CN113271539A - 一种基于改进的cnn模型的室内目标定位方法 - Google Patents

一种基于改进的cnn模型的室内目标定位方法 Download PDF

Info

Publication number
CN113271539A
CN113271539A CN202110556627.5A CN202110556627A CN113271539A CN 113271539 A CN113271539 A CN 113271539A CN 202110556627 A CN202110556627 A CN 202110556627A CN 113271539 A CN113271539 A CN 113271539A
Authority
CN
China
Prior art keywords
data
indoor
csi
csi data
cnn model
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.)
Pending
Application number
CN202110556627.5A
Other languages
English (en)
Inventor
张登银
徐业鹏
赵远鹏
杨妍
齐城慧
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202110556627.5A priority Critical patent/CN113271539A/zh
Publication of CN113271539A publication Critical patent/CN113271539A/zh
Priority to PCT/CN2021/123586 priority patent/WO2022242018A1/zh
Priority to US17/542,470 priority patent/US11943735B2/en
Pending legal-status Critical Current

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
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0252—Radio frequency fingerprinting
    • G01S5/02521—Radio frequency fingerprinting using a radio-map
    • G01S5/02522—The radio-map containing measured values of non-radio values
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0252—Radio frequency fingerprinting
    • G01S5/02521—Radio frequency fingerprinting using a radio-map
    • G01S5/02524—Creating or updating the radio-map
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
    • 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
    • H04W84/00—Network topologies
    • H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/10—Small scale networks; Flat hierarchical networks
    • H04W84/12—WLAN [Wireless Local Area Networks]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Medical Informatics (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于改进的CNN模型的室内目标定位方法，旨在解决现有技术中室内定位易受多径效应和非视距误差影响的技术问题。其包括：利用待定位目标的目标CSI数据与预先生成的定位指纹库进行指纹匹配，获得待定位目标的坐标信息；定位指纹库的生成方法为：利用SDR平台采集室内CSI数据，基于聚类算法将室内CSI数据划分为多个数据子集，并利用数据子集训练改进的CNN模型，获得训练好的改进的CNN模型，最后利用训练好的改进的CNN模型生成定位指纹库。本发明能够解决室内定位数据的噪声干扰问题，最大限度的减少多径效应的影响，提高室内定位的精度。

