CN113194401B - 一种基于生成式对抗网络的毫米波室内定位方法及系统 - Google Patents

一种基于生成式对抗网络的毫米波室内定位方法及系统 Download PDF

Info

Publication number
CN113194401B
CN113194401B CN202110350742.7A CN202110350742A CN113194401B CN 113194401 B CN113194401 B CN 113194401B CN 202110350742 A CN202110350742 A CN 202110350742A CN 113194401 B CN113194401 B CN 113194401B
Authority
CN
China
Prior art keywords
discriminator
generator
generated
sample
real
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
CN202110350742.7A
Other languages
English (en)
Other versions
CN113194401A (zh
Inventor
陈志刚
陈禄
王磊
李文
姬智
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202110350742.7A priority Critical patent/CN113194401B/zh
Publication of CN113194401A publication Critical patent/CN113194401A/zh
Application granted granted Critical
Publication of CN113194401B publication Critical patent/CN113194401B/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
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • 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
    • 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
    • H04W4/30—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

Landscapes

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

Abstract

本发明公开了一种基于生成式对抗网络的毫米波室内定位方法及系统，获取若干终端随机位置角度观测数据产生真实样本；将真实样本和生成样本同时输入到判别器，训练判别器神经网络；采用误差BP算法计算目标函数关于各层网络参数的梯度并优化；将生成样本输入优化后的判别器，通过优化生成器使生成样本经过判别器的输出为1；反复迭代训练判别器和生成器，达到判别器获得真实数据与生成数据最优区分能力，使生成数据具有与真实数据相同的分布特征；将最优生成器的参数作为估计的AP位置，完成毫米波室内定位。本发明在室内环境未知的情况下仅利用单AP实现了对AP位置的估计以及对终端位置的估计，所需信息量少，定位精度高。

