CN114269014B - 基于域自适应网络的大规模mimo动态环境指纹定位方法 - Google Patents

Abstract

本发明提供了一种基于域自适应网络的大规模MIMO动态环境指纹定位方法，该方法采用域自适应学习的方式，在初始环境位置指纹数据库的基础上通过结合少量当前环境下的无监督样本训练定位模型，能够提高模型在当前环境中的工作能力，训练后的模型在当前环境中具有较高的鲁棒性；本方案在动态环境下的定位精度改善效果良好，通过少量当前环境的无标签数据即可训练获得当前环境下的定位模型，能一定程度缓解环境变化后的定位模型失效和重采样代价大的问题。

Description

基于域自适应网络的大规模MIMO动态环境指纹定位方法

技术领域

本发明属于无线通信技术领域，具体涉及一种基于域自适应网络的大规模MIMO(multiple input multiple output)动态环境指纹定位方法。

背景技术

随着物联网技术的飞速发展，基于位置服务(Location Based Service，LBS)的需求显著增多从而使得精确定位技术受到了广泛的关注。目前主要的定位技术分为几何法和指纹法。几何法通常利用多个基站接收用户信号视距路径(Line of Sight，LOS)的到达角(Angle of Arrival，AOA)、到达时间(Time of Advent，TOA)和接收信号强度(ReceivedSignal Strength，RSS)的测量值进行协同定位。但在高楼林立和室内等复杂环境下，接收信号包含大量非视距路径(Non-line of Sight，NLOS)干扰甚至缺少LOS，导致定位精度大幅降低。

指纹法通过离线阶段采集位置指纹数据库并建立无线指纹(例如：接收信号强度(Received Signal Strength，RSS)和信道状态信息(Channel State Information，CSI))和位置的一一映射关系来实现在线阶段的定位，这种方法由于能有效克服多径干扰对定位精度的影响而广受关注。但是其仍存在不足：指纹法对环境的要求较高，无法满足动态环境下的定位。当定位区域多径环境的变化(例如：室外车辆的停靠和室内家居的移动等)，同一位置的在线阶段无线指纹发生变化，导致原环境下采集的位置指纹数据库失效。新环境下无线指纹和位置的映射关系发生改变，使得初始位置指纹数据库训练建立的定位模型不再适用于新的环境，而重新采集样本更新位置指纹数据库的成本过大。因此提高动态环境下定位的准确度成为当前一个重要技术问题。

发明内容

技术问题：本发明针对上述技术存在的问题，提供基于域自适应网络的大规模MIMO动态环境指纹定位方法，该方法采用域自适应学习的方式，在初始环境位置指纹数据库的基础上通过结合少量当前环境下的无监督样本训练定位模型，能够提高模型在当前环境中的工作能力，训练后的模型在当前环境中具有较高的鲁棒性。

技术方案：为达到上述目的，本发明的基于域自适应网络的大规模MIMO动态环境指纹定位方法包括以下步骤：

步骤1：将二维定位区域划分为均匀的N_block＝N₁×N₂(具体取值由定位区域大小和定位精度要求综合确定)个网格块并编号，每个块的长宽分别为d₁,d₂。记录各个网格块的中心坐标N₁,N₂分别为划分网格块的总行列数；

其中对应第n₁行n₂列网格块中心位置的横纵坐标值；

步骤2：构建初始位置指纹数据库D_s

考虑宽带正交频分复用(Orthogonal Frequency Division Multiplexing，OFDM)调制方式下的大规模MIMO系统。在初始环境下的定位区域内等间隔划分K(具体取值由定位区域大小和定位精度要求综合确定)个样本点，通过用户主动上报获得用户所在样本点的二维位置坐标和对应的网格块编号I_k，其中/>分别为该样本点位置的横纵坐标值，基站利用用户在各个样本点发送的上行导频信号进行信道估计，获得各个样本点上行链路的信道频率响应CFR(Channel frequency response，CFR)矩阵，其中第k个样本点处的CFR矩阵记为/>

其中N_c为子载波个数，H_k,l为用户在第k个样本点位置处上行链路中第l个子载波上的信道频率响应，具体表达式为：

其中l＝0,1...,N_c-1，a_p,k为用户信号从第k个样本点位置到达基站所经过的所有N_p条路径中第p条路径上的复增益，分别为第k个样本点位置处的用户信号通过第p条路径到达基站的俯仰角和方位角，/>为基站处的阵列天线响应向量，为信号时延，/>为向下取整函数，τ_p,k第k个样本点位置处的用户信号通过第p条路径到达基站的时间，T_s为系统采样时间间隔，具体取值由系统的带宽决定。以第一根天线的信号相位为参考相位，则天线阵列响应矩阵/>的具体表达式为：

