CN112839311A - 一种基于动态监测的csi室内定位方法 - Google Patents

Abstract

本发明公开了一种基于动态监测的CSI室内定位方法。该方法为：首先在室内不同位置采集CSI幅度信息，利用动态时间窗监测技术获取m个数据包关于同一个子载波的CSI幅度的均值，将其作为定位的CSI幅值特征数据；然后构建BP神经网络，将无人通过状态采集得到的不同位置的一维的CSI幅值特征数据送入BP神经网络进行训练，得到线上定位模型；最后使用构建和训练完成的线上定位模型，进行线上定位。本发明将CSI幅度信息构建成一维的特征数据送入BP神经网络进行训练和定位，并且减少BP神经网络的输出节点数，用于BP神经网络的训练和定位，提高了特征数据的稳定性，降低了运算复杂度，提高了定位精度。

Description

一种基于动态监测的CSI室内定位方法

技术领域

本发明涉及无线定位和深度学习技术领域，特别是一种基于动态监测的CSI室内定位方法。

背景技术

随着科技的发展和移动设备的普及，定位已经逐渐渗透到人们的出行和生活当中，例如百度地图为我们出行规划路线、携程根据我们的位置推荐最近的酒店等等，这都为我们带来了极大的便利，但这些都是基于GPS的室外定位技术，室内环境复杂导致出现严重的多径效应，给GPS的室内定位带来了挑战。随着无线网WLAN的飞速发展，基于WIFI的室内定位技术也已经迅速发展起来。

基于WIFI的室内定位技术主要有两种：基于RSSI的室内定位和基于CSI的室内定位，CSI是无线信道的频率响应。2000年微软亚洲研究院的RADAR是基于RSSI的定位系统，它主要分为线上和线下两个阶段，线下采集室内多个位置的RSSI并提取特征建立特征数据库，线上将待定位节点的特征数据与特征数据库比对从而实现对待测节点的定位，这种方法需要采集大量的特征数据，复杂度比较高，并且RSSI是多径信号叠加，表示的是一个数据包的接收信号强度，无法估计出每条路径信号的传输衰减情况，所以提供的信息是粗粒度的，用于室内定位的精度有限。

CIFI中曾提出将CSI的角度与卷积神经网络相结合，将CSI的相位信息转化为角度信息作为特征数据，克服了相位不稳定性的缺点，并将数据包-角度二维特征矩阵作为卷积神经网络的输入，训练得到室内定位器，但该方法并没有对环境进行监测，不能保证获取的是无人员走动情况下的无扰动CSI数据，会对定位精度产生一定的影响。

发明内容

本发明的目的在于提供一种定位精度高、稳定性高、复杂度低的基于动态监测的CSI室内定位方法。

实现本发明目的的技术解决方案为：一种基于动态监测的CSI室内定位方法，包括以下步骤：

步骤1、在室内不同位置采集CSI幅度信息，利用动态时间窗监测技术获取m个数据包关于同一个子载波的CSI幅度的均值，将其作为定位的CSI幅值特征数据；

步骤2、构建BP神经网络，将无人通过状态采集得到的不同位置的一维的CSI幅值特征数据送入BP神经网络进行训练，得到线上定位模型；

步骤3、使用构建和训练完成的线上定位模型，进行线上定位。

作为一种具体的示例，步骤1所述的在室内不同位置采集CSI幅度信息，利用动态时间窗监测技术获取m个数据包关于同一个子载波的CSI幅度的均值，将其作为定位的CSI幅值特征数据，具体如下：

