CN114189809A - 基于卷积神经网络与高维5g观测特征的室内定位方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络与高维5G观测特征的室内定位方法，旨在利用多维信号特征缓解非视距与多径效应带来的定位误差。该方法首先在离线阶段使用目标设备采集参考点5G观测值，利用3σ原则对异常值进行修正，接着采用滑动窗口方法构建观测值图像并与对应格点的位置坐标合并构建离线图像指纹库，利用指纹库训练得到CNN位置分类模型。在线阶段将目标设备在测试点采集的5G观测值处理后输入CNN位置分类模型，通过概率加权质心法得到测试点定位坐标。本发明对由室内多径效应引起的敏感输入数据有鲁棒性，定位精度得到提升，并且5G定位的发展前景好，本发明有着较大的应用空间和商业价值。

Description

基于卷积神经网络与高维5G观测特征的室内定位方法

技术领域

本发明涉及5G室内定位领域，具体涉及一种基于卷积神经网络(ConvolutionalNeural Networks,CNN)与高维5G观测特征的室内定位方法。

背景技术

随着物联网技术的飞速发展，基于位置的服务如导航定位正受到广泛关注。全球导航卫星系统(Global Navigation Satellite System，GNSS)在室外定位方面具有高精度，全覆盖等优点。然而在复杂的室内环境下，往往因为信号遮挡和多径效应等导致卫星定位信号衰弱，进而致使定位效果变差，甚至不能正常工作。当前主流的室内定位技术包括超宽带(Ultra Wide Band,UWB)技术，WIFI技术，射频识别(Radio FrequencyIdentification,RFID)技术，蓝牙技术等，这些技术各有利弊。3G、4G网络主要是无源系统，不具备室内定位的能力。少量有源系统带宽小，子载波间隔小，定位精度十几米，很难满足室内定位的应用需求。3G、4G网络架构中也没有定义定位服务器和对外的应用接口，难以推广应用。5G网络的优势在于其具有的更大的带宽和子载波间隔，使得5G室内定位精度提升。

室内定位方法可分为三角测量和指纹识别。三角测量如基于到达时间(Time ofArrival,TOA)，基于到达时间差(Time Difference of Arrival,TDOA)，基于到达角度(Angle of Arrival,AOA)利用三角形的几何特性来估计目标位置。由于室内信号噪声的多径性，三角测量的精度下降，该方法不具有鲁棒性。指纹识别利用场景的特征来估计目标位置，目标设备的位置通常确定为具有最相似特征的参考点或具有相似特征的一组参考点的组合。指纹的准确性在很大程度上取决于数据集的充分性，目前5G基站的大量部署，在室内环境下人们可以很轻易的将移动设备如智能手机接入5G系统，5G信号容易收集，因此将5G指纹识别与机器学习或者深度学习结合成为一种极具吸引力的方法。

机器学习K近邻法(K-Nearest Neighbor,KNN)、决策树、支持向量机(SupportVector Machine,SVM)等需要专业经验来主观地选择和调整滤波器和超参数，时间复杂度高。神经网络可以隐式地从输入中提取特征，避免手动特征选择。深度神经网络(DeepNeural Networks,DNN)缺点在于对输入数据的变化十分敏感，当数据集不够充分时，精度不高。卷积神经网络CNN可以在保持适当复杂度的同时增加神经网络的深度。CNN通过使用滤波器的卷积运算来学习图像的整体拓扑结构，在图像分类上具有令人满意的性能。

发明内容

本发明的目的是针对室内定位信号容易受到非视距和多径效应的影响，提出一种基于卷积神经网络(CNN)与高维5G观测特征的室内定位方法，对由室内多径效应引起的敏感输入数据有鲁棒性，定位精度得到提升，并且5G定位的发展前景好，本发明有着较大的应用空间和商业价值。

本发明的目的是这样实现的：

一种基于卷积神经网络与高维5G观测特征的室内定位方法，该方法包括以下具体步骤：

步骤1：离线阶段进行数据采集与模型训练，具体步骤如下：

步骤1.1：对待定位区域进行二维矩形网格划分，得到参考点，将目标设备放置于每个参考点进行观测，收集由5G基站发送到目标设备的5G观测值矩阵V并进行存储，同时记录对应参考点的位置坐标(x_i,y_i)；