其中，为矩阵的克劳内科积，e^(v)和e^(h)分别为天线阵列响应矩阵的垂直和水平分量：

其中为矩阵的克劳内科积，/>分别为基站处天线阵列中天线间行、列的间距，λ为载波波长。

利用稀疏域变换得到该样本点处的角度时延域幅度矩阵即指纹第k个样本点的指纹为：

其中E{·}为求期望值，⊙为Hadamard积，可根据/>进行稀疏变换获得：

其中N_g为循环前缀数，具体由系统最大多径时延决定，为矩阵的克劳内科积，V_M∈C^M×M，V_N∈C^N×N分别为基站天线阵列行、列的角度的离散傅里叶变换(Discrete FourierTransform，DFT)矩阵，M和N分别表示天线阵列的行列数，C为复数集合，/>为时延DFT矩阵，分别满足：

[V_M]_m,n为V_M的第m行n列元素，为/>的第m行n列元素。

将用户在第k个样本点处的初始指纹对应的二维位置坐标y_k和网格块编号I_k组成位置指纹对/>所有样本点的指纹对集合构成初始位置指纹数据库D_s＝{pair_k|k＝0,1,...,K-1}；

步骤3：构建当前目标环境下无位置标签的指纹数据库即目标数据库D_t。在当前环境中基站按照步骤2的方法获取定位区域内的Z个用户指纹，Z远小于初始数据库大小K，通常可取Z＝0.1K。其中当前环境下第z个用户的上行CFR矩阵为对应的指纹为/>Z个指纹构成目标数据库/>

步骤4：构建域自适应网络，利用D_s和D_t对网络进行训练；

域自适应网络包含特征提取网络ψ，网格块分类网络f和辅助分类网络f'。输入的指纹数据通过特征提取网络得到降维后的特征向量；分别将特征向量输入网格块分类网络和辅助分类网络，两个分类网络的输出层都采用softmax函数得到指纹位于不同网格块的概率。

所述特征提取网络ψ由6个卷积块级联组成；其中前5个卷积块中每个卷积块包含一个卷积层一个批量归一化层和一个最大池化层，最后一个卷积块仅由一个卷积层和一个批量归一化层组成。卷积层的激活函数都为ReLU函数；

所述网格块分类网络f由两个全连接层和一个批量归一化层组成，前一个全连接层的激活函数为ReLU函数，后一个全连接层的维度为网格块的总数N_block，采用Softmax激活函数得到指纹在各网格块的概率，其表达式为：

其中，x为网络的输出向量，[·]_i表示向量的第i个元素，N_class为分类总数。批量归一化层在两个全连接层之间起到防止过拟合和加快训练的作用。

所述辅助分类网络f'和网格块分类网络基本相同，其在输入端多一个梯度反转层，用于在梯度反传的过程中做取反操作。

在模型训练过程中采用样本分类损失和分歧差异损失作为网络的损失函数。其中样本分类损失仅由初始数据库的有标签样本进行估计，分歧差异损失由初始数据库和目标数据库样本共同估计。其中样本分类损失采用交叉熵损失函数，其估计值为：

其中为初始指纹样本F^s中的第k个指纹样本，I_k为样本网格块标签I中第k个指纹样本对应的网格块标签，/>表示网格块分类网络输出的概率中第I_k块网格的概率；

分歧差异损失计算公式为：

其中F^t为目标数据库中的指纹样本，γ为大于1的权重因子，可取6，其中L(f'(·),f(·))为交叉熵损失函数，用于估计网格块分类网络和辅助分类网络在初始数据库上的分歧；

L(f'(·),f(·))＝-log[[f'(·)]_{argmax{f(·)}}] (12)

其中argmax{·}为向量最大元素的下标。为避免梯度爆炸，L'(f'(·),f(·))使用修正的交叉熵损失来估计两个分类网络在目标数据库上的分歧；

L'(f'(·),f(·))＝log[[1-f'(·)]_{argmax{f(·)}}] (13)