步骤1.1、利用动态时间窗技术，提取出t₁时间段内采集的不同数据包中同一个子载波的CSI幅度的均值，以及CSI的相位差方差特征；

步骤1.2、根据CSI的相位差方差特征，确定时间段t₁内任一位置的无线信道特性，即当方差大于阈值时，表示有人通过，为状态0；否则表示无人通过，为状态1；

步骤1.3、当CSI的相位差方差特征为0状态时，对原位置继续采集一段时间t₂，直到CSI的相位差方差特征为1状态时，停止采集数据，得到无人员走动时的幅值数据。

作为一种具体的示例，步骤1.1所述的利用动态时间窗技术，提取出t₁时间段内采集的不同数据包中同一个子载波的CSI幅度的均值，以及CSI的相位差方差特征，具体如下：

设定在一个位置的数据包发送速率为每2s发送一个，需要对该位置采集2min的数据，因此t₁＝2min；提取该时间段内获取的60个数据包，如果直接使用幅值作为特征数据，由于接收端为3根天线，取其中一根天线的幅值作为特征数据，那么幅值特征数据的维度30*60，将动态窗口的长度设置为60，并计算出窗口内CSI幅值的均值；根据802.11n协议，每个数据包中有30个子载波传输数据，所以在该位置得到1*30的幅值特征向量；将动态窗口内同一个数据包相邻两根天线关于同一个子载波的CSI的相位差求出，取天线1和天线2的相位差，得到一个1*30维的相位差向量，由于动态窗口的长度为60，因此对60个CSI数据包的每一个子载波的相位差求方差，得到一个1*30的相位差方差向量。

作为一种具体的示例，步骤1.3所述的当CSI的相位差方差特征为0状态时，对原位置继续采集一段时间t₂，直到CSI的相位差方差特征为1状态时，停止采集数据，得到无人员走动时的幅值数据，具体如下：

当CSI的相位差的方差特征为0状态时，对该位置继续采集一段时间t₂的数据，将t₁时间段和t₂时间段采集的数据包合并在一起，采用步骤1.1中同样长度的窗口计算出幅度均值特征向量和相位差方差特征向量，设定需要H个滑动窗口，将每个窗口提取出的特征向量单独存放，得到2H个幅度均值向量和相位差方差特征向量；接着重复步骤1.1～步骤1.2，选出符合1状态的滑动窗口求出的均值特征向量；当CSI的相位差的方差特征为状态1时，直接从滑动窗口提取出均值特征向量。

作为一种具体的示例，步骤2所述构建BP神经网络，将无人通过状态采集得到的不同位置的一维的CSI幅值特征数据送入BP神经网络进行训练，得到线上定位模型，具体如下：

步骤2.1、构建BP神经网络：神经网络的输入为CSI幅度的均值特征向量，神经网络的隐含层层数为3层，神经网络的输出为室内位置的编号1,2,…,n，每个位置编号对应的位置坐标已知；

步骤2.2、神经网络的训练：根据房间的大小选取训练样本的数量，每个样本有对应的标签，标签也就是训练样本的真实位置编号，获取均值特征向量作为神经网络的输入，对应每一个输入会有一个输出，该输出与样本的标签之间存在偏差，建立用于表示偏差Error的目标函数：

其中，o_i和y_i分别是第i个位置的标签值和输出值，n表示训练样本的个数；

使用反向传播算法，依次对各层的推导公式进行梯度求解，分别计算每层节点的误差项δ_j，并进行权值的更新：

w_{ji_new}＝w_ji+ηδ_jx_ji

其中，w_ji表示节点i到节点j的权重，w_{ji_new}表示更新以后的权重；η表示步长，是一个常数；δ_j表示节点j的误差项，x_ji是节点i传递给节点j的输入，ηδ_jx_ji表示反梯度方向；

