CN113015093A - 一种基于三维深度残差神经网络的室内无线定位方法 - Google Patents
一种基于三维深度残差神经网络的室内无线定位方法 Download PDFInfo
- Publication number
- CN113015093A CN113015093A CN202110126248.2A CN202110126248A CN113015093A CN 113015093 A CN113015093 A CN 113015093A CN 202110126248 A CN202110126248 A CN 202110126248A CN 113015093 A CN113015093 A CN 113015093A
- Authority
- CN
- China
- Prior art keywords
- neural network
- dimensional
- residual error
- depth residual
- csi
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 43
- 230000004913 activation Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract 1
- 238000010295 mobile communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011160 research Methods 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
- H04W4/02—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06N3/08—Learning methods
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
一种基于三维深度残差神经网络的室内无线定位方法,涉及无线通信技术和机器学习技术。该方法包括如下步骤:步骤1,在离线阶段构建室内无线信道状态信息(Channel State Information,CSI)地图;步骤2,建立三维深度残差神经网络模型;步骤3,基于三维深度残差神经网络模型进行在线的室内无线定位。由于室内不同位置坐标点处对应的CSI信息在时间、空间、频率三个维度上都有不同的特征,因此本方法利用三维深度残差神经网络提取出CSI特征可以有效提高室内无线定位的精度,对噪声具有较好的鲁棒性。此外,本方法将深度学习与统计信号处理理论相结合,具有较好的室内定位性能。
Description
技术领域
本发明涉及室内无线定位领域,具体涉及一种基于三维深度残差神经网络的室内无线定 位方法,该方法根据深度学习理论利用三维深度残差神经网络实现在室内对智能移动通信终 端的定位。
背景技术
随着无线通信技术的不断发展,如何实现在室内对智能移动通信终端(如手机、平板电 脑等)的精确定位,成为当前通信领域的研究热点和主要技术发展方向。在室内无线网络中, 智能移动通信终端设备通常可以通过WiFi无线路由器接入无线局域网,进而可以通过接收 到的无线信号对无线信道状态信息(Channel State Information,CSI)进行测量和计算。由 于智能移动终端与无线路由器之间的CSI信息特征与智能移动终端所处的位置信息有关,因 此,通过分析和比对CSI所具有的时频特征,可以实现对室内移动通信终端的位置估计。
根据深度学习理论,三维深度残差神经网络具有很强的特征分析和识别能力,通过对输 入数据进行三维卷积运算,可以实现从三个维度上对输入数据进行特征分析和识别,有效挖 掘出输入数据在多个维度上所具有的潜在特征。通过使用三维深度残差神经网络,可以较为 准确的分析出室内无线信道状态信息与位置信息存在的内在联系,并实现对所处不同地理位 置的智能移动终端的定位。
在现有已经被提出的基于深度神经网络的室内无线定位方法中,大多是从空间和频率两 个维度来分析CSI特征与智能移动终端位置坐标的对应关系。然而,如果假设智能移动终端 在较短时间内没有发生明显的位置改变,则可以通过三维卷积运算同时从时间、空间、频率 三个维度对CSI信息的特征进行分析和识别,并通过深度神经网络的参数来描述智能移动终 端具体位置坐标与CSI信息特征之间的对应关系。因此,如果能够设计一种新的三维深度残 差神经网络实现从多个维度对CSI信息进行特征分析,则可以实现对室内移动通信终端设备 的准确定位。
发明内容
本发明的目的是提出一种基于三维深度残差神经网络的室内无线定位方法。在室内无线 局域网中应用该方法可以实现对智能移动通信终端(如手机、平板电脑等)的位置坐标估计。
为了实现上述目的,本发明创造采用了如下技术方案:
一种基于三维深度残差神经网络的室内无线定位方法,其步骤为:
步骤1,构建室内无线状态信息地图;
选定室内无线定位区域,将该区域平面用二维坐标系进行表示,并在该区域内布置M 个相同型号的WiFi无线路由器,并采用相同的方式进行编号;
在定位区域二维坐标系中选定I个训练点,使用已安装定位软件的智能终端记录训练点 坐标值(xi,yi),i=1,...,I,同时,利用智能终端接收WiFi无线路由器发来的无线信号;对 于第m个无线路由器,在时刻k,智能终端在第i个训练点上接收到的第n个子载波上的数 据包可以表示为
ri,k,n,m=ci,k,n,mxi,k,n,m+wi,k,n,m (1)