最终域适应网络的训练需要交替对抗优化两部分：

其中α为介于0到1之间的权重因子。由于f'中存在梯度反转层，实际训练过程中只需要通过随机梯度下降直接优化目标函数

步骤5：将训练好的域自适应网络中的特征提取网络ψ和网格块分类网络f组成定位模型搭载到基站端；定位模块可以表示为O(·)＝f(ψ(·))，将需定位用户的指纹F_u输入定位模块，可以得到其在各个网格块的概率b_u＝O(F_u)，其中[b_u]_i,i＝0,1,...,N_block-1表示该用户指纹在第i个网格块的概率。基站实时接收待定位用户信号导频信息，估计上行链路CFR矩阵H_u，并对其进行稀疏域变换得到指纹F_u用作定位模型的输入，通过定位模型O(·)计算得到该用户在各个网格块的概率。

步骤6：利用块中心重定位方法获得搜索块的中心位置坐标u＝(u¹,u²)，搜索块的大小和网格块相同。从D_s中获取位置坐标在搜索块范围内的样本点集合构成搜索集D_u，其中搜索集可以表示为：

在搜索集D_u内对待定位用户指纹F_u使用加权K近邻(Weighted K NearestNeighbor,WKNN)匹配算法估计待定位用户的位置坐标y_u。

所述步骤6中的块中心重定位方法包括：先将定位模型输出概率滤波得到b'_u，其中：

再将b'_u中的索引按照其对应元素值从大到小进行排序得到索引向量g，即按照块的概率对各个块进行排序，则有b'_u中第i大的元素所对应的索引值为[g]_i。其中[b'_u]_[c]i≥[b'_u]_[c]i+1,0≤i≤N_block-2。选择用户指纹所在最大概率的4个块的概率和对应块的中心坐标进行加权求和得到搜索块的中心坐标u，其中

所述步骤6中用于估计定位用户位置的WKNN方法具体为：

定位用户的估计位置

其中N_a为从D_u筛选出的与待定位用户指纹相似度最高的位置指纹对数，本发明中选3。相似度选择用余弦相似度。为筛选出的第n_a个样本指纹的位置坐标，

其中表示定位用户指纹和第n_a个样本点指纹的余弦相似度，

其中vec{·}为矩阵的向量化，||·||_F为矩阵的Frobenius范数。

有益效果：本发明与现有技术相比，具有以下有益效果：

1)本方案在动态环境下的定位精度改善效果良好，通过少量当前环境的无标签数据即可训练获得当前环境下的定位模型，并且模型具有很高的鲁棒性，能一定程度缓解环境变化后的定位模型失效和重采样代价大的问题。

2)本方案使用块中心重定位方法获得搜索块的位置，相较于普遍用于定位的直接将网格块分类网络输出概率最大的块作为搜索块的方法，能有效缓解用户位于块边界时分类模糊和匹配结果降低的情况。

3)在实际的定位过程中，CFR信息的获取可以通过通信系统中的信道估计模块获得，不需要占用额外的资源，方便实现。

附图说明

图1是本发明的基于域自适应网络的大规模MIMO动态环境指纹定位方法流程图；

图2是本发明的域自适应网络结构示意图。

具体实施方式

为了使本技术领域的人员更好理解本发明，下面结合附图对技术方案的实现过程做进一步的详细描述。

如图1所示，本发明实施例公开的基于域自适应网络的大规模MIMO(multipleinput multiple output)动态环境指纹定位方法，主要包括训练阶段和定位阶段两个部分。

训练阶段：将二维定位区域划分为均匀的N_block＝N₁×N₂个网格块并编号，N₁,N₂分别为划分网格块的总行列数，记录各个网格块的中心坐标其中/>对应第n₁行n₂列网格块中心位置的横纵坐标值。在初始环境下等间隔划分K个样本点，基站收集各个样本点位置处的上行导频信号进行信道估计获得用户在各样本点位置的信道频率响应(Channel Frequency Response，CFR)矩阵，其中k个样本点处的CFR矩阵为/>之后利用稀疏域变换得到该样本点处的指纹/>同时记录样本点对应的位置坐标/>和所在的网格块编号I_k，/>为该样本点位置的二维横纵坐标值。将该样本点处的指纹，对应位置坐标和网格块编号组成位置指纹对/>所有样本点的位置指纹对集合构成初始位置指纹数据库D_s。当前环境下在定位区域内获取Z个用户的指纹，其中第z个样本点处的指纹为/>所有当前环境下获取的指纹构成目标数据库D_t。构建域自适应网络，将D_s和D_t中的指纹作为域自适应网络的输入数据，D_s中各指纹所对应的网格块编号作为标签，利用这两个数据库对网络进行训练。