Description

一种基于改进的CNN模型的室内目标定位方法
技术领域
本发明涉及一种基于改进的CNN模型的室内目标定位方法，属于室内定位技术领域。
背景技术
随着城市化的建设，大型室内场所由于其面积大、空间布局复杂等原因，人们对于室内场所的定位需求日益迫切，结合物联网技术的飞速发展和硬件技术的成熟，室内定位技术到了人们的广泛关注。对于已知的定位技术例如全球卫星导航系统，其在室外定位中可以发挥非常好的作用，能够准确的定位物体，但是对于室内的物体，由于钢筋混凝土结构对于信号的干扰作用，会导致其定位效果达不到需求，此外，由于部分室内场所面积较大，空间布局结构复杂，通道走廊交叉分布，GPS定位只能在室外接收卫星信号的位置，所以GPS定位等技术难以较快实现室内定位。
随着大型室内环境中Wi-Fi信号的大量运用，使得Wi-Fi信号应用于室内定位的环境下有着先天的优势。但是如果信号在传播过程中被室内环境中的障碍所阻挡，例如：墙壁、天花板、关闭的门窗等，就会产生非视距的误差(直射光被阻挡只有反射光)；此外，信号在传播过程中由于光滑的物体表面对于直射光会产生反射、散射、衍射等现象，接收器对于直射光经由反射、散射、衍射产生的光的分量一起接受就会产生多径的现象。非视距误差和多径现象都会对室内定位的准确度产生很大的干扰，影响室内定位效果，因此需要研究有效的消除干扰的技术，从而获得精度更高的室内定位方程。
发明内容
为了解决现有技术中室内定位易受多径效应和非视距误差影响的问题，本发明提出了一种基于改进的CNN模型的室内目标定位方法，能够解决室内定位数据的噪声干扰问题，最大限度的减少多径效应的影响，提高室内定位的精度。
为解决上述技术问题，本发明采用了如下技术手段：
本发明提出了一种基于改进的CNN模型的室内目标定位方法，包括如下步骤：
获取待定位目标的目标CSI数据，并进行数据预处理；
利用预处理后的目标CSI数据与预先生成的定位指纹库进行指纹匹配，获得待定位目标的坐标信息；
所述定位指纹库的生成方法包括：
利用SDR平台采集室内WiFi信号，获得WiFi信号对应的室内CSI数据，并进行数据预处理；
基于聚类算法将预处理后的室内CSI数据划分为多个数据子集；
利用数据子集训练改进的CNN模型，获得训练好的改进的CNN模型；
利用训练好的改进的CNN模型和预处理后的室内CSI数据生成定位指纹库。
进一步的，所述SDR平台包括一个移动节点、多个信号基站和一个数据处理单元，所述移动节点用于通过周期性地广播探测请求帧来自动发送定位请求；所述信号基站用于接收移动节点的定位请求，并获取移动节点的WiFi信号；所述数据处理单元用于处理信号基站获取的WiFi信号，获得WiFi信号对应的室内CSI数据。
进一步的，数据预处理的方法包括：
对CSI数据进行幅值滤波、相位修正和去均值处理，获得修正后的CSI数据；
利用PCA对修正后的CSI数据进行降维处理和去噪处理，获得预处理后的CSI数据。
进一步的，基于聚类算法将预处理后的室内CSI数据划分为多个数据子集的方法包括：
根据地理位置将预处理后的室内CSI数据随机划分为多个数据子集，每个数据子集中包括多个室内CSI数据；
基于k-means算法计算每个数据子集的中心，计算公式如下：
Figure BDA0003077401370000031
其中，μi表示第i个数据子集的中心，Ci表示第i个数据子集，x表示室内CSI数据，i＝1,…,k，k为数据子集的数量；
根据数据子集的中心计算所有数据子集的平方误差，计算公式如下：
Figure BDA0003077401370000032
其中，E表示所有数据子集的平方误差；
分别计算预处理后的室内CSI数据与每个数据子集的中心的距离，根据距离重新划分数据子集，直到平方误差最小化，获得最终的数据子集。
进一步的，所述改进的CNN模型包括依次连接的5个卷积层和2个全连接层，其中，5个卷积层的卷积核分别为16、32、64、64和128；第一个全连接层用于展平第5个卷积层的输出，第二个全连接层用于输出CSI数据的分类结果。
进一步的，利用数据子集训练改进的CNN模型的方法包括：
对每个数据子集中的每个室内CSI数据进行规范处理：
Figure BDA0003077401370000041
其中，xp表示规范后的第p个室内CSI数据，varp表示数据子集中的第p个室内CSI数据，mean()为求平均值函数，total()为分类汇总函数，p＝1,…,n，n为数据子集中室内CSI数据的个数；
初始化改进的CNN模型的模型参数，以数据子集为单位将规范后的室内CSI数据输入改进的CNN模型的卷积层，获得卷积处理后的室内CSI数据，并提取卷积处理后的室内CSI数据的特征；
对卷积处理后的室内CSI数据的特征进行批量化、最大池化和激活处理，获得卷积处理后的室内CSI数据的映射；
利用改进的CNN模型的全连接层对卷积处理后的室内CSI数据的映射进行分类，获得每个数据子集中每个室内CSI数据对应的坐标信息；
根据预设的真实坐标标签和改进的CNN模型输出的坐标信息，利用损失函数计算改进的CNN模型的损失值；
根据损失值更新改进的CNN模型的模型参数，并利用更新后的改进的CNN模型处理规范后的室内CSI数据，直到损失值收敛，获得训练好的改进的CNN模型。
进一步的，针对每一个室内CSI数据，对卷积处理后的室内CSI数据的特征进行批量化处理的步骤包括：
根据卷积处理后的室内CSI数据的特征进行均值计算：