步骤1.2：对观测值矩阵V数据预处理，剔除观测值矩阵V中存在缺失值的行，采用3σ原则处理观测值矩阵V中的异常值，得到观测值矩阵V’；

步骤1.3：对数据预处理后的观测值矩阵V’使用滑动窗口方法构建观测值图像I；

步骤1.4：将观测值图像I与对应参考点的位置坐标(x_i,y_i)合并，构建离线图像指纹库F；

步骤1.5：将离线图像指纹库F作为卷积神经网络CNN的输入，训练得到CNN位置分类模型；

步骤2：在线阶段进行数据采集与目标设备定位，具体步骤如下：

步骤2.1：在待定位区域中选择测试点，将目标设备放置于测试点进行观测，收集由5G基站发送到目标设备的5G观测值矩阵U并进行存储；

步骤2.2：对观测值矩阵U数据预处理，剔除观测值矩阵U中存在缺失值的行，采用3σ原则处理观测值矩阵U中的异常值，得到观测值矩阵U’；

步骤2.3：对数据预处理后的观测值矩阵U’使用滑动窗口方法构建观测值图像R；

步骤2.4：将观测值图像R输入步骤1.5的CNN位置分类模型，进行在线匹配，得到测试点属于各参考点的概率p_k；

步骤2.5：根据步骤2.4得到的概率p_k，使用概率加权质心法得到测试点的定位坐标L。

所述观测值矩阵V和观测值矩阵U均由5G信号的十维观测值SS-RSRP Ant0、SS-RSRP Ant1、NR WB CQI、NR PUSCH TxPower、NR PUSCH PathLoss、NR PUCCH TxPower、NRPUCCH PathLoss、SS-SINR、SS-RSSI及SS-RSRQ构成，观测值矩阵V中的十维观测值依次记录为V₁,V₂,V₃,...,V_n,n＝10，观测值矩阵U中的十维观测值依次记录为U₁,U₂,U₃,...,U_n,n＝10；所述SS-RSRP Ant0为天线0的5G同步信号参考信号接收功率；SS-RSRP Ant1为天线1的5G同步信号参考信号接收功率；NR WB CQI为信道质量指示；NR PUSCH TxPower为PUSCH信道发送功率；NR PUSCH PathLoss为PUSCH信道路径损耗；NR PUCCH TxPower为PUCCH信道发送功率；NR PUCCH PathLoss为PUCCH信道路径损耗；SS-SINR为5G同步信号信噪比；SS-RSSI为5G接收信号强度指示；SS-RSRQ为5G参考信号接收质量。

所述数据预处理包括缺失值处理与异常值处理：

1)观测值矩阵V或U中的一行表示目标设备接收到的一个数据包，每个数据包包含5G信号十维观测值，当某个数据包中一个或多个观测值V_j或U_j,(j＝1,2,3,...,10)为空值时，将该数据包剔除，即剔除观测值矩阵中存在缺失值的行；

2)3σ原则是建立在正态分布的等精度重复测量基础上的，在正态分布中σ代表标准差；如果数据包中某个观测值与其均值之差的绝对值大于3倍的标准差，则判断该观测值为异常值，并用均值代替该观测值：

其中，

和

分别代表V_j和U_j的均值，

和

分别代表V_j和U_j的标准差。

所述的滑动窗口方法构建观测值图像I或R，具体为：将观测值矩阵V或U的第1-10行组合成一个10×10的观测值图像，将第2-11行组合成一个10×10的观测值图像，以此类推，构建观测值图像I或R。

所述CNN位置分类模型，包括依次连接的卷积层，最大池化层，全连接层和softmax层，具体训练步骤如下：

1)初始化CNN模型参数；

2)将离线图像指纹库F输入CNN模型，卷积层使用卷积核来提取参考点观测值图像I的特征，获得经过卷积处理后的观测值图像；

3)使用最大池化层对卷积处理后的观测值图像进行下采样，提取m×m大小图像中的最大像素值；

4)全连接层将池化后的分布式特征展开成一维向量，保留高维到低维的有用特征信息；

5)利用softmax层对全连接层展开的一维向量进行分类，得到定位坐标(x_i’,y_i’)；

6)根据网格点的真实坐标(x_i,y_i)与CNN模型输出的定位坐标(x_i’,y_i’)，利用损失函数计算CNN模型的损失值；

7)利用损失值更新CNN模型参数，直到损失值收敛从而获得训练好的CNN位置分类模型。

所述概率加权质心法，具体为：将测试点的观测值图像R输入到CNN位置分类模型中，模型输出解释为测试点属于各个参考点的概率p_k，对于测试点出现在待定位区域的任意位置，使用概率加权质心法得到测试点最终定位坐标L，计算如下：

