CN113691940B - 一种基于csi图像的增量式智能室内定位方法 - Google Patents

Abstract

本发明公开了一种基于CSI图像的增量式智能室内定位方法：1)离线阶段，利用卷积神经网络结构训练CSI图像获取权重；基于宽度学习系统的概率方法来计算每个位置的五个最大分类概率，其中最大分类概率为置信系数；2)在线阶段，利用K‑means算法对卷积神经网络的预测结果进行聚类回归，并将聚类中心作为定位结果的一部分；利用概率方法得到均值回归期望，并将其与聚类结果结合起来进行估计作为最终的定位预测结果。与现有技术相比，本发明能够提升系统鲁棒性、无需舍弃已训练模型可继续更新权重，极大节省训练时间；将定位回归问题与基于概率法的置信度相结合，提升定位精度。

Description

一种基于CSI图像的增量式智能室内定位方法

技术领域

本发明主要涉及人工智能、室内定位以及图像处理，特别是涉及一种增量式智能室内定位方法。

背景技术

物联网中基于位置的服务如人类活动识别、健康感知、轨迹跟踪和机器人导航，都需要移动设备的精确位置。基于无线信号的室内定位技术由于其复杂的室内环境、多径效应和障碍物等特点，仍然是一个备受关注的难题。特别地，指纹定位法是一个较好的实现方案并逐渐成为研究热点。它不需要知道接入点的位置，离线阶段通过收集无线信号建立指纹数据库，在线阶段通过匹配与数据库最相似的信号来估计位置。对于指纹信号而言，可以是光、声、磁、蓝牙等。得益于WiFi信号在室内环境的广泛部署，已有很多基于WiFi的定位系统使用接收信号强度(Receive Signal Strength，RSS)建立指纹库。其他已有的定位系统利用各种机器学习方法来提取RSS的特征，以提高定位性能。指纹法的本质是寻找信号与位置之间的映射关系，具有强大学习能力的机器学习在该领域有着广泛的应用。然而，RSS作为粗粒度的信息，限制了它的定位精度，且持续接收包不稳定。

信道状态信息(Channel State Information，CSI)是WiFi的物理层信息，可以使用Intel 5300NIC等开源驱动程序通过网卡进行提取。与RSS相比，CSI具有更强的稳定性，它是一种细粒度信息具有56个子载波，基于CSI的指纹定位算法具有较好的精度。然而，CSI的振幅会在非视线范围内受到干扰，会降低室内定位性能，如电脑和书桌会阻挡WiFi信号。其次，现有的基于机器学习的指纹方法在指纹数据库中出现新的输入数据时，需要对模型进行权值的再训练，该过程极其费时。最后，一些定位系统需要数据预处理过程，如离线阶段的卡尔曼滤波和主成分分析；虽然有效但是增加了系统的时间成本。

发明内容

为解决上述技术问题，本发明提出一种基于CSI图像的智能室内定位方法，在增量式学习算法下，结合图像处理技术实现了室内环境下的高精度定位。

本发明通过以下技术方案来实现：

一种基于CSI图像的增量式智能室内定位方法，包括离线阶段和在线阶段，该方法包括以下步骤：

所述离线阶段包括以下处理：

步骤1、对所有的采样点持续采集3000个CSI图像数据包，并将原始CSI图像矩阵中提取相位信息转换为30×30×3的CSI图像，创建CSI图像集；

步骤2：将卷积核处理完CSI图像的结果作为卷积层的输入，进行正向传播，计算卷积层的输出q_j,m，如式(1)：

式中，w是卷积核，w_i,j,n是第n个卷积核，w_o,j是第o个与第j个特征映射之间的连接，o_i,n+m-1是第m个神经元输出的第i个特征，F为卷积核的尺寸，σ(·)为激活函数；