Figure BDA0003077401370000051
其中，UB表示卷积处理后的室内CSI数据的特征的平均值，M为卷积处理后的每个室内CSI数据的特征的个数，sq表示第q个卷积处理后的室内CSI数据的特征，q＝1,…,M；
根据UB计算特征方差，计算公式如下：
Figure BDA0003077401370000052
其中，
Figure BDA0003077401370000053
表示卷积处理后的室内CSI数据的特征的方差；
根据UB和
Figure BDA0003077401370000054
对卷积处理后的室内CSI数据的特征进行标准化处理：
Figure BDA0003077401370000055
其中，
Figure BDA0003077401370000056
表示标准化处理后的室内CSI数据的特征，ε为预设的标准化数值。
进一步的，每个数据子集中每个室内CSI数据对应的坐标信息的计算公式如下：
Figure BDA0003077401370000057
其中，yp表示数据子集中第p个室内CSI数据对应的坐标信息，γ和β分别为改进的CNN模型的模型参数，
Figure BDA0003077401370000058
表示数据子集中第p个标准化处理后的室内CSI数据的特征。
进一步的，所述损失函数的表达式如下：
L＝—∑py′plog(yp) (8)
其中，L表示改进的CNN模型的损失值，y′p表示数据子集中第p个室内CSI数据的真实坐标标签，yp表示数据子集中第p个室内CSI数据对应的坐标信息。
进一步的，所述定位指纹库包括CSI数据及其对应的坐标信息。
采用以上技术手段后可以获得以下优势：
本发明提出了一种基于改进的CNN模型的室内目标定位方法，对采集到的CSI数据进行预处理去除噪声干扰，再通过数据集划分的方法将室内CSI数据划分为多个数据子集，有利于提高位置估计的性能、减少位置估计过程中的计算量，进而提高室内定位数据的准确性，最后通过改进的CNN模块处理数据子集中的室内CSI数据，进行多径和非视距效应的提取，利用神经网络的拟合曲线达到更好消除多径影响和非视距效应的效果，获得准确的室内定位坐标信息，有效的提高了室内定位的精度。
本发明利用大型室内场所具有的Wi-Fi信号进行定位，不需要架设新的定位仪器，成本更低且具有极大的便利性。利用PCA进行数据预处理，能够去除大部分的背景噪声和降低数据的维度，使得在多径和非视距的环境下CSI信号也能应用于室内定位。通过划分数据子集可以有效地减少噪声和处理每个数据子集的冗余，在每一个数据子集上，可以达到最终误差的消除，提升定位的进度。利用改进的CNN模型对输入数据进行特征学习，既解决了多维数据计算量大的问题，又可以准确提取坐标信息。
附图说明
图1为本发明一种基于改进的CNN模型的室内目标定位方法的步骤流程图；
图2为本发明实施例中改进的CNN模型的结构示意图；
图3为本发明实施例中指纹匹配的步骤流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明：
本发明提出了一种基于改进的CNN模型的室内目标定位方法，如图1所示，本发明方法可以离线阶段和在线阶段，其中离线阶段主要包括模型训练和指纹库构建，在现阶段主要利用离线阶段构建的指纹库进行实时的室内目标定位。
本发明方法的步骤具体如下：
步骤1、获取待定位目标的目标CSI数据，并进行数据预处理；
步骤2、利用预处理后的目标CSI数据与预先生成的定位指纹库进行指纹匹配，获得待定位目标的坐标信息。
本发明定位指纹库的生成方法包括：
步骤A、利用SDR平台采集室内WiFi信号，获得WiFi信号对应的室内CSI数据，并进行数据预处理；
步骤B、基于聚类算法将预处理后的室内CSI数据划分为多个数据子集；
步骤C、利用数据子集训练改进的CNN模型，获得训练好的改进的CNN模型；
步骤D、利用训练好的改进的CNN模型和预处理后的室内CSI数据生成定位指纹库。
本发明利用SDR平台进行数据采集，SDR平台可以采集WiFi信号，并利用WiFi信号获得CSI数据，CSI中所包含的位置信息要比RFID和RSSI所包含的信息要多，更容易提取其中的多径分量，有利于提升室内定位的精度。SDR平台包括一个移动节点、多个信号基站和一个数据处理单元，移动节点和信号基站都由SDR设备定义来实现，移动节点可以通过周期性地广播探测请求帧来自动发送定位请求；信号基站用于接收移动节点的定位请求，并获取移动节点的WiFi信号，基站中在射频前端之后采用专用的基带接收机来减小载波频偏，提高接收信噪比；数据处理单元通过同轴电缆与信号基站相连，用于处理信号基站获取的WiFi信号，获得WiFi信号对应的室内CSI数据。对于移动节点发送定位请求的场景，选择探测请求帧作为请求信号，探测请求帧属于管理帧的范畴，严格遵守ieee802.11b协议。
在步骤1和步骤A中，可以通过PCA进行数据预处理，PCA通过从大量的CSI数据中提取一组线性不相关的变量，从而解决在复杂环境中与非常高维CSI数据相关的复杂性问题和数据传输问题；数据预处理的具体操作如下：
(1)、对CSI数据进行幅值滤波、相位修正和去均值处理，去均值后CSI数据每个特征维度上的均值都是0，获得修正后后的CSI数据。
(2)、利用PCA对修正后的CSI数据进行降维处理和去噪处理，PCA本质上是将方差最大的方向作为主要特征，并且在各个正交方向上将数据“离相关”，也就是让它们在不同的方向上没有相关性，这就使得噪音对实验数据的影响最小化。