依概率从高到低排序，Ω是前K个参考点的集合，(x_k,y_k)是第k个参考点的坐标。

本发明利用室内5G信号进行定位，不需要额外铺设大量的硬件设备，成本低易于推广。利用CNN模型对5G高维观测值进行特征学习，有效的缓解了非视距与多径效应带来的定位误差，提高了定位精度。本发明可在现有的5G硬件设备上进行软件化，在5G室内定位领域具有较大的应用空间和商业价值。

附图说明

图1为本发明的流程图；

图2为实施例二维网格点示意图；

图3为本发明训练的CNN位置分类模型结构图；

图4为CNN位置分类模型与KNN算法的定位误差累计分布函数对比示意图。

具体实施方法

下面结合附图以某室内定位的具体实施例对本发明作进一步的详细说明。

实施例

参阅图1，本发明提供了一种基于卷积神经网络与高维5G观测特征的室内定位方法，包括离线阶段和在线阶段。离线阶段将室内待定位区域均匀划分成二维矩形网格点，在每个参考点使用5G手机采集5G观测值矩阵，并记录参考点的真实位置坐标。接着对观测值矩阵进行数据预处理，剔除存在缺失值的数据包，利用3σ准则修正异常值。利用滑动窗口法将预处理后的观测值矩阵转换成观测值图像，结合对应参考点的位置坐标构建离线图像指纹库。将离线指纹库输入CNN网络，经过训练得到一个CNN位置分类模型。在线阶段选定测试点并使用5G手机采集5G观测值矩阵，同样对数据进行预处理，转换成观测值图像后输入离线阶段训练得到的CNN位置分类模型中进行在线匹配，模型的输出是测试点属于各个参考点的概率，最后利用概率加权质心算法估计出测试点的坐标。

参阅图2，室内待定位区域为8m×5.5m的办公室区域，5G基站位于定位区域的左下角，固定在高度为2.65m的三脚架上，区域上半部分放置有若干桌椅。首先在待定位区域以1m×1m的分辨率划分网格，图中圆点代表参考点，星星代表测试点。5G手机高度为0.8m，手机与基站之间属于非视距(None Line of Sight,NLOS)关系。

利用5G手机在参考点或测试点收集到的5G观测值矩阵的存储格式如下表1所示：

表1.观测值矩阵存储格式

其中SS-RSRP Ant0为天线0的5G同步信号参考信号接收功率；SS-RSRPAnt1为天线1的5G同步信号参考信号接收功率；NR WB CQI为信道质量指示；NR PUSCH TxPower为PUSCH信道发送功率；NR PUSCH PathLoss为PUSCH信道路径损耗；NR PUCCH TxPower为PUCCH信道发送功率；NR PUCCH PathLoss为PUCCH信道路径损耗；SS-SINR为5G同步信号信噪比；SS-RSSI为5G接收信号强度指示；SS-RSRQ为5G参考信号接收质量。

离线阶段利用5G手机在参考点收集的高维5G观测值矩阵V构建大小为10×10的观测值图像I，然后将每个图像与对应的参考点位置坐标合并作为离线图像指纹库F。离线图像指纹库存储格式如下表2所示：

表2.离线图像指纹库存储格式

其中V₁代表SS-RSRP Ant0；V₂代表SS-RSRP Ant1；V₃代表NR WB CQI；V₄代表NRPUSCH TxPower；V₅代表NR PUSCH PathLoss；V₆代表NR PUCCH TxPower；V₇代表NR PUCCHPathLoss；V₈代表SS-SINR；V₉代表SS-RSSI；V₁₀代表SS-RSRQ。x为每个图像对应格点的横坐标，y为每个图像对应格点的纵坐标。

参阅图3，CNN位置分类模型包括依次连接的卷积层1和卷积层2，均含有10个大小为3×3的卷积核，最大池化层3的核为2×2，卷积层4和卷积层5均含有5个大小为3×3的卷积核，最大池化层6的核为2×2，全连接层7和全连接层8，softmax层9。具体训练步骤如下：

