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

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

基于CSI的双循环神经网络的船载环境室内定位方法

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(x_r，y_r)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ψ_r，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l_t。

步骤B具体包括以下步骤：

将

的幅相向量

作为LSTM单元的输入x_t，则在t时刻：

遗忘门向量f_t为：

输入门向量

为：

候选单元信息

为：

更新单元信息C_t为：

输出门向量O_t为：

最终得到LSTM单元输出为：h_t＝O_t*tanh(C_t)；

其中，σ(·)是sigmoid激活函数，tanh(·)是tanh激活函数，

是第一个循环神经网络的权重参数，

是第一个循环神经网络的偏置参数；

将LSTM单元的输出h_t输入第一个回归层：

x′_t＝V₁h_t；

其中，V₁为第一个回归层的参数矩阵；

此时输出

是用循环神经网络去除了船舶环境巨大噪声后CSI的幅度和相位，将x′_t中的幅度和相位组合成复数，得到的即是去噪之后的CSI数据。

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，α_l为复衰减，Δf_j为第j个子载波与第1个子载波的频率差，f_c为载波中心频率，Δd_k为第k个天线和第1个天线的距离差，c为光速，Δt_i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；

D2、将步骤C得到的p输入到SAGE算法的期望步，分别得到第f条路径上的实际CSI数据

即：

其中，

为上一次迭代中估计出的路径信道参数，P′_l为将路径信道参数

代入到CSI参数模型得到的理想CSI数据，

为估计的第l条路径上的噪声，β_l为控制算法收敛速度的系数，p为消除了静态多径的CSI数据；

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：

其中，

分别为当前迭代中估计的信号飞行时间、信号到达角、多普勒频移、复衰减，

分别为上一次迭代中估计的信号到达角、多普勒频移，T、F、A分别为上一次估计中数据包的数量、子载波的个数、天线个数；

若

满足下式，则停止迭代，得到最终各路径信道参数

其中，

分别为上一次迭代中估计的信号飞行时间、复衰减，ε₁、ε₂、ε₃、ε₄分别为信号飞行时间、信号到达角、多普勒频移、复衰减的分辨率；

若不满足上式，则将

代回步骤D1，继续循环迭代，直到满足上式。

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...Θ_n]，Θ＝[θ₁，θ₂...θ_L]，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，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；

对第二个基于LSTM循环神经网络的输出h_t，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θ_rfl＝[τ_rfl，φ_rfl，v_rfl，α_rfl]：

θ_rfl＝V₂h_t；

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/f_c；

其中，v为人与接收机之间路径长度变化速率，c为光速，f_c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θ_rfl＝[τ_rfl，φ_rfl，v_rfl，α_rfl]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；

d_Tar＝d′+length；

其中，(x，y)为人在坐标系中的位置坐标，d_Tar为人到发射机和接收机之间的距离，(x_r，y_r)为接收机在坐标系中的位置坐标。

通过使损失函数Loss最小，学习得到双循环神经网络的参数

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l_t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(x_r，y_r)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ψ_r，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l_t。

步骤B具体包括以下步骤：

将

的幅相向量

作为LSTM单元的输入x_t，则在t时刻：

遗忘门向量f_t为：

输入门向量i_t为：

候选单元信息

为：

更新单元信息C_t为：

输出门向量O_t为：

最终得到LSTM单元输出为：h_t＝O_t*tanh(C_t)；

其中，σ(·)是sigmoid激活函数，tanh(·)是tanh激活函数，

是第一个循环神经网络的权重参数，

是第一个循环神经网络的偏置参数；

将LSTM单元的输出h_t输入第一个回归层：

x′_t＝V₁h_t；

其中，V₁为第一个回归层的参数矩阵；

此时输出

是用循环神经网络去除了船舶环境巨大噪声后CSI的幅度和相位，将x′_t中的幅度和相位组合成复数，得到的即是去噪之后的CSI数据。

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，α_l为复衰减，Δf_j为第j个子载波与第1个子载波的频率差，f_c为载波中心频率，Δd_k为第k个天线和第1个天线的距离差，c为光速，Δt_i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；

D2、将步骤C得到的p输入到SAGE算法的期望步，分别得到第l条路径上的实际CSI数据

即：

其中，

为上一次迭代中估计出的路径信道参数，P′_l为将路径信道参数

代入到CSI参数模型得到的理想CSI数据，

为估计的第l条路径上的噪声，β_l为控制算法收敛速度的系数，p为消除了静态多径的CSI数据；

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：

其中，

分别为当前迭代中估计的信号飞行时间、信号到达角、多普勒频移、复衰减，

分别为上一次迭代中估计的信号到达角、多普勒频移，T、F、A分别为上一次估计中数据包的数量、子载波的个数、天线个数；

若

满足下式，则停止迭代，得到最终各路径信道参数

其中，

分别为上一次迭代中估计的信号飞行时间、复衰减，ε₁、ε₂、ε₃、ε₄分别为信号飞行时间、信号到达角、多普勒频移、复衰减的分辨率；

若不满足上式，则将

代回步骤D1，继续循环迭代，直到满足上式。

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...Θ_n]，Θ＝[θ₁，θ₂...θ_L]，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，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；

对第二个基于LSTM循环神经网络的输出h_t，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θ_rfl＝[τ_rfl，φ_rfl，v_rfl，α_rfl]：

θ_rfl＝V₂h_t；

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/f_c；

其中，v为人与接收机之间路径长度变化速率，c为光速，f_c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θ_rfl＝[τ_rfl，φ_rfl，v_rfl，α_rfl]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；

d_Tar＝d′+length；

其中，(x，y)为人在坐标系中的位置坐标，d_Tar为人到发射机和接收机之间的距离，(x_r，y_r)为接收机在坐标系中的位置坐标。

通过使损失函数Loss最小，学习得到双循环神经网络的参数

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l_t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(x_r，y_r)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ψ_r，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l_t；