Description

一种基于生成式对抗网络的毫米波室内定位方法及系统
技术领域
本发明属于室内定位技术领域，具体涉及一种基于生成式对抗网络的毫米波室内定位方法及系统。
背景技术
室内定位方法大致分为两类：基于距离模型和基于指纹信息的定位方法。
(1)基于距离模型的定位方法
基于距离模型的定位方法是利用三角形的几何性质计算出目标点位置，包括三边测量定位法和三角测量定位法等。其中三边测量定位法是根据待测终端到己知无线接入点(AP,access point)的距离实现对终端位置的估计。而三角测量定位法是根据待测终端与AP之间的角度关系实现对终端位置的估计。当待测终端周围存在至少三个AP时，就可以根据三边或三角定位公式计算出终端的位置。
常见的定位算法有：信号到达时间(TOA，time of arrival)、信号到达时间差(TDOA,Time Difference Of Arrival)、信号到达角(AOA,angle of arrival)和接收信号强度(RSSI,received signal strength indication)等定位算法。
基于距离模型的定位方法虽然可以实现较好的定位精度，但是缺点在于：
1、需要知道AP的位置。2、需要部署3个及以上AP。3、室内环境复杂，信号传播过程中会出现多径效应，基于距离模型的算法容易受到多径影响，稳健性较差。
(2)基于指纹信息的定位方法
基于指纹信息的定位方法主要是通过对指纹数据进行采集，并构建相应指纹数据库，最后应用相关算法进行指纹匹配，最终得到待测终端的位置估计。
基于指纹信息的方案降低了对物理测量的要求，提高了可重复性，但是缺点在于：
1、指纹与位置之间的函数关系不明确，指纹特征稳健性较差。2、定位精度受限于指纹采样点的疏密程度。3、在指纹匹配阶段，需要将当前采集到的数据与数据库中的数据进行比对以找到匹配程度最高的指纹，计算开销大。
现有的室内定位方法分很多种，比如基于红外传感器(Infrared Sensor)、超声波(Ultrasonic Wave)、超带宽(Ultra Wide Bandwidth)、RFID(Radio FrequencyIdentification)等。这些方法虽然具有较高的定位精度，但是都需要安装特殊硬件设备，而且有的硬件昂贵不适合大量部署，这限制了它们的普及。
基于距离模型的定位方法主要问题是定位精度的问题。在传统的2.4GHz和5GHz频段下，信号带宽只有20MHz，由于带宽小，时间分辨率低，导致距离估计值的精确度低。另外基于物理层的信道信息，如CSI(Channel state information),CFR(Channel frequencyresponse)等的定位方法，受到多径效应的影响，所获得的信息是多径的叠加，对DOA，TDOA，AOA等特征的提取带来了一定的挑战。另外基于距离模型的定位方法需要部署3个及以上的AP，在大多数实际室内环境(如家庭环境)中并不适用，此外还需要知道AP的具体位置。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于生成式对抗网络的毫米波室内定位方法及系统，在室内环境未知情况下实现高精度单AP室内定位及室内地图构建。
本发明采用以下技术方案：
一种基于生成式对抗网络的毫米波室内定位方法，包括以下步骤：
S1、获取若干终端随机位置角度观测数据，产生对应的真实样本；
S2、将终端随机位置向量输入到生成器，生成器生成对应的生成样本；
S3、将步骤S1产生的真实样本和步骤S2生成的生成样本同时输入到判别器，训练判别器的神经网络，使真实样本的输出为1，生成样本的输出为0；采用误差BP算法计算目标函数关于各层网络参数的梯度，采用迭代梯度上升法微调全局参数，优化判别器；
S4、将生成样本输入步骤S3优化后的判别器，通过生成器使生成样本经过判别器的输出为1；
S5、反复迭代训练判别器和生成器，通过优化调整判别网络参数和生成器AP位置参数，使判别器获得真实数据与生成数据的最优区分能力，生成数据具有与真实数据相同的分布特征；将最优生成器的参数作为估计的AP位置，完成毫米波室内定位。
具体的，步骤S1中，在室内环境中采集多个终端位置的多径到达角信息θl(pn)，其中pn表示终端随机位置，l＝1,2,3,...表示真实AP与由真实AP产生的墙面镜像AP，计算任意两AP之间的差分到达角
Figure BDA0003002029440000031
真实样本向量定义为
Figure BDA0003002029440000032
具体的，步骤S2具体为：将终端随机位置向量输入到生成器，根据位于位置
Figure BDA0003002029440000033
的AP与位于位置
Figure BDA0003002029440000034
的目标终端之间的差分到达角
Figure BDA0003002029440000035
