CN112804633B - 一种时间反演高精度室内定位方法与系统 - Google Patents

一种时间反演高精度室内定位方法与系统 Download PDF

Info

Publication number
CN112804633B
CN112804633B CN202011580698.0A CN202011580698A CN112804633B CN 112804633 B CN112804633 B CN 112804633B CN 202011580698 A CN202011580698 A CN 202011580698A CN 112804633 B CN112804633 B CN 112804633B
Authority
CN
China
Prior art keywords
value
time
channel state
state information
layer
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
CN202011580698.0A
Other languages
English (en)
Other versions
CN112804633A (zh
Inventor
胡斌杰
郑莉莉
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202011580698.0A priority Critical patent/CN112804633B/zh
Publication of CN112804633A publication Critical patent/CN112804633A/zh
Application granted granted Critical
Publication of CN112804633B publication Critical patent/CN112804633B/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
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • 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
    • H04W4/025—Services making use of location information using location based information parameters
    • 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
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种时间反演高精度室内定位方法及系统，该方法首先获取在线信道状态信息测量值；其次，将离线信道状态信息测量值输入训练好的神经网络模型，得到离线时间反演值，根据离线时间反演值构建室内各个参考位置指纹；再次，根据在线信道状态信息测量值和室内各个参考位置指纹确定在线时间反演聚焦强度值；最后，将各个在线时间反演聚焦强度值中最大时间反演聚焦强度值对应的参考位置确定为目标所在位置，实现高精度室内定位。本发明能够利用时间反演的空时聚焦特性实现高精度指纹定位。

