CN112712557A - 一种基于卷积神经网络的超分辨率cir室内指纹定位方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的超分辨率CIR室内指纹定位方法，包括步骤A：构建室内无线传播环境，部署RP和AP的位置，在RP处采集CSI信息；步骤B：构建指纹信息，利用MUSIC算法计算不同RP收发天线对的伪谱信息，将同一参考点在一段连续采样时间内得到的伪谱信息进行重组构建成伪谱图像，这部分信息作为指纹信息；步骤C：基于伪谱图像构建卷积神经网络的结构，包括网络的深度、激活函数和全连接层神经元个数；步骤D：将RP和待测点的指纹信息和其对应的位置坐标分别作为训练集和测试集，将训练集输入到卷积神经网络中进行训练；步骤E：将步骤D中的测试集输入到训练好的网络模型中，利用加权质心的方法计算待测点的位置坐标和定位误差。

Description

一种基于卷积神经网络的超分辨率CIR室内指纹定位方法

技术领域

本发明涉及室内定位技术领域，特别涉及一种基于卷积神经网络的超分辨率CIR室内指纹定位方法。

背景技术

随着5G时代的到来，其更小的延迟和更大的部署密度，以及毫米波和大规模天线技术的应用使更精确的室内定位成为可能。在蜂窝网络定位中，最常使用的定位方法是在得到到达时间、到达角度和接收信号强度的信息之后，再利用几何方法计算位置信息。这些方法在仅存在非视距传输的情况下，定位效果会受到影响。为了提高定位精度，指纹定位的方法广泛应用于室内定位中。在指纹定位方法中，由于RSS获取简单并且能反映一定的位置信息，它经常被用作指纹特征。但是在不断地研究中发现，对于一个固定位置，随着时间的变化，RSS的大小时常会表现出波动性，这样会给定位带来很大的误差。

为了提高定位精度，具有细粒度信息的物理层CSI得到了广泛关注，相较于RSS而言，在OFDM系统中CSI提供了每个子载波的信号频域响应，可以反映出多径信息，并且这种信息更加稳定。Wang X和Gao L在2017发表的文章“CSI-Based Fingerprinting forIndoor Localization:A Deep Learning Approach”中，将三根接收天线分别接收到的30个子载波的幅度信息作为指纹特征，第一次引入深度学习的方法用于定位。在此基础上，Chen H和Zhang Y在2017发表的文章“ConFi:Convolutional Neural Networks BasedIndoor Wi-Fi Localization Using Channel State Information”中考虑了子载波的幅度信息随着时间的推移仍然表现出了一定的波动性，提出了CSI图像的概念。在这些研究中，当定位环境稳定时能够获得比较高的定位精度，但如果环境中存在一些信号阻挡的情况时，例如环境中有人员走动，或者存在一个障碍物阻挡了某条路径时，这些方法的定位精度将大打折扣。

给定有限的带宽，基于信道冲激响应CIR和基于信道频率响应CFR特性的鲁棒性是不同的。CIR对单路径变化不太敏感，因为这些路径在时域内基本上是独立的。相反，路径在频域内被扭曲，导致整个CFR的变化。但是要获得更高分辨率的时间分辨率，需要精密度更高的硬件设备和更复杂的软件实现，会导致成本大大提高。

发明内容

为了克服现有技术中的不足，本发明提供一种基于卷积神经网络的超分辨率CIR室内指纹定位方法，其具有较好的定位精度。

为了达到上述发明目的，解决其技术问题所采用的技术方案如下：

一种基于卷积神经网络的超分辨率CIR室内指纹定位方法，包括以下步骤：

步骤A：构建室内无线传播环境，将室内环境划分成若干个网格，参考点位于网格中心，部署一个接入点，在参考点处采集信道状态信息；

步骤B：构建指纹信息，在采集到各参考点的信道状态信息之后，利用MUSIC算法计算不同的收发天线对的伪谱信息，将同一参考点在一段连续采样时间内得到的伪谱信息进行重组，构造成伪谱图像，这部分信息将作为指纹信息；

