CN113939016A - 基于wifi双频融合的智能终端室内定位方法及系统 - Google Patents

基于wifi双频融合的智能终端室内定位方法及系统 Download PDF

Info

Publication number
CN113939016A
CN113939016A CN202111566936.7A CN202111566936A CN113939016A CN 113939016 A CN113939016 A CN 113939016A CN 202111566936 A CN202111566936 A CN 202111566936A CN 113939016 A CN113939016 A CN 113939016A
Authority
CN
China
Prior art keywords
frequency
dual
csi
wifi
intelligent terminal
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
Application number
CN202111566936.7A
Other languages
English (en)
Other versions
CN113939016B (zh
Inventor
郑飞州
陈胜俭
陈政霖
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.)
Guangzhou Youkegu Technology Co ltd
Original Assignee
Guangzhou Youkegu Technology Co ltd
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 Guangzhou Youkegu Technology Co ltd filed Critical Guangzhou Youkegu Technology Co ltd
Priority to CN202111566936.7A priority Critical patent/CN113939016B/zh
Publication of CN113939016A publication Critical patent/CN113939016A/zh
Application granted granted Critical
Publication of CN113939016B publication Critical patent/CN113939016B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
    • 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
    • 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
    • H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
    • 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)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明涉及一种基于WIFI双频融合的智能终端室内定位方法，包括：选取室内的参考点，基于双频WIFI发射器采集参考点的位置坐标以及参考点的WiFi双频信号；基于参考点的WiFi双频信号提取参考点的双频CSI指纹特征；将双频CSI指纹特征与参考点的位置坐标关联；所有参考点的双频CSI指纹特征构成双频指纹特征库；构建深度神经网络，利用双频指纹特征库中的双频CSI指纹特征训练所述深度神经网络；采集智能终端所在位置的WiFi双频信号，对所述WiFi双频信号进行处理后获得智能终端所在位置的双频CSI指纹特征，将所述双频CSI指纹特征输入至训练好的深度神经网络中，深度神经网络输出智能终端所在位置的定位结果。