利用PCA计算修正后的CSI数据的方差，计算公式如下：
Figure BDA0003077401370000091
其中，Var(x)表示修正后的CSI数据的方差，m为修正后的CSI数据的个数，
Figure BDA0003077401370000092
表示第j个修正后的CSI数据的值的平方，j＝1,…,m。
(3)、利用修正后的CSI数据的方差计算CSI特征向量；CSI数据中包含三个维度的数值(三维空间坐标系中的x、y、z轴)，三个维度的数值在三维空间中进行映射的方向组成了CSI数据的映射方向w，w＝(w1,w2,w3)，w1、w2、w3分别表示三个维度的数值在x、y、z轴中进行映射的方向，本发明利用梯度上升法令映射到w方向后的CSI特征向量最大：
Figure BDA0003077401370000093
其中，
Figure BDA0003077401370000094
表示梯度的变化量，X表示CSI特征向量。
(4)、通过公式(10)得到修正后的CSI数据的方差最大值，根据方差最大值处理修正后的CSI数据，得到降维去噪后的CSI数据，即预处理后的CSI数据。
为了能够提高位置估计学习的性能，本发明给出了一种数据集划分的方法，这种数据划分的方法将每个室内小空间的指纹数据库集划分成若干子集，利用k-means聚类算法可以得到每一个数据子集的中心。这使得PCA能够有效地减少噪声和处理每一个数据子集的冗余，在每一个数据子集上进行多径和非视距效应的提取，能够提高位置估计的学习性能，可以达到最终误差的消除提升定位的进度。
在本发明实施例中，步骤B的具体操作如下：
步骤B01、根据地理位置将预处理后的室内CSI数据随机划分为多个数据子集，每个数据子集中包括多个室内CSI数据。针对大型室内场所，可以室内场所中店铺、楼层等的布局进行数据子集的随机划分，也可以根据预设的面积大小(比如50平方米)进行数据子集的随机划分。
步骤B02、以数据子集作为聚类算法中的簇，基于k-means算法计算每个数据子集的中心，具体计算公式如下：
Figure BDA0003077401370000101
其中，μi表示第i个数据子集的中心(即簇的均值分量，也叫质心)，Ci表示第i个数据子集，x表示室内CSI数据，i＝1,…，k，k为数据子集的数量。
步骤B03、为了让簇内的点能够紧密的连接在一起，让簇之间的距离尽量的大，本发明根据数据子集的中心计算所有数据子集的平方误差，以最小化平方误差为目标进行迭代。平方误差的计算公式如下：
Figure BDA0003077401370000102
其中，E表示所有数据子集的平方误差。
步骤B04、分别计算预处理后的室内CSI数据与每个数据子集的中心的距离，根据距离重新划分数据子集，重复步骤B02～B03，直到平方误差最小化，获得最终的数据子集。
本发明实施例的步骤C中运用到了改进的CNN模型，如图2所示，改进的CNN模型包括依次连接的5个卷积层和2个全连接层，其中，5个卷积层的卷积核分别为16、32、64、64和128。对于第一个卷积层，执行卷积运算从16个核中的跟踪结果和提取结果中的信息，然后进行批处理规范化、最大池化和激活；对于第二个卷积层，32个内核用于跟踪结果和提取信息，每个内核的高度为16，相当于第一个卷积层的核数；对于第三、四、五个卷积层中的数据处理阶段与第二个卷积层相同。第一个全连接层用于展平第5个卷积层的输出。第二个全连接层用于输出CSI数据的分类结果，本发明将多经和非视距效应分成5个窗口：(1)监视窗口没有非视距和多经效应；(2)监视窗口出现非视距效应；(3)监视窗口的非视距效应消失；(4)监视窗口出现多经效应；(5)监视窗口的多径效应消失，第二全连接层的5个神经节点分别代表了本发明定义的5个窗口。
利用CNN模型对数据子集训练可以得到用于位置估计的回归模型和用于消除噪声干扰等的分类模型，步骤C的具体操作如下：
步骤C01、为了降低数据的相关值误差的影响，提高网络收敛的速度，本发明方法对每个数据子集中的每个室内CSI数据进行规范处理：
Figure BDA0003077401370000111
其中，xp表示规范后的第p个室内CSI数据，varp表示数据子集中的第p个室内CSI数据，mean()为求平均值函数，total()为分类汇总函数，p＝1,…,n，n为数据子集中室内CSI数据的个数。
步骤C02、初始化改进的CNN模型的模型参数，以数据子集为单位将规范后的室内CSI数据输入改进的CNN模型的卷积层，获得卷积处理后的室内CSI数据，并提取卷积处理后的室内CSI数据的特征。
依次将每个数据子集中的室内CSI数据输入卷积层，通过一系列核函数提取跟踪结果(卷积处理后的室内CSI数据)的特征。一个核生成一个跟踪结果特征映射，核中的元素由网络训练阶段确定。核是一个三维矩阵，它的行和列是人为设置的超参数。
步骤C03、对卷积处理后的室内CSI数据的特征进行批量化、最大池化和激活处理，获得卷积处理后的室内CSI数据的映射。
批量化处理可以加速网络的训练、允许更高的学习率，使得初始加权更加容易、简化深层网络的创建。本发明实施例中批量化的操作如下：
(1)根据卷积处理后的室内CSI数据的特征进行均值计算：
Figure BDA0003077401370000121
其中，UB表示卷积处理后的室内CSI数据的特征的平均值，M为卷积处理后的每个室内CSI数据的特征的个数，sq表示第q个卷积处理后的室内CSI数据的特征，q＝1,…,M。