当误差小于指定阈值时，停止训练，此时各网络层之间的权值就是用于线上定位的神经网络模型所需要的参数。

作为一种具体的示例，步骤3所述使用构建和训练完成的线上定位模型，进行线上定位，具体如下：

步骤3.1、选取训练位置编号中与测试位置输出编号最接近的3个位置的坐标；

步骤3.2、对3个训练位置的坐标值求平均得到(x_i,y_i)，此坐标即为对应测试位置的坐标；

步骤3.3、选取多个测试位置按照步骤3.1和步骤3.2进行线上定位。

本发明与现有技术相比，其显著优点在于：(1)将无线信道状态信息CSI与BP神经网络相结合，将CSI幅度信息构建成一维的特征数据送入BP神经网络进行训练和定位，通过减少神经网络输出的节点数降低了运算的复杂度；(2)利用动态监测技术对环境进行监控，采用无人员走动的特征数据用于定位，提高了特征数据的稳定性；(3)将深度学习中最简单的BP神经网络作为室内定位的方法，降低了复杂度，提高了定位精度。

附图说明

图1为本发明基于动态监测的CSI室内定位方法的流程示意图。

图2为本发明实施例中有无人员走动的相位差方差的对比示意图。

图3为本发明实施例中BP神经网络定位模型的原理示意图。

具体实施方式

本发明将无线信道状态信息(CSI)与BP神经网络相结合，由于不同的位置具有不同的CSI幅值，因此可以选用CSI的幅度信息作为室内定位的特征数据，但同时考虑到室内环境复杂，突发干扰也是十分常见的，因此将突发干扰考虑到室内定位的技术中去，对提高定位的鲁棒性和精度都是有益的。突发干扰的种类是很多的，比如人员的走动，桌椅的阻挡和设备硬件的抖动等，都会对定位的CSI幅度特征数据造成一定的影响，并且突发干扰种类的不同，对幅度特征数据的影响也是不同的，如果从干扰数据恢复出原始数据是十分困难的一件事情，因此本发明首先采用了动态时间窗监测的技术，将CSI同一个子载波的相邻两根天线相位差的方差作为动态监测的指标，用它来判断环境是否有人员扰动；然后采集没有扰动的CSI幅度信息作为定位的特征数据，用它们去训练BP神经网络；最后为了降低定位的复杂度，本发明并没有将CSI幅度信息构建成二维矩阵特征数据，而是将它们构建成一维的特征数据送入BP神经网络进行训练和定位，并且减少BP神经网络的输出节点数，用于BP神经网络的训练和定位。

本发明基于动态监测的CSI室内定位方法，包括以下步骤：

步骤1、在室内不同位置采集CSI幅度信息，利用动态时间窗监测技术获取m个数据包关于同一个子载波的CSI幅度的均值，将其作为定位的CSI幅值特征数据；

在室内不同位置采集CSI幅度信息，由于室内环境比较复杂，不同位置的CSI幅度均值也会有差异，可以利用动态时间窗监测技术获取m个数据包关于同一个子载波的CSI幅度的均值，将其作为定位的特征数据，相比较利用每一个子载波的幅值特征数据来说，降低了特征数据的维度。

步骤2、构建BP神经网络，将无人通过状态采集得到的不同位置的一维的CSI幅值特征数据送入BP神经网络进行训练，得到线上定位模型；

考虑到将无人通过状态采集得到的不同位置的CSI幅值特征数据送入BP神经网络进行训练，复杂度会变较高，为了降低BP神经网络的复杂度，BP神经网络的输入不是数据包-子载波的幅度二维的特征数据，而是采用一维的幅度均值数据。

步骤3、使用构建和训练完成的线上定位模型，进行线上定位。

作为一种具体的示例，步骤1所述的在室内不同位置采集CSI幅度信息，利用动态时间窗监测技术获取m个数据包关于同一个子载波的CSI幅度的均值，将其作为定位的CSI幅值特征数据，具体如下：

步骤1.1、利用动态时间窗技术，提取出t₁时间段内采集的不同数据包中同一个子载波的CSI幅度的均值，以及CSI的相位差方差特征；

步骤1.2、考虑到步骤1.1中采集数据时突发干扰会对幅值造成影响，根据CSI的相位差方差特征，确定时间段t₁内任一位置的无线信道特性，即当方差大于阈值时，表示有人通过，为状态0；否则表示无人通过，为状态1；