Description

一种时间反演高精度室内定位方法与系统
技术领域
本发明涉及定位技术领域，特别是涉及一种时间反演高精度室内定位方法与系统。
背景技术
近年来，随着移动通信技术与互联网技术的逐渐成熟，基于位置信息服务(Location Based Services，LBS)迎来高速发展阶段。各式各样的LBS已涵盖物流、出行、娱乐、O2O等等领域，正广泛而深刻地影响着人民的生活。LBS能够利用定位技术获得移动终端的位置信息，并通过互联网向移动终端提供丰富的个性化信息资源与应用服务。其中，位置信息作为LBS的核心要素，起到了连接虚拟网络世界与现实世界的重要作用。而定位技术作为核心技术之一，已成为推动LBS进一步发展的关键。
根据应用场景划分，可将定位分为室外定位与室内定位。对于前者，已有诸如中国的北斗、美国的全球定位系统(Golbal Positioning system，GPS)、欧洲的伽利略以及俄罗斯的格洛纳斯等成熟的卫星导航定位方案。对于后者而言，由于室内通信技术标准的差异以及基于不同通信技术的室内定位方法各有优劣，目前仍缺少一种普适而有效的室内定位解决方案。另一方面，人们每天大约有80％以上的时间在室内度过，对LBS需求尤为迫切。由于建筑物的阻挡，卫星信号进入室内环境后被严重削弱，难以满足室内定位的精度需求。另外，受室内多径、噪声干扰以及环境变化的影响，高精度室内定位面临着巨大的挑战。
与其他定位方法致力于消除室内多径干扰所不同，时间反演指纹定位方法能够利用时间反演的空时聚焦特性，有效提取室内多径的位置特殊性特征实现高精度定位。然而现有的基于时间反演的指纹定位方法均假设无线信道是互易的，上述假设在实际应用中是否完全成立有待商榷。另外，为获得实际的时间反演信号，需要知道相关硬件参数并构建精确的信号处理模型，较为复杂，不适于实际应用。
发明内容
本发明的目的是提供一种时间反演高精度室内定位方法与系统，以实现高精度的室内定位。
为实现上述目的，本发明提供了如下方案：
一种时间反演高精度室内定位方法，包括：
获取在线信道状态信息测量值；所述在线信道状态信息测量值为待预测目标的信道状态信息测量值；
将离线信道状态信息测量值输入训练好的神经网络模型，得到离线时间反演值，根据所述离线时间反演值构建室内各个参考位置指纹；所述离线信道状态信息测量值为离线阶段测量的各个参考位置的信道状态信息测量值；所述离线时间反演值为所述离线信道状态信息测量值时间反演后的值；
根据所述在线信道状态信息测量值和所述室内各个参考位置指纹确定在线时间反演聚焦强度值；所述在线时间反演聚焦强度值为在线信道状态信息测量值在室内各个参考位置的时间反演聚焦强度值；
将各个所述在线时间反演聚焦强度值中最大时间反演聚焦强度值对应的参考位置确定为目标所在位置。
可选的，所述训练好的神经网络模型，具体训练过程包括：
获取离线信道状态信息测量值；
将所述离线信道状态信息测量值输入神经网络模型的第一卷积层，根据如下公式得到第一卷积层输出结果：
Figure BDA0002865172260000021
其中，
Figure BDA0002865172260000022
表示第一卷积层输出结果，下角标l表示神经元编号，
Figure BDA0002865172260000023
表示卷积操作，
Figure BDA0002865172260000024
表示第一卷积层的权重，
Figure BDA0002865172260000025
表示第一卷积层的偏置，x表示室内各个参考位置的信道状态信息测量值；
将所述第一卷积层输出结果输入神经网络的第一池化层，根据如下公式得到第一池化层输出结果：
Figure BDA0002865172260000031
其中，
Figure BDA0002865172260000032
表示第一池化层输出结果，r2表示池化单元的宽度；
将所述第一池化层输出结果输入神经网络的第二卷积层，根据如下公式得到第二卷积层输出结果：
Figure BDA0002865172260000033
其中，
Figure BDA0002865172260000034
表示第二卷积层输出结果，下角标l表示神经元编号，
Figure BDA0002865172260000035
表示第二卷积层的权重，
Figure BDA0002865172260000036
表示第二卷积层的偏置；
将所述第二卷积层输出结果输入神经网络的第二池化层，根据如下公式得到第二池化层输出结果：
Figure BDA0002865172260000037
其中，
Figure BDA0002865172260000038
表示第二池化层输出结果，r4表示池化单元的宽度；
将所述第二池化层输出结果输入全连接层，根据如下公式得到全连接层输出结果：
Figure BDA0002865172260000039
其中，
Figure BDA00028651722600000310
表示全连接层输出结果，
Figure BDA00028651722600000311
表示全连接层的权重，
Figure BDA00028651722600000312
表示全连接层的偏置，
Figure BDA00028651722600000313
表示池化层输出结果
Figure BDA00028651722600000314
的拉伸结果；
将所述全连接层输出结果输入输出层，根据如下公式得到神经网络模型的实际输出结果，即离线时间反演值：
Figure BDA00028651722600000315
其中，
Figure BDA00028651722600000316
表示神经网络模型的实际输出结果，
Figure BDA00028651722600000319
表示输出层的权重，
Figure BDA00028651722600000317
表示输出层的偏置，
Figure BDA00028651722600000318
表示全连接层输出结果；
根据所述离线时间反演值和离线经时间反演后的聚焦强度值确定损失函数，根据所述离线经时间反演后的聚焦强度值和离线未经时间反演的聚焦强度值确定约束条件，优化所述神经网络模型的参数；所述离线经时间反演后的聚焦强度值为所述离线信道状态信息测量值与所述离线时间反演值确定的时间反演聚焦强度值；所述离线未经时间反演的聚焦强度值为所述离线信道状态信息测量值确定的时间反演聚焦强度值；
对所述神经网络模型进行迭代训练，根据所述损失函数是否小于阈值判断是否达到训练结束条件；
若达到训练结束条件，则结束对神经网络模型的迭代训练，得到训练好的神经网络模型。
可选的，所述根据所述在线信道状态信息测量值和所述室内各个参考位置指纹确定在线时间反演聚焦强度值，具体包括：
根据如下公式确定在线时间反演聚焦强度值：
Figure BDA0002865172260000041
Figure BDA0002865172260000042
其中，
Figure BDA0002865172260000043
表示在线时间反演聚焦强度值，Hs表示未知位置s的在线信道状态测量值，
Figure BDA0002865172260000044