其中,xi,k,n,m表示发送信号,wi,k,n,m表示为信道噪声,ci,k,n,m为CSI数据,ci,k,n,m进一步 表示为
步骤2,建立三维深度残差神经网络模型;
其中表示在(q1,q2,q3)位置上的三维卷积输出值,bα,β为偏移参数,表示 第γ个卷积核在(u1,u2,u3)位置上的卷积参数值,表示与第γ个卷积核对应的输 入值,U1,U2和U3分别表示U1×U2×U3三维卷积运算的维数值,如在1×2×3卷积运算中 U1=1,U2=2,U3=3;
网络中的ReLU表示如下激活函数
ReLU(xin)=max(0,xin) (5)
其中xin为ReLU激活函数的输入值,max(0,xin)表示取0和xin的最大值,通过反向传播 算法得到一组最优的神经网络模型参数集合。
步骤3,基于三维深度神经网络模型进行在线的室内无线定位;
当由用户智能终端出现在室内无线定位区域中并需要定位时,智能终端首先通过采集 WiFi无线路由器发出的无线信号得到CSI幅度数据和CSI相位数据然后构建三维CSI训练数据输入已经训练好的三维深度残差神经网络模型,网络参数集合采用步骤2中训练得到的最优参数 集合,网络输出模块可以得到I个概率值,其中第i个输出概率值Po(i)表示智能终端的未知 坐标(x,y)等于第i个训练点坐标(xi,yi)的几率值;
最后,根据统计信号处理理论,智能终端的坐标值(x,y)可以通过下式估计得到
其中I1=0.5I,{(xi,yi),i=1,…,I1}表示三维深度残差神经网络输出的I个概率值 {Po(i),i=1,…,I}中前I1个最大值对应的训练点坐标集合。
本发明创造的有益效果:
本方法利用三维深度残差神经网络提取出CSI特征可以有效提高室内无线定位的精度, 对噪声具有较好的鲁棒性。此外,本方法将深度学习与统计信号处理理论相结合,具有较好 的室内定位性能。
附图说明
图1是室内定位区域训练点设置示意图;
图2是三维深度残差神经网络结构图。
具体实施方式
下面将结合本发明创造实施例中的附图,对本发明创造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创造一部分实施例,而不是全部的实施例。
实施例1:
(1)选定室内无线定位区域(如图1所示),将该区域平面用二维坐标系进行表示,并在 该区域内布置M个相同型号的WiFi无线路由器,并采用相同的方式进行编号。在定位区域 二维坐标系中选定I个训练点,使用已安装定位软件的智能终端记录训练点坐标值(xi,yi), i=1,...,I。同时,利用智能终端接收WiFi无线路由器发来的无线信号。对于第m个无线路 由器,在时刻k,智能终端在第i个训练点上接收到的第n个子载波上的数据包可以表示为
ri,k,n,m=ci,k,n,mxi,k,n,m+wi,k,n,m (1)
其中,xi,k,n,m表示发送信号,wi,k,n,m表示为信道噪声,ci,k,n,m为CSI数据。ci,k,n,m又可以 进一步表示为
(2)在服务器中,构建三维深度残差神经网络模型(如图2所示),并且将步骤1中得到 的训练数据集合和输入到该三维深度残差神经网络模型中, 在图2所示三维深度残差神经网络模型中,U1×U2×U3三维卷积公式如下:
其中表示在(q1,q2,q3)位置上的三维卷积输出值,bα,β为偏移参数,表示 第γ个卷积核在(u1,u2,u3)位置上的卷积参数值,表示与第γ个卷积核对应的输 入值,U1,U2和U3分别表示U1×U2×U3三维卷积运算的维数值,如在1×2×3卷积运算中 U1=1,U2=2,U3=3。
此外,图2所示网络中的ReLU表示如下激活函数
ReLU(xin)=max(0,xin) (5)
其中xin为ReLU激活函数的输入值,max(0,xin)表示取0和xin的最大值。图2所示神经 网络,通过反向传播(BP)算法可以得到一组最优的神经网络模型参数集合。
(3)当由用户智能终端出现在室内无线定位区域中并需要定位时,智能终端首先通过采 集WiFi无线路由器发出的无线信号得到CSI幅度数据和 CSI相位数据然后构建三维CSI训练数据输入已经训练好 的图2所示三维深度残差神经网络模型,网络参数集合采用步骤2中训练得到的最优参数集 合,网络输出模块可以得到I个概率值,其中第i个输出概率值Po(i)表示智能终端的未知坐 标(x,y)等于第i个训练点坐标(xi,yi)的几率值。
最后,根据统计信号处理理论,智能终端的坐标值(x,y)可以通过下式估计得到
其中I1=0.5I,{(xi,yi),i=1,…,I1}表示三维深度残差神经网络输出的I个概率值 {Po(i),i=1,…,I}中前I1个最大值对应的训练点坐标集合。
Claims (4)
1.一种基于三维深度残差神经网络的室内无线定位方法,其特征在于,其步骤为:
步骤1,构建室内无线状态信息地图;
步骤2,建立三维深度残差神经网络模型;
步骤3,基于三维深度神经网络模型进行在线的室内无线定位。
2.根据权利要求1所述的一种基于三维深度残差神经网络的室内无线定位方法,其特征在于,所述的步骤1中,具体方法为:
选定室内无线定位区域,将该区域平面用二维坐标系进行表示,并在该区域内布置M个相同型号的WiFi无线路由器,并采用相同的方式进行编号;
在定位区域二维坐标系中选定I个训练点,使用已安装定位软件的智能终端记录训练点坐标值(xi,yi),i=1,...,I,同时,利用智能终端接收WiFi无线路由器发来的无线信号;对于第m个无线路由器,在时刻k,智能终端在第i个训练点上接收到的第n个子载波上的数据包可以表示为
ri,k,n,m=ci,k,n,mxi,k,n,m+wi,k,n,m (1)
其中,xi,k,n,m表示发送信号,wi,k,n,m表示为信道噪声,ci,k,n,m为CSI数据,ci,k,n,m进一步表示为