设定卷积层的训练权重，并通过反向传播对权重进行更新；

步骤3：对卷积层的输出进行池化处理，降低卷积层输出的特征维度；

步骤4：将通过池化处理的特征图连接到全连接层，利用交叉熵的损失函数得到softmax层的输出即分类结果，并将转换为回归；

利用K-means算法对每个位置的CSI图像进行聚类；

步骤5：使用宽度学习系统计算第i个特征映射的概率M_i：

式中，H是输入数据，可获得n个特征映射，

和

是随机生成的权重和偏置参数，ψ(·)为激活函数，本发明选择tansig函数，公式为：

将输出映射为[-1,1]；

步骤6：利用增强节点将M_n的特征进行增强与更新：

其中，ζ(·)是激活函数，M_n是式(4)的输出，E_j是增强节点处理完的结果；

步骤7：根据特征映射与增强节点，得到宽度学习系统的输出Y，公式如下：

Y＝[M₁,...,M_n|E₁,...,E_m]·W^m＝[Mⁿ|E^m]·W^m (7)

其中，W^m是连接特征与增强节点到输出层的权重，M₁,...,M_n是特征映射层的输出，E₁,...,E_m是增强映射层的输出，W^m是连接特征与增强节点到输出层的权重；

所述在线阶段包括以下处理：

步骤8：引入新的特征映射并计算相对应的增强节点，模型训练完成的同时获得相应的分类概率记作Pro_ij，其中，i表示样本，j表示标签；

步骤9：提取每个样本中最大的5个概率值和相应的坐标，计算初步期望值；再获取测试集相对于每个采样点的平均期望值记作bls_ave；将每个类别i的最大分类概率max_pro作为置信度，结合每个类别i的卷积神经网络的期望回归结果cnn_pre来计算最终的定位结果，公式为：

P_i＝bls_ave_i×(1-max_pro_i)+cnn_pre_i×max_pro_i (8)

步骤10：进行CSI矩阵的迭代更新，如式(9)：

其中，H_a是新输入的指纹数据，

是n个特征映射与m个增强节点；

结合相对应的增强节点则有

更新的CSI矩阵为

其中，

且

和

步骤11：通过式(11)更新式(9)(10)的权重，如下式：

式中，Y_a为H_a的标签，

通过对增量训练模型的预测进行聚类来计算估计位置。

与现有技术相比，本发明能够达成以下的有益效果：

1)将CSI数据结合图像处理技术应用于定位问题，提升系统鲁棒性。

2)提出基于宽度学习系统的增量式训练指纹库的新输入CSI数据，无需舍弃已训练模型可继续更新权重，极大节省训练时间；

3)将定位回归问题与基于概率法的置信度相结合，提升定位精度。

附图说明

图1为本发明的一种基于CSI图像的增量式智能室内定位方法的实施例架构图；

图2为本发明的基于卷积神经网络训练CSI图像模型训练流程图；

图3为增量式训练指纹库新输入数据的过程示意图。

具体实施方式

以下结合附图，对本发明设计的框架结构、功能及作用详细说明如下。

如图1所示，为本发明的一种基于CSI图像的增量式智能室内定位方法的实施架构图。台式机作为信号发射端，笔记本作为接收端，且二者都配备Intel WiFi Link 5300NIC。使用Linux 802.11n CSI tool的Monitor模式收集CSI数据，更稳定且节省离线阶段数据采集时间。对所有的采样点持续采集3000个CSI数据包，并将其中来自3根天线的连续900个CSI数据包的相位数据转换为30×30×3的CSI图像。CSI图像由3幅热度图组合而成，每个热图包括30个分组(行)和对应的30个测量相位值(列)。CSI图像有三个通道，可以认为是一个彩色图像的R、G、B通道。每个位置有30个彩色图像训练样本。特别是CSI图像在不同位置具有不同的特征，适于作为定位的指纹。相位数据比振幅数据具有更强的鲁棒性，甚至在信号被阻塞的情况下也更稳定。本发明包含两个阶段：1)离线阶段，利用卷积神经网络结构训练CSI图像获取权重；以及，基于宽度学习系统的概率方法来计算每个位置的五个最大分类概率，其中最大分类概率为置信系数。宽度学习系统的增量式学习过程可以快速重构新的输入CSI数据。2)在线阶段，利用K-means算法对卷积神经网络的预测结果进行聚类回归，并将聚类中心作为定位结果的一部分。利用概率方法得到均值回归期望，并将其与聚类结果结合起来进行估计作为最终的定位预测结果。