和差分出发角
Figure BDA0003002029440000036
满足的关系，生成任一平面随机位置上对应任一AP位置组合
Figure BDA0003002029440000037
的角度向量数据如下：
Figure BDA0003002029440000038
其中，
Figure BDA0003002029440000041
为终端位置
Figure BDA0003002029440000042
在AP位置组合a1,a2,...,aL下由生成器得到的生成样本。
进一步的，位置
Figure BDA0003002029440000043
的AP与位于位置
Figure BDA0003002029440000044
的目标终端之间的差分到达角
Figure BDA0003002029440000045
满足关系如下：
Figure BDA0003002029440000046
。
具体的，步骤S3中，采用迭代梯度上升法微调全局参数如下：
Figure BDA0003002029440000047
Figure BDA0003002029440000048
其中，
Figure BDA0003002029440000049
为判别器自编码网络连接第m层第i个神经元与第m+1层第j个神经元的权重，β为梯度上升算法的学习率，
Figure BDA00030020294400000410
为偏导，J为判别器目标函数，
Figure BDA00030020294400000411
为逻辑回归层权值矩阵，ω为自编码网络权值矩阵，b为自编码网络偏置矩阵，
Figure BDA00030020294400000412
为自编码网络第m层第j个神经元的偏置。
进一步的，判别器的目标函数如下：
Figure BDA00030020294400000413
其中，
Figure BDA00030020294400000414
表示判别器对真实样本的输出，
Figure BDA00030020294400000415
表示判别器对生成样本的输出。
具体的，步骤S4中，采用已有迭代梯度下降法更新生成器参数a1,a2,…,aL如下：
Figure BDA00030020294400000416
其中，l＝1,2,…L，η是梯度下降算法的学习率。
具体的，步骤S5中，生成器生成具有真实数据同样特征的角度向量数据，将角度向量数据的参数收敛到最优解作为真实的AP位置，通过最小化代价函数搜索方法估计平面位置。
进一步的，通过最小化代价函数搜索方法估计该平面位置，具体为：
Figure BDA0003002029440000051
其中，
Figure BDA0003002029440000052
为终端位置估计值，pn为任意终端位置坐标，
Figure BDA0003002029440000053
为AP位置估计值，
Figure BDA0003002029440000054
为终端位置pn处关于AP位置
Figure BDA0003002029440000055
的差分到达角观测值，
Figure BDA0003002029440000056
为观测差分到达角集合。
本发明的另一个技术方案是，一种基于生成式对抗网络的毫米波室内定位方法系统，包括：
真实样本模块，获取若干终端随机位置角度观测数据，产生对应的真实样本；
生成样本模块，将终端随机位置向量输入到生成器，生成器生成对应的生成样本；
判别器模块，将真实样本模块产生的真实样本和生成样本模块生成的生成样本同时输入到判别器，训练判别器神经网络，使真实样本的输出为1，生成样本的输出为0；采用误差BP算法计算目标函数关于各层网络参数的梯度，并采用迭代梯度上升法微调全局参数，作为判别器的第一次优化；
优化模块，将生成样本单独输入判别器模块优化后的判别器，通过优化生成器使生成样本经过判别器的输出为1；
定位模块，反复迭代地依次训练判别器和生成器，通过优化调整判别网络参数和生成器AP位置参数，达到判别器获得真实数据与生成数据最优区分能力，使生成数据具有与真实数据相同的分布特征；将最优生成器的参数作为估计的AP位置，完成毫米波室内定位。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种基于生成式对抗网络的毫米波室内定位方法，通过迭代训练判别器与生成器，使生成样本的分布特征接近于真实样本，从而使得AP位置估计值接近于真实位置，完成AP位置估计；通过最小化代价函数搜索方法，充分利用所有AP位置估计值与差分到达角观测值信息，完成终端位置估计。
进一步的，步骤S1获取的真实样本中包含着特定AP位置下的角度观测值的分布特征，用以训练生成式对抗网络。
进一步的，步骤S2生成器产生的生成样本与真实样本一同用以训练判别器。
进一步的，利用位置
Figure BDA0003002029440000061