Description

基于WIFI双频融合的智能终端室内定位方法及系统
技术领域
本发明涉及智能终端技术领域，更具体地，涉及一种基于WIFI双频融合的智能终端室内定位方法及系统。
背景技术
随着智能终端快速发展和普及，基于终端的位置服务需求巨大。如今，在室外场景下基于GNSS的智能终端定位已发展成熟，但在室内由于GNSS难以抵达而导致智能终端难以接收GNSS信号，进而影响定位的实现。因此，在室内定位领域，发展了利用WIFI、蓝牙、UWB等射频信号，利用可见光信号以及声音信号等众多数据源进行室内定位研究的技术。
目前，主流的超宽带定位方案成本和功耗过高，且智能终端等终端支持有限，难以在智能终端实现普及应用，而智能终端如智能手机，普遍支持蓝牙信号和WIFI信号的接收，使得基于WIFI技术或蓝牙技术的定位成为可能。基于蓝牙技术的室内定位成本低但作用距离有限，且所在2.4GHz频段干扰严重，难以适用于智慧办公、智能商超等电磁环境复杂的典型室内场景。随着WIFI 6时代的到来，室内无处不在的WIFI发射器具有2.4GHz、5GHz双频并发的能力，未来将进一步扩展6GHz频段。因此，利用WiFi技术双频并发的优势研究基于多信道WIFI信号进行高精度室内定位成为可能。
发明内容
本发明的第一发明目的在于提供一种基于WIFI双频融合的智能终端室内定位方法，该方法利用WIFI双频并发的特性，基于幅值和相位信息构建双频CSI指纹特征库，增加用于定位的特征维度，有效应对单一2.4GHz信道不稳定而造成的CSI特征变化，增强WIFI定位可用性及稳定性。
本发明的第二发明目的在于提供一种基于WIFI双频融合的智能终端室内定位系统，该系统应用上述基于WIFI双频融合的智能终端室内定位方法。
为实现第一发明目的，采用的技术方案是：
基于WIFI双频融合的智能终端室内定位方法，包括：
选取室内的参考点，基于双频WIFI发射器采集参考点的位置坐标以及参考点的WiFi双频信号；
提取参考点的WiFi双频信号中各频段的导频信号；
分别对各频段的导频信号进行处理，得到双频CSI数据；对所述双频CSI数据进行拼接，得到参考点的CSI双频数据集；
对于每个参考点，从其CSI双频数据集中提取振幅、相位信息作为该参考点的双频CSI指纹特征；将所述双频CSI指纹特征与参考点的位置标签关联，所述位置标签包含有参考点的坐标信息；所有参考点的双频CSI指纹特征、位置标签构成双频指纹特征库；
构建深度神经网络，利用所述双频指纹特征库中的双频CSI指纹特征训练所述深度神经网络；
采集智能终端所在位置的WiFi双频信号，对所述WiFi双频信号进行处理后获得智能终端所在位置的双频CSI指纹特征，将所述双频CSI指纹特征输入至训练好的深度神经网络中，深度神经网络输出智能终端所在位置的定位结果。
为实现第二发明目的，采用的技术方案是：
一种基于WIFI双频融合的智能终端室内定位系统，包括至少一存储器和至少一处理器；
其中所述至少一存储器内存储有程序，所述程序被所述至少一处理器调用执行时，执行以上基于WIFI双频融合的智能终端室内定位方法的步骤。
与现有技术相比，本发明的有益效果是：
本发明提供的方法通过构建室内空间参考点的双频指纹特征库，并训练相应的深度神经网络用于后续的定位识别。与现有技术相比，本发明提供的方法应用WiFi双频信号的振幅、相位信息构建相应的双频指纹特征库，增加用于定位的特征维度，有效应对单一2.4GHz信道不稳定而造成的CSI特征变化，增强WIFI定位可用性及稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为实施例1的基于WIFI双频融合的智能终端室内定位方法的框架流程示意图。
图2为实施例1的CSI双频数据提取与拼接的示意图。
图3为实施例2的基于WIFI双频融合的智能终端室内定位系统的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
实施例1
如图1所示，图1为本发明提供的基于WIFI双频融合的智能终端室内定位方法的框架流程示意图。其包括深度神经网络训练阶段及在线定位阶段2个阶段，以下将对这2个步骤进行一一阐述。
其中，深度神经网络训练阶段，包括有以下步骤：
1）参考点选取；
2）双频信号分频处理；
3）CSI双频数据提取与拼接；
4）双频指纹特征库构建；
5）深度神经网络训练。
上述步骤1）中，选取室内的参考点，基于双频WIFI发射器采集参考点的位置坐标以及参考点的WiFi双频信号；本实施例中，WiFi双频信号包括2.4GHz、5GHz双频信号。
上述步骤2）中，对采集的参考点的WiFi双频信号进行分频处理，对于各频段信号， 根据WIFI协议标准利用信号训练序列的循环前缀进行下行信号的同步，基于信号协议规定 的导频位置，完成各频段导频信号提取。得到的各频段导频信号记为
Figure DEST_PATH_IMAGE001
、
Figure 598455DEST_PATH_IMAGE002
，二者均为
Figure DEST_PATH_IMAGE003
的矩阵，其中
Figure 158749DEST_PATH_IMAGE004
表示子载波个数，
Figure DEST_PATH_IMAGE005
表示数据采样长度。