步骤C：构建卷积神经网络，基于步骤B中的伪谱图像信息构建卷积神经网络的结构，包括网络的深度、激活函数和全连接层神经元个数；

步骤D：将RP和待测点的指纹信息和其对应的位置坐标分别作为训练集和测试集，将训练集输入到卷积神经网络中进行训练；

步骤E：将步骤D中的测试集输入到训练好的网络模型中，利用加权质心的方法计算待测点的位置坐标和定位误差。

进一步的，其特征在于，步骤B包括如下步骤：

步骤B1：建立室内场景和对应的坐标系，将室内平面图划分成网格状，设置参考点、测试点和信号锚节点的位置，所有的节点均处于同一水平面，分别在每个位置上采集信道状态信息并记录它们的位置；

无线信道传输模型可以建模为：

其中，L代表路径总数，i代表到达路径的索引，δ(t)代表冲激函数，t代表时间，τ_i和a_i分别代表对应路径的到达时间和信道复增益，其中

e^jθ代表复变量；

那么在接收端接收到的频域信道响应为：

其中，

f_k代表第k个子载波，对于不同的子载波存在f_k-f₀＝iΔf，Δf表示子载波间隔，在实际的信道中存在加性白噪声，测量得到的信道状态信息可表示为：

其中，

其中，Z代表信道状态信息中包含的噪声，

代表自然定义域；

步骤B2：对于每个位置点，利用MUSIC算法对采集到的信道状态信息进行处理得到伪谱，假定加性白噪声是零均值的且方差为σ²，测量信道频率响应的自相关函数表示为：

其中，A＝E[aa^H]，I为单位矩阵，上标H代表对一个矩阵进行共轭转置。通过特征值分解，可以化简为：

将R_H的特征值按照降序排列，后N-L个特征值非常小等于σ²，趋于零，它们对应的特征向量G＝[q_L...q_N-1]称为噪声子空间，前L个最大特征值相对来说要大很多，它们对应的特征向量S＝[_q0.._.q_L-1]称为信号子空间；

那么导向矢量V对应于信号子空间，与噪声子空间正交，所以它到噪声子空间的距离D(τ)＝||G^HV(τ)||²；对于到达时刻τ＝τ_i，

那么驱动向量到噪声子空间的距离应为0，伪谱定义为D(τ)的倒数，具体的公式如下所示：

因此，每一条多径延迟量τ可以通过MUSIC算法确定，当伪谱信息s(τ)达到峰值时对应的时刻值即为多径延迟量τ；

步骤B3：构建指纹特征，将同一位置点的经MUSIC处理后的信道状态信息组合成伪谱图像，定义s_ij为第i个接收天线与第j个发射天线形成的子信道的伪谱采样值，每一个采样值可以表示为：

s_ij[k]＝s_ij(τ_k)

τk＝τ₀+k·ΔT

其中，τ_k表示采样时刻，ΔT为采样间隔，对于同一位置的参考点，在连续采样时刻内采集信道状态信息，计算每个接收天线与发射天线组成的子信道的伪谱信息，将同一接收天线的伪谱信息进行组合，形成448*448大小的子伪谱图，第i个接收天线的子伪谱图的数据格式为：

其中，τ_k～τ_K分别代表伪谱采样值，有K＝k+447，伪谱采样值的范围可以根据到达时间做出调整，t₁～t₁₁₂代表采样时刻，

代表在t₁的采样时刻内，第1个发射天线在τ_k的伪谱信号值；

将同一位置点的不同接收天线的子伪谱图组合起来即为伪谱图。

进一步的，步骤C包括如下步骤：

步骤C1：根据输入的指纹特征构建卷积神经网络结构，基于伪谱图的结构特征，提出了一个15层网络结构，分别由5个卷积层、5个归一化层、3个池化层和2个全连接层组成；

步骤C2：激活函数利用的是ReLU函数，模型的最后一层输出是Softmax，输出层的神经元个数等于训练参考点的个数，神经元的输出是[0，1]的概率，总和为1，可以看作是待测点位于各参考点的概率。