的AP与位于位置
Figure BDA0003002029440000062
的目标终端之间的差分到达角
Figure BDA0003002029440000063
满足的关系构造生成器。
进一步的，利用步骤S3描述的方法训练判别器，逐步提高判别器对真实样本和生成样本的判别能力。
进一步的，判别器的目标函数的设置使判别器训练过程中真实样本的输出逐渐接近与1，生成样本的输出逐渐接近于0。
进一步的，通过步骤S4训练生成器，使生成器生成样本的分布特征逐步接近于真实样本，与此同时AP位置估计值也逐步接近于真实位置。
进一步的，通过步骤S5中判别器与生成器的迭代训练，使生成样本分布特征与真实样本分布特征基本相同，达到AP位置的最优估计。
进一步的，通过最小化代价函数搜索方法估计终端位置，充分利用所有AP位置估计值与差分到达角观测值信息，使估计误差更小。
一种基于生成式对抗网络的毫米波室内定位方法系统，整个系统有两个输入与一个输出，真实差分到达角观测值向量样本直接输入到判别器模块，随机终端位置输入到生成器产生生成样本再输入到判别器，输出为01向量；通过定位模块中判别器和生成器的迭代训练，利用位置
Figure BDA0003002029440000071
的AP与位于位置
Figure BDA0003002029440000072
的目标终端之间的差分到达角
Figure BDA0003002029440000073
满足的关系，完成对AP位置的估计。
综上所述，本发明在室内环境未知的情况下仅利用单AP实现了对AP位置(包括虚拟AP)的估计以及对终端位置的估计，所需信息量少，定位精度高。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为毫米波室内定位模型；
图2为本发明中基于生成式对抗网络的AP拓扑估计系统框图；
图3为生成式对抗网络系统框图；
图4为本发明中判别器的神经网络结构图；
图5为本发明仿真环境示意图；
图6为本发明神经网络训练结果示意图。
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
请参阅图1，为毫米波室内定位基本模型。本发明仅在形状、大小未知的室内部署1个毫米波AP，并利用真实AP产生的关于墙壁的镜像(虚拟AP)来模拟真实AP，即将真实AP产生的一次反射径视为虚拟AP产生的直射径。本发明完成的功能可以描述为，在室内形状、大小等未知，AP位置未知的情况下，利用多个终端随机位置所采集到的多径到达角信息，首先完成对AP拓扑结构的估计，然后完成对终端位置的估计。
请参阅图2，为本发明中基于生成式对抗网络的AP拓扑估计系统框图；图3所示为本发明所采用的生成式对抗网络系统框图。
基于大量随机平面位置上的高维多径角度向量数据具有二维分布特征，以及多径角度向量、AP位置和目标位置之间的几何关系，采用生成式对抗神经网络(GAN，GenerativeAdversarial Network)学习该二维分布特征，从而实现AP几何拓扑的估计：
采用典型基于深度神经网络的判别器无监督地学习真实多径角度观测数据的特征，利用AP位置、室内随机位置和多径角度向量的几何关系构建多径角度观测数据生成器，通过优化调整鉴别网络参数和生成器AP位置参数，同时达到判别器获得真实数据与生成数据最优区分能力，以及生成数据具有与真实数据几乎相同的分布特征。最终，最优生成器参数就是我们要估计的AP位置。
本发明一种基于生成式对抗网络的毫米波室内定位方法，包括以下步骤：
S1、在室内环境中采集多个终端位置的多径到达角信息θl(pn)，其中pn表示终端随机位置，l＝1,2,3,...表示真实AP与由真实AP产生的墙面镜像AP，计算任意两AP之间的差分到达角
Figure BDA0003002029440000091
并按照定义构造真实样本向量
Figure BDA0003002029440000092
S2、构造生成器；
利用解析几何性质，得到分别位于位置
Figure BDA0003002029440000093
的AP与位于位置
Figure BDA0003002029440000094
的目标终端之间的差分到达角
Figure BDA0003002029440000095
满足
Figure BDA0003002029440000096
于是，生成任一平面随机位置上对应任一AP位置组合
Figure BDA0003002029440000097
的角度向量数据如下：
Figure BDA0003002029440000098
S3、训练判别器；
为保持判别器输入与生成器输出数据格式的一致性，基于角度向量信息将判别器神经网络的输入定义为下面的2L-2维向量
Figure BDA0003002029440000101