上述步骤3）中，如图2所示，分别对各频段的导频信号进行处理，得到双频CSI数据；对所述双频CSI数据进行拼接，得到参考点的CSI双频数据集。
在具体实施时，基于本地导频信号，利用最小二乘法对导频信号进行处理，得到 CSI数据；令双频段的CSI数据分别为
Figure 743445DEST_PATH_IMAGE006
、
Figure DEST_PATH_IMAGE007
，其中
Figure 756401DEST_PATH_IMAGE006
、
Figure 419332DEST_PATH_IMAGE007
均为
Figure 302974DEST_PATH_IMAGE003
的CSI矩阵， c表示 参考点号。对所述WiFi双频信号的CSI数据
Figure 776681DEST_PATH_IMAGE006
、
Figure 745774DEST_PATH_IMAGE007
进行拼接得到双频矩阵
Figure 448282DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE009
即为CSI双频数据集。
上述步骤4）中，如图2所示，对于每个参考点，从其CSI双频数据集中提取振幅、相位信息作为该参考点的双频CSI指纹特征；将所述双频CSI指纹特征与参考点的位置标签关联，所述位置标签包含有参考点的坐标信息；所有参考点的双频CSI指纹特征、位置标签构成双频指纹特征库。
在具体实施时，如图2所示，对于每个参考点，从其CSI双频数据集中提取振幅、相位信息作为该参考点的双频CSI指纹特征，包括：
对双频矩阵
Figure 983169DEST_PATH_IMAGE009
进行小波变换，将
Figure 627777DEST_PATH_IMAGE009
矩阵中的信号分解到不同的频带，并通过阈 值选择对高频带中的噪声进行滤除处理，实现噪声去除，得到去噪后的双频矩阵
Figure 818586DEST_PATH_IMAGE010
；
提取双频矩阵
Figure 94759DEST_PATH_IMAGE010
的CSI幅值信息，构建幅值特征矩阵
Figure DEST_PATH_IMAGE011
；
提取双频矩阵
Figure 952994DEST_PATH_IMAGE012
的CSI相位信息，构建相位特征矩阵
Figure DEST_PATH_IMAGE013
；
对相位特征矩阵
Figure 50394DEST_PATH_IMAGE014
的每一行进行解缠绕，得到解缠绕后的行向量，进一步得到随 时间变化的相位特征矩阵
Figure DEST_PATH_IMAGE015
；
对幅值特征矩阵
Figure 790817DEST_PATH_IMAGE016
、相位特征矩阵
Figure 599241DEST_PATH_IMAGE015
进行归一化；
联合归一化后的幅值特征矩阵
Figure 311983DEST_PATH_IMAGE016
及相位特征矩阵
Figure 32814DEST_PATH_IMAGE015
构建参考点的双频CSI指纹 特征
Figure DEST_PATH_IMAGE017
。
在具体实施时，相位特征矩阵
Figure 745686DEST_PATH_IMAGE014
中，每个元素记为
Figure 842955DEST_PATH_IMAGE018
，其中k = 1,2,…,2
Figure 675782DEST_PATH_IMAGE004
且
Figure DEST_PATH_IMAGE019
，相位提取如下：
Figure DEST_PATH_IMAGE021
其中，
Figure 144678DEST_PATH_IMAGE022
为复数
Figure 62956DEST_PATH_IMAGE018
的实部，
Figure DEST_PATH_IMAGE023
为复数
Figure 245806DEST_PATH_IMAGE018
的虚部。
在具体实施时，对相位特征矩阵
Figure 667561DEST_PATH_IMAGE014
的每一行进行解缠绕，得到解缠绕后的行向量， 包括：
相位特征矩阵
Figure 995774DEST_PATH_IMAGE014
中每一行即为各信道的各个子载波，设置缠绕门限为
Figure 135768DEST_PATH_IMAGE024
，对每一 行的相位进行线性展开，记相位特征矩阵
Figure 89686DEST_PATH_IMAGE014
每一行向量为：
Figure DEST_PATH_IMAGE025
，则当
Figure 897105DEST_PATH_IMAGE026
时，对相位通过增加
Figure DEST_PATH_IMAGE027
的整数倍来偏移相位角
Figure 943690DEST_PATH_IMAGE028
，直到差值 小于
Figure 570980DEST_PATH_IMAGE024
，得到解缠绕后的行向量：
Figure DEST_PATH_IMAGE029
，
Figure 344901DEST_PATH_IMAGE030
。
上述步骤5）中，构建深度神经网络，利用所述双频指纹特征库中的双频CSI指纹特征训练所述深度神经网络。