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：

将

的幅相向量

作为LSTM单元的输入x_t，则在t时刻：

遗忘门向量f_t为：

输入门向量i_t为：

候选单元信息

为：

更新单元信息C_t为：

输出门向量O_t为：

最终得到LSTM单元输出为：h_t＝O_t*tanh(C_t)；

其中，σ(·)是sigmoid激活函数，tanh(·)是tanh激活函数，

是第一个循环神经网络的权重参数，

是第一个循环神经网络的偏置参数，权重和偏置均通过训练网络学习得到；

将LSTM单元的输出h_t输入第一个回归层：

x′_t＝V₁h_t；

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；

此时输出

是用循环神经网络去除了船舶环境巨大噪声后CSI的幅度和相位，将x′_t中的幅度和相位组合成复数，得到的即是去噪之后的CSI数据；

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，α_l为复衰减，Δf_j为第j个子载波与第1个子载波的频率差，f_c为载波中心频率，Δd_k为第k个天线和第1个天线的距离差，c为光速，Δt_i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；

D2、将步骤C得到的p输入到SAGE算法的期望步，分别得到第l条路径上的实际CSI数据

即：

其中，

为上一次迭代中估计出的路径信道参数，P′_l为将路径信道参数

代入到CSI参数模型得到的理想CSI数据，

为估计的第l条路径上的噪声，β_l为控制算法收敛速度的系数，p为消除了静态多径的CSI数据；

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：

其中，

分别为当前迭代中估计的信号飞行时间、信号到达角、多普勒频移、复衰减，

分别为上一次迭代中估计的信号到达角、多普勒频移，T、F、A分别为上一次估计中数据包的数量、子载波的个数、天线个数；

若

满足下式，则停止迭代，得到最终各路径信道参数

其中，

分别为上一次迭代中估计的信号飞行时间、复衰减，ε₁、ε₂、ε₃、ε₄分别为信号飞行时间、信号到达角、多普勒频移、复衰减的分辨率；

若不满足上式，则将

代回步骤D1，继续循环迭代，直到满足上式；

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...Θ_n]，Θ＝[θ₁，θ₂...θ_L]，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h_t，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θ_rfl＝[τ_rfl，φ_rfl，v_rfl，α_rfl]：

θ_rfl＝V₂h_t；

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/f_c；

其中，v为人与接收机之间路径长度变化速率，c为光速，f_c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θ_rfl＝[τ_rfl，φ_rfl，v_rfl，α_rfl]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；

d_Tar＝d′+length；

其中，(x，y)为人在坐标系中的位置坐标，d_Tar为人到发射机和接收机之间的距离，(x_r，y_r)为接收机在坐标系中的位置坐标，ψ_r和length在安装设备时分别使用量角器和卷尺测得；

通过使损失函数Loss最小，学习得到双循环神经网络的参数

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l_t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(x_r，y_r)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ψ_r，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l_t；

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：

将

的幅相向量

作为LSTM单元的输入x_t，则在t时刻：

遗忘门向量f_t为：

输入门向量i_t为：

候选单元信息

为：

更新单元信息C_t为：

输出门向量O_t为：

最终得到LSTM单元输出为：h_t＝O_t*tanh(C_t)；

其中，σ(·)是sigmoid激活函数，tanh(·)是tanh激活函数，

是第一个循环神经网络的权重参数，

是第一个循环神经网络的偏置参数；

将LSTM单元的输出h_t输入第一个回归层：

x′_t＝V₁h_t；

其中，V₁为第一个回归层的参数矩阵；

此时输出

是用循环神经网络去除了船舶环境巨大噪声后CSI的幅度和相位，将x′_t中的幅度和相位组合成复数，得到的即是去噪之后的CSI数据；

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，α_l为复衰减，Δf_j为第j个子载波与第1个子载波的频率差，f_c为载波中心频率，Δd_k为第k个天线和第1个天线的距离差，c为光速，Δt_i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；

D2、将步骤C得到的p输入到SAGE算法的期望步，分别得到第l条路径上的实际CSI数据

即：

其中，

为上一次迭代中估计出的路径信道参数，P′_l为将路径信道参数

代入到CSI参数模型得到的理想CSI数据，

为估计的第l条路径上的噪声，β_l为控制算法收敛速度的系数，p为消除了静态多径的CSI数据；

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：

其中，

分别为当前迭代中估计的信号飞行时间、信号到达角、多普勒频移、复衰减，

分别为上一次迭代中估计的信号到达角、多普勒频移，T、F、A分别为上一次估计中数据包的数量、子载波的个数、天线个数；

若

满足下式，则停止迭代，得到最终各路径信道参数

其中，

分别为上一次迭代中估计的信号飞行时间、复衰减，ε₁、ε₂、ε₃、ε₄分别为信号飞行时间、信号到达角、多普勒频移、复衰减的分辨率；

若不满足上式，则将

代回步骤D1，继续循环迭代，直到满足上式；

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...Θ_n]，Θ＝[θ₁，θ₂...θ_L]，

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，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；

对第二个基于LSTM循环神经网络的输出h_t，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

θ_rfl＝V₂h_t；

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：

F1、将多普勒频移

输入下式：

其中，v为人与接收机之间路径长度变化速率，c为光速，f_c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

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；

d_Tar＝d′+length；

其中，(x，y)为人在坐标系中的位置坐标，d_Tar为人到发射机和接收机之间的距离，(x_r，y_r)为接收机在坐标系中的位置坐标。

3.根据权利要求2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：通过使损失函数Loss最小，学习得到双循环神经网络的参数

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l_t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。

Images