随机初始化AP位置，利用生成器产生大量随机位置的生成样本。将生成样本和由步骤S1得到的真实样本同时输入到判别器，利用反向传播算法训练判别器。
构建生成式对抗网络中典型判别器目标函数如下：
Figure BDA0003002029440000102
使真实样本的输出接近为1，生成样本的输出接近为0，目的是使判别器神经网络能够区分当前的真实样本和生成样本。
其中，
Figure BDA0003002029440000103
表示判别器对真实样本的输出，
Figure BDA0003002029440000104
表示判别器对生成样本的输出。
针对上述目标函数，采用误差BP(反向传播)算法计算目标函数关于各层网络参数的梯度，并类似地采用迭代梯度上升法微调全局参数：
Figure BDA0003002029440000105
以此作为判别器的第一次优化训练。
S4、训练生成器
将生成数据输入到判别网络，输出表示为：
Figure BDA0003002029440000106
构建生成式对抗网络中典型生成器目标函数如下：
Figure BDA0003002029440000107
使对应判别输出值
Figure BDA0003002029440000111
接近“1”的概率最大化，使生成器产生的样本分布特征接近于真实样本，达到以假乱真的效果，这样优化后的AP位置估计能够更接近于真实的AP位置。
于是，生成器参数优化通过最小化上述目标函数实现，采用已有迭代梯度下降法更新生成器参数a1,a2,…,aL(即各AP位置)如下：
Figure BDA0003002029440000112
其中，l＝1,2,…L，η是该梯度下降算法的学习率。
S5、上述判别神经网络参数和生成器参数通过真实数据和生成数据交替迭代训练学习(重复步骤S3和步骤S4)，优化调整判别网络参数和生成器AP位置参数，最终训练器达到真实数据与生成数据的最优鉴别能力，生成器生成具有真实数据同样特征的角度向量数据，其参数收敛到最优解：真实的AP位置，从而实现AP位置估计。
S6、目标位置估计。
假设位于平面位置pn的终端能够测量不少于2个独立差分到达角，令该可观测差分到达角集合记作
Figure BDA0003002029440000113
利用余弦函数的解析几何性质得到
Figure BDA0003002029440000114
因此，通过最小化代价函数搜索方法估计该平面位置，具体为：
Figure BDA0003002029440000115
其中，
Figure BDA0003002029440000116
为终端位置估计值，pn为任意终端位置坐标，
Figure BDA0003002029440000117
为AP位置估计值，
Figure BDA0003002029440000121
为终端位置pn处关于AP位置
Figure BDA0003002029440000122
的差分到达角观测值，
Figure BDA0003002029440000123
为观测差分到达角集合。
本发明再一个实施例中，提供一种基于生成式对抗网络的毫米波室内定位系统，该系统能够用于实现上述基于生成式对抗网络的毫米波室内定位方法，具体的，该基于生成式对抗网络的毫米波室内定位系统包括真实样本模块、生成样本模块、判别器模块、优化模块以及定位模块。
其中，真实样本模块，获取若干终端随机位置角度观测数据，产生对应的真实样本；
生成样本模块，将终端随机位置向量输入到生成器，生成器生成对应的生成样本；
判别器模块，将真实样本模块产生的真实样本和生成样本模块生成的生成样本同时输入到判别器，训练判别器神经网络，使真实样本的输出接近为1，生成样本的输出接近为0；采用误差BP算法计算目标函数关于各层网络参数的梯度，并采用迭代梯度上升法微调全局参数，作为判别器的第一次优化；
优化模块，将生成样本单独输入判别器模块优化后的判别器，通过优化生成器使生成样本经过判别器的输出接近为1；
定位模块，反复迭代地依次训练判别器和生成器，通过优化调整判别网络参数和生成器AP位置参数，达到判别器获得真实数据与生成数据最优区分能力，使生成数据具有与真实数据相同的分布特征；将最优生成器的参数作为估计的AP位置，完成毫米波室内定位。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于基于生成式对抗网络的毫米波室内定位方法的操作，包括：