在具体实施时，所述利用所述双频指纹特征库中的双频CSI指纹特征训练所述深度神经网络，包括：
将各参考点的双频CSI指纹特征、位置标签、最大序列次数输入深度神经网络，经过卷积层和池化层的依次处理，最后的输出压缩为全连接层的输入，依据全连接层的输出结果和位置标签，利用损失函数计算位置标签与全连接层的输出结果的误差；
将误差作为输入，利用BP反向传播算法进行深度神经网络神经元的权值和阈值调整，迭代调整直至全连接层的输出结果与期望匹配，结束训练。
而在在线定位阶段，包含有以下步骤：
a）待测点信号输入
b）双频信号分频处理
c）CSI双频数据提取与拼接
d）双频指纹特征
e）利用训练完成的深度神经网络进行定位
上述步骤b）、c）、d）与深度神经网络训练阶段的2）、3）、4）相同或局部相同，在此不一一赘述。
上述步骤e）中，将所述双频CSI指纹特征输入至训练好的深度神经网络中，深度神经网络输出智能终端所在位置的定位结果。
在具体实施时，深度神经网络输出智能终端所在位置的定位结果包括：深度神经网络输出智能终端所在位置属于各参考点位置的概率，通过选取前p个概率最大参考点进行位置坐标的加权求和，得到定位结果进行输出。
实施例2
本实施例提供了一种基于WIFI双频融合的智能终端室内定位系统，如图3所示，包括存储器和处理器；
其中所述存储器内存储有程序，所述程序被所述处理器调用执行时，执行实施例1所述基于WIFI双频融合的智能终端室内定位方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，RandomAccessMemory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.基于WIFI双频融合的智能终端室内定位方法，其特征在于：包括：
选取室内的参考点，基于双频WIFI发射器采集参考点的位置坐标以及参考点的WiFi双频信号；
提取参考点的WiFi双频信号中各频段的导频信号；
分别对各频段的导频信号进行处理，得到双频CSI数据；对所述双频CSI数据进行拼接，得到参考点的CSI双频数据集；
对于每个参考点，从其CSI双频数据集中提取振幅、相位信息作为该参考点的双频CSI指纹特征；将所述双频CSI指纹特征与参考点的位置标签关联，所述位置标签包含有参考点的坐标信息；所有参考点的双频CSI指纹特征、位置标签构成双频指纹特征库；
构建深度神经网络，利用所述双频指纹特征库中的双频CSI指纹特征训练所述深度神经网络；
采集智能终端所在位置的WiFi双频信号，对所述WiFi双频信号进行处理后获得智能终端所在位置的双频CSI指纹特征，将所述双频CSI指纹特征输入至训练好的深度神经网络中，深度神经网络输出智能终端所在位置的定位结果。
2.根据权利要求1所述的基于WIFI双频融合的智能终端室内定位方法，其特征在于：所述提取参考点的WiFi双频信号中的导频信号包括：
对采集的参考点的WiFi双频信号进行分频处理；
对于各频段信号，根据WIFI协议标准利用信号训练序列的循环前缀进行下行信号的同步；
基于信号协议规定的导频位置，完成各频段导频信号提取。
3.根据权利要求1所述的基于WIFI双频融合的智能终端室内定位方法，其特征在于：所述分别对各频段的导频信号进行处理得到CSI数据包括：
基于本地导频信号，利用最小二乘法对导频信号进行处理，得到CSI数据；令双频段的 CSI数据分别为
Figure 663113DEST_PATH_IMAGE001
、
Figure 534248DEST_PATH_IMAGE002
，其中
Figure 156728DEST_PATH_IMAGE001
、
Figure 473309DEST_PATH_IMAGE002
均为
Figure 787483DEST_PATH_IMAGE003
的CSI矩阵，
Figure 626257DEST_PATH_IMAGE004
表示子载波个数，
Figure 470454DEST_PATH_IMAGE005
表示 数据采样长度，c表示参考点号。
4.根据权利要求3所述的基于WIFI双频融合的智能终端室内定位方法，其特征在于：对WiFi双频信号的CSI数据进行拼接，得到参考点的CSI双频数据集包括：
对所述WiFi双频信号的CSI数据
Figure 485333DEST_PATH_IMAGE001
、
Figure 170523DEST_PATH_IMAGE002
进行拼接得到双频矩阵
Figure 114952DEST_PATH_IMAGE006
，
Figure 213489DEST_PATH_IMAGE007
即为 CSI双频数据集。
5.根据权利要求4所述的基于WIFI双频融合的智能终端室内定位方法，其特征在于：所述对于每个参考点，从其CSI双频数据集中提取振幅、相位信息作为该参考点的双频CSI指纹特征，包括：
对双频矩阵
Figure 426865DEST_PATH_IMAGE007
进行小波变换，得到去噪后的双频矩阵
Figure 28879DEST_PATH_IMAGE008
；
提取双频矩阵
Figure 472105DEST_PATH_IMAGE008
的CSI幅值信息，构建幅值特征矩阵
Figure 667726DEST_PATH_IMAGE009
；
提取双频矩阵