定位阶段：将训练完成的域自适应网络中的定位模块搭载到基站端，基站端实时接收用户的CFR信息，待定位用户的CFR矩阵为H_u，对其进行稀疏域变换后获得该用户的指纹F_u用作定位模型的输入，通过模型得到该用户在各个网格块的概率，结合各网格块的中心坐标使用块中心重定位的方法获得搜索块的中心坐标u和搜索集D_u，利用用户的指纹F_u在D_u内通过加权K近邻(Weighted K Nearest Neighbor,WKNN)匹配方法获得用户位置坐标的估计值

下面将结合具体的场景和数据集详细描述每一步的具体操作。

本实施方式中，指纹数据集使用的是公开的通过射线追踪仿真的DeepMIMO室外数据集，具体地选择了同一街道上两个相隔162m的定位区域，分别表示初始环境和当前环境，每个环境中的基站相对于定位区域的位置是完全相同的，即定位区域的相对位置完全相同，每个定位区域为50×36m²，收集了45431个精确位置用户上行链路的CFR信息，其中相邻用户之间的间隔为0.2m。基站端的大规模MIMO是由64根天线组成的均匀线阵(UniformLinear Array，ULA)，用户和基站间通信信号的中心频率为3.5GHz，信号带宽为20MHz。信道矩阵通过在20MHz带宽内的64个等频率间隔采样获得，因此每个样本的复数CFR矩阵维度为64×64。样本的位置坐标通过以阵列天线中心为坐标原点的二维直角坐标系标定。

步骤1：根据总的定位区域大小和原环境每个区域的采样密度，将二维定位区域划分为均匀的N_block＝N₁×N₂(具体取值由定位区域大小和定位精度要求综合确定)个网格块并编号，每个块的长宽分别为d₁,d₂。记录各个网格块的中心坐标N₁,N₂分别为划分网格块的总行列数；

其中对应第n₁行n₂列网格块中心位置的横纵坐标值。本实施例中N_block＝450,d₁＝d₂＝2m。

步骤2：收集初始环境的位置指纹，构建初始位置指纹数据库。

在初始环境下的定位区域内等间隔划分K(具体取值由定位区域大小和定位精度要求综合确定)个样本点，获得各样本点上的CFR信息并变换为指纹，记录对应的位置坐标和所属网格块。

考虑宽带正交频分复用(Orthogonal Frequency Division Multiplexing，OFDM)调制方式下的大规模MIMO系统，在上行链路中，各用户发送导频信号，基站通过接收的导频信号对各用户的上行链路进行信道估计，获得用户在各个样本点位置处上行链路的信道频率响应矩阵，其中基站接收的用户在第k个样本点位置处的上行链路中第l个子载波上的CFR信息H_k,l如下式所示：

其中,是用户信号从第k个样本点处到达基站所经过的所有N_p条路径中第p条路径上的复信道增益，/>表示均值为0，实部虚部统计独立且方差各为/>的复高斯分布；/>分别为第k个样本点位置处的用户信号通过第p条路径到达基站的天顶角和方位角，/>为基站处的天线阵列响应矩阵；d_p,k为第k个样本点位置处的用户信号经过第p条路径到第一根接收天线的路程，λ_c为第l个子载波波长。

由于第p条路径上的多径时延

c为光速，T_c为符号持续时间，N_c为子载波总数，T_s为采样间隔，具体取值由系统的带宽决定。令其中/>为向下取整函数，则(1)式的连续信道频率响应可以转化为各采样时刻的CFR信息，如下式所示：

以第一根天线的信号相位为参考相位，则天线阵列响应矩阵的具体表达式为：

其中，为矩阵的克劳内科积，e^(v)和e^(h)分别为天线阵列响应矩阵的垂直和水平分量：

其中分别为基站处天线阵列中天线间行、列的间距，λ为载波波长。

则基站接收用户在第k个样本点位置的上行链路中所有N_c个子载波处的信道频率响应矩阵H_k为

结合H_k矩阵的结构特性，通过稀疏变换重构即离散傅里叶变换(DiscreteFourier Transform，DFT)变换将其重构到角度时延域，第k个样本点处的用户信号到基站的角度时延域信道矩阵G_k的表达式为：

