CN114745684A - 一种基于多模态gan的csi室内定位方法 - Google Patents

一种基于多模态gan的csi室内定位方法 Download PDF

Info

Publication number
CN114745684A
CN114745684A CN202210381782.2A CN202210381782A CN114745684A CN 114745684 A CN114745684 A CN 114745684A CN 202210381782 A CN202210381782 A CN 202210381782A CN 114745684 A CN114745684 A CN 114745684A
Authority
CN
China
Prior art keywords
csi
network
amplitude
data
information
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
CN202210381782.2A
Other languages
English (en)
Inventor
史伟光
王昊天
王启任
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.)
Tianjin Polytechnic University
Original Assignee
Tianjin Polytechnic University
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 Tianjin Polytechnic University filed Critical Tianjin Polytechnic University
Priority to CN202210381782.2A priority Critical patent/CN114745684A/zh
Publication of CN114745684A publication Critical patent/CN114745684A/zh
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
    • H04W4/30—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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于室内领域，涉及一种基于多模态GAN的CSI室内定位方法。该方法以实现低成本、高精度的室内定位为目的，步骤为：获取CSI数据，从中提取平均振幅、相位差及CIR振幅分布中心矩三类数据特征；通过KCCA算法将多维数据融合构建为图像；使用GAN网络对图像和类别标签组成的数据集进行图像扩充与训练；通过一种基于谱聚类的多图像定位算法实现位置估计。本发明的特点是，通过构建低采集成本、高指纹区分度的CSI多维图像并利用GAN网络进行图像扩充与训练实现室内定位，提升了定位性能的稳定性，有效降低了由噪声和信息丢失引起定位误差，能够满足室内定位应用场景中的高精度、低成本要求。

Description

一种基于多模态GAN的CSI室内定位方法
技术领域
本发明属于室内定位领域，涉及一种基于多模态GAN的CSI室内定位方法。
背景技术
早期基于Wi-Fi的室内定位方法通常需采集室内环境中的接收信号强度(Received Signal Strength，RSS)，将其视为指纹信息完成定位的相应判定。相比于收信相位差和收信时间差等其他观测信息，RSS的获取相对简单，是大多数无线通信设备正常运行的重要组成部分。基于上述优势，RSS被广泛应用于室内场景定位中。但是，RSS易受环境噪声干扰，其在给定位置处的数据呈现高度多样化，导致系统定位精度相对较低且性能并不稳定。
近年来，由于商用Wi-Fi设备可以实现对信道状态信息(Channel StateInformation，CSI)数据的获取，相比于RSS，CSI能以更细粒度表征信号，并且其在给定位置处接受到的信息更加稳定，对该位置的信道特征描述更加详细和准确。因此，基于CSI的室内定位技术引发了国内外研究人员的关注，定位方法相继提出，并有研究者将基于CSI的室内定位方法与机器学习技术相结合，提高定位系统精度和稳定性。