表示参考位置r的指纹，m表示子载波编号，NC表示子载波数量，NIFFT表示逆快速傅里叶变换(Inverse FastFourierTransform，IFFT)规模；φ∈[1,NIFFT]为相位旋转因子，Λs表示对Hs的能量归一化因子，
Figure BDA0002865172260000045
表示对
Figure BDA0002865172260000046
的能量归一化因子，
Figure BDA0002865172260000047
表示Hs上第m个子载波的值，
Figure BDA0002865172260000048
表示
Figure BDA0002865172260000049
上第m个子载波的值。
可选的，所述根据所述离线时间反演值和离线经时间反演后的聚焦强度值确定损失函数，根据所述离线经时间反演后的聚焦强度值和离线未经时间反演的聚焦强度值确定约束条件，优化所述神经网络模型的参数，具体包括：
根据如下公式确定所述损失函数：
Figure BDA00028651722600000410
其中，L表示损失函数，
Figure BDA00028651722600000411
表示参考位置i所述离线信道状态信息测量值
Figure BDA00028651722600000412
与参考位置i所述离线时间反演值
Figure BDA00028651722600000413
的离线经时间反演后的聚焦强度值，
Figure BDA00028651722600000414
表示参考位置q(q≠i)离线信道状态信息测量值
Figure BDA00028651722600000415
与参考位置i离线时间反演值
Figure BDA0002865172260000051
的离线经时间反演后的聚焦强度值；
根据如下公式确定离线经时间反演后的聚焦强度值：
Figure BDA0002865172260000052
Figure BDA0002865172260000053
其中，
Figure BDA0002865172260000054
表示离线经时间反演后的聚焦强度值，
Figure BDA0002865172260000055
表示参考位置a的离线信道状态测量值，
Figure BDA0002865172260000056
表示参考位置b的离线时间反演值，
Figure BDA0002865172260000057
表示对
Figure BDA0002865172260000058
的能量归一化因子，
Figure BDA0002865172260000059
表示对
Figure BDA00028651722600000510
的能量归一化因子，
Figure BDA00028651722600000511
表示
Figure BDA00028651722600000512
上第m个子载波的值，
Figure BDA00028651722600000513
表示
Figure BDA00028651722600000514
上第m个子载波的值；
根据如下公式确定约束条件：
Figure BDA00028651722600000515
其中，
Figure BDA00028651722600000516
表示参考位置i所述离线信道状态信息测量值
Figure BDA00028651722600000517
与参考位置i所述离线时间反演值
Figure BDA00028651722600000518
的时间反演聚焦强度值，即离线经时间反演后的聚焦强度值，
Figure BDA00028651722600000519
表示参考位置i所述离线信道状态信息测量值
Figure BDA00028651722600000520
与参考位置i所述离线信道状态信息测量值
Figure BDA00028651722600000521
的未经时间反演聚焦强度值，即离线未经时间反演的聚焦强度值；
根据如下公式确定离线未经时间反演的聚焦强度值：
Figure BDA00028651722600000522
Figure BDA00028651722600000523
其中，
Figure BDA00028651722600000524
表示离线未经时间反演的聚焦强度值，
Figure BDA00028651722600000525
表示参考位置i的离线信道状态测量值，
Figure BDA00028651722600000526
表示对
Figure BDA00028651722600000527
的能量归一化因子，
Figure BDA00028651722600000528
表示
Figure BDA00028651722600000529
上第m个子载波的值；
根据所述损失函数和所述约束条件，优化所述神经网络模型的参数。
一种时间反演高精度室内定位系统，包括：
信息获取模块，用于获取在线信道状态信息测量值；所述在线信道状态信息测量值为待预测目标的信道状态信息测量值；
时间反演值确定模块，用于将离线信道状态信息测量值输入训练好的神经网络模型，得到离线时间反演值，根据所述离线时间反演值构建室内各参考位置指纹；所述离线信道状态信息测量值为离线阶段测量的各个参考位置的信道状态信息测量值；所述离线时间反演值为所述离线信道状态信息测量值时间反演后的值；
时间反演聚焦强度值确定模块，用于根据所述在线信道状态信息测量值和所述室内各个参考位置指纹确定在线时间反演聚焦强度值；所述在线时间反演聚焦强度值为在线信道状态信息测量值在室内各个参考位置的时间反演聚焦强度值；
目标位置确定模块，用于将各个所述在线时间反演聚焦强度值中最大时间反演聚焦强度值对应的参考位置确定为目标所在位置。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明首先获取在线信道状态信息测量值；其次，将离线信道状态信息测量值输入训练好的神经网络模型，得到离线时间反演值，根据离线时间反演值构建室内各个参考位置指纹；再次，根据在线信道状态信息测量值和室内各个参考位置指纹确定在线时间反演聚焦强度值；最后，将各个在线时间反演聚焦强度值中最大时间反演聚焦强度值对应的参考位置确定为目标所在位置，实现高精度室内定位。本发明能够利用时间反演的空时聚焦特性实现高精度指纹定位；同时结合深度学习思想，通过训练深度网络模拟收发器对接收信号的时间反演操作而无需知道相关硬件参数或构建精确信号处理模型。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明时间反演高精度室内定位方法流程图；
图2为本发明时间反演高精度室内定位方法神经网络模型示意图；
图3为本发明时间反演高精度室内定位系统示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种时间反演高精度室内定位方法与系统，以实现高精度的室内定位。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的一种时间反演高精度室内定位方法，包括：
步骤101：获取在线信道状态信息测量值；所述在线信道状态信息测量值为待预测目标的信道状态信息测量值。