进一步的，步骤E包括如下步骤：

步骤E1：采集待测点的数据，在仿真环境中，采集不同待测点的信道状态信息并记录对应的位置坐标。

步骤E2：处理待测点数据生成指纹信息，利用数据处理模块，对信道状态信息信号利用MUSIC算法求得的伪谱信息，将一段采样时刻内生成的伪谱信息进行重组得到不同接收天线的子伪谱图，同一待测点的所有子伪谱图组合生成伪谱图像；

步骤E3：将待测点的指纹特征和对应的位置坐标输入到训练好的卷积神经网络中，利用加权质心的方法，选择概率最高的两个参考点的位置坐标计算待测点的位置。

本发明由于采用以上技术方案，使之与现有技术相比，具有以下的优点和积极效果：

1、由于室内环境等因素对RSS的影响很大，使得基于RSS定位算法的健壮性较弱，并且RSS这种粗粒度信息不利于提高定位精度。CSI信息可以提供更丰富的信息，但是当室内环境中存在障碍物扰动的情况时，利用CSI幅度信息进行定位将会影响定位的精度。以进一步提高定位精度为目标，本发明充分利用CIR信息，相较于CFR，CIR的鲁棒性更高，可以更好的抵抗环境中的扰动。为了充分利用不同收发天线对形成的子信道，同时为了捕捉伪谱信息在空间和时间上的特异性和关联性，将不同采样时刻内不同的子信道得到的伪谱信息进行组合生成图像，建立指纹库。通过卷积神经网络捕捉不同位置点的伪谱图像的特异性和相同位置点伪谱图像的关联性，对输出的结果利用加权质心的方法求得待测点的位置坐标。当环境中存在扰动时，基于CNN的超分辨率CIR室内定位算法表现出了较好的抗干扰特性；

2、本发明为了探究室内无线传播环境、信噪比和加权质心候选位置数的影响，分别进行了三组实验，通过控制变量法改变变量的值，每一组实验包含三种实验场景。通过实验探究发现，当室内环境中多径数量适中时定位效果最佳，定位精度将随着信噪比增大而增高，当候选位置K＝2时定位误差最小。

3、本发明提出的基于卷积神经网络的超分辨率CIR室内定位算法简称为PI-CNN。为了验证本发明提出的算法的性能，在相同的实验模型下，分别与Confi算法和SFP-I算法进行了比较。其中，Confi是第一个将CSI信息类比为图像，利用深度学习的方法解决定位的问题，SFP-I算法是利用比较待测点和不同参考点间伪谱信息和RSS信息之间的相似性进行定位。本发明提出的算法平均定位精度为0.18m，而另外两种方法的定位精度略逊于PI-CNN,Confi算法的平均定位精度为0.28m，而SFP-I差距比较大，平均定位精度为0.65m，这是因为对在线定位阶段中的部分测试集的障碍物的数量和位置做了些许改动，在这些改动的测试集中，保持了原室内障碍物的分布情况，随机增加了少量障碍物，以模仿真实场景中由于人员扰动带来的影响。本发明的算法定位精度在0.4m以内的达到了90％，而另外两种方法分别只达到了72％和26％。本发明提出来的算法效果较好，说明了利用经MUSIC算法处理后生成的伪谱图信息可以很好地反映地理位置特征，同时对环境中的扰动具有良好的抗干扰特性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。附图中：

图1是本发明的流程框图；

图2是本发明的实验场景图；

图3是无线环境对实验结果的影响的累计定位误差分布图；

图4是信噪比对实验结果的影响的累计定位误差分布图；

图5是K值对实验结果的影响的累计定位误差分布图；

图6是本发明与其他方法的性能比较的结果图。

具体实施方式

以下将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整的描述和讨论，显然，这里所描述的仅仅是本发明的一部分实例，并不是全部的实例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。