1)将离线图像指纹库F输入初始CNN模型，卷积层1和卷积层2提取参考点观测值图像I的特征，获得经过卷积处理后的观测值图像；

2)最大池化层3对卷积层1和2处理后的观测值图像进行最大池化，降低图像特征维度，防止过拟合；

3)卷积层4和卷积层5进一步提取池化后观测值图像的特征；

4)最大池化层6对卷积层4和5处理后的观测值图像进行最大池化，降低图像特征维度，防止过拟合；

5)全连接层7和全连接层8将池化后的观测值图像展开成一维向量；

6)softmax层9对全连接层展开的一维向量进行分类，得到定位坐标；

7)根据参考点的真实坐标与CNN模型输出的定位坐标，利用损失函数计算CNN模型的损失值；

8)利用损失值更新CNN模型参数，直到损失值收敛从而获得训练好的CNN位置分类模型。

在线阶段利用5G手机在测试点收集的高维5G观测值矩阵U构建大小为10×10的观测值图像R。观测值图像R的存储格式如下表3所示：

表3.在线阶段测试点观测值图像存储格式

U<sub>1</sub>	U<sub>2</sub>	U<sub>3</sub>	U<sub>4</sub>	U<sub>5</sub>	U<sub>6</sub>	U<sub>7</sub>	U<sub>8</sub>	U<sub>9</sub>	U<sub>10</sub>
										-77.94	-79.92	10.71	20	74	10	74	45.18	-42.88	-10.29
-77.94	-79.92	10.71	20	73	10	73	45.18	-42.88	-10.29
										-77.94	-79.92	10.71	20	73	10	73	45.18	-42.88	-10.29
-77.99	-79.88	10.71	20	73	10	73	45.18	-43.13	-10.33
										-77.99	-79.88	10.71	20	74	10	74	45.18	-43.13	-10.33
-77.99	-79.88	10.71	20	75	10	75	45.18	-43.13	-10.33
										-77.99	-79.88	10.71	20	74	10	75	45.18	-43.13	-10.33
-78.86	-78.86	10.71	20	74	10	75	41.65	-42.13	-10.39
										-78.86	-78.86	10.71	20	75	8	74	41.65	-42.13	-10.39
-78.8	-79.71	10.71	20	75	8	74	45.18	-43.38	-10.38

其中U₁代表SS-RSRP Ant0；U₂代表SS-RSRP Ant1；U₃代表NR WB CQI；U₄代表NRPUSCH TxPower；U₅代表NR PUSCH PathLoss；U₆代表NR PUCCH TxPower；U₇代表NR PUCCHPathLoss；U₈代表SS-SINR；U₉代表SS-RSSI；U₁₀代表SS-RSRQ。

将测试点的观测值图像R输入CNN位置分类模型，模型输出测试点属于某个参考点的概率，使用概率加权质心法得到测试点定位坐标。将测试点的定位坐标与其真实坐标的欧式距离作为定位误差，基于5G高维观测值矩阵，比较本发明的CNN位置分类模型与传统KNN算法的定位效果。

参阅图4，本实施例在12个测试点共采集20000个5G观测值数据包，利用KNN方法定位误差如虚线所示，定位误差均值为1.38m，累计分布函数在80％分位点的定位误差为2.10m。利用本发明的CNN位置分类模型定位误差如实线所示，定位误差均值为0.94m，累计分布函数在80％分位点的定位误差为1.32m，精度提升了78cm。可见本发明使用高维5G观测特征与CNN结合有效的缓解了非视距与多径效应带来的定位误差，提高了定位精度。

以上只是对本发明作进一步的说明，并非用以限制本发明，在不背离本发明构思的精神和范围下的等效实施，均应包含于本发明的权利要求范围之内。

Claims (6)

1.一种基于卷积神经网络与高维5G观测特征的室内定位方法，其特征在于，该方法包括以下具体步骤：

步骤1：离线阶段进行数据采集与模型训练，具体步骤如下：

步骤1.1：对待定位区域进行二维矩形网格划分，得到参考点，将目标设备放置于每个参考点进行观测，收集由5G基站发送到目标设备的5G观测值矩阵V并进行存储，同时记录对应参考点的位置坐标(x_i,y_i)；