步骤1.3、当CSI的相位差方差特征为0状态时，对原位置继续采集一段时间t₂，直到CSI的相位差方差特征为1状态时，停止采集数据，得到无人员走动时的幅值数据。

作为一种具体的示例，步骤1.1所述的利用动态时间窗技术，提取出t₁时间段内采集的不同数据包中同一个子载波的CSI幅度的均值，以及CSI的相位差方差特征，具体如下：

设定在一个位置的数据包发送速率为每2s发送一个，需要对该位置采集2min的数据，因此t₁＝2min；提取该时间段内获取的60个数据包，如果直接使用幅值作为特征数据，由于接收端为3根天线，取其中一根天线的幅值作为特征数据，那么幅值特征数据的维度30*60，将动态窗口的长度设置为60，并计算出窗口内CSI幅值的均值；根据802.11n协议，每个数据包中有30个子载波传输数据，所以在该位置得到1*30的幅值特征向量；将动态窗口内同一个数据包相邻两根天线关于同一个子载波的CSI的相位差求出，取天线1和天线2的相位差，得到一个1*30维的相位差向量，由于动态窗口的长度为60，因此对60个CSI数据包的每一个子载波的相位差求方差，得到一个1*30的相位差方差向量。

作为一种具体的示例，步骤1.3所述的当CSI的相位差方差特征为0状态时，对原位置继续采集一段时间t₂，直到CSI的相位差方差特征为1状态时，停止采集数据，得到无人员走动时的幅值数据，具体如下：

步骤1.2中根据相位方差的大小判断有无人通过，当为状态0时，表示有人走动，则会对CSI的幅值造成影响，从而降低定位精度。为了能够获取真实的幅值，当CSI的相位差的方差特征为0状态时，对该位置继续采集一段时间t₂的数据，将t₁时间段和t₂时间段采集的数据包合并在一起，采用步骤1.1中同样长度的窗口计算出幅度均值特征向量和相位差方差特征向量，设定需要H个滑动窗口，将每个窗口提取出的特征向量单独存放，得到2H个幅度均值向量和相位差方差特征向量；接着重复步骤1.1～

步骤1.2，选出符合1状态的滑动窗口求出的均值特征向量；当CSI的相位差的方差特征为状态1时，直接从滑动窗口提取出均值特征向量。

作为一种具体的示例，步骤2所述构建BP神经网络，将无人通过状态采集得到的不同位置的一维的CSI幅值特征数据送入BP神经网络进行训练，得到线上定位模型，具体如下：

步骤2.1、构建BP神经网络：神经网络的输入为CSI幅度的均值特征向量，神经网络的隐含层层数为3层，神经网络的输出为室内位置的编号1,2,…,n，每个位置编号对应的位置坐标已知；

步骤2.2、神经网络的训练：根据房间的大小选取训练样本的数量，每个样本有对应的标签，标签也就是训练样本的真实位置编号，获取均值特征向量作为神经网络的输入，对应每一个输入会有一个输出，该输出与样本的标签之间存在偏差，建立用于表示偏差Error的目标函数：

其中，o_i和y_i分别是第i个位置的标签值和输出值，n表示训练样本的个数；

使用反向传播算法，依次对各层的推导公式进行梯度求解，分别计算每层节点的误差项δ_j，并进行权值的更新：

w_{ji_new}＝w_ji+ηδ_jx_ji

其中，w_ji表示节点i到节点j的权重，w_{ji_new}表示更新以后的权重；η表示步长，是一个常数；δ_j表示节点j的误差项，x_ji是节点i传递给节点j的输入，ηδ_jx_ji表示反梯度方向；