步骤102：将离线信道状态信息测量值输入训练好的神经网络模型，得到离线时间反演值，根据所述离线时间反演值构建室内各个参考位置指纹；所述离线信道状态信息测量值为离线阶段测量的各个参考位置的信道状态信息测量值；所述离线时间反演值为所述离线信道状态信息测量值时间反演后的值。
步骤103：根据所述在线信道状态信息测量值和所述室内各个参考位置指纹确定在线时间反演聚焦强度值；所述在线时间反演聚焦强度值为在线信道状态信息测量值在室内各个参考位置的时间反演聚焦强度值；
步骤104：将各个所述在线时间反演聚焦强度值中最大时间反演聚焦强度值对应的参考位置确定为目标所在位置。
下面分别对上述各个步骤进行详细说明：
在一个实施例中，步骤101包括：
在线阶段，使用商用路由器作为信号发送端，在定位系统中用作固定AP。
待测目标上配备有外接天线，所述外接天线由电脑上的Intel 5300网卡通过IPEX转SMA跳线连接。
通过在电脑上运行CSI Tool获取下行链路的信道状态信息测量值，即在线信道状态信息测量值。
在一个实施例中，步骤102包括：
将离线信道状态信息测量值输入训练好的神经网络模型，得到离线时间反演值，根据所述离线时间反演值构建室内各个参考位置指纹；
其中，所述训练好的神经网络模型，具体训练过程包括：
步骤一，获取离线信道状态信息测量值，具体包括：
离线阶段，使用商用路由器作为信号发送端，在定位系统中用作固定AP。
电脑配备的Intel 5300网卡通过IPEX转SMA跳线连接外接天线；移动外接天线至不同的参考位置，同时运行CSI Tool获取对应参考位置的下行链路的信道状态信息测量值，即离线信道状态信息测量值。
步骤二，如图2所示构造深度网络模型，其中包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层、输出层；网络输入为离线信道状态信息测量值，输出为离线时间反演值。
分别使用均值为0.5以及均值为0的高斯函数对网络中的卷积核(权重)和偏置进行初始化；设定神经网络损失函数阈值、学习率。
步骤三，根据如下公式得到各层输出：
将所述离线信道状态信息测量值输入神经网络模型的第一卷积层，根据如下公式得到第一卷积层输出结果：
Figure BDA0002865172260000081
其中，
Figure BDA0002865172260000082
表示第一卷积层输出结果，下角标l表示神经元编号，
Figure BDA0002865172260000083
表示卷积操作，
Figure BDA0002865172260000084
表示第一卷积层的权重，
Figure BDA0002865172260000085
表示第一卷积层的偏置，x表示室内各个参考位置的信道状态信息测量值。
将所述第一卷积层输出结果输入神经网络的第一池化层，根据如下公式得到第一池化层输出结果：
Figure BDA0002865172260000091
其中，
Figure BDA0002865172260000092
表示第一池化层输出结果，r2表示池化单元的宽度。
将所述第一池化层输出结果输入神经网络的第二卷积层，根据如下公式得到第二卷积层输出结果：
Figure BDA0002865172260000093
其中，
Figure BDA0002865172260000094
表示第二卷积层输出结果，下角标l表示神经元编号，
Figure BDA0002865172260000095
表示第二卷积层的权重，
Figure BDA0002865172260000096
表示第二卷积层的偏置。
将所述第二卷积层输出结果输入神经网络的第二池化层，根据如下公式得到第二池化层输出结果：
Figure BDA0002865172260000097
其中，
Figure BDA0002865172260000098
表示第二池化层输出结果，r4表示池化单元的宽度。
将所述第二池化层输出结果输入全连接层，根据如下公式得到全连接层输出结果：
Figure BDA0002865172260000099
其中，
Figure BDA00028651722600000910
表示全连接层输出结果，
Figure BDA00028651722600000911
表示全连接层的权重，
Figure BDA00028651722600000912
表示全连接层的偏置，
Figure BDA00028651722600000913
表示池化层输出结果
Figure BDA00028651722600000914
的拉伸结果。
将所述全连接层输出结果输入输出层，根据如下公式得到神经网络模型的实际输出结果，即离线时间反演值：
Figure BDA00028651722600000915
其中，
Figure BDA00028651722600000916
表示神经网络模型的实际输出结果，
Figure BDA00028651722600000919
表示输出层的权重，
Figure BDA00028651722600000917
表示输出层的偏置，
Figure BDA00028651722600000918
表示全连接层输出结果。
步骤四，根据所述离线时间反演值和离线经时间反演后的聚焦强度值确定损失函数，根据所述离线经时间反演后的聚焦强度值和离线未经时间反演的聚焦强度值确定约束条件，优化所述神经网络模型的参数；所述离线经时间反演后的聚焦强度值为所述离线信道状态信息测量值与所述离线时间反演值确定的时间反演聚焦强度值；所述离线未经时间反演的聚焦强度值为所述离线信道状态信息测量值确定的时间反演聚焦强度值。对所述神经网络模型进行迭代训练，根据所述损失函数是否小于阈值判断是否达到训练结束条件；若达到训练结束条件，则结束对神经网络模型的迭代训练，得到训练好的神经网络模型。
在实际应用中，根据如下公式确定离线经时间反演后的聚焦强度值：
Figure BDA0002865172260000101
Figure BDA0002865172260000102
其中，
Figure BDA0002865172260000103
表示离线经时间反演后的聚焦强度值，
Figure BDA0002865172260000104
表示参考位置a的离线信道状态测量值，
Figure BDA0002865172260000105
表示参考位置b的离线时间反演值，
Figure BDA0002865172260000106
表示对
Figure BDA0002865172260000107
的能量归一化因子，
Figure BDA0002865172260000108
表示对
Figure BDA0002865172260000109
的能量归一化因子，
Figure BDA00028651722600001010
表示
Figure BDA00028651722600001011
上第m个子载波的值，
Figure BDA00028651722600001012
表示
Figure BDA00028651722600001013
上第m个子载波的值。
根据如下公式确定所述损失函数：
Figure BDA00028651722600001014
其中，L表示损失函数，
Figure BDA00028651722600001015