Figure 962090DEST_PATH_IMAGE010
的CSI相位信息，构建相位特征矩阵
Figure 356294DEST_PATH_IMAGE011
；
对相位特征矩阵
Figure 268624DEST_PATH_IMAGE012
的每一行进行解缠绕，得到解缠绕后的行向量，进一步得到随时间 变化的相位特征矩阵
Figure 918917DEST_PATH_IMAGE013
；
对参考点的幅值特征矩阵
Figure 592473DEST_PATH_IMAGE014
、相位特征矩阵
Figure 838253DEST_PATH_IMAGE013
进行归一化；
联合归一化后的幅值特征矩阵
Figure 360633DEST_PATH_IMAGE014
及相位特征矩阵
Figure 232643DEST_PATH_IMAGE013
构建参考点的双频CSI指纹特征
Figure 868810DEST_PATH_IMAGE015
。
6.根据权利要求5所述的基于WIFI双频融合的智能终端室内定位方法，其特征在于：所 述相位特征矩阵
Figure 972027DEST_PATH_IMAGE012
中，每个元素记为
Figure 662377DEST_PATH_IMAGE016
，其中k = 1,2,…,2
Figure 585465DEST_PATH_IMAGE004
且
Figure 748026DEST_PATH_IMAGE017
，相位提取 如下：
Figure 971328DEST_PATH_IMAGE018
其中，
Figure 629318DEST_PATH_IMAGE019
为复数
Figure 305281DEST_PATH_IMAGE016
的实部，
Figure 283251DEST_PATH_IMAGE020
为复数
Figure 95480DEST_PATH_IMAGE016
的虚部。
7.根据权利要求5所述的基于WIFI双频融合的智能终端室内定位方法，其特征在于：所 述对相位特征矩阵
Figure 862054DEST_PATH_IMAGE012
的每一行进行解缠绕，得到解缠绕后的行向量，包括：
相位特征矩阵
Figure 697418DEST_PATH_IMAGE012
中每一行即为各信道的各个子载波，设置缠绕门限为
Figure 490797DEST_PATH_IMAGE021
，对每一行的相 位进行线性展开，令相位特征矩阵
Figure 423112DEST_PATH_IMAGE012
每一行向量为：
Figure 360588DEST_PATH_IMAGE022
，则当
Figure 745564DEST_PATH_IMAGE023
时，对相位通过增加
Figure 65337DEST_PATH_IMAGE024
的整数倍来偏移相位角
Figure 117737DEST_PATH_IMAGE025
，直到差值 小于
Figure 22852DEST_PATH_IMAGE021
，得到解缠绕后的行向量：
Figure 363966DEST_PATH_IMAGE026
，
Figure 272448DEST_PATH_IMAGE027
。
8.根据权利要求1-7任一项所述的基于WIFI双频融合的智能终端室内定位方法，其特征在于：所述利用所述双频指纹特征库中的双频CSI指纹特征训练所述深度神经网络，包括：
将各参考点的双频CSI指纹特征、位置标签、最大序列次数输入深度神经网络，经过卷积层和池化层的依次处理，最后的输出压缩为全连接层的输入，依据全连接层的输出结果和位置标签，利用损失函数计算位置标签与全连接层的输出结果的误差；
将误差作为输入，利用BP反向传播算法进行深度神经网络神经元的权值和阈值调整，迭代调整直至全连接层的输出结果与期望匹配，结束训练。
9.根据权利要求8所述的基于WIFI双频融合的智能终端室内定位方法，其特征在于：所述深度神经网络输出智能终端所在位置的定位结果包括：深度神经网络输出智能终端所在位置属于各参考点位置的概率，通过选取前p个概率最大参考点进行位置坐标的加权求和，得到定位结果进行输出。
10.基于WIFI双频融合的智能终端室内定位系统，应用权利要求1-9任一项所述的基于WIFI双频融合的智能终端室内定位方法，其特征在于：包括至少一存储器和至少一处理器；
其中所述至少一存储器内存储有程序，所述程序被所述至少一处理器调用执行时，执行权利要求1-9任一项所述的基于WIFI双频融合的智能终端室内定位方法的步骤。
CN202111566936.7A 2021-12-21 2021-12-21 基于wifi双频融合的智能终端室内定位方法及系统 Active CN113939016B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111566936.7A CN113939016B (zh) 2021-12-21 2021-12-21 基于wifi双频融合的智能终端室内定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111566936.7A CN113939016B (zh) 2021-12-21 2021-12-21 基于wifi双频融合的智能终端室内定位方法及系统