其中N_g为循环前缀数，具体由系统最大多径时延决定，M，N分别为天线的行数和列数，由于本例中基站处天线阵列为64的ULA阵列，因此M＝64,N＝1；为矩阵的克劳内科积；V_M∈C^M×M，V_N∈C^N×N分别为天线行、列的角度离散傅里叶变换(Discrete FourierTransform，DFT)矩阵，其中C表示复数集合，/>为时延DFT矩阵，具体表达式如下：

其中[V_M]_m,n为V_M的第m行n列元素，为T_Nc×Ng的第m行n列元素。

V_M，V_N矩阵和矩阵分别将CFR矩阵H_k映射到角度域和时延域上，得到角度时延域矩阵G_k∈C^64×64，C表示复数集合。进一步求G_k中各元素绝对值的期望获得其所对应的指纹F_k，其表达式为：

其中E{·}为求期望值，⊙为Hadamard积。

在本实施例中，数据集中保存了各样本点的CFR矩阵，其中N_c＝N_t＝64，则H_k∈C^{64 ×64}表示第k个样本点位置处用户信号在64根天线上的64个子载波处的信道频率响应。

本实施例中初始环境和当前环境定位区域各样本点的CFR矩阵已经在数据集中获得，初始环境中我们取数据集中0.85位置的数据点作为样本点，剩下位置的数据用于域自适应网络的验证和定位模型定位精度的测试，因此本实施例中K＝38616。通过公式(6)、(7)、(8)获得所有样本点的指纹，其中第k个样本点初始环境下的指纹表示为

基站通过用户主动上报获得初始环境下各样本点的二维位置坐标和其所在的网格块编号I_k，在本实施例中y_k的值可直接从数据集中获得。位置坐标通过以基站天线阵列中心为原点的二维平面坐标系进行标定。二维坐标系的x轴方向平行于天线阵列平面且沿水平方向，y轴方向垂直于天线阵列平面并指向所需定位的区域。将用户在第k个样本点处的指纹/>对应的位置坐标y_k和网格块编号I_k组成指纹对/>其表示初始环境下指纹为/>的用户其所在的位置为y_k，对应的网格块编号为I_k。定位区域内初始环境下的所有样本点的指纹对集合构成初始位置指纹数据库D_s，D_s＝{pair_k|k＝0,1,...,K-1}。

步骤3：收集当前环境下的用户指纹，构建目标数据库。

在当前环境下，需要获取Z个用户的CFR信息，本实施例中随机选择当前环境数据集中0.1位置的数据，即Z＝4543，获取他们的CFR信息并通过公式(6)、(7)、(8)获得对应的指纹，其中第z个样本点当前环境下的指纹表示为当前环境下的所有样本点的指纹集合构成目标数据库D_t，/>

步骤4：构建域自适应网络，利用D_s和D_t对网络进行训练；

获得指纹数据库后，需要构建域自适应网络并利用数据库对其进行训练以获得最终的定位模型。如图2所示，域自适应网络包含特征提取网络ψ，网格块分类网络f和辅助分类网络f'。其中在训练过程中域自适应网络的输入为D_s或D_t中的指纹和/>输入的指纹数据通过特征提取网络ψ得到降维后的特征向量；分别将特征向量输入网格块分类网络和辅助分类网络，最后在两个分类网络的输出层得到指纹位于不同网格块的预测概率。

其中特征提取网络ψ由6个卷积块级联组成；其中前5个卷积块中每个卷积块包含一个卷积层一个批量归一化层和一个最大池化层，最后一个卷积块仅由一个卷积层和一个批量归一化层组成。卷积层的激活函数都为ReLU函数，在本实施例中所有卷积层的卷积核大小分别为32×32,16×16,8×8,5×5,3×3，卷积核的个数分别为8,16,32,64,64,256。

其中网格块分类网络f由两个全连接层和一个批量归一化层组成，前一个全连接层的激活函数为ReLU函数，后一个全连接层的维度为网格块的总数N_block，采用Softmax激活函数得到指纹在各网格块的概率。Softmax函数的公式为：

其中，x为网络的输出向量，[·]_i表示向量的第i个元素，N_class为分类数。批量归一化层在两个全连接层之间起到防止过拟合和加快训练的作用。本实施例中N_block＝450，两个全连接层向量的维度依次为256、450，其中450对应网格块总数量。