(2)根据UB计算特征方差，计算公式如下：
Figure BDA0003077401370000122
其中，
Figure BDA0003077401370000123
表示卷积处理后的室内CSI数据的特征的方差。
(3)根据UB和
Figure BDA0003077401370000124
对卷积处理后的室内CSI数据的特征进行标准化处理：
Figure BDA0003077401370000125
其中，
Figure BDA0003077401370000131
表示标准化处理后的室内CSI数据的特征，ε为预设的标准化数值。
池化是卷积层的一个重要概念，它是一种非线性下采样形式。本发明通过最大池化处理将追踪的结果划分为一组不重叠的矩形，在每一个子区域输出最大值。在保持主要特征的前提下，通过减少参数个数来降低计算量。
本发明方法利用Leaky ReLU作为激活函数进行激活处理，激活函数能够使CNN神经网络呈现出非线性的特征。
步骤C04、利用改进的CNN模型的全连接层对卷积处理后的室内CSI数据的映射进行分类，获得每个数据子集中每个室内CSI数据对应的坐标信息。
全连接层是一个包括多个神经元的列向量，其输出的坐标信息的计算公式如下：
Figure BDA0003077401370000132
其中，yp表示数据子集中第p个室内CSI数据对应的坐标信息，γ和β分别为改进的CNN模型的模型参数，
Figure BDA0003077401370000133
表示数据子集中第p个标准化处理后的室内CSI数据的特征。
步骤C05、根据预设的真实坐标标签(即CSI数据对应的真实三维坐标信息)和改进的CNN模型输出的坐标信息(yp)，利用损失函数计算改进的CNN模型的损失值，计算公式如下：
L＝—∑py′plog(yp) (18)
其中，L表示改进的CNN模型的损失值，y′p表示数据子集中第p个室内CSI数据的真实坐标标签，yp表示数据子集中第p个室内CSI数据对应的坐标信息。
步骤C06、根据损失值更新改进的CNN模型的模型参数，并利用更新后的改进的CNN模型处理规范后的室内CSI数据，重复步骤C02～C06，通过损失函数图观察损失收敛情况，当损失值收敛，获得训练好的改进的CNN模型。
在本发明步骤D中，采集大量的室内CSI数据，利用训练好的改进的CNN模型处理采集到的数据，可以获得数据对应的坐标信息，利用CSI数据及其对应的坐标信息生成定位指纹库。
本发明获取定位指纹库后，在线阶段可以利用定位指纹库直接进行室内定位，通过SDR平台采集待定位目标的目标CSI数据，在步骤2中，将目标CSI数据与定位指纹库中的数据进行比对，如果目标CSI数据与定位指纹库中的CSI数据一样，可以直接从指纹库中提取坐标信息。此外，考虑到目标CSI数据不一定与定位指纹库中的CSI数据完全相同，本发明还可以按照如图3所示的操作进行指纹匹配，根据根节点的特征和分裂点进行多维度的数据运算和匹配，选取匹配度最高的坐标信息。
本发明通过PCA和划分数据子集的方法对采集到的CSI数据进行处理，达到去除噪声干扰和初步的提高定位的精确度的效果，随后将数据子集中的CSI数据放入改进的CNN模型进行训练，达到抑制多径分量的效果，近一步的提高了室内定位的准确度。本发明方法可以达到一个很好的去除噪声和多径的效果，提高了定位的准确性，实现了其在大型室内场所应用的价值。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种基于改进的CNN模型的室内目标定位方法，其特征在于，包括如下步骤：
获取待定位目标的目标CSI数据，并进行数据预处理；
利用预处理后的目标CSI数据与预先生成的定位指纹库进行指纹匹配，获得待定位目标的坐标信息；
所述定位指纹库的生成方法包括：
利用SDR平台采集室内WiFi信号，获得WiFi信号对应的室内CSI数据，并进行数据预处理；
基于聚类算法将预处理后的室内CSI数据划分为多个数据子集；
利用数据子集训练改进的CNN模型，获得训练好的改进的CNN模型；
利用训练好的改进的CNN模型和预处理后的室内CSI数据生成定位指纹库。
2.根据权利要求1所述的一种基于改进的CNN模型的室内目标定位方法，其特征在于，所述SDR平台包括一个移动节点、多个信号基站和一个数据处理单元，所述移动节点用于通过周期性地广播探测请求帧来自动发送定位请求；所述信号基站用于接收移动节点的定位请求，并获取移动节点的WiFi信号；所述数据处理单元用于处理信号基站获取的WiFi信号，获得WiFi信号对应的室内CSI数据。
3.根据权利要求1所述的一种基于改进的CNN模型的室内目标定位方法，其特征在于，数据预处理的方法包括：
对CSI数据进行幅值滤波、相位修正和去均值处理，获得修正后的CSI数据；
利用PCA对修正后的CSI数据进行降维处理和去噪处理，获得预处理后的CSI数据。
4.根据权利要求1所述的一种基于改进的CNN模型的室内目标定位方法，其特征在于，基于聚类算法将预处理后的室内CSI数据划分为多个数据子集的方法包括：
根据地理位置将预处理后的室内CSI数据随机划分为多个数据子集，每个数据子集中包括多个室内CSI数据；
基于k-means算法计算每个数据子集的中心，计算公式如下：
Figure FDA0003077401360000021
其中，μi表示第i个数据子集的中心，Ci表示第i个数据子集，x表示室内CSI数据，i＝1,…,k，k为数据子集的数量；