本发明的一种基于CSI图像的增量式智能室内定位方法具体包括以下流程：

步骤1、对所有的采样点持续采集3000个CSI图像数据包，并将原始CSI图像矩阵中来自3根天线的连续900个CSI图像数据包提取相位信息转换为30×30×3的CSI图像，创建CSI图像集；

步骤2：利用卷积层的神经元将低层的输出(低层输出为卷积核处理完CSI图像的结果。)作为输入，通过激活函数进行正向传播，计算卷积层的输出q_j,m，如式(1)：

式中，w_i,j,n是第n个卷积核，w_o,j是第o个与第j个特征映射之间的连接，，o_i,n+m-1是第m个神经元输出的第i个特征，F是卷积核的尺寸，σ(·)是激活函数；F是卷积核的尺寸，σ(·)为激活函数，本发明选取Relu函数：

其中，x是示输入数据；

使网络稀疏化来降低参数间的相互依赖性；设定卷积层的训练权重，并通过反向传播对权重值进行更新；利用Bath Normalization技术提高训练速度和网络泛化能力；

如图2所示，为基于卷积神经网络训练CSI图像模型训练流程图。卷积神经网络包括多个卷积层、多个池化层和一个完整的连接层，充分提取相位信息的特征。特别地，将传统的卷积神经网络分类模型转换为定位回归问题。

步骤3：对卷积层的出输再进行池化处理，通过池化来降低卷积层输出的特征维度，其中：池化层与卷积层具有相同数量的特征映射，使用低维特征来表示学习到的权重；最大池化函数计算公式如下，

其中，p_i,m是池化层输出的结果，G是池化尺寸，s是平移步长，m与n的含义与式(1)相同；

另外，使用“Dropout”技术来防止过拟合，减少训练时间，每个隐藏神经元的输出在定位系统中设置为0，概率为0.25；

步骤4：将通过池化处理的特征图连接到全连接层，结合训练样本的标签用梯度下降法更新权值，利用交叉熵的损失函数得到softmax层的输出即分类结果(分类结果可将每个位置的30个图像进行分类，用于区别不同位置坐标。)，并将转换为回归(文中提到的所有“回归”是一种概述表达，不限于专门的回归处理方法))；池化是一种降采样处理，主要目标是降低特征映射空间，本发明采用最大值池化Max pooling，具体处理参见式(3)：利用K-means算法对每个位置的CSI图像进行聚类预测，把聚类中心作为估计位置的一部分；

步骤5：使用宽度学习系统计算第i个特征映射的概率M_i：

式中，H是输入数据，可获得n个特征映射，

和

是随机生成的权重和偏置参数(且符合正态分布)，ψ(·)为激活函数，本发明选择tansig函数，公式为：

将输出映射为[-1,1]；

步骤6：利用增强节点将M_n的特征进行增强与更新：

其中，ζ(·)同样为激活函数，M_n就是式(4)的输出M_i)。

步骤7：根据特征映射与增强节点，得到宽度学习系统的输出Y，公式如下：

Y＝[M₁,...,M_n|E₁,...,E_m]·W^m＝[Mⁿ|E^m]·W^m (7)

其中，W^m为连接特征与增强节点到输出层的权重，M₁,...,M_n是特征映射层的输出，E₁,...,E_m是增强映射层的输出，Mⁿ与E^m是相应的一种变种表达方式本质上是同一含义，W^m为连接特征与增强节点到输出层的权重。特别地，[Mⁿ|E^m]⁺通过岭回归可快速计算获取；

步骤8：增强宽度学习系统的学习能力。额外引入新的特征映射并计算相对应的增强节点，可进一步扩展其学习特征的能力，是模型具有更好的普适性。模型训练完成可同时获得相应的分类概率记作Pro_ij，其中，i表示样本，j表示标签；

步骤9：提取每个样本最大的5个概率值和相应的坐标，计算初步期望值；再获取测试集相对于每个采样点的平均期望值记作bls_ave。将每个类别的最大分类概率max_pro作为置信度，结合卷积神经网络的期望回归结果cnn_pre来计算最终的定位结果，表示为：

P_i＝bls_ave_i×(1-max_pro_i)+cnn_pre_i×max_pro_i (8)