基于上述研究背景，本发明以实现更高定位精度和更低定位成本为目标，采用CSI作为定位参考依据，提出一种基于多模态GAN的CSI室内定位方法。
发明内容
本发明的目的是提供一种基于多模态GAN的CSI室内定位方法。本发明首先获取CSI数据，从中提取振幅、相位及CIR振幅分布中心矩三类数据特征，通过核典型相关分析(Kernel Canonical Correlation Analysis，KCCA)算法对多维CSI信息进行数据挖掘，并将处理后的高相关度的CSI特征信息进行融合构建CSI多维图像，定位的离线阶段使用图像和类别标签组成的数据集训练对抗生成网络(Generative Adversarial Networks，GAN)；对抗生成网络训练完成后进入在线阶段对待测目标进行位置估计。本发明的特点是，利用多维图像识别的方式实现室内定位，有效降低了由噪声和信息丢失引起的定位误差，能够满足室内定位应用场景中的高精度、低成本要求。
其具体步骤如下：
步骤1：以装载Intel 5300无线网卡的笔记本电脑为基础构建定位系统，使用搭载2.4GHz的Wi-Fi设备的移动机器人平台在室内环境中的各参考测试点处采集信道状态信息(Channel State Information，CSI)数据，并从中提取振幅信息和相位信息，CSI第i个子载波可以表示为CSIi＝|CSIi|exp(j∠CSIi)，其中第i个子载波的振幅信息可以表示为|CSIi|，相位信息可以表示为∠CSIi；
步骤2：提取信道脉冲响应(Channel Impulse Response，CIR)振幅的第一至第四中心矩：均值μ、标准差σ、偏度s以及峰度κ来增加数据维度和提高定位系统稳定性，其中均值μ，其表示归一化CIR的平均幅度，对于标准差σ，其用于衡量单个CIR与平均值的差额，对于偏度s，其又称偏态系数，是统计数据分布偏斜方向和程度的度量，定义为
Figure BSA0000269706210000031
对于峰度κ，其用于表征概率密度分布曲线在平均值处峰值高低的特征数，定义为
Figure BSA0000269706210000032
其中|hi|表示CIR的第i个样本的归一化幅度，L表示样本数量，对于每一个参考测试点，生成多条初始样本，以单个样本为例，其可以表示为
Figure BSA0000269706210000033
其中hNT表示第N个子载波上的T组CSI测量值，包括振幅信息、相位信息和CIR中心矩信息；
步骤3：使用核典型相关分析(Kernel Canonical Correlation Analysis，KCCA)算法对多维CSI信息进行数据挖掘，以振幅向量xa和相位向量yp为例，首先通过线性核函数将振幅信息和相位信息映射到高维特征空间，其分别表示为ΦA：xa→ΦA(xa)和ΦP：yp→ΦP(yp)，并优化典型变量u＝<wA，ΦA(xa)>和v＝<wP，ΦP(yp)>使两种特征信息的相关系数最大，随后为使用核方法，需引入正则化的拉格朗日函数分别对u和v求导并令其导数为零，可以得到
Figure BSA0000269706210000034
和
Figure BSA0000269706210000035
并将
Figure BSA0000269706210000036
和
Figure BSA0000269706210000037
分别记作向量c和向量d，由此可以得到wA＝ΦA′c和wP＝ΦP′d，然后引入核函数KA＝ΦA′ΦA和KP＝ΦP′ΦP，可得到对应引入正则项的拉格朗日函数，同样令其导数为零，可以得到
Figure BSA0000269706210000041
和
Figure BSA0000269706210000042
并将其矩阵化后可以得到
Figure BSA0000269706210000043
Figure BSA0000269706210000044
和
Figure BSA0000269706210000045
进而可以得到KOγ＝λKDγ，并推导出KD -1KOγ＝λγ，其中λ为振幅和相位的皮尔逊相关系数，最后通过求解特征值的方式得到最大相关系数，并对该系数进行优化，计算出振幅和相位的投影向量将其作为CSI特征信息；
步骤4：通过步骤3对多维CSI信息进行处理，可以获取振幅与相位、振幅与CIR振幅中心矩和相位与CIR中心矩三组高度相关的CSI特征信息，随后将其融合构建CSI多维图像，最后将定位区域各参考测试点位置处构建的CSI多维图像以及图像类别标签组成总训练数据集输入到对抗生成网络(Generative Adversarial Networks，GAN)中；