辅助分类网络f'和网格块分类网络基本相同，其在输入端多一个梯度反转层，用于在梯度反传的过程中做取反操作。

本实施例中，将初始环境和当前环境的指纹输入域自适应网络，输入的指纹数据的大小为64*64*1，经过特征提取网络后特征大小为1024*1。再将其分别传入网格块分类网络和辅助分类网络得到450维的输出向量对应指纹在各网格块的估计概率。

采用样本分类损失和分歧差异损失作为网络的损失函数，其中样本分类损失仅由初始数据库的有标签样本进行估计，分歧差异损失由初始数据库和目标数据库样本共同估计。其中样本分类损失采用交叉熵损失函数，其估计值为：

其中为初始指纹样本F^s中的第k个指纹样本，I_k为样本网格块标签I中第k个指纹样本对应的网格块标签，/>表示网格块分类网络输出的概率中第I_k块网格的概率；分歧差异损失计算公式为：

其中F^t为目标数据库中的指纹样本，γ为大于1的权重因子，本实施例中取6，其中L(f'(·),f(·))为交叉熵损失函数，用于计算网格块分类网络和辅助分类网络在初始数据库上的分歧，

L(f'(·)，f(·))＝-log[[f'(·)]_{argmax{f(·)}}] (12)

其中argmax{·}为向量最大元素的下标。为避免梯度爆炸，L'(f'(·),f(·))使用修正的交叉熵损失来计算两个分类网络在目标数据库上的分歧，

L'(f'(·)，f(·))＝log[[1-f'(·)]_{argmax{f(·)}}] (13)

最终域适应网络的训练需要交替对抗训练两部分：

更新对应的f,ψ,f'。其中α为介于0到1之间的权重因子，本实施例取1。由于ε_γ在f上不可微，即ε_γ在梯度反传时不会更新f，因此通过f'中的梯度反转层，可以将上述的两部分训练转换为直接训练优化目标函数具体地，在本实施例中将初始环境和当前环境的指纹库中的指纹输入域自适应网络，得到其在两个分类器上的输出概率，进而估计目标函数L_c-αε_γ，再通过随机梯度下降法更新域自适应网络的权重参数进而训练域自适应网络。

步骤5：定位阶段将定位模型搭载到基站，基站接收用户信息，并预测其所在网格块的概率。

将训练好的域自适应网络中的特征提取网络ψ和网格块分类网络f组成定位模型搭载到基站端，对应定位模块可以表示为O(·)＝f(ψ(·))。基站实时接收定位用户信号导频信息，估计上行链路CFR矩阵，其计算过程和训练阶段各样本点处H_k的计算过程相同。设当前待定位用户的CFR矩阵为H_u，通过公式(6)，(7)，(8)将其变换为用户指纹F_u，将其输入定位模块O(·)，可以得到其在各个网格块的概率b_u＝O(F_u)，其中[b_u]_i,i＝0,1,...,N_block-1表示该用户指纹在第i个网格块的概率。

步骤6：利用块中心重定位方法获得搜索块坐标，确定搜索集并通过WKNN估计用户位置。

由于相邻网格块之间没有间隔因此当用户靠近网格块边界时定位模型容易发生误判，直接将概率最大的网格块作为搜索块容易导致搜索块不包含用户真实位置，在其中进行WKNN匹配得到的用户位置估计值误差较大。通过块中心重定位方法根据待定位用户在所有网格块的概率结合网格块的中心坐标进行加权求和得到搜索块的中心坐标能够使得较大程度避免这种问题发生。

在获得待定位用户在各网格块的概率向量b_u后先进行滤波得到b'_u来避免小概率网格块的干扰，其中：

再将b'_u中的索引按照其对应元素值从大到小进行排序得到索引向量g，即按照块的概率对各个块进行排序，则有b'_u中第i大的元素所对应的索引值为[g]_i。其中考虑到当且仅当用户靠近网格块的4个角时，b'_u最多同时具有4个较大的元素值。因此选择用户指纹所在最大概率的4个网格块，结合步骤1中获得的对应块的中心坐标进行加权求和得到搜索块的中心坐标u＝(u¹,u²)；

搜索块的大小和网格块相同。

通过搜索块可以进一步获得搜索集D_u，本实例中由于网格块的长宽d₁＝d₂＝1m，则搜索集可以表示为：

利用待定位的用户指纹在搜索集内进行WKNN匹配获得用户的最终估计位置y_u

其中y_u为定位用户的估计位置，N_a为从D_u筛选出的与待定位用户指纹相似度最高的位置指纹对数，在本实施例中选3，相似度选择用余弦相似度。y_na为筛选出的第n_a个样本指纹的位置坐标