3.根据权利要求1所述的一种基于三维深度残差神经网络的室内无线定位方法,其特征在于,所述的步骤2中,具体方法为:
其中表示在(q1,q2,q3)位置上的三维卷积输出值,bα,β为偏移参数,表示第γ个卷积核在(u1,u2,u3)位置上的卷积参数值,表示与第γ个卷积核对应的输入值,U1,U2和U3分别表示U1×U2×U3三维卷积运算的维数值,如在1×2×3卷积运算中U1=1,U2=2,U3=3;
网络中的ReLU表示如下激活函数
ReLU(xin)=max(0,xin) (5)
其中xin为ReLU激活函数的输入值,max(0,xin)表示取0和xin的最大值,通过反向传播算法得到一组最优的神经网络模型参数集合。
4.根据权利要求1所述的一种基于三维深度残差神经网络的室内无线定位方法,其特征在于,所述的步骤3中,具体方法为:
当由用户智能终端出现在室内无线定位区域中并需要定位时,智能终端首先通过采集WiFi无线路由器发出的无线信号得到CSI幅度数据和CSI相位数据然后构建三维CSI训练数据输入已经训练好的三维深度残差神经网络模型,网络参数集合采用步骤2中训练得到的最优参数集合,网络输出模块可以得到I个概率值,其中第i个输出概率值Po(i)表示智能终端的未知坐标(x,y)等于第i个训练点坐标(xi,yi)的几率值;
最后,根据统计信号处理理论,智能终端的坐标值(x,y)可以通过下式估计得到
其中I1=0.5I,{(xi,yi),i=1,…,I1}表示三维深度残差神经网络输出的I个概率值{Po(i),i=1,…,I}中前I1个最大值对应的训练点坐标集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110126248.2A CN113015093B (zh) | 2021-01-29 | 2021-01-29 | 一种基于三维深度残差神经网络的室内无线定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110126248.2A CN113015093B (zh) | 2021-01-29 | 2021-01-29 | 一种基于三维深度残差神经网络的室内无线定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113015093A true CN113015093A (zh) | 2021-06-22 |
CN113015093B CN113015093B (zh) | 2024-04-05 |
Family
ID=76385441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110126248.2A Active CN113015093B (zh) | 2021-01-29 | 2021-01-29 | 一种基于三维深度残差神经网络的室内无线定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113015093B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113965362A (zh) * | 2021-10-11 | 2022-01-21 | 大连理工大学 | 一种基于WiFi信号感知的物联网家居智能防护系统及方法 |
CN115103438A (zh) * | 2022-05-16 | 2022-09-23 | 重庆电子工程职业学院 | 一种基于cir峰值偏移和复值深层神经网络的无线定位方法 |
WO2024050701A1 (zh) * | 2022-09-06 | 2024-03-14 | 华为技术有限公司 | 定位方法、电子设备、计算机可读存储介质及芯片系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106535326A (zh) * | 2016-11-22 | 2017-03-22 | 上海斐讯数据通信技术有限公司 | 一种基于深度神经网络的WiFi定位方法及服务器 |
CN106793070A (zh) * | 2016-11-28 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种基于加强深度神经网络的WiFi定位方法及服务器 |
CN109788433A (zh) * | 2019-03-13 | 2019-05-21 | 东南大学 | 一种基于深度卷积自编码网络的室内定位轨迹聚类方法 |
WO2019212069A1 (ko) * | 2018-04-30 | 2019-11-07 | 서울대학교 산학협력단 | 딥-러닝을 통한 무선신호 전파 채널 해석을 이용한 실내공간의 구조를 예측하는 방법 |
-
2021
- 2021-01-29 CN CN202110126248.2A patent/CN113015093B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106535326A (zh) * | 2016-11-22 | 2017-03-22 | 上海斐讯数据通信技术有限公司 | 一种基于深度神经网络的WiFi定位方法及服务器 |
CN106793070A (zh) * | 2016-11-28 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种基于加强深度神经网络的WiFi定位方法及服务器 |