获取若干终端随机位置角度观测数据，产生对应的真实样本；将终端随机位置向量输入到生成器，生成器生成对应的生成样本；将真实样本和生成样本同时输入到判别器，训练判别器神经网络，使真实样本的输出为1，生成样本的输出为0；采用误差BP算法计算目标函数关于各层网络参数的梯度，并采用迭代梯度上升法微调全局参数，作为判别器的第一次优化；将生成样本输入优化后的判别器，通过优化生成器使生成样本经过判别器的输出为1；反复迭代地依次训练判别器和生成器，通过优化调整判别网络参数和生成器AP位置参数，达到判别器获得真实数据与生成数据最优区分能力，使生成数据具有与真实数据相同的分布特征；将最优生成器的参数作为估计的AP位置，完成毫米波室内定位。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关基于生成式对抗网络的毫米波室内定位方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
获取若干终端随机位置角度观测数据，产生对应的真实样本；将终端随机位置向量输入到生成器，生成器生成对应的生成样本；将真实样本和生成样本同时输入到判别器，训练判别器神经网络，使真实样本的输出为1，生成样本的输出为0；采用误差BP算法计算目标函数关于各层网络参数的梯度，并采用迭代梯度上升法微调全局参数，作为判别器的第一次优化；将生成样本输入优化后的判别器，通过优化生成器使生成样本经过判别器的输出为1；反复迭代地依次训练判别器和生成器，通过优化调整判别网络参数和生成器AP位置参数，达到判别器获得真实数据与生成数据最优区分能力，使生成数据具有与真实数据相同的分布特征；将最优生成器的参数作为估计的AP位置，完成毫米波室内定位。
图4所示为本发明所采用的判别器神经网络结构图。为学习高维多径角度向量数据所具有的二维分布特征，本发明中判别器采用多层自编码神经网络和单层逻辑回归神经网络的结构。
1)自编码神经网络
自编码神经网络包括输入层(第1层)和M-1层隐藏层，令第m层神经网络参数为(ω(m),b(m))，其中，
Figure BDA0003002029440000151
表示第m层神经网络第i个神经元与第m+1层神经网络第j个神经元之间的连接权重系数，
Figure BDA0003002029440000152
表示第m+1层神经网络第j个神经元的偏移量。前一层的输出为当前层的数据输入，特别地，第1层的输入为输入数据信号，即
Figure BDA0003002029440000153
则第m+1层神经网络的输出为
Figure BDA0003002029440000154
其中，
Figure BDA0003002029440000155
表示各神经元的激活函数：
Figure BDA0003002029440000156
如图所示，根据自编码神经网络原理，第m+1层神经网络的输出经过反向传输译码得到
Figure BDA0003002029440000157
该网络参数可以通过最小化下面的代价函数进行调整
Figure BDA0003002029440000158
其中，λ和γ分别表示权值衰减参数和稀疏惩罚参数，上式中第二项和第三项分别用于防止神经网络过拟合和增加神经元稀疏性约束。于是，采用已有迭代梯度下降法可以更新第m层神经网络参数为(ω(m),b(m))如下：
Figure BDA0003002029440000159
Figure BDA00030020294400001510
逐层采用上述无监督训练方法调整各自编码神经网络层参数。
2)逻辑回归网络
多层自编码神经网络得到的输出
Figure BDA00030020294400001511
经过加权向量为
Figure BDA00030020294400001512
的逻辑回归网络，神经元激活函数为Sigmoid函数，输出可以表示为
Figure BDA0003002029440000161
Figure BDA0003002029440000162
为方便说明，逻辑回归网络的输出也可以记作
Figure BDA0003002029440000163
为实现判别器能尽量准确鉴别生成数据
Figure BDA0003002029440000164
与真实数据
Figure BDA0003002029440000165
构建生成式对抗网络中典型判别器目标函数如式(3-6)所示。
请参阅图5，为本发明仿真环境示意图；本次仿真在一个10×8m的二维空间中进行，统计了如图所示9×7个不同AP位置点的AP位置估计平均误差。本发明AP位置估计平均误差为0.53m，通过式(3-9)计算得出的终端位置平均误差为0.32m。
请参阅图6，横坐标为迭代训练次数(一次训练为一次判别器训练加一次生成器训练)，纵坐标表示AP位置估计误差。迭代训练初期，AP位置估计值向真实AP位置快速收敛至误差2m以内，之后误差收敛速度放缓，经过足够多次数的迭代训练之后，误差收敛到较为理想的结果。
综上所述，本发明一种基于生成式对抗网络的毫米波室内定位方法及系统，利用已知差分到达角信息，在室内环境未知的情况下仅利用单AP实现了对AP位置(包括虚拟AP)的估计以及对终端位置的估计，所需信息量少，定位精度高。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (6)