本实施例针对室内环境中存在多径效应影响定位精度的问题，提出了一种基于卷积神经网络(Convolutional Neural Networks,CNN)，利用多重信号分类算法(multiplesignal classification,MUSIC)处理后的信道状态信息(Channel State Information,CSI)作为特征图像的室内定位方法(Pseudo spectral image-CNN，PI-CNN)。该发明基于室内环境中不同位置点具有的独特多径信息，充分利用了各收发天线间所形成的子信道信息。PI-CNN利用MUSIC算法处理不同子信道的CSI信息以获得具有更高时间分辨率的多径到达时间，在获取了伪谱信息之后，将同一采样点的所有天线的伪谱信息重组成伪谱图像生成指纹库，之后再利用CNN进行训练和分类处理，具有较好的抗干扰性。

如图1所示，本实施例公开了一种基于卷积神经网络的超分辨率CIR室内指纹定位方法，包括以下步骤：

步骤A：构建室内无线传播环境，将室内环境划分成若干个网格，参考点(Reference Point，RP)位于网格中心，部署一个接入点(Access Point，AP)，在参考点处采集信道状态信息；

步骤B：构建指纹信息，在采集到各参考点的信道状态信息之后，利用MUSIC算法计算不同的收发天线对的伪谱信息，将同一参考点在一段连续采样时间内得到的伪谱信息进行重组，构造成伪谱图像，这部分信息将作为指纹信息；

步骤C：构建卷积神经网络，基于步骤B中的伪谱图像信息构建卷积神经网络的结构，包括网络的深度、激活函数和全连接层神经元个数；

步骤D：将RP和待测点的指纹信息和其对应的位置坐标分别作为训练集和测试集，将训练集输入到卷积神经网络中进行训练；

步骤E：将步骤D中的测试集输入到训练好的网络模型中，利用加权质心的方法计算待测点的位置坐标和定位误差。

进一步的，其特征在于，步骤B包括如下步骤：

步骤B1：建立室内场景和对应的坐标系，将室内平面图划分成网格状，设置参考点、测试点和信号锚节点的位置，所有的节点均处于同一水平面，分别在每个位置上采集信道状态信息并记录它们的位置；

无线信道传输模型可以建模为：

其中，L代表路径总数，i代表到达路径的索引，δ(t)代表冲激函数，t代表时间，τ_t和a_i分别代表对应路径的到达时间和信道复增益，其中

e^jθ代表复变量；

那么在接收端接收到的频域信道响应为：

其中，

f_k代表第k个子载波，对于不同的子载波存在f_k-f₀＝iΔf，Δf表示子载波间隔，在实际的信道中存在加性白噪声，测量得到的信道状态信息可表示为：

其中，

其中，Z代表信道状态信息中包含的噪声，

代表自然定义域；

步骤B2：对于每个位置点，利用MUSIC算法对采集到的信道状态信息进行处理得到伪谱，假定加性白噪声是零均值的且方差为σ²，测量信道频率响应(Channel FrequencyResponse，CFR)的自相关函数表示为：

其中，A＝E[aa^H]，I为单位矩阵，上标H代表对一个矩阵进行共轭转置。通过特征值分解，可以化简为：

将R_H的特征值按照降序排列，后N-L个特征值非常小等于σ²，趋于零，它们对应的特征向量G＝[q_L...q_N-1]称为噪声子空间，前L个最大特征值相对来说要大很多，它们对应的特征向量S＝[q₀...q_L-1]称为信号子空间；

