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

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

一种基于三维深度残差神经网络的室内无线定位方法

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(x_i,y_i)，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

r_i,k,n,m＝c_i,k,n,mx_i,k,n,m+w_i,k,n,m (1)

其中，x_i,k,n,m表示发送信号，w_i,k,n,m表示为信道噪声，c_i,k,n,m为CSI数据，c_i,k,n,m进一步 表示为

其中

|c_i,k,n,m|表示CSI幅度信息，

表示CSI相位信息；

然后，将每个训练点对应的CSI幅度数据和相位数据按照如下方式组成两组K×N×M 维的训练点训练数据

和

其中

对应全部I个训练点，可以得到包含I个训练点对应的训练数据集合

和

则室内无线CSI地图构建完成。

步骤2，建立三维深度残差神经网络模型；

在服务器中，构建三维深度残差神经网络模型，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，b_α,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(x_in)＝max(0,x_in) (5)

其中x_in为ReLU激活函数的输入值，max(0,x_in)表示取0和x_in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P_o(i)表示智能终端的未知 坐标(x,y)等于第i个训练点坐标(x_i,y_i)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，{(x_i,y_i),i＝1,…,I₁}表示三维深度残差神经网络输出的I个概率值 {P_o(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(x_i,y_i)， 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

r_i,k,n,m＝c_i,k,n,mx_i,k,n,m+w_i,k,n,m (1)

其中，x_i,k,n,m表示发送信号，w_i,k,n,m表示为信道噪声，c_i,k,n,m为CSI数据。c_i,k,n,m又可以 进一步表示为

其中

|c_i,k,n,m|表示CSI幅度信息，

表示CSI相位信息。

然后，将每个训练点对应的CSI幅度数据和相位数据按照如下方式组成两组K×N×M 维的训练点训练数据

和

其中

对应全部I个训练点，可以得到包含I个训练点对应的训练数据集合

和

则室内无线CSI地图构建完成。

(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，b_α,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(x_in)＝max(0,x_in) (5)

其中x_in为ReLU激活函数的输入值，max(0,x_in)表示取0和x_in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P_o(i)表示智能终端的未知坐 标(x,y)等于第i个训练点坐标(x_i,y_i)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，{(x_i,y_i),i＝1,…,I₁}表示三维深度残差神经网络输出的I个概率值 {P_o(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(x_i,y_i)，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

r_i,k,n,m＝c_i,k,n,mx_i,k,n,m+w_i,k,n,m (1)

其中，x_i,k,n,m表示发送信号，w_i,k,n,m表示为信道噪声，c_i,k,n,m为CSI数据，c_i,k,n,m进一步表示为

其中

|c_i,k,n,m|表示CSI幅度信息，

表示CSI相位信息；

然后，将每个训练点对应的CSI幅度数据和相位数据按照如下方式组成两组K×N×M维的训练点训练数据

和

其中

对应全部I个训练点，可以得到包含I个训练点对应的训练数据集合

和

则室内无线CSI地图构建完成。

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：

在服务器中，构建三维深度残差神经网络模型，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，b_α,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(x_in)＝max(0,x_in) (5)

其中x_in为ReLU激活函数的输入值，max(0,x_in)表示取0和x_in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P_o(i)表示智能终端的未知坐标(x,y)等于第i个训练点坐标(x_i,y_i)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，{(x_i,y_i),i＝1,…,I₁}表示三维深度残差神经网络输出的I个概率值{P_o(i),i＝1,…,I}中前I₁个最大值对应的训练点坐标集合。

Images