当误差小于指定阈值时，停止训练，此时各网络层之间的权值就是用于线上定位的神经网络模型所需要的参数。

作为一种具体的示例，步骤3所述使用构建和训练完成的线上定位模型，进行线上定位，具体如下：

步骤3.1、选取训练位置编号中与测试位置输出编号最接近的3个位置的坐标；

步骤3.2、对3个训练位置的坐标值求平均得到(x_i,y_i)，此坐标即为对应测试位置的坐标；

步骤3.3、选取多个测试位置按照步骤3.1和步骤3.2进行线上定位。

下面结合附图及具体实施例对本发明作进一步详细说明。

实施例

结合图1，本发明一种基于动态监测的CSI室内定位方法，包括以下步骤：

步骤1、在室内不同位置采集CSI幅度信息，利用动态时间窗监测技术获取m个数据包关于同一个子载波的CSI幅度的均值，将其作为定位的特征数据，具体如下：

步骤1.1、设定在某个位置的数据包发送速率为每2s发送一个，对该位置采集2min左右的数据，因此t₁＝2min，提取在该时间段内获取的60个数据包，根据IEEE 802.11n协议，每个数据包中有30个子载波传输数据，将采集得到的不同子载波的CSI幅值数据存放在30*60的矩阵A中：

其中h_i,j表示第i个数据包中第j个子载波对应的CSI的幅值，利用长度为60的滑动窗口对A同一个子载波的数据进行处理，求出窗口内数据的幅度均值m_j：

其中j＝1,2,…,30，令m＝(m₁,m₂,...,m₃₀)为幅度的均值向量，维度均为1*30，降低了特征数据的维度；同理，将一个CSI数据包中的不同子载波相邻两根天线的CSI相位差值数据存放在1*30的向量B中：

B＝[f₁,f₂,...,f₃₀] (3)

其中f_i表示相邻两根天线关于第i个子载波的相位差，动态窗口内共有60个数据包，对60个数据包中每一个子载波相位差求方差，得到一个1*30维的相位差方差向量v：

v＝[v₁,v₂,...,v₃₀] (4)

其中，每个元素表示为：

其中，f_i,j表示第j个数据包中关于第i个子载波的相位差。

步骤1.2、人员的走动会对采集的得到的幅值信息产生影响，从而使得采集到的幅值信息不具有稳定性，为了获得稳定的幅值信息，提高定位精度，当存在人员走动时，相位波动比较大，因此对应的相位差方差比较大，而无人员走动对应的方差比较小，如下图2所示，图中phase diff1和phase diff2分别表示有无人员走动的曲线，由图2可以看出，用相位差方差的大小来区分有无人员走动是可行的，因此可以通过对步骤1.1中得到的相位方差特征向量求均值v来判断有无人员走动，具体为：

步骤1.3、当无人员走动时，将该时间段内得到的幅度均值特征向量m作为BP神经网络的输入；当有人员走动时，需要对该位置继续采集一段时间t₂的幅值信息，假设t₁时间段与t₂时间段共收集了N个数据包，根据80211n协议，每个数据包中有30个子载波传输数据，将采集得到的CSI幅值数据存放在30*N的矩阵H中，同样采用长度为60的滑动窗口对其中的数据进行滑动处理，求出滑动窗口内CSI数据的幅度均值向量和相位差方差向量，按照步长为1的滑动方式找出无人员走动下的幅度均值向量m作为神经网络的输入。

步骤2、构建BP神经网络，将无人通过状态采集得到的不同位置的一维的CSI幅值特征数据送入BP神经网络进行训练，得到线上定位模型，具体如下：

步骤2.1、构建BP神经网络：

步骤2.1.1、神经网络的输入为幅值的均值特征向量，维度为1*30，因此输入节点数为30；

步骤2.1.2、神经网络的隐含层层数为3层，层数太多虽然可以提高定位的准确率，但是也会增加线上定位的时间；

步骤2.1.3、为了减少输出层节点的个数，神经网络的输出为室内位置的编号1,2,…,n,每个位置编号对应的位置坐标是已知的，因此当知道位置编号的情况下，很容易定位出位置的具体坐标。