根据数据子集的中心计算所有数据子集的平方误差，计算公式如下：
Figure FDA0003077401360000022
其中，E表示所有数据子集的平方误差；
分别计算预处理后的室内CSI数据与每个数据子集的中心的距离，根据距离重新划分数据子集，直到平方误差最小化，获得最终的数据子集。
5.根据权利要求1所述的一种基于改进的CNN模型的室内目标定位方法，其特征在于，所述改进的CNN模型包括依次连接的5个卷积层和2个全连接层，其中，5个卷积层的卷积核分别为16、32、64、64和128；第一个全连接层用于展平第5个卷积层的输出，第二个全连接层用于输出CSI数据的分类结果。
6.根据权利要求1或5所述的一种基于改进的CNN模型的室内目标定位方法，其特征在于，利用数据子集训练改进的CNN模型，方法包括：
对每个数据子集中的每个室内CSI数据进行规范处理：
Figure FDA0003077401360000031
其中，xp表示规范后的第p个室内CSI数据，varp表示数据子集中的第p个室内CSI数据，mean()为求平均值函数，total()为分类汇总函数，p＝1,…,n，n为数据子集中室内CSI数据的个数；
初始化改进的CNN模型的模型参数，以数据子集为单位将规范后的室内CSI数据输入改进的CNN模型的卷积层，获得卷积处理后的室内CSI数据，并提取卷积处理后的室内CSI数据的特征；
对卷积处理后的室内CSI数据的特征进行批量化、最大池化和激活处理，获得卷积处理后的室内CSI数据的映射；
利用改进的CNN模型的全连接层对卷积处理后的室内CSI数据的映射进行分类，获得每个数据子集中每个室内CSI数据对应的坐标信息；
根据预设的真实坐标标签和改进的CNN模型输出的坐标信息，利用损失函数计算改进的CNN模型的损失值；
根据损失值更新改进的CNN模型的模型参数，并利用更新后的改进的CNN模型处理规范后的室内CSI数据，直到损失值收敛，获得训练好的改进的CNN模型。
7.根据权利要求6所述的一种基于改进的CNN模型的室内目标定位方法，其特征在于，针对每一个室内CSI数据，对卷积处理后的室内CSI数据的特征进行批量化处理的步骤包括：
根据卷积处理后的室内CSI数据的特征进行均值计算：
Figure FDA0003077401360000041
其中，UB表示卷积处理后的室内CSI数据的特征的平均值，M为卷积处理后的每个室内CSI数据的特征的个数，sq表示第q个卷积处理后的室内CSI数据的特征，q＝1,…,M；
根据UB计算特征方差，计算公式如下：
Figure FDA0003077401360000042
其中，
Figure FDA0003077401360000043
表示卷积处理后的室内CSI数据的特征的方差；
根据UB和
Figure FDA0003077401360000044
对卷积处理后的室内CSI数据的特征进行标准化处理：
Figure FDA0003077401360000045
其中，
Figure FDA0003077401360000046
表示标准化处理后的室内CSI数据的特征，ε为预设的标准化数值。
8.根据权利要求6所述的一种基于改进的CNN模型的室内目标定位方法，其特征在于，每个数据子集中每个室内CSI数据对应的坐标信息的计算公式如下：
Figure FDA0003077401360000047
其中，yp表示数据子集中第p个室内CSI数据对应的坐标信息，γ和β分别为改进的CNN模型的模型参数，
Figure FDA0003077401360000051
表示数据子集中第p个标准化处理后的室内CSI数据的特征。
9.根据权利要求6所述的一种基于改进的CNN模型的室内目标定位方法，其特征在于，所述损失函数的表达式如下：
Figure FDA0003077401360000052
其中，L表示改进的CNN模型的损失值，yp′表示数据子集中第p个室内CSI数据的真实坐标标签，yp表示数据子集中第p个室内CSI数据对应的坐标信息。
10.根据权利要求1所述的一种基于改进的CNN模型的室内目标定位方法，其特征在于，所述定位指纹库包括CSI数据及其对应的坐标信息。
CN202110556627.5A 2021-05-21 2021-05-21 一种基于改进的cnn模型的室内目标定位方法 Pending CN113271539A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110556627.5A CN113271539A (zh) 2021-05-21 2021-05-21 一种基于改进的cnn模型的室内目标定位方法
PCT/CN2021/123586 WO2022242018A1 (zh) 2021-05-21 2021-10-13 一种基于改进的cnn模型的室内目标定位方法
US17/542,470 US11943735B2 (en) 2021-05-21 2021-12-05 Indoor target positioning method based on improved convolutional neural network model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110556627.5A CN113271539A (zh) 2021-05-21 2021-05-21 一种基于改进的cnn模型的室内目标定位方法