其中s_na表示定位用户指纹和第n_a个样本点指纹的余弦相似度：

其中vec{·}为矩阵的向量化，||·||_F为矩阵的Frobenius范数。

本文中所描述的具体实施例仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (7)

1.一种基于域自适应网络的大规模MIMO动态环境指纹定位方法，其特征在于该方法包括以下步骤：

步骤1：将二维定位区域划分为均匀的N_block＝N₁×N₂个网格块并编号，每个块的长宽分别为d₁,d₂，记录各个网格块的中心坐标N₁,N₂分别为划分网格块的总行列数；

其中对应第n₁行n₂列网格块中心位置的横纵坐标值；

步骤2：构建初始位置指纹数据库D_s

考虑宽带正交频分复用OFDM调制方式下的大规模MIMO系统在初始环境下的定位区域内等间隔划分K个样本点，通过用户主动上报获得用户所在样本点的二维位置坐标和对应的网格块编号I_k，其中/>分别为该样本点位置的横纵坐标值，基站利用用户在各个样本点发送的上行导频信号进行信道估计，获得各个样本点上行链路的信道频率响应CFR矩阵，

利用稀疏域变换得到该样本点处的角度时延域幅度矩阵即指纹第k个样本点的指纹为：

其中E{}为求期望值，⊙为Hadamard积，可根据/>进行稀疏变换获得：

其中N_c为子载波个数，N_g为循环前缀数，具体由系统最大多径时延决定，为矩阵的克劳内科积，V_M∈C^M×M，V_N∈C^N×N分别为基站天线阵列行、列的角度的离散傅里叶变换DFT矩阵，M和N分别表示天线阵列的行列数，C为复数集合，/>为时延DFT矩阵，分别满足：

[V_M]_m,n为V_M的第m行n列元素，为/>的第m行n列元素；

将用户在第k个样本点处的初始指纹对应的二维位置坐标y_k和网格块编号I_k组成位置指纹对/>所有样本点的指纹对集合构成初始位置指纹数据库D_s＝{pair_k|k＝0,1,...,K-1}；

步骤3：构建当前目标环境下无位置标签的指纹数据库即目标数据库D_t，在当前环境中基站按照步骤2的方法获取定位区域内的Z个用户指纹，Z远小于初始数据库大小K，通常取Z＝0.1K；其中当前环境下第z个用户的上行CFR矩阵为对应的指纹为/>Z个指纹构成目标数据库/>

步骤4：构建域自适应网络，利用D_s和D_t对网络进行训练；

域自适应网络包含特征提取网络ψ，网格块分类网络f和辅助分类网络f'；输入的指纹数据通过特征提取网络得到降维后的特征向量；分别将特征向量输入网格块分类网络和辅助分类网络，两个分类网络的输出层都采用softmax函数得到指纹位于不同网格块的概率；

在对网络进行训练过程中采用样本分类损失和分歧差异损失作为网络的损失函数，其中样本分类损失仅由初始数据库的有标签样本进行估计，分歧差异损失由初始数据库和目标数据库样本共同估计，其中样本分类损失采用交叉熵损失函数，其估计值为：

其中为初始指纹样本F^s中的第k个指纹样本，I_k为样本网格块标签I中第k个指纹样本对应的网格块标签，/>表示网格块分类网络输出的概率中第I_k块网格的概率；

步骤5：将训练好的域自适应网络中的特征提取网络ψ和网格块分类网络f组成定位模型搭载到基站端；定位模块可以表示为O()＝f(ψ())，将需定位用户的指纹F_u输入定位模块，得到其在各个网格块的概率b_u＝O(F_u)，令[·]_i表示向量的第i个元素，则[b_u]_i,i＝0,1,...,N_block-1表示该用户指纹在第i个网格块的概率；基站实时接收待定位用户信号导频信息，估计上行链路CFR矩阵H_u，并对其进行稀疏域变换得到指纹F_u用作定位模型的输入，通过定位模型O(·)计算得到该用户在各个网格块的概率；

步骤6：利用块中心重定位方法获得搜索块的中心位置坐标u＝(u¹,u²)，搜索块的大小和网格块相同，从D_s中获取位置坐标在搜索块范围内的样本点集合构成搜索集D_u，其中搜索集可以表示为：