表示参考位置i所述离线信道状态信息测量值
Figure BDA00028651722600001016
与参考位置i所述离线时间反演值
Figure BDA00028651722600001017
的离线经时间反演后的聚焦强度值，
Figure BDA00028651722600001018
表示参考位置q(q≠i)离线信道状态信息测量值
Figure BDA00028651722600001019
与参考位置i离线时间反演值
Figure BDA00028651722600001020
的离线经时间反演后的聚焦强度值；
根据如下公式确定离线未经时间反演的聚焦强度值：
Figure BDA00028651722600001021
Figure BDA00028651722600001022
其中，
Figure BDA00028651722600001023
表示离线未经时间反演的聚焦强度值，
Figure BDA00028651722600001024
表示参考位置i的离线信道状态测量值，
Figure BDA00028651722600001025
表示对
Figure BDA00028651722600001026
的能量归一化因子，
Figure BDA00028651722600001027
表示
Figure BDA00028651722600001028
上第m个子载波的值。
根据如下公式确定约束条件：
Figure BDA0002865172260000111
其中，
Figure BDA0002865172260000112
表示参考位置i所述离线信道状态信息测量值
Figure BDA0002865172260000113
与参考位置i所述离线时间反演值
Figure BDA0002865172260000114
的时间反演聚焦强度值，即离线经时间反演后的聚焦强度值，
Figure BDA0002865172260000115
表示参考位置i所述离线信道状态信息测量值
Figure BDA0002865172260000116
与参考位置i所述离线信道状态信息测量值
Figure BDA0002865172260000117
的未经时间反演聚焦强度值，即离线未经时间反演的聚焦强度值。
根据所述损失函数和所述约束条件，优化所述神经网络模型的参数。具体包括：
对所述神经网络模型进行迭代训练，根据所述损失函数是否小于阈值判断是否达到训练结束条件。
若未达到训练结束条件，根据如下公式更新深度网络参数：
Figure BDA0002865172260000118
Figure BDA0002865172260000119
其中，k为迭代次数编号，α为学习率，W(k)为第k次迭代下的神经网络的权重，W(k-1)为第k-1次迭代下的神经网络的权重，b(k)为第k次迭代下的神经网络的偏置，b(k-1)为第k-1次迭代下的神经网络的偏置。
若达到训练结束条件，则结束对神经网络模型的迭代训练，得到训练好的神经网络模型。
在一个实施例中，步骤103包括：
根据所述在线信道状态信息测量值和所述室内各参考位置指纹确定在线时间反演聚焦强度值，具体包括：
根据如下公式确定在线时间反演聚焦强度值：
Figure BDA0002865172260000121
Figure BDA0002865172260000122
其中，
Figure BDA0002865172260000123
表示在线时间反演聚焦强度值，Hs表示未知位置s的在线信道状态测量值，
Figure BDA0002865172260000124
表示参考位置r的指纹，m表示子载波编号，NC表示子载波数量，NIFFT表示逆快速傅里叶变换(Inverse FastFourierTransform，IFFT)规模；φ∈[1,NIFFT]为相位旋转因子，Λs表示对Hs的能量归一化因子，
Figure BDA0002865172260000125
表示对
Figure BDA0002865172260000126
的能量归一化因子，
Figure BDA0002865172260000127
表示Hs上第m个子载波的值，
Figure BDA0002865172260000128
表示
Figure BDA0002865172260000129
上第m个子载波的值。
在一个实施例中，步骤104包括：
比较各个参考位置的在线时间反演聚焦强度值；
将最大时间反演聚焦强度值对应的参考位置确定为目标所在位置。
如图3所示，本发明提供的一种时间反演高精度室内定位系统，包括：
信息获取模块301，用于获取在线信道状态信息测量值；所述在线信道状态信息测量值为待预测目标的信道状态信息测量值。
时间反演值确定模块302，用于将离线信道状态信息测量值输入训练好的神经网络模型，得到离线时间反演值，根据所述离线时间反演值构建室内各参考位置指纹；所述离线信道状态信息测量值为离线阶段测量的各个参考位置的信道状态信息测量值；所述离线时间反演值为所述离线信道状态信息测量值时间反演后的值。
时间反演聚焦强度值确定模块303，用于根据所述在线信道状态信息测量值和所述室内各个参考位置指纹确定在线时间反演聚焦强度值；所述在线时间反演聚焦强度值为在线信道状态信息测量值在室内各个参考位置的时间反演聚焦强度值.
目标位置确定模块304，用于将各个所述在线时间反演聚焦强度值中最大时间反演聚焦强度值对应的参考位置确定为目标所在位置。
本发明利用时间反演的空时聚焦特性，计算在线信道状态信息测量值和各个参考位置指纹的在线时间反演聚焦强度值，并将最大时间反演聚焦强度值对应的参考位置确定为目标所在位置，实现高精度定位。其中，通过在离线阶段引入深度学习思想，使用深度网络模拟收发器对接收信号的时间反演操作，其优点在于无需相关硬件参数或构建精确信号处理模型。
本发明的优势如下：
1.基于时间反演的指纹定位方法，与现有定位方法相比，具有高精度的特点，即可以在微小间隔(分米级甚至是厘米级)的网格点上实现准确的定位。这是因为基于时间反演的指纹定位方法能够充分利用室内的丰富多径特征，而不像其他方法尽可能地避免室内多径的干扰。
2.利用深度学习技术模拟收发器对接收信号的时间反演操作。其优点在于无需相关硬件参数或构建精确的信号处理模型。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种时间反演高精度室内定位方法，其特征在于，包括：
获取在线信道状态信息测量值；所述在线信道状态信息测量值为待预测目标的信道状态信息测量值；
将离线信道状态信息测量值输入训练好的神经网络模型，得到离线时间反演值，根据所述离线时间反演值构建室内各个参考位置指纹；所述离线信道状态信息测量值为离线阶段测量的各个参考位置的信道状态信息测量值；所述离线时间反演值为所述离线信道状态信息测量值时间反演后的值；
根据所述在线信道状态信息测量值和所述室内各个参考位置指纹确定在线时间反演聚焦强度值；所述在线时间反演聚焦强度值为在线信道状态信息测量值在室内各个参考位置的时间反演聚焦强度值；
将各个所述在线时间反演聚焦强度值中最大时间反演聚焦强度值对应的参考位置确定为目标所在位置；
所述训练好的神经网络模型，具体训练过程包括：