那么导向矢量V对应于信号子空间，与噪声子空间正交，所以它到噪声子空间的距离D(τ)＝||G^HV(τ)||²；对于到达时刻τ＝τ_i，

那么驱动向量到噪声子空间的距离应为0，伪谱定义为D(τ)的倒数，具体的公式如下所示：

因此，每一条多径延迟量τ可以通过MUSIC算法确定，当伪谱信息s(τ)达到峰值时对应的时刻值即为多径延迟量τ；

步骤B3：构建指纹特征，将同一位置点的经MUSIC处理后的信道状态信息组合成伪谱图像，定义s_ij为第i个接收天线与第j个发射天线形成的子信道的伪谱采样值，每一个采样值可以表示为：

s_ij[k]＝s_ij(τ_k)

τx＝τ₀+k·ΔT

其中，τ_k表示采样时刻，ΔT为采样间隔，对于同一位置的参考点，在连续采样时刻内采集信道状态信息，计算每个接收天线与发射天线组成的子信道的伪谱信息，将同一接收天线的伪谱信息进行组合，形成448*448大小的子伪谱图，第i个接收天线的子伪谱图的数据格式为：

其中，τ_k～τ_K分别代表伪谱采样值，有K＝k+447，伪谱采样值的范围可以根据到达时间做出调整，t₁～t₁₁₂代表采样时刻，

代表在t₁的采样时刻内，第1个发射天线在τ_k的伪谱信号值；

将同一位置点的不同接收天线的子伪谱图组合起来即为伪谱图。

进一步的，步骤C包括如下步骤：

步骤C1：根据输入的指纹特征构建卷积神经网络结构，基于伪谱图的结构特征，提出了一个15层网络结构，分别由5个卷积层、5个归一化层、3个池化层和2个全连接层组成；

步骤C2：激活函数利用的是ReLU函数，模型的最后一层输出是Softmax，输出层的神经元个数等于训练参考点的个数，神经元的输出是[0，1]的概率，总和为1，可以看作是待测点位于各参考点的概率。

进一步的，步骤E包括如下步骤：

步骤E1：采集待测点的数据，在仿真环境中，采集不同待测点的信道状态信息并记录对应的位置坐标。

步骤E2：处理待测点数据生成指纹信息，利用数据处理模块，对信道状态信息信号利用MUSIC算法求得的伪谱信息，将一段采样时刻内生成的伪谱信息进行重组得到不同接收天线的子伪谱图，同一待测点的所有子伪谱图组合生成伪谱图像；

步骤E3：将待测点的指纹特征和对应的位置坐标输入到训练好的卷积神经网络中，利用加权质心的方法，选择概率最高的两个参考点的位置坐标计算待测点的位置。

下面结合附图2-6对本发明的技术方案作详细的描述：

(1)室内定位环境布局：常见的室内环境区域为矩形区域，因此可以将室内面积为5×6m2的室内区域划分为竖直间距和水平间距为1m网格。设置网格交点作为参考点，分别设置接入点和待测点。

(2)采集CSI数据：分别在12个参考点采集信息，通过信道估计的方法获得每个位置不同收发天线对的CSI信息并且记录下与之对应的参考点的位置坐标。其中一个参考点上的一个天线接收到的CSI的幅值信息可以表示为：

其中，N代表子载波的个数，T代表发射天线的个数，i代表在接收端的第i个接收天线。

(3)构建指纹信息：定义s_ij为第i个接收天线与第j个发射天线形成的子信道的伪谱采样值，每一个采样值可以表示为：

s_ij[k]＝s_ij(τ_k)

τ_k＝τ₀+k·ΔT

其中，τ_k表示采样时刻，ΔT为采样间隔。在室内环境中，多径延迟量不超过500ns，可以结合室内多径环境灵活调整k和ΔT的值得到不同时间分辨率的伪谱图。其中，AP和每个RP均有4个天线。对于同一位置的RP，在连续采样时刻内采集CSI信号，计算每个接收天线与发射天线组成的子信道的伪谱信息，将同一接收天线的伪谱信息进行组合形成448*448大小的子伪谱图，第i个接收天线的子伪谱图的数据格式为：