1.一种基于生成式对抗网络的毫米波室内定位方法，其特征在于，包括以下步骤：
S1、获取若干终端随机位置角度观测数据，产生对应的真实样本；
S2、将终端随机位置向量输入到生成器，生成器生成对应的生成样本；
S3、将步骤S1产生的真实样本和步骤S2生成的生成样本同时输入到判别器，训练判别器的神经网络，使真实样本的输出为1，生成样本的输出为0；采用误差BP算法计算目标函数关于各层网络参数的梯度，采用迭代梯度上升法微调全局参数，优化判别器，采用迭代梯度上升法微调全局参数如下：
Figure FDA0003675418800000011
Figure FDA0003675418800000012
其中，
Figure FDA0003675418800000013
为判别器自编码网络连接第m层第i个神经元与第m+1层第j个神经元的权重，β为梯度上升算法的学习率，
Figure FDA0003675418800000014
为偏导，J为判别器目标函数，
Figure FDA0003675418800000015
为逻辑回归层权值矩阵，ω为自编码网络权值矩阵，b为自编码网络偏置矩阵，
Figure FDA0003675418800000016
为自编码网络第m层第j个神经元的偏置；判别器的目标函数如下：
Figure FDA0003675418800000017
其中，
Figure FDA0003675418800000018
表示判别器对真实样本的输出，
Figure FDA0003675418800000019
表示判别器对生成样本的输出；
S4、将生成样本输入步骤S3优化后的判别器，通过生成器使生成样本经过判别器的输出为1；
S5、反复迭代训练判别器和生成器，通过优化调整判别网络参数和生成器AP位置参数，使判别器获得真实数据与生成数据的最优区分能力，生成数据具有与真实数据相同的分布特征；将最优生成器的参数作为估计的AP位置，完成毫米波室内定位，生成器生成具有真实数据同样特征的角度向量数据，将角度向量数据的参数收敛到最优解作为真实的AP位置，通过最小化代价函数搜索方法估计平面位置，通过最小化代价函数搜索方法估计该平面位置，具体为：
Figure FDA0003675418800000021
其中，
Figure FDA0003675418800000022
为终端位置估计值，pn为任意终端位置坐标，
Figure FDA0003675418800000023
为AP位置估计值，
Figure FDA0003675418800000024
为终端位置pn处关于AP位置
Figure FDA0003675418800000025
的差分到达角观测值，
Figure FDA0003675418800000026
为观测差分到达角集合。
2.根据权利要求1所述的方法，其特征在于，步骤S1中，在室内环境中采集多个终端位置的多径到达角信息θl(pn)，其中pn表示终端随机位置，l＝1,2,3,...表示真实AP与由真实AP产生的墙面镜像AP，计算任意两AP之间的差分到达角
Figure FDA0003675418800000027
真实样本向量定义为
Figure FDA0003675418800000028
3.根据权利要求1所述的方法，其特征在于，步骤S2具体为：将终端随机位置向量输入到生成器，根据位于位置
Figure FDA0003675418800000029
的AP与位于位置
Figure FDA00036754188000000210
的目标终端之间的差分到达角
Figure FDA00036754188000000211
和差分出发角
Figure FDA00036754188000000212
满足的关系，生成任一平面随机位置上对应任一AP位置组合
Figure FDA00036754188000000213
的角度向量数据如下：
Figure FDA00036754188000000214
其中，
Figure FDA00036754188000000215
为终端位置
Figure FDA00036754188000000216
在AP位置组合a1,a2,...,aL下由生成器得到的生成样本。
4.根据权利要求3所述的方法，其特征在于，位置
Figure FDA00036754188000000217
的AP与位于位置
Figure FDA00036754188000000218
的目标终端之间的差分到达角
Figure FDA00036754188000000219
满足关系如下：
Figure FDA00036754188000000220
。
5.根据权利要求1所述的方法，其特征在于，步骤S4中，采用已有迭代梯度下降法更新生成器参数a1,a2,…,aL如下：
Figure FDA0003675418800000031
其中，l＝1,2,…L，η是梯度下降算法的学习率。
6.一种基于生成式对抗网络的毫米波室内定位方法系统，其特征在于，包括：
真实样本模块，获取若干终端随机位置角度观测数据，产生对应的真实样本；
生成样本模块，将终端随机位置向量输入到生成器，生成器生成对应的生成样本；
判别器模块，将真实样本模块产生的真实样本和生成样本模块生成的生成样本同时输入到判别器，训练判别器神经网络，使真实样本的输出为1，生成样本的输出为0；采用误差BP算法计算目标函数关于各层网络参数的梯度，并采用迭代梯度上升法微调全局参数，作为判别器的第一次优化，采用迭代梯度上升法微调全局参数如下：
Figure FDA0003675418800000032
Figure FDA0003675418800000033
其中，
Figure FDA0003675418800000034
为判别器自编码网络连接第m层第i个神经元与第m+1层第j个神经元的权重，β为梯度上升算法的学习率，
Figure FDA0003675418800000035
为偏导，J为判别器目标函数，
Figure FDA0003675418800000036
为逻辑回归层权值矩阵，ω为自编码网络权值矩阵，b为自编码网络偏置矩阵，
Figure FDA0003675418800000037
为自编码网络第m层第j个神经元的偏置；判别器的目标函数如下：
Figure FDA0003675418800000038
其中，
Figure FDA0003675418800000039
表示判别器对真实样本的输出，
Figure FDA00036754188000000310
表示判别器对生成样本的输出；
优化模块，将生成样本单独输入判别器模块优化后的判别器，通过优化生成器使生成样本经过判别器的输出为1；
定位模块，反复迭代地依次训练判别器和生成器，通过优化调整判别网络参数和生成器AP位置参数，达到判别器获得真实数据与生成数据最优区分能力，使生成数据具有与真实数据相同的分布特征；将最优生成器的参数作为估计的AP位置，完成毫米波室内定位，生成器生成具有真实数据同样特征的角度向量数据，将角度向量数据的参数收敛到最优解作为真实的AP位置，通过最小化代价函数搜索方法估计平面位置，通过最小化代价函数搜索方法估计该平面位置，具体为：
Figure FDA0003675418800000041
其中，
Figure FDA0003675418800000042
为终端位置估计值，pn为任意终端位置坐标，
Figure FDA0003675418800000043
为AP位置估计值，
Figure FDA0003675418800000044
为终端位置pn处关于AP位置
Figure FDA0003675418800000045
的差分到达角观测值，
Figure FDA0003675418800000046
为观测差分到达角集合。
CN202110350742.7A 2021-03-31 2021-03-31 一种基于生成式对抗网络的毫米波室内定位方法及系统 Active CN113194401B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110350742.7A CN113194401B (zh) 2021-03-31 2021-03-31 一种基于生成式对抗网络的毫米波室内定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110350742.7A CN113194401B (zh) 2021-03-31 2021-03-31 一种基于生成式对抗网络的毫米波室内定位方法及系统