Publications (1)

Publication Number Publication Date
CN113271539A true CN113271539A (zh) 2021-08-17

Family

ID=77232520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110556627.5A Pending CN113271539A (zh) 2021-05-21 2021-05-21 一种基于改进的cnn模型的室内目标定位方法

Country Status (3)

Country Link
US (1) US11943735B2 (zh)
CN (1) CN113271539A (zh)
WO (1) WO2022242018A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022242018A1 (zh) * 2021-05-21 2022-11-24 南京邮电大学 一种基于改进的cnn模型的室内目标定位方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116347598B (zh) * 2023-05-30 2023-08-15 华南师范大学 一种基于Wi-Fi的室内定位方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111212379A (zh) * 2020-01-06 2020-05-29 天津工业大学 一种基于卷积神经网络的新型csi室内定位方法
CN112333642A (zh) * 2020-11-06 2021-02-05 南京邮电大学 基于信道状态信息的室内定位方法
US20210092611A1 (en) * 2019-09-19 2021-03-25 Colorado State University Research Foundation Security-enhanced Deep Learning Fingerprint-Based Indoor Localization
WO2021066330A1 (en) * 2019-10-04 2021-04-08 Samsung Electronics Co., Ltd. System and method for wifi-based indoor localization via unsupervised domain adaptation