τ_k～τ_k分别代表伪谱采样值，有K＝k+447，伪谱采样值的范围可以根据到达时间做出调整，t₁～t₁₁₂代表采样时刻，

代表在t₁的采样时刻内，第1个发射天线在τ_k的伪谱信号值。本发明在实验中发现不同路径的到达时间主要分布在400ns以内，所以结合接收天线的个数，调整伪谱窗口的宽度为448，连续采样时刻点为112。

每一个子伪谱图代表着一个接收天线在一段时间内的伪谱信号，一个接收天线的子伪谱图象征着图像中的一个通道，子伪谱图中每一行的索引代表着不同的采样时刻点，每一列代表一个时刻内一组子载波计算得到的伪谱信息的幅值，每个像素点代表在一个时刻的某一个采样时间点的伪谱幅值。所有天线的子伪谱图组成的集合形成了一个位置的伪谱图像，图像的通道数由接收天线数决定。那么在一个位置上生成的伪谱图像集也就是带有该位置特征的样本集。

(4)基于卷积神经网络的定位：根据伪谱图像的特征，构建了一个15层卷积神经网络结构，分别由5个卷积层、5个归一化层、3个池化层和2个全连接层组成，为了去除掉一些异常样本带来的影响，采用了最大池化层保持最显著的特征。在每一层卷积层后加入归一化层进行非线性处理以防止梯度弥散，加快网络的训练，每一个归一化层均放在了卷积层的后面。同时，在全连接层中，为了避免过拟合的问题，在两个全连接层中都是用了50％的Dropout。模型的最后一层输出是Softmax，输出层的神经元个数等于训练参考点的个数，神经元的输出是[0，1]的概率，总和为1，可以看作是待测点位于各参考点的概率。第j个神经元的输出可以表示为

其中，M代表总的神经元个数，x_i是倒数第二层的输出，w_j是倒数第二层中的神经元连接到输出层的向量，上标T代表向量的转置。本发明中损失函数采用的是交叉熵函数。

在离线定位阶段，将待测样本的伪谱图输入训练好的神经网络模型中，神经网络的输出为y_j，输出元素的个数代表RP的个数，也就是待测点位于参考点的概率。本发明采用加权质心的方法来估算待测点的位置坐标。

其中，RP_j代表第j个参考点的位置坐标。通过反复试验对比，本发明选择最大的两个输出概率对应的位置坐标计算待测点的位置。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (4)

1.一种基于卷积神经网络的超分辨率CIR室内指纹定位方法，其特征在于，包括以下步骤：

步骤A：构建室内无线传播环境，将室内环境划分成若干个网格，参考点位于网格中心，部署一个接入点，在参考点处采集信道状态信息；

步骤B：构建指纹信息，在采集到各参考点的信道状态信息之后，利用MUSIC算法计算不同的收发天线对的伪谱信息，将同一参考点在一段连续采样时间内得到的伪谱信息进行重组，构造成伪谱图像，这部分信息将作为指纹信息；

步骤C：构建卷积神经网络，基于步骤B中的伪谱图像信息构建卷积神经网络的结构，包括网络的深度、激活函数和全连接层神经元个数；

步骤D：将RP和待测点的指纹信息和其对应的位置坐标分别作为训练集和测试集，将训练集输入到卷积神经网络中进行训练；

步骤E：将步骤D中的测试集输入到训练好的网络模型中，利用加权质心的方法计算待测点的位置坐标和定位误差。

2.根据权利要求1所述的一种基于卷积神经网络的超分辨率CIR室内指纹定位方法，其特征在于，步骤B包括如下步骤：

步骤B1：建立室内场景和对应的坐标系，将室内平面图划分成网格状，设置参考点、测试点和信号锚节点的位置，所有的节点均处于同一水平面，分别在每个位置上采集信道状态信息并记录它们的位置；