步骤1.2：对观测值矩阵V数据预处理，剔除观测值矩阵V中存在缺失值的行，采用3σ原则处理观测值矩阵V中的异常值，得到观测值矩阵V’；

步骤1.3：对数据预处理后的观测值矩阵V’使用滑动窗口方法构建观测值图像I；

步骤1.4：将观测值图像I与对应参考点的位置坐标(x_i,y_i)合并，构建离线图像指纹库F；

步骤1.5：将离线图像指纹库F作为卷积神经网络CNN的输入，训练得到CNN位置分类模型；

步骤2：在线阶段进行数据采集与目标设备定位，具体步骤如下：

步骤2.1：在待定位区域中选择测试点，将目标设备放置于测试点进行观测，收集由5G基站发送到目标设备的5G观测值矩阵U并进行存储；

步骤2.2：对观测值矩阵U数据预处理，剔除观测值矩阵U中存在缺失值的行，采用3σ原则处理观测值矩阵U中的异常值，得到观测值矩阵U’；

步骤2.3：对数据预处理后的观测值矩阵U’使用滑动窗口方法构建观测值图像R；

步骤2.4：将观测值图像R输入步骤1.5的CNN位置分类模型，进行在线匹配，得到测试点属于各参考点的概率p_k；

步骤2.5：根据步骤2.4得到的概率p_k，使用概率加权质心法得到测试点的定位坐标L。

2.根据权利要求1所述的基于卷积神经网络与高维5G观测特征的室内定位方法，其特征在于，所述观测值矩阵V和观测值矩阵U均由5G信号的十维观测值SS-RSRP Ant0、SS-RSRPAnt1、NR WB CQI、NR PUSCH TxPower、NR PUSCH PathLoss、NR PUCCH TxPower、NR PUCCHPathLoss、SS-SINR、SS-RSSI及SS-RSRQ构成，观测值矩阵V中的十维观测值依次记录为V₁,V₂,V₃,...,V_n,n＝10，观测值矩阵U中的十维观测值依次记录为U₁,U₂,U₃,...,U_n,n＝10；所述SS-RSRP Ant0为天线0的5G同步信号参考信号接收功率；SS-RSRP Ant1为天线1的5G同步信号参考信号接收功率；NR WB CQI为信道质量指示；NR PUSCH TxPower为PUSCH信道发送功率；NR PUSCH PathLoss为PUSCH信道路径损耗；NR PUCCH TxPower为PUCCH信道发送功率；NR PUCCH PathLoss为PUCCH信道路径损耗；SS-SINR为5G同步信号信噪比；SS-RSSI为5G接收信号强度指示；SS-RSRQ为5G参考信号接收质量。

3.根据权利要求1所述的基于卷积神经网络与高维5G观测特征的室内定位方法，其特征在于，所述数据预处理包括缺失值处理与异常值处理：

1)观测值矩阵V或U中的一行表示目标设备接收到的一个数据包，每个数据包包含5G信号十维观测值，当某个数据包中一个或多个观测值V_j或U_j,(j＝1,2,3,...,10)为空值时，将该数据包剔除，即剔除观测值矩阵中存在缺失值的行；

2)3σ原则是建立在正态分布的等精度重复测量基础上的，在正态分布中σ代表标准差；如果数据包中某个观测值与其均值之差的绝对值大于3倍的标准差，则判断该观测值为异常值，并用均值代替该观测值：

其中，

和

分别代表V_j和U_j的均值，

和

分别代表V_j和U_j的标准差。

4.根据权利要求1所述的基于卷积神经网络与高维5G观测特征的室内定位方法，其特征在于，所述的滑动窗口方法构建观测值图像I或R，具体为：将观测值矩阵V或U的第1-10行组合成一个10×10的观测值图像，将第2-11行组合成一个10×10的观测值图像，以此类推，构建观测值图像I或R。

5.根据权利要求1所述的基于卷积神经网络与高维5G观测特征的室内定位方法，其特征在于，所述CNN位置分类模型，包括依次连接的卷积层，最大池化层，全连接层和softmax层，具体训练步骤如下：

1)初始化CNN模型参数；

2)将离线图像指纹库F输入CNN模型，卷积层使用卷积核来提取参考点观测值图像I的特征，获得经过卷积处理后的观测值图像；

3)使用最大池化层对卷积处理后的观测值图像进行下采样，提取m×m大小图像中的最大像素值；

4)全连接层将池化后的分布式特征展开成一维向量，保留高维到低维的有用特征信息；

5)利用softmax层对全连接层展开的一维向量进行分类，得到定位坐标(x_i’,y_i’)；

6)根据网格点的真实坐标(x_i,y_i)与CNN模型输出的定位坐标(x_i’,y_i’)，利用损失函数计算CNN模型的损失值；

7)利用损失值更新CNN模型参数，直到损失值收敛从而获得训练好的CNN位置分类模型。

6.根据权利要求1所述的一种基于卷积神经网络与高维5G观测特征的室内定位方法，其特征在于，所述概率加权质心法，具体为：将测试点的观测值图像R输入到CNN位置分类模型中，模型输出解释为测试点属于各个参考点的概率p_k，对于测试点出现在待定位区域的任意位置，使用概率加权质心法得到测试点最终定位坐标L，计算如下：

依概率从高到低排序，Ω是前K个参考点的集合，(x_k,y_k)是第k个参考点的坐标。

Images