获取离线信道状态信息测量值；
将所述离线信道状态信息测量值输入神经网络模型的第一卷积层，根据如下公式得到第一卷积层输出结果：
Figure FDA0003261432230000011
其中，
Figure FDA0003261432230000012
表示第一卷积层输出结果，下角标l表示神经元编号，
Figure FDA0003261432230000013
表示卷积操作，
Figure FDA0003261432230000014
表示第一卷积层的权重，
Figure FDA0003261432230000015
表示第一卷积层的偏置，x表示室内各个参考位置的信道状态信息测量值；
将所述第一卷积层输出结果输入神经网络的第一池化层，根据如下公式得到第一池化层输出结果：
Figure FDA0003261432230000016
其中，
Figure FDA0003261432230000017
表示第一池化层输出结果，r2表示池化单元的宽度；
将所述第一池化层输出结果输入神经网络的第二卷积层，根据如下公式得到第二卷积层输出结果：
Figure FDA0003261432230000021
其中，
Figure FDA0003261432230000022
表示第二卷积层输出结果，下角标l表示神经元编号，
Figure FDA0003261432230000023
表示第二卷积层的权重，
Figure FDA0003261432230000024
表示第二卷积层的偏置；
将所述第二卷积层输出结果输入神经网络的第二池化层，根据如下公式得到第二池化层输出结果：
Figure FDA0003261432230000025
其中，
Figure FDA0003261432230000026
表示第二池化层输出结果，r4表示池化单元的宽度；
将所述第二池化层输出结果输入全连接层，根据如下公式得到全连接层输出结果：
Figure FDA0003261432230000027
其中，
Figure FDA0003261432230000028
表示全连接层输出结果，Wl 5表示全连接层的权重，
Figure FDA0003261432230000029
表示全连接层的偏置，
Figure FDA00032614322300000210
表示池化层输出结果
Figure FDA00032614322300000211
的拉伸结果；
将所述全连接层输出结果输入输出层，根据如下公式得到神经网络模型的实际输出结果，即离线时间反演值：
Figure FDA00032614322300000212
其中，
Figure FDA00032614322300000213
表示神经网络模型的实际输出结果，Wl end表示输出层的权重，
Figure FDA00032614322300000214
表示输出层的偏置，
Figure FDA00032614322300000215
表示全连接层输出结果；
根据所述离线时间反演值和离线经时间反演后的聚焦强度值确定损失函数，根据所述离线经时间反演后的聚焦强度值和离线未经时间反演的聚焦强度值确定约束条件，优化所述神经网络模型的参数；所述离线经时间反演后的聚焦强度值为所述离线信道状态信息测量值与所述离线时间反演值确定的时间反演聚焦强度值；所述离线未经时间反演的聚焦强度值为所述离线信道状态信息测量值确定的时间反演聚焦强度值；
对所述神经网络模型进行迭代训练，根据所述损失函数是否小于阈值判断是否达到训练结束条件；
若达到训练结束条件，则结束对神经网络模型的迭代训练，得到训练好的神经网络模型。
2.根据权利要求1所述的时间反演高精度室内定位方法，其特征在于，所述根据所述在线信道状态信息测量值和所述室内各个参考位置指纹确定在线时间反演聚焦强度值，具体包括：
根据如下公式确定在线时间反演聚焦强度值：
Figure FDA0003261432230000031
Figure FDA0003261432230000032
其中，
Figure FDA0003261432230000033
表示在线时间反演聚焦强度值，Hs表示未知位置s的在线信道状态测量值，
Figure FDA0003261432230000034
表示参考位置r的指纹，m表示子载波编号，NC表示子载波数量，NIFFT表示逆快速傅里叶变换(Inverse Fast Fourier Transform，IFFT)规模；φ∈[1,NIFFT]为相位旋转因子，Λs表示对Hs的能量归一化因子，
Figure FDA0003261432230000035
表示对
Figure FDA0003261432230000036
的能量归一化因子，
Figure FDA0003261432230000037
表示Hs上第m个子载波的值，
Figure FDA0003261432230000038
表示
Figure FDA0003261432230000039
上第m个子载波的值。
3.根据权利要求1所述的时间反演高精度室内定位方法，其特征在于，所述根据所述离线时间反演值和离线经时间反演后的聚焦强度值确定损失函数，根据所述离线经时间反演后的聚焦强度值和离线未经时间反演的聚焦强度值确定约束条件，优化所述神经网络模型的参数，具体包括：
根据如下公式确定所述损失函数：
Figure FDA00032614322300000310
其中，L表示损失函数，
Figure FDA00032614322300000311
表示参考位置i所述离线信道状态信息测量值
Figure FDA00032614322300000312
与参考位置i所述离线时间反演值
Figure FDA00032614322300000313
的离线经时间反演后的聚焦强度值，
Figure FDA00032614322300000314
表示参考位置q(q≠i)离线信道状态信息测量值
Figure FDA00032614322300000315
与参考位置i离线时间反演值
Figure FDA00032614322300000316
的离线经时间反演后的聚焦强度值；
根据如下公式确定离线经时间反演后的聚焦强度值：
Figure FDA0003261432230000041
Figure FDA0003261432230000042
其中，
Figure FDA0003261432230000043
表示离线经时间反演后的聚焦强度值，
Figure FDA0003261432230000044
表示参考位置a的离线信道状态测量值，
Figure FDA0003261432230000045
表示参考位置b的离线时间反演值，
Figure FDA0003261432230000046
表示对
Figure FDA0003261432230000047
的能量归一化因子，
Figure FDA0003261432230000048
表示对
Figure FDA0003261432230000049
的能量归一化因子，
Figure FDA00032614322300000410
表示
Figure FDA00032614322300000411
上第m个子载波的值，