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112153736B (zh) * 2020-09-14 2022-07-26 南京邮电大学 一种基于信道状态信息的人员动作识别和位置估计方法
CN112712557B (zh) * 2020-12-17 2023-04-07 上海交通大学 一种基于卷积神经网络的超分辨率cir室内指纹定位方法
CN113271539A (zh) * 2021-05-21 2021-08-17 南京邮电大学 一种基于改进的cnn模型的室内目标定位方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210092611A1 (en) * 2019-09-19 2021-03-25 Colorado State University Research Foundation Security-enhanced Deep Learning Fingerprint-Based Indoor Localization
WO2021066330A1 (en) * 2019-10-04 2021-04-08 Samsung Electronics Co., Ltd. System and method for wifi-based indoor localization via unsupervised domain adaptation
CN111212379A (zh) * 2020-01-06 2020-05-29 天津工业大学 一种基于卷积神经网络的新型csi室内定位方法
CN112333642A (zh) * 2020-11-06 2021-02-05 南京邮电大学 基于信道状态信息的室内定位方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DENG-YIN ZHANG: "Design of an IoT-Based Efficient Security Scheme in Home Wireless System", 《ARTIFICIAL INTELLIGENCE AND SECURITY》, 31 July 2019 (2019-07-31) *
张登银: "基于分形与三次指数平滑的交通流量预测模型", 《南京邮电大学学报(自然科学版)》, 2 January 2019 (2019-01-02) *
李新春;王藜谚;王浩童;: "基于3DCNN的CSI-cluster室内指纹定位算法", 重庆邮电大学学报(自然科学版), no. 03, 15 June 2020 (2020-06-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022242018A1 (zh) * 2021-05-21 2022-11-24 南京邮电大学 一种基于改进的cnn模型的室内目标定位方法

Also Published As

Publication number Publication date
US20220386264A1 (en) 2022-12-01
US11943735B2 (en) 2024-03-26
WO2022242018A1 (zh) 2022-11-24

Similar Documents

Publication Publication Date Title
CN110012428B (zh) 一种基于WiFi的室内定位方法
Jang et al. Indoor localization with WiFi fingerprinting using convolutional neural network
CN112748397B (zh) 非视距条件下基于自适应bp神经网络的uwb定位方法
Dai et al. Combination of DNN and improved KNN for indoor location fingerprinting
CN107703480B (zh) 基于机器学习的混合核函数室内定位方法
CN112101278A (zh) 基于k近邻特征提取和深度学习的宅基地点云分类方法
CN111479231A (zh) 一种用于毫米波大规模mimo系统的室内指纹定位方法
CN110049549B (zh) 基于WiFi指纹的多融合室内定位方法及其系统
CN113271539A (zh) 一种基于改进的cnn模型的室内目标定位方法
CN109348416B (zh) 基于二分k均值的指纹室内定位方法
CN110413655B (zh) 一种基于改进隐马尔科夫模型的楼层识别方法
CN111050294A (zh) 一种基于深度神经网络的室内定位系统及方法
CN113050797A (zh) 一种通过毫米波雷达实现手势识别的方法
CN108225332B (zh) 基于监督的室内定位指纹地图降维方法
CN105989597A (zh) 基于像素选择过程的高光谱图像异常目标检测方法
Siyang et al. WKNN indoor Wi-Fi localization method using k-means clustering based radio mapping
CN113596989A (zh) 一种用于智慧车间的室内定位方法及系统
CN114386321A (zh) 用于室内定位的aoa和tof联合估计方法、装置及存储介质
CN113518307A (zh) 基于csi与众包迁移自校准更新的位置指纹定位方法
CN113543026B (zh) 一种基于径向基函数网络的多楼层室内定位方法
CN111263295B (zh) 一种wlan室内定位方法和装置
CN111859241B (zh) 一种基于声传递函数学习的非监督声源定向方法
CN113008226B (zh) 基于门控循环神经网络和粒子滤波的地磁室内定位方法
CN115081519A (zh) 基于强化学习的自动对星方法
CN113596757A (zh) 一种基于集成宽度学习的快速高精度室内指纹定位方法

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