无线信道传输模型可以建模为：

其中，L代表路径总数，i代表到达路径的索引，δ(t)代表冲激函数,t代表时间,τ_i和a_i分别代表对应路径的到达时间和信道复增益，其中

e^jθ代表复变量；

那么在接收端接收到的频域信道响应为：

其中，

f_k代表第k个子载波，对于不同的子载波存在f_k-f₀＝iΔf，Δf表示子载波间隔，在实际的信道中存在加性白噪声，测量得到的信道状态信息可表示为：

其中，

其中，Z代表信道状态信息中包含的噪声，

代表自然定义域；

步骤B2：对于每个位置点，利用MUSIC算法对采集到的信道状态信息进行处理得到伪谱，假定加性白噪声是零均值的且方差为σ²，测量信道频率响应的自相关函数表示为：

其中,A＝E[aa^H]，I为单位矩阵，上标H代表对一个矩阵进行共轭转置。通过特征值分解，可以化简为：

将R_H的特征值按照降序排列，后N-L个特征值非常小等于σ²，趋于零，它们对应的特征向量G＝[q_L . ..q_N-1]称为噪声子空间，前L个最大特征值相对来说要大很多，它们对应的特征向量S＝[q₀ ... q_L-1]称为信号子空间；

那么导向矢量V对应于信号子空间，与噪声子空间正交，所以它到噪声子空间的距离D(τ)＝||G^HV(τ)||²；对于到达时刻τ＝τ_i，

那么驱动向量到噪声子空间的距离应为0，伪谱定义为D(τ)的倒数，具体的公式如下所示：

因此，每一条多径延迟量τ可以通过MUSIC算法确定，当伪谱信息s(τ)达到峰值时对应的时刻值即为多径延迟量τ；

步骤B3：构建指纹特征，将同一位置点的经MUSIC处理后的信道状态信息组合成伪谱图像，定义s_ij为第L个接收天线与第j个发射天线形成的子信道的伪谱采样值，每一个采样值可以表示为：

s_ij[k]＝s_ij(τ_k)

τ_k＝τ₀+k·ΔT

其中，τ_k表示采样时刻，ΔT为采样间隔，对于同一位置的参考点，在连续采样时刻内采集信道状态信息，计算每个接收天线与发射天线组成的子信道的伪谱信息，将同一接收天线的伪谱信息进行组合，形成448*448大小的子伪谱图，第i个接收天线的子伪谱图的数据格式为：

其中，τ_k～τ_K分别代表伪谱采样值，有K＝k+447，伪谱采样值的范围可以根据到达时间做出调整，t₁～t₁₁₂代表采样时刻，

代表在t₁的采样时刻内，第1个发射天线在τ_k的伪谱信号值；

将同一位置点的不同接收天线的子伪谱图组合起来即为伪谱图。

3.根据权利要求1所述的一种基于卷积神经网络的超分辨率CIR室内指纹定位方法，其特征在于，步骤C包括如下步骤：

步骤C1：根据输入的指纹特征构建卷积神经网络结构，基于伪谱图的结构特征，提出了一个15层网络结构，分别由5个卷积层、5个归一化层、3个池化层和2个全连接层组成；

步骤C2：激活函数利用的是ReLU函数，模型的最后一层输出是Softmax，输出层的神经元个数等于训练参考点的个数，神经元的输出是[0,1]的概率，总和为1，可以看作是待测点位于各参考点的概率。

4.根据权利要求1所述的一种基于卷积神经网络的超分辨率CIR室内指纹定位方法，其特征在于，步骤E包括如下步骤：

步骤E1：采集待测点的数据，在仿真环境中，采集不同待测点的信道状态信息并记录对应的位置坐标。

步骤E2：处理待测点数据生成指纹信息，利用数据处理模块，对信道状态信息信号利用MUSIC算法求得的伪谱信息，将一段采样时刻内生成的伪谱信息进行重组得到不同接收天线的子伪谱图，同一待测点的所有子伪谱图组合生成伪谱图像；

步骤E3：将待测点的指纹特征和对应的位置坐标输入到训练好的卷积神经网络中，利用加权质心的方法，选择概率最高的两个参考点的位置坐标计算待测点的位置。

Images