在搜索集D_u内对待定位用户指纹F_u使用加权K近邻WKNN匹配算法估计待定位用户的位置坐标y_u；

其中，

步骤2中，第k个样本点处的CFR矩阵记为

其中H_k,l为用户在第k个样本点位置处上行链路中第l个子载波上的信道频率响应，具体表达式为：

其中l＝0,1...,N_c-1，a_p,k为用户信号从第k个样本点位置到达基站所经过的所有N_p条路径中第p条路径上的复增益，分别为第k个样本点位置处的用户信号通过第p条路径到达基站的俯仰角和方位角，/>为基站处的阵列天线响应向量，为信号时延，/>为向下取整函数，τ_p,k第k个样本点位置处的用户信号通过第p条路径到达基站的时间，T_s为系统采样时间间隔，具体取值由系统的带宽决定；以第一根天线的信号相位为参考相位，则天线阵列响应矩阵/>的具体表达式为：

其中，为矩阵的克劳内科积，e^(v)和e^(h)分别为天线阵列响应矩阵的垂直和水平分量：

其中为矩阵的克劳内科积，/>分别为基站处天线阵列中天线间行、列的间距，λ为载波波长。

2.根据权利要求1所述的基于域自适应网络的大规模MIMO动态环境指纹定位方法，其特征在于步骤4中，所述特征提取网络ψ由6个卷积块级联组成；其中前5个卷积块中每个卷积块包含一个卷积层一个批量归一化层和一个最大池化层，最后一个卷积块仅由一个卷积层和一个批量归一化层组成；卷积层的激活函数都为ReLU函数。

3.根据权利要求1所述的基于域自适应网络的大规模MIMO动态环境指纹定位方法，其特征在于步骤4中，所述网格块分类网络f由两个全连接层和一个批量归一化层组成，前一个全连接层的激活函数为ReLU函数，后一个全连接层的维度为网格块的总数N_block，采用Softmax激活函数得到指纹在各网格块的概率，其表达式为：

其中，x为网络的输出向量，N_class为分类总数，批量归一化层在两个全连接层之间起到防止过拟合和加快训练的作用。

4.根据权利要求1所述的基于域自适应网络的大规模MIMO动态环境指纹定位方法，其特征在于步骤4中，所述辅助分类网络f'和网格块分类网络基本相同，

其在输入端多一个梯度反转层，用于在梯度反传的过程中做取反操作。

5.根据权利要求1所述的基于域自适应网络的大规模MIMO动态环境指纹定位方法，其特征在于步骤4中所述的分歧差异损失，计算方法为：

其中F^t为目标数据库中的指纹样本，γ为大于1的权重因子，可取6，其中L(f'(·),f(·))为交叉熵损失函数，用于估计网格块分类网络和辅助分类网络在初始数据库上的分歧，

L(f'(·),f(·))＝-log[[f'(·)]_{argmax{f(·)}}] (13)

其中argmax{·}为向量最大元素的下标；为避免梯度爆炸，L'(f'(·),f(·))使用修正的交叉熵损失来估计两个分类网络在目标数据库上的分歧，

L'(f'(·),f(·))＝log[[1-f'(·)]_{argmax{f(·)}}] (14)

最终域适应网络的训练需要交替对抗优化两部分：

和/>

其中α为介于0到1之间的权重因子，由于f'中存在梯度反转层，实际训练过程中只需要通过随机梯度下降直接优化目标函数

6.根据权利要求1所述的基于域自适应网络的大规模MIMO动态环境指纹定位方法，其特征在于所述步骤6中的块中心重定位方法包括：先将定位模型输出概率滤波得到b'_u，其中：

再将b'_u中的索引按照其对应元素值从大到小进行排序得到索引向量g，即按照块的概率对各个块进行排序，则有b'_u中第i大的元素所对应的索引值为[g]_i，其中选择用户指纹所在最大概率的4个块的概率和对应块的中心坐标进行加权求和得到搜索块的中心坐标u，其中

7.根据权利要求1所述的基于域自适应网络的大规模MIMO动态环境指纹定位方法，其特征在于所述步骤6中的加权K近邻WKNN匹配算法估计待定位用户的位置坐标y_u具体为：

定位用户的估计位置

其中N_a为从D_u筛选出的与待定位用户指纹相似度最高的位置指纹对数，相似度选择用余弦相似度，为筛选出的第n_a个样本指纹的位置坐标，

其中表示定位用户指纹和第n_a个样本点指纹的余弦相似度，

其中vec{·}为矩阵的向量化，||·||_F为矩阵的Frobenius范数。