与接收机之间的距离d=τc;
然后将v和d输入一个卡尔曼平滑器,进行数据融合,得到精细距离d′;
F2、将由人反射的信号的路径信道参数θrfl=[τrfl,φrfl,vrfl,αrfl]和精细距离d′,输入到如下定位算法模型,得到人的实时位置;
dTar=d′+length;
其中,(x,y)为人在坐标系中的位置坐标,dTar为人到发射机和接收机之间的距离,(xr,yr)为接收机在坐标系中的位置坐标,ψr和length在安装设备时分别使用量角器和卷尺测得;
损失函数Loss为:
其中,λ1、λ2为两项损失的权重,λ1+λ2=1;T为一段运动终止时刻;为t时刻由人反射的信号的路径信道参数;由t时刻人的真实位置lt与接收机的位置计算而来,由人与接收机的距离除以光速得到,为人与接收机的连线与x轴所成角度加上接收机阵列与x轴所成角度之和,由两时刻之间移动的距离除以时间长度得到;
在线定位阶段包括以下步骤:
在船舶室内环境下,按照步骤A部署设备,人在定位跟踪区域内行走时,采集CSI数据,并将CSI数据依次输入步骤B、步骤C、步骤D、步骤E、步骤F,即可实现实时定位的目的。
Claims (3)
1.一种基于CSI的双循环神经网络的船载环境室内定位方法,其特征在于,该方法包括离线训练阶段与在线定位阶段;
离线训练阶段包括以下步骤:
A、分别在船舶室内环境和普通室内环境中,在设备部署和人行走路线相同的情况下,采集人行走时的CSI数据;具体包括以下步骤:
A1、分别在船舶室内环境和普通室内环境中部署实验设备,具体方法如下:
建立坐标系xoy,发射机有一根天线,布置于原点(0,0)处,接收机有三根天线,布置于(xr,yr)处,且三根天线在同一直线上,接收机线性天线阵列的方向与x轴的夹角为ψr,发射机天线与接收机天线的视线路径长度为length,定位跟踪区域位于坐标系xoy第一象限;每根天线都连接有一个装有Intel 5300无线网卡的计算机,使用Linux CSI工具,在接收端上采集CSI数据;
A2、分别在船舶室内环境和普通室内环境中,让一位志愿者在定位跟踪区域内按相同路线行走,同时,采集无线网卡物理层的信道状态信息数据,分别用和来表示,的幅相向量为 的幅相向量为此外,通过摄像机录像,得到t时刻人的真实位置lt;
B、将船舶室内环境下采集的CSI数据输入到基于LSTM的CSI去噪循环神经网络;具体包括以下步骤:
最终得到LSTM单元输出为:ht=Ot*tanh(Ct);
将LSTM单元的输出ht输入第一个回归层:
x′t=V1ht;
其中,V1为第一个回归层的参数矩阵;
C、将去噪后的船舶室内环境CSI数据输入到CSI清洗模块,利用共轭相乘法消除数据中存在的采样时间偏移和载波频率偏移,并使用一个带通滤波器消除静态多径的影响;具体包括以下步骤:
将第1根天线上的CSI作为参考,取它的共轭复数,得到CSI*,并将CSI*的幅值减去CSI*中幅度最小值β,将第i根天线的CSI的幅值加上一个适当的正数γ,将经过幅度处理的CSI*与三根天线上采集的CSI相乘,得到乘积C,将乘积C输入到一个截断频率为2Hz和80Hz的Butterworth滤波器,得到输出,记录为p;
D、将步骤C处理后的CSI数据输入到CSI参数估计模型,得到各路径信道参数;具体包括以下步骤:
D1、将上一次迭代估计出的各个路径信道参数,代入到CSI参数模型中,得到各个路径上的理想CSI数据P′l,其中,各个路径信道参数初始化都赋值为0;
CSI参数模型为:
其中,P表示CSI数据,m=(i,j,k),τ为信号飞行时间,φ为信号到达角,为多普勒频移,L为信号路径数,αl为复衰减,Δfj为第j个子载波与第1个子载波的频率差,fc为载波中心频率,Δdk为第k个天线和第1个天线的距离差,c为光速,Δti为第i个数据包与第1个数据包的时间差,N为高斯白噪声;
D3、将上一步估计出的每条路径上的CSI数据输入到SAGE算法的最大化步,得到每条路径上的信道参数:
E、将各路径信道参数输入到基于LSTM的参数匹配循环神经网络中;具体包括以下步骤:
E1、对于时刻t,采用一个长度为2s的滑动时间窗口,对T<<t时刻的路径信道参数进行取样,假设时间窗口内,有n个时刻的路径信道参数Θ,则这n个Θ组成一个三维张量X=[Θ1,Θ2...Θn],Θ=[θ1,θ2...θL],若t<2s,则时刻0之前的参数用0填充;
θrfl=V2ht;
其中,V2为第二个回归层的参数矩阵;
F、将步骤E得到的由人反射的信号的路径信道参数输入到定位算法模型,得到人的实时位置;
在线定位阶段包括以下步骤:
在船舶室内环境下,按照步骤A部署设备,人在定位跟踪区域内行走时,采集CSI数据,并将CSI数据依次输入步骤B、步骤C、步骤D、步骤E、步骤F,即可实现实时定位的目的。
2.根据权利要求1所述的一种基于CSI的双循环神经网络的船载环境室内定位方法,其特征在于:步骤F具体包括以下步骤:
其中,v为人与接收机之间路径长度变化速率,c为光速,fc为载波中心频率;
将信号飞行时间τ乘以光速c,得到人与接收机之间的距离d=τc;
然后将v和d输入一个卡尔曼平滑器,进行数据融合,得到精细距离d′;
dTar=d′+length;