步骤5：利用GAN网络的生成模型对CSI多维图像进行重建和扩充，该模型网络由一个简单的神经网路组成，包括一个输入层、一个隐藏层以及一个输出层，且隐藏层中包含四个神经元，在其输入层中输入随机噪声数据并将其输出的生成样本输入至网络的判别模型中，通过判别模型返回的误差更新生成模型网络参数
Figure BSA0000269706210000051
其中m为在噪声数据中随机提取的训练样本个数，G(z)表示生成模型网络的输出，D(x)表示判别模型中判别器网络的输出，重复该流程直至判别模型的输出为1，并将此时对应的输出图像作为指纹信息；
步骤6：利用判别模型中的预判别器将CSI多维图像和随机生成的假数据输入至其中进行预先判断训练，进而对判别器网络权重参数w和偏置参数b进行初始化，该模型网络由一个输入层、三个隐藏层和一个输出层的神经网络组成，且每个隐藏层包含四个神经元，随后将CSI多维图像和生成模型中输出的生成样本输入至判别模型的判别器中，将返回值大于0.5的数据判别为真，反之判别为假，随后在其输出层中通过Relu激励函数得到网络的输出，并通过学习率不断衰减策略和梯度下降方法对网络参数进行迭代更新
Figure BSA0000269706210000052
其中m为在CSI多维图像中随机提取的样本个数；
步骤7：将待测位置构建的M张图像输入至网络中，定位区域的训练测试点的数量表示为K，则网络的输出为大小为K×M的矩阵O，通过该矩阵来选择R个候选位置，并计算该位置的加权平均值作为待测目标的估计位置，首先，在矩阵O的每一列中选择网络输出中的R个最大输出位置索引，构建大小为R×M的矩阵S，随后计算矩阵S中所有位置索引的出现频率，得到R个最大位置索引，最后通过计算R个选定位置的加权平均值来估计待测目标位置，其可表示为
Figure BSA0000269706210000061
其中pi为位置i索引的权重，li为第i个训练位置。
附图说明：
图1是本发明的架构图；
图2是本发明的CSI多维图像；
图3是本发明的网络结构图；
图4是本发明的实验室场景图；
图5是本发明的误差累积分布函数图。
具体实施方式：
首先，以装载Intel 5300无线网卡的笔记本电脑为基础构建新型CSI室内定位系统，图1所示为系统架构，使用搭载2.4GHz的Wi-Fi设备的移动机器人平台在室内环境中的各参考点处采集信道状态信息数据。
以提升室内定位系统的精度为目标，并基于市场化普及程度，选用2.4G频段的WIFI设备，获取室内环境中的CSI数据并通过数据构建指纹特征。
无线网卡能够获取30个子载波的信息，将第i个子载波表示如下：
Figure BSA0000269706210000062
其中
Figure BSA0000269706210000071
和
Figure BSA0000269706210000072
分别是同向分量和正交分量。|CSIi|和∠CSIi分别表示子载波的振幅和相位。
现有Wi-Fi室内定位方法中常用的CSI指纹信息包括振幅和相位。第i个子载波的CSI振幅计算方式为：
Figure BSA0000269706210000073
在视距传输时，CSI其振幅信息基本处于稳定状态，同时其在各空间位置有着理想的区分度，因此，本文将其作为系统指纹特征之一。
第i个子载波的CSI相位计算方式为：
Figure BSA0000269706210000074
本发明在实际采集信息过程中发现，原始CSI相位信息会发生随机跳变，其原因是由于发送器和接收器的时间和频率不同步以及其之间存在环境噪声，导致原始相位信息无法直接用于室内定位中。基于此，针对不同子载波相位差，本文对其进行监测，掌握其波动范围。同时对于其中的异常波动，提供2π的相位补偿，并将校准后的相位作为指纹特征之一。
在线性时不变的假设条件下，CIR可以表示为：
Figure BSA0000269706210000075
其中ai，θi和τi分别为第i条路径的幅度衰减、相位偏移和时间延迟，N为传播路径总数，δ(τ)为狄利克雷脉冲函数。本文在研究中获取CIR振幅分布的第一至第四中心矩作为特征，分别为均值μ、标准偏差σ、偏度s以及峰度κ。
1)均值(μ)：平均值为归一化CIR的平均幅度。
2)标准偏差(σ)：标准偏差为单一CIR与均值差额的度量
3)偏度(s)：偏度用于衡量统计数据分布的偏斜方向和程度，其用公式表示为：