步骤2.2、将无人通过状态采集得到的不同位置的一维的CSI幅值特征数据送入BP神经网络进行训练，得到线上定位模型，据图3所示：

步骤2.2.1、根据房间的大小选取适当数量的训练样本，每个样本有对应的标签，标签也就是训练样本的真实位置编号，并按照步骤1中获取的均值特征向量作为神经网络的输入，对应每一个输入一个输出，该输出与样本的标签之间存在偏差，建立用于表示偏差的目标函数为：

其中，o_i和y_i分别是第i个位置的标签值和输出值，n表示训练样本的个数。

步骤2.2.2、使用反向传播算法，依次对各层的推导公式进行梯度求解，分别计算每层节点的误差项δ_j，并进行权值的更新：

w_{ji_new}＝w_ji+ηδ_jx_ji (8)

其中，w_ji表示节点i到节点j的权重，w_{ji_new}表示更新以后的权重，η表示步长，是一个常数，δ_j表示节点j的误差项，x_ji是节点i传递给节点j的输入，ηδ_jx_ji表示反梯度方向。

步骤2.2.3、当误差小于指定阈值时，停止训练，此时各BP神经网络层之间的权值就是用于线上定位的神经网络模型所需要的参数。

步骤3、使用构建和训练完成的线上定位模型进行线上定位，具体如下：

步骤3.1、选取训练位置编号中与测试位置输出编号最接近的3个位置的坐标；

步骤3.2、对个训练位置的坐标值求平均，得到(x_i,y_i),此坐标即为对应测试位置的坐标；

步骤3.3、选取多个测试位置按照步骤3.1和步骤3.2进行线上定位，并计算出定位误差。

综上所述，本发明将无线信道状态信息CSI与BP神经网络相结合，将CSI幅度信息构建成一维的特征数据送入BP神经网络进行训练和定位，通过减少神经网络输出的节点数降低了运算的复杂度；利用动态监测技术对环境进行监控，采用无人员走动的特征数据用于定位，提高了特征数据的稳定性；将深度学习中最简单的BP神经网络作为室内定位的方法，降低了复杂度，提高了定位精度。

Claims (6)

1.一种基于动态监测的CSI室内定位方法，其特征在于，包括以下步骤：

步骤1、在室内不同位置采集CSI幅度信息，利用动态时间窗监测技术获取m个数据包关于同一个子载波的CSI幅度的均值，将其作为定位的CSI幅值特征数据；

步骤2、构建BP神经网络，将无人通过状态采集得到的不同位置的一维的CSI幅值特征数据送入BP神经网络进行训练，得到线上定位模型；

步骤3、使用构建和训练完成的线上定位模型，进行线上定位。

2.根据权利要求1所述的基于动态监测的CSI室内定位方法，其特征在于，步骤1所述的在室内不同位置采集CSI幅度信息，利用动态时间窗监测技术获取m个数据包关于同一个子载波的CSI幅度的均值，将其作为定位的CSI幅值特征数据，具体如下：

步骤1.1、利用动态时间窗技术，提取出t₁时间段内采集的不同数据包中同一个子载波的CSI幅度的均值，以及CSI的相位差方差特征；

步骤1.2、根据CSI的相位差方差特征，确定时间段t₁内任一位置的无线信道特性，即当方差大于阈值时，表示有人通过，为状态0；否则表示无人通过，为状态1；

步骤1.3、当CSI的相位差方差特征为0状态时，对原位置继续采集一段时间t₂，直到CSI的相位差方差特征为1状态时，停止采集数据，得到无人员走动时的幅值数据。

3.根据权利要求2所述的基于动态监测的CSI室内定位方法，其特征在于，步骤1.1所述的利用动态时间窗技术，提取出t₁时间段内采集的不同数据包中同一个子载波的CSI幅度的均值，以及CSI的相位差方差特征，具体如下：