其中,(x,y)为人在坐标系中的位置坐标,dTar为人到发射机和接收机之间的距离,(xr,yr)为接收机在坐标系中的位置坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011269279.5A CN112423265B (zh) | 2020-11-13 | 2020-11-13 | 基于csi的双循环神经网络的船载环境室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011269279.5A CN112423265B (zh) | 2020-11-13 | 2020-11-13 | 基于csi的双循环神经网络的船载环境室内定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112423265A CN112423265A (zh) | 2021-02-26 |
CN112423265B true CN112423265B (zh) | 2022-04-12 |
Family
ID=74831794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011269279.5A Active CN112423265B (zh) | 2020-11-13 | 2020-11-13 | 基于csi的双循环神经网络的船载环境室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112423265B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11601307B2 (en) * | 2018-12-17 | 2023-03-07 | U-Blox Ag | Estimating one or more characteristics of a communications channel |
CN113422660B (zh) * | 2021-05-14 | 2022-07-19 | 山东科技大学 | 基于无线信号的步数检测方法 |
CN118614012A (zh) * | 2022-04-02 | 2024-09-06 | Oppo广东移动通信有限公司 | 一种信息处理方法及设备 |
CN114845390B (zh) * | 2022-06-13 | 2024-08-27 | 中国科学技术大学 | 一种基于子载波甄选的近实时Wi-Fi室内定位方法 |
CN114978931B (zh) * | 2022-07-29 | 2022-12-06 | 国电南瑞科技股份有限公司 | 基于流形学习的网络流量预测方法、装置及存储介质 |
CN116299170B (zh) * | 2023-02-23 | 2023-09-01 | 中国人民解放军军事科学院系统工程研究院 | 一种基于深度学习的多目标无源定位方法、系统、介质 |
CN115950438B (zh) * | 2023-03-15 | 2023-05-30 | 武汉理工大学 | 一种基于光强补偿的船舶舱室可见光定位方法 |
CN116347357B (zh) * | 2023-04-17 | 2023-10-20 | 天津大学 | 一种将运动限制嵌入神经网络的室内无线被动定位方法 |
CN116669181B (zh) * | 2023-06-13 | 2024-04-12 | 山东科技大学 | 基于WiFi多反射路径图像的室内人员定位方法及系统 |
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 |
CN110809240A (zh) * | 2019-11-05 | 2020-02-18 | 重庆邮电大学 | 一种基于WiFi多维参数特征的室内目标被动跟踪方法 |
CN110933633A (zh) * | 2019-12-05 | 2020-03-27 | 武汉理工大学 | 一种基于csi指纹特征迁移的船载环境室内定位方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200293874A1 (en) * | 2019-03-12 | 2020-09-17 | Microsoft Technology Licensing, Llc | Matching based intent understanding with transfer learning |
CN111597991A (zh) * | 2020-05-15 | 2020-08-28 | 南京邮电大学 | 一种基于信道状态信息和BiLSTM-Attention的康复检测方法 |
-
2020
- 2020-11-13 CN CN202011269279.5A patent/CN112423265B/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 |
CN110809240A (zh) * | 2019-11-05 | 2020-02-18 | 重庆邮电大学 | 一种基于WiFi多维参数特征的室内目标被动跟踪方法 |