WO2019212069A1 (ko) * | 2018-04-30 | 2019-11-07 | 서울대학교 산학협력단 | 딥-러닝을 통한 무선신호 전파 채널 해석을 이용한 실내공간의 구조를 예측하는 방법 |
CN109788433A (zh) * | 2019-03-13 | 2019-05-21 | 东南大学 | 一种基于深度卷积自编码网络的室内定位轨迹聚类方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113965362A (zh) * | 2021-10-11 | 2022-01-21 | 大连理工大学 | 一种基于WiFi信号感知的物联网家居智能防护系统及方法 |
CN115103438A (zh) * | 2022-05-16 | 2022-09-23 | 重庆电子工程职业学院 | 一种基于cir峰值偏移和复值深层神经网络的无线定位方法 |
WO2024050701A1 (zh) * | 2022-09-06 | 2024-03-14 | 华为技术有限公司 | 定位方法、电子设备、计算机可读存储介质及芯片系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113015093B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Wang et al. | CSI-based fingerprinting for indoor localization: A deep learning approach | |
CN107071743B (zh) | 一种基于随机森林的快速KNN室内WiFi定位方法 | |
CN110381440A (zh) | 基于深度学习的联合rss与csi的指纹室内定位方法 | |
CN112147573A (zh) | 一种基于csi的幅值和相位信息的无源定位方法 | |
CN105163282A (zh) | 一种基于蓝牙位置指纹的室内定位系统及定位方法 | |
CN109640262B (zh) | 一种基于混合指纹的定位方法及系统、设备、存储介质 | |
CN104540221A (zh) | 基于半监督sde算法的wlan室内定位方法 | |
Pandey et al. | Handling device heterogeneity and orientation using multistage regression for GMM based localization in IoT networks | |
CN105208651A (zh) | 基于地图结构的Wi-Fi位置指纹非监督训练方法 | |
WO2016079656A1 (en) | Zero-calibration accurate rf-based localization system for realistic environments | |
CN111698695A (zh) | 一种基于神经网络的lte指纹式定位方法 | |
Tiku et al. | PortLoc: a portable data-driven indoor localization framework for smartphones | |
Fang et al. | Compensating for orientation mismatch in robust Wi-Fi localization using histogram equalization | |
Abdullah et al. | Machine learning algorithm for wireless indoor localization | |
Song et al. | DuLoc: Dual-channel convolutional neural network based on channel state information for indoor localization | |
Lei et al. | DeFLoc: Deep learning assisted indoor vehicle localization atop FM fingerprint map | |
Yeung et al. | Enhanced fingerprint-based location estimation system in wireless LAN environment | |
CN111654843A (zh) | 自动更新指纹数据库的方法及系统、wifi定位方法及系统 | |
CN112887909B (zh) | 一种基于Wi-Fi信号的室内定位方法 | |
CN113055901A (zh) | 一种终端定位的方法和装置 | |
Zheng et al. | RSS-based indoor passive localization using clustering and filtering in a LTE network | |
CN111654808A (zh) | 一种更新指纹数据库的方法及系统、wifi定位方法及系统 | |
CN111885700B (zh) | 一种结合支撑向量机的移动终端定位方法及装置 | |
Li et al. | Validation of a probabilistic approach to outdoor localization |
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 |