Figure FDA00032614322300000412
表示
Figure FDA00032614322300000413
上第m个子载波的值；
根据如下公式确定约束条件：
Figure FDA00032614322300000414
其中，
Figure FDA00032614322300000415
表示参考位置i所述离线信道状态信息测量值
Figure FDA00032614322300000416
与参考位置i所述离线时间反演值
Figure FDA00032614322300000417
的时间反演聚焦强度值，即离线经时间反演后的聚焦强度值，
Figure FDA00032614322300000418
表示参考位置i所述离线信道状态信息测量值
Figure FDA00032614322300000419
与参考位置i所述离线信道状态信息测量值
Figure FDA00032614322300000420
的未经时间反演聚焦强度值，即离线未经时间反演的聚焦强度值；
根据如下公式确定离线未经时间反演的聚焦强度值：
Figure FDA00032614322300000421
Figure FDA00032614322300000422
其中，
Figure FDA00032614322300000423
表示离线未经时间反演的聚焦强度值，
Figure FDA00032614322300000424
表示参考位置i的离线信道状态测量值，
Figure FDA00032614322300000425
表示对
Figure FDA00032614322300000426
的能量归一化因子，
Figure FDA00032614322300000427
表示
Figure FDA00032614322300000428
上第m个子载波的值；
根据所述损失函数和所述约束条件，优化所述神经网络模型的参数。
4.一种时间反演高精度室内定位系统，其特征在于，包括：
信息获取模块，用于获取在线信道状态信息测量值；所述在线信道状态信息测量值为待预测目标的信道状态信息测量值；
时间反演值确定模块，用于将离线信道状态信息测量值输入训练好的神经网络模型，得到离线时间反演值，根据所述离线时间反演值构建室内各参考位置指纹；所述离线信道状态信息测量值为离线阶段测量的各个参考位置的信道状态信息测量值；所述离线时间反演值为所述离线信道状态信息测量值时间反演后的值；
时间反演聚焦强度值确定模块，用于根据所述在线信道状态信息测量值和所述室内各个参考位置指纹确定在线时间反演聚焦强度值；所述在线时间反演聚焦强度值为在线信道状态信息测量值在室内各个参考位置的时间反演聚焦强度值；
目标位置确定模块，用于将各个所述在线时间反演聚焦强度值中最大时间反演聚焦强度值对应的参考位置确定为目标所在位置；
所述训练好的神经网络模型，具体训练过程包括：
获取离线信道状态信息测量值；
将所述离线信道状态信息测量值输入神经网络模型的第一卷积层，根据如下公式得到第一卷积层输出结果：
Figure FDA0003261432230000051
其中，
Figure FDA0003261432230000052
表示第一卷积层输出结果，下角标l表示神经元编号，
Figure FDA0003261432230000053
表示卷积操作，
Figure FDA0003261432230000054
表示第一卷积层的权重，
Figure FDA0003261432230000055
表示第一卷积层的偏置，x表示室内各个参考位置的信道状态信息测量值；
将所述第一卷积层输出结果输入神经网络的第一池化层，根据如下公式得到第一池化层输出结果：
Figure FDA0003261432230000056
其中，
Figure FDA0003261432230000057
表示第一池化层输出结果，r2表示池化单元的宽度；
将所述第一池化层输出结果输入神经网络的第二卷积层，根据如下公式得到第二卷积层输出结果：
Figure FDA0003261432230000058
其中，
Figure FDA0003261432230000061
表示第二卷积层输出结果，下角标l表示神经元编号，
Figure FDA0003261432230000062
表示第二卷积层的权重，
Figure FDA0003261432230000063
表示第二卷积层的偏置；
将所述第二卷积层输出结果输入神经网络的第二池化层，根据如下公式得到第二池化层输出结果：
Figure FDA0003261432230000064
其中，
Figure FDA0003261432230000065
表示第二池化层输出结果，r4表示池化单元的宽度；
将所述第二池化层输出结果输入全连接层，根据如下公式得到全连接层输出结果：
Figure FDA0003261432230000066
其中，
Figure FDA0003261432230000067
表示全连接层输出结果，Wl 5表示全连接层的权重，
Figure FDA0003261432230000068
表示全连接层的偏置，
Figure FDA0003261432230000069
表示池化层输出结果
Figure FDA00032614322300000610
的拉伸结果；
将所述全连接层输出结果输入输出层，根据如下公式得到神经网络模型的实际输出结果，即离线时间反演值：
Figure FDA00032614322300000611
其中，
Figure FDA00032614322300000612
表示神经网络模型的实际输出结果，Wl end表示输出层的权重，
Figure FDA00032614322300000613
表示输出层的偏置，
Figure FDA00032614322300000614
表示全连接层输出结果；
根据所述离线时间反演值和离线经时间反演后的聚焦强度值确定损失函数，根据所述离线经时间反演后的聚焦强度值和离线未经时间反演的聚焦强度值确定约束条件，优化所述神经网络模型的参数；所述离线经时间反演后的聚焦强度值为所述离线信道状态信息测量值与所述离线时间反演值确定的时间反演聚焦强度值；所述离线未经时间反演的聚焦强度值为所述离线信道状态信息测量值确定的时间反演聚焦强度值；
对所述神经网络模型进行迭代训练，根据所述损失函数是否小于阈值判断是否达到训练结束条件；
若达到训练结束条件，则结束对神经网络模型的迭代训练，得到训练好的神经网络模型。
CN202011580698.0A 2020-12-28 2020-12-28 一种时间反演高精度室内定位方法与系统 Active CN112804633B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011580698.0A CN112804633B (zh) 2020-12-28 2020-12-28 一种时间反演高精度室内定位方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011580698.0A CN112804633B (zh) 2020-12-28 2020-12-28 一种时间反演高精度室内定位方法与系统