CN110933633A (zh) * | 2019-12-05 | 2020-03-27 | 武汉理工大学 | 一种基于csi指纹特征迁移的船载环境室内定位方法 |
Non-Patent Citations (4)
Title |
---|
ANT_Deadline-Aware_Adaptive_Emergency_Navigation_Strategy_for_Dynamic_Hazardous_Ship_Evacuation_With_Wireless_Sensor_Networks;yuting ma;《IEEE ACCESS》;20200804;第135758-135769页 * |
Songyang Zhang ; Xiaoming Liu ; Jun Xiao.On Geometric Features for Skeleton-Based Action Recognition Using Multilayer LSTM Networks.《 2017 IEEE Winter Conference on Applications of Computer Vision (WACV)》.2017, * |
嘈杂环境中利用CSI信息的室内轨迹跟踪技术;李宪军;《信号处理》;20200531;第36卷(第5期);第763-770页 * |
基于CSI的煤矿井下定位方法研究;张雷;《工程科技Ⅰ辑》;20200130;第51-64,110-114页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112423265A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112423265B (zh) | 基于csi的双循环神经网络的船载环境室内定位方法 | |
Yan et al. | AUV-aided localization for Internet of Underwater Things: A reinforcement-learning-based method | |
CN101466145B (zh) | 基于神经网络的双基站精确定位方法 | |
CN109283490B (zh) | 基于混合最小二乘法的泰勒级数展开的uwb定位方法 | |
CN108810133A (zh) | 一种基于uwb和tdoa算法的智能机器人定位方法及定位系统 | |
CN108089183B (zh) | 一种用于异步多基地雷达系统的检测跟踪一体化方法 | |
CN108872932B (zh) | 基于神经网络的超视距目标直接定位结果纠偏方法 | |
CN112613532B (zh) | 基于雷达与循环神经网络补全红外融合的动目标跟踪方法 | |
CN111601253B (zh) | 无源被动智能跟踪定位方法、系统、存储介质、跟踪定位终端 | |
CN109212476B (zh) | 一种基于ddpg的rfid室内定位算法 | |
CN112612001A (zh) | 一种基于bp神经网络算法的轨迹预测方法及装置 | |
CN109143223B (zh) | 一种双基地雷达的空间目标跟踪滤波装置及方法 | |
CN110187337B (zh) | 一种基于ls和neu-ecef时空配准的高机动目标跟踪方法及系统 | |
CN112346010B (zh) | 基于尺度差和时差的双机无源定位方法 | |
CN117390498B (zh) | 一种基于Transformer模型的固定翼集群无人机飞行能力评估方法 | |
CN111897215A (zh) | 基于数据驱动学习的滚动优化控制方法 | |
CN109212472B (zh) | 一种面向噪声环境下的室内无线定位方法及装置 | |
CN113359192B (zh) | 一种微弱磁异常目标检测及定位方法 | |
CN102176220A (zh) | 一种同平台配置的雷达与红外传感器进行空间配准的方法 | |
CN106646452A (zh) | 一种基于摄动多高斯拟合的空间目标跟踪方法 | |
CN114339595B (zh) | 一种基于多模型预测的超宽带动态反演定位方法 | |
Xin et al. | Stable positioning for mobile targets using distributed fusion correction strategy of heterogeneous data | |
Pan | Improvement and analysis of multi-station TDOA positioning algorithm based on MSVD | |
Ulmschneider | Cooperative multipath assisted positioning | |
CN116400715B (zh) | 模型误差条件下基于CNN+BiLSTM神经网络的多无人机协同直接跟踪方法 |
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 |