设定在一个位置的数据包发送速率为每2s发送一个，需要对该位置采集2min的数据，因此t₁＝2min；提取该时间段内获取的60个数据包，如果直接使用幅值作为特征数据，由于接收端为3根天线，取其中一根天线的幅值作为特征数据，那么幅值特征数据的维度30*60，将动态窗口的长度设置为60，并计算出窗口内CSI幅值的均值；根据802.11n协议，每个数据包中有30个子载波传输数据，所以在该位置得到1*30的幅值特征向量；将动态窗口内同一个数据包相邻两根天线关于同一个子载波的CSI的相位差求出，取天线1和天线2的相位差，得到一个1*30维的相位差向量，由于动态窗口的长度为60，因此对60个CSI数据包的每一个子载波的相位差求方差，得到一个1*30的相位差方差向量。

4.根据权利要求3所述的基于动态监测的的CSI室内定位方法，其特征在于，步骤1.3所述的当CSI的相位差方差特征为0状态时，对原位置继续采集一段时间t₂，直到CSI的相位差方差特征为1状态时，停止采集数据，得到无人员走动时的幅值数据，具体如下：

当CSI的相位差的方差特征为0状态时，对该位置继续采集一段时间t₂的数据，将t₁时间段和t₂时间段采集的数据包合并在一起，采用步骤1.1中同样长度的窗口计算出幅度均值特征向量和相位差方差特征向量，设定需要H个滑动窗口，将每个窗口提取出的特征向量单独存放，得到2H个幅度均值向量和相位差方差特征向量；接着重复步骤1.1～步骤1.2，选出符合1状态的滑动窗口求出的均值特征向量；当CSI的相位差的方差特征为状态1时，直接从滑动窗口提取出均值特征向量。

5.根据权利要求1、2、3或4所述的基于动态监测的CSI室内定位方法，其特征在于，步骤2所述构建BP神经网络，将无人通过状态采集得到的不同位置的一维的CSI幅值特征数据送入BP神经网络进行训练，得到线上定位模型，具体如下：

步骤2.1、构建BP神经网络：神经网络的输入为CSI幅度的均值特征向量，神经网络的隐含层层数为3层，神经网络的输出为室内位置的编号1,2,…,n，每个位置编号对应的位置坐标已知；

步骤2.2、神经网络的训练：根据房间的大小选取训练样本的数量，每个样本有对应的标签，标签也就是训练样本的真实位置编号，获取均值特征向量作为神经网络的输入，对应每一个输入会有一个输出，该输出与样本的标签之间存在偏差，建立用于表示偏差Error的目标函数：

其中，o_i和y_i分别是第i个位置的标签值和输出值，n表示训练样本的个数；

使用反向传播算法，依次对各层的推导公式进行梯度求解，分别计算每层节点的误差项δ_j，并进行权值的更新：

w_{ji_new}＝w_ji+ηδ_jx_ji

其中，w_ji表示节点i到节点j的权重，w_{ji_new}表示更新以后的权重；η表示步长，是一个常数；δ_j表示节点j的误差项，x_ji是节点i传递给节点j的输入，ηδ_jx_ji表示反梯度方向；

当误差小于指定阈值时，停止训练，此时各网络层之间的权值就是用于线上定位的神经网络模型所需要的参数。

6.根据权利要求1、2、3或4所述的基于动态监测的CSI室内定位方法，其特征在于，步骤3所述使用构建和训练完成的线上定位模型，进行线上定位，具体如下：

步骤3.1、选取训练位置编号中与测试位置输出编号最接近的3个位置的坐标；

步骤3.2、对3个训练位置的坐标值求平均得到(x_i,y_i)，此坐标即为对应测试位置的坐标；

步骤3.3、选取多个测试位置按照步骤3.1和步骤3.2进行线上定位。

Images