Publications (2)

Publication Number Publication Date
CN112804633A CN112804633A (zh) 2021-05-14
CN112804633B true CN112804633B (zh) 2021-11-02

Family

ID=75805103

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011580698.0A Active CN112804633B (zh) 2020-12-28 2020-12-28 一种时间反演高精度室内定位方法与系统

Country Status (1)

Country Link
CN (1) CN112804633B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103197313A (zh) * 2013-04-25 2013-07-10 电子科技大学 子阵列时间反演镜探测方法
CN108120573A (zh) * 2017-12-26 2018-06-05 东莞理工学院 时间反演超分辨率管道泄漏监测方法
CN108540940A (zh) * 2017-12-21 2018-09-14 中通服咨询设计研究院有限公司 一种基于时间反演技术的监狱人员定位管理系统
CN111107626A (zh) * 2019-12-13 2020-05-05 重庆邮电大学 一种基于时间反演的doa定位方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9497722B2 (en) * 2011-05-02 2016-11-15 Ziva Corp. Distributed co-operating nodes using time reversal
CN111050294A (zh) * 2020-02-24 2020-04-21 张早 一种基于深度神经网络的室内定位系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103197313A (zh) * 2013-04-25 2013-07-10 电子科技大学 子阵列时间反演镜探测方法
CN108540940A (zh) * 2017-12-21 2018-09-14 中通服咨询设计研究院有限公司 一种基于时间反演技术的监狱人员定位管理系统
CN108120573A (zh) * 2017-12-26 2018-06-05 东莞理工学院 时间反演超分辨率管道泄漏监测方法
CN111107626A (zh) * 2019-12-13 2020-05-05 重庆邮电大学 一种基于时间反演的doa定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A Deep-Learning-Based Self-Calibration Time-Reversal Fingerprinting Localization Approach on Wi-Fi Platform;Lili Zheng;《IEEE INTERNET OF THINGS JOURNAL》;20200318;说明书第1-8章、图2 *

Also Published As

Publication number Publication date
CN112804633A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN107396322B (zh) 基于路径匹配与编码译码循环神经网络的室内定位方法
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
Yin et al. TOA-based robust wireless geolocation and Cramér-Rao lower bound analysis in harsh LOS/NLOS environments
Lam et al. LoRa-based localization systems for noisy outdoor environment
CN112073895A (zh) 一种基于csi高精度人员定位跟踪方法
CN106851821B (zh) 一种基于无线通信基站的室内三维定位方法
CN112218330B (zh) 定位方法及通信装置
CN105898713A (zh) 一种基于加权余弦相似度的WiFi指纹室内定位方法
CN106970353B (zh) 一种基于通信基站三维定位的跟踪与轨迹方法
CN111722180B (zh) 一种基于卡尔曼滤波的室内行人定位方法、装置及系统
Redondi Radio map interpolation using graph signal processing
CN113015093B (zh) 一种基于三维深度残差神经网络的室内无线定位方法
CN112533136B (zh) 一种基于深度学习的wlan指纹定位方法
CN106961659A (zh) 一种类指纹的蓝牙定位方法
CN109348403A (zh) 一种异构网络环境中面向指纹定位的基站部署优化方法
CN108650629A (zh) 一种基于无线通信基站的室内三维定位算法
Ren et al. A Novel Indoor Positioning Algorithm for Wireless Sensor Network Based on Received Signal Strength Indicator Filtering and Improved Taylor Series Expansion.
CN112804633B (zh) 一种时间反演高精度室内定位方法与系统
Arai et al. Color radiomap interpolation for efficient fingerprint wifi-based indoor location estimation
CN103561412A (zh) 一种基于平稳随机过程的信道相关阴影衰落构建的方法
CN111770528B (zh) 基于信道参数萃取方法的视距与非视距识别方法及装置
CN110856100B (zh) 基于5g信号的终端定位及定位模型构建的方法和装置
CN110007276B (zh) 一种声源定位方法及系统
CN115589569A (zh) 一种使用Wi-Fi物理层信息校准FTM的方法
Cui et al. A Novel Iterative Positioning Method based on Difference RSS Model with 5G Field Experiments

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