Publications (2)

Publication Number Publication Date
CN113194401A CN113194401A (zh) 2021-07-30
CN113194401B true CN113194401B (zh) 2022-08-09

Family

ID=76974282

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110350742.7A Active CN113194401B (zh) 2021-03-31 2021-03-31 一种基于生成式对抗网络的毫米波室内定位方法及系统

Country Status (1)

Country Link
CN (1) CN113194401B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114826772B (zh) * 2022-05-30 2024-03-08 中国联合网络通信集团有限公司 数据完整性验证系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109239661A (zh) * 2018-09-18 2019-01-18 广西大学 一种基于深度q网络的rfid室内定位系统及算法
CN112312541A (zh) * 2020-10-09 2021-02-02 清华大学 一种无线定位方法及系统
KR20210030133A (ko) * 2019-09-09 2021-03-17 홍익대학교 산학협력단 Gan을 이용한 이동경로 예측방법

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832834B (zh) * 2017-11-13 2020-02-14 合肥工业大学 一种基于生成对抗网络的wifi室内定位指纹库的构建方法
CN109145958B (zh) * 2018-07-27 2019-11-08 哈尔滨工业大学 一种基于多任务生成对抗网络的真实场景小物体检测方法
US10325201B1 (en) * 2019-01-31 2019-06-18 StradVision, Inc. Method and device for generating deceivable composite image by using GAN including generating neural network and discriminating neural network to allow surveillance system to recognize surroundings and detect rare event more accurately
EP3786864A1 (en) * 2019-08-27 2021-03-03 Siemens Healthcare GmbH Combined indoor and outdoor tracking using machine learning

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109239661A (zh) * 2018-09-18 2019-01-18 广西大学 一种基于深度q网络的rfid室内定位系统及算法
KR20210030133A (ko) * 2019-09-09 2021-03-17 홍익대학교 산학협력단 Gan을 이용한 이동경로 예측방법
CN112312541A (zh) * 2020-10-09 2021-02-02 清华大学 一种无线定位方法及系统

Also Published As

Publication number Publication date
CN113194401A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
Jang et al. Indoor localization with WiFi fingerprinting using convolutional neural network
CN107071743B (zh) 一种基于随机森林的快速KNN室内WiFi定位方法
Zhang et al. Deep neural networks for wireless localization in indoor and outdoor environments
Dai et al. Combination of DNN and improved KNN for indoor location fingerprinting
CN108512621B (zh) 一种基于神经网络的无线信道建模方法
Bae et al. Large-scale indoor positioning using geomagnetic field with deep neural networks
CN107727095B (zh) 基于谱聚类和加权反向传播神经网络的3d室内定位方法
CN106851571B (zh) 一种基于决策树的快速KNN室内WiFi定位方法
US5537511A (en) Neural network based data fusion system for source localization
CN111901749A (zh) 一种基于多源融合的高精度三维室内定位方法
BelMannoubi et al. Deep neural networks for indoor localization using WiFi fingerprints
CN110933633A (zh) 一种基于csi指纹特征迁移的船载环境室内定位方法
CN113194401B (zh) 一种基于生成式对抗网络的毫米波室内定位方法及系统
Chen et al. A wifi indoor localization method based on dilated cnn and support vector regression
Yang et al. Multi-floor indoor localization based on RBF network with initialization, calibration, and update
CN105704676A (zh) 利用信号时间相关性提高指纹室内定位精度的方法
Li et al. Sea/land clutter recognition for over-the-horizon radar via deep CNN
Ding et al. Microphone array acoustic source localization system based on deep learning
WO2021103027A1 (en) Base station positioning based on convolutional neural networks
Dai et al. Indoor positioning algorithm based on parallel multilayer neural network
CN111263295A (zh) 一种wlan室内定位方法和装置
Wisanmongkol et al. An ensemble approach to deep‐learning‐based wireless indoor localization
CN115908547A (zh) 一种基于深度学习的无线定位方法
CN113645565B (zh) 一种基于六方最密堆积结构的室内定位方法
CN114679683A (zh) 一种基于派生指纹迁移的室内智能定位方法

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