步骤10：用H_a表示新输入的指纹数据(可以是一个或一组样本)，

表示n个特征映射与m个增强节点，迭代更新如式(9)：

结合相对应的增强节点则有

因此，更新矩阵为

根据违逆算法其转变为

其中，

且

和

步骤11：通过式(11)更新式(9)(10)的权重，如下式：

式中，Y_a为H_a的标签。由于新的输入数据没有经过卷积神经网络的训练，所以通过对增量训练模型的预测进行聚类来计算估计位置。采用与卷积神经网络预测回归结果相似的方法，使用K-means算法将聚类中心作为增量式学习的定位结果。

如图3所示，为增量式训练指纹库新输入数据的过程。

本发明提出了一个进行室内定位，结合图像处理技术提高定位实现高精度定位的方法：将CSI的相位数据转换成图像用于模型训练与提取特征，比较于振幅数据增加了定位系统的稳定性；不使用基于信号到达角度的几何定位技术，而使用卷积神经网络将振幅数据进行监督学习；特别地，使用基于宽度学习系统的增量式学习算法用于持续学习新输入数据的特征，无需舍弃已训练模型节省时间。

Claims (1)

1.一种基于CSI图像的增量式智能室内定位方法，包括离线阶段和在线阶段，其特征在于，该方法包括以下步骤：

所述离线阶段包括以下处理：

步骤1、对所有的采样点持续采集3000个CSI图像数据包，并将原始CSI图像矩阵中提取相位信息转换为30×30×3的CSI图像，创建CSI图像集；

步骤2：将卷积核处理完CSI图像的结果作为卷积层的输入，进行正向传播，计算卷积层的输出q_j,m，如式(1)：

式中，w是卷积核，w_i,j,n是第n个卷积核，w_o,j是第o个与第j个特征映射之间的连接，o_i,n+m-1是第m个神经元输出的第i个特征，F为卷积核的尺寸，σ(·)为卷积神经网络激活函数；

设定卷积层的训练权重，并通过反向传播对权重进行更新；

步骤3：对卷积层的输出进行池化处理，降低卷积层输出的特征维度；

步骤4：将通过池化处理的特征图连接到全连接层，利用交叉熵的损失函数得到softmax层的输出即分类结果，并将转换为回归；

利用K-means算法对每个位置的CSI图像进行聚类；

步骤5：使用宽度学习系统计算第i个特征映射的概率M_i：

式中，H是输入数据，可获得n个特征映射，

和

是随机生成的权重和偏置参数，ψ(·)为宽度学习激活函数，选择tansig函数，公式为：

将输出映射为[-1,1]；

步骤6：利用增强节点将M_n的特征进行增强与更新：

其中，ζ(·)是增强宽度学习激活函数，M_n是式(4)的输出，E_j是增强节点处理完的结果；

步骤7：根据特征映射与增强节点，得到宽度学习系统的输出Y，公式如下：

Y＝[M₁,...,M_n|E₁,...,E_m]·W^m＝[Mⁿ|E^m]·W^m (7)

其中，W^m是连接特征与增强节点到输出层的权重，M₁,...,M_n是特征映射层的输出，E₁,...,E_m是增强映射层的输出，W^m是连接特征与增强节点到输出层的权重；

所述在线阶段包括以下处理：

步骤8：引入新的特征映射并计算相对应的增强节点，模型训练完成的同时获得相应的分类概率记作Pro_ij，其中，i表示样本，j表示标签；

步骤9：提取每个样本中最大的5个概率值和相应的坐标，计算初步期望值；再获取测试集相对于每个采样点的平均期望值记作bls_ave；将每个类别的最大分类概率max_pro作为置信度，结合每个类别的卷积神经网络的期望回归结果cnn_pre来计算最终的定位结果，公式为：

P_i＝bls_ave_i×(1-max_pro_i)+cnn_pre_i×max_pro_i (8)

步骤10：进行CSI矩阵的迭代更新，如式(9)：

其中，H_a是新输入的指纹数据，

是n个特征映射与m个增强节点的矩阵；

结合相对应的增强节点则有

更新的CSI矩阵为

其中，

且

和

步骤11：通过式(11)更新式(9)(10)的权重，如下式：

式中，Y_a为H_a的标签；

通过对增量训练模型的预测进行聚类来计算估计位置。

Images