Publications (2)

Publication Number Publication Date
CN113939016A true CN113939016A (zh) 2022-01-14
CN113939016B CN113939016B (zh) 2022-03-22

Family

ID=79289363

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111566936.7A Active CN113939016B (zh) 2021-12-21 2021-12-21 基于wifi双频融合的智能终端室内定位方法及系统

Country Status (1)

Country Link
CN (1) CN113939016B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115086864A (zh) * 2022-04-26 2022-09-20 广东省科学院智能制造研究所 一种基于多频段csi协同的无线定位方法及装置
CN115795377A (zh) * 2023-01-30 2023-03-14 深圳大学 呼吸状态分类器生成方法、呼吸状态监测方法及相关装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107347181A (zh) * 2017-07-11 2017-11-14 南开大学 一种基于双频Wi‑Fi信号的室内定位方法
WO2018119949A1 (zh) * 2016-12-29 2018-07-05 深圳天珑无线科技有限公司 信道状态信息相位的校正方法及装置
CN108882151A (zh) * 2018-07-02 2018-11-23 上海大学 基于csi信息区域化标注的室内定位方法
CN110446940A (zh) * 2017-03-16 2019-11-12 英国Ranplan无线网络设计公司 基于wifi多频带指纹的室内定位
CN111918388A (zh) * 2020-08-17 2020-11-10 南京邮电大学 基于深度可分离卷积的csi指纹被动式定位方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018119949A1 (zh) * 2016-12-29 2018-07-05 深圳天珑无线科技有限公司 信道状态信息相位的校正方法及装置
CN110446940A (zh) * 2017-03-16 2019-11-12 英国Ranplan无线网络设计公司 基于wifi多频带指纹的室内定位
CN107347181A (zh) * 2017-07-11 2017-11-14 南开大学 一种基于双频Wi‑Fi信号的室内定位方法
CN108882151A (zh) * 2018-07-02 2018-11-23 上海大学 基于csi信息区域化标注的室内定位方法
CN111918388A (zh) * 2020-08-17 2020-11-10 南京邮电大学 基于深度可分离卷积的csi指纹被动式定位方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115086864A (zh) * 2022-04-26 2022-09-20 广东省科学院智能制造研究所 一种基于多频段csi协同的无线定位方法及装置
CN115795377A (zh) * 2023-01-30 2023-03-14 深圳大学 呼吸状态分类器生成方法、呼吸状态监测方法及相关装置
CN115795377B (zh) * 2023-01-30 2023-08-08 深圳大学 呼吸状态分类器生成方法、呼吸状态监测方法及相关装置

Also Published As

Publication number Publication date
CN113939016B (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
CN113939016B (zh) 基于wifi双频融合的智能终端室内定位方法及系统
Zhou et al. Adaptive genetic algorithm-aided neural network with channel state information tensor decomposition for indoor localization
CN105320965B (zh) 基于深度卷积神经网络的空谱联合的高光谱图像分类方法
CN103456301B (zh) 一种基于环境声音的场景识别方法及装置及移动终端
US20200327397A1 (en) Systems and methods for modulation classification of baseband signals using multiple data representations of signal samples
WO2021082480A1 (zh) 一种图像分类的方法及相关装置
CN107770783B (zh) 一种基站扩容改造方案设计方法及相关设备
JP2013168924A (ja) 頭部伝達関数を決定するシステムおよび方法
Jassim et al. New orthogonal polynomials for speech signal and image processing
CN111366820A (zh) 局部放电信号的模式识别方法、装置、设备及存储介质
CN110826403B (zh) 跟踪目标确定方法及相关设备
CN102300095B (zh) 一种超谱信号的快速压缩编码方法及图像压缩方法
CN110781912A (zh) 一种基于通道扩张倒置卷积神经网络的图像分类方法
WO2020165848A1 (en) Quality assessment of an image
CN112950640A (zh) 视频人像分割方法、装置、电子设备及存储介质
Ye et al. CapsLoc: A robust indoor localization system with WiFi fingerprinting using capsule networks
CN111863014A (zh) 一种音频处理方法、装置、电子设备和可读存储介质
CN114218984B (zh) 一种基于样本多视图学习的射频指纹识别方法
CN108985421A (zh) 编码信息的生成方法和识别方法
CN110807255A (zh) 一种m通道联合时间顶点非下采样滤波器组的优化设计方法
CN111914106B (zh) 纹理与法线库构建方法、纹理与法线图生成方法及装置
Zhang et al. Deep radio fingerprint ResNet for reliable lightweight device identification
CN112069412A (zh) 信息推荐方法、装置、计算机设备及存储介质
CN111245821A (zh) 辐射源识别方法、装置及辐射源识别模型创建方法、装置
CN110414593A (zh) 图像处理方法及装置、处理器、电子设备及存储介质

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Intelligent Terminal Indoor Location Method and System Based on WIFI Dual Frequency Fusion

Effective date of registration: 20230825

Granted publication date: 20220322

Pledgee: Guangzhou Rural Commercial Bank Co.,Ltd. Huaxia Branch

Pledgor: Guangzhou youkegu Technology Co.,Ltd.

Registration number: Y2023980053830

PE01 Entry into force of the registration of the contract for pledge of patent right