Figure BSA0000269706210000081
4)峰度(κ)：峰度表征概率密度分布曲线在平均值处峰值高低的特征数，其用公式表示为：
Figure BSA0000269706210000082
在数据特征提取后，本发明采用KCCA对三种特征分别进行相关性分析并将其融合以此构建多维图像。以振幅A和相位P为例，KCCA首先将其映射到高维特征空间，可以表示为：
ΦA：xa→ΦA(xa) (7)
ΦP：yp→ΦP(yp) (8)
对公式(7)和(8)展开，则有：
Figure BSA0000269706210000083
Figure BSA0000269706210000084
随后，寻找典型变量u和v使相关系数最大，其可以表示为：
u＝<wA，ΦA(xa)> (11)
v＝<wP，ΦP(yp)> (12)
其中wA和wP的维度为映射后的空间。根据上一章节所提出的典型相关分析算法，如果直接优化max w′AΦA′ΦPwP，就无法引入核函数。因此需要引入正则化的拉格朗日函数，其表示为：
Figure BSA0000269706210000091
将拉格朗日函数对wA求导并令导数为零，可以得到：
Figure BSA0000269706210000092
因此，可以得到：
Figure BSA0000269706210000093
并将记作向量c，可以得到：
wA＝ΦA′c (16)
同理，可以得到d的表达式为：
wA＝ΦP′d (17)
通过使用KA＝ΦA′ΦA和KP＝ΦP′ΦP核函数，对应引入正则项的拉格朗日函数可以表示为：
Figure BSA0000269706210000094
同样令拉格朗日函数的导数为零，可以得到：
Figure BSA0000269706210000095
Figure BSA0000269706210000096
其中λ为振幅A和P相位的皮尔逊相关系数。随后，将公式(19)和(20)矩阵化：
Figure BSA0000269706210000101
Figure BSA0000269706210000102
Figure BSA0000269706210000103
则可以得到：
Figure BSA0000269706210000104
通过求解特征值的方法得到相关系数λ，并对该系数进行优化，计算出振幅和相位的投影向量将其作为CSI特征信息，随后对振幅与CIR中心矩和相位与CIR中心矩进行相同处理，可以获得三组高度相关的CSI特征信息，并将其融合构建CSI多维图像，如图2所示。
在离线阶段，将CSI多维图像输入至图3所示的GAN中。首先对采集到的CSI数据进行提取和预处理后，通过多维图像构建算法构建图片作为网络的训练数据。生成模型主要包含三个部分：输入层，隐藏层h0和输出层h1，其中输入层的数据为随机噪声，每个隐藏层包含四个神经元以此来训练输入的噪声数据，同样输出层h1设置4个神经元接收上一层的数据，并将其输出的数据作为判别模型的一个输入数据。对于判别模型，本发明首先采用一个判别器预训练模型，其中包括一个输入层，三个隐藏层和一个输出层，其通过对输入的真数据和假数据进行预先判别训练，可以更好地初始化判别模型的权重参数w和偏置参数b，提高了判别模型的分辨能力。网络的判别器D采用与预训练模型一样的结构，最后一层使用Relu激励函数得到网络输出，并通过学习率不断衰减策略和梯度下降方法对输出数据进行迭代更新，最终网络的输出作为定位系统的指纹库。
在在线定位阶段，本发明采用概率方法来预测待测目标的位置。令M表示每个待测位置的图片数量，oij为使用图像j时位置i的GAN网络的预测输出，随后可以获得一个矩阵O作为使用M个图像时对于K个训练位置的GAN网络的输出，其可以用公式表示为：
Figure BSA0000269706210000111
本发明通过矩阵O来选择R个候选位置，并计算这些位置的加权平均值作为待测目标的估计位置。首先，在矩阵O的每列中选择GAN网络中的R个最大输出的位置索引，进而生成大小为R×M的新矩阵S，其可以表示为：
Figure BSA0000269706210000112
其中sij是图像j的第i个最大输出的位置索引。随后，计算矩阵S中所有位置索引的频率，得到R个最大位置索引。最后通过计算R个选定位置的加权平均值来估计待测目标位置，其可表示为：
Figure BSA0000269706210000121
其中pi为位置i索引的权重，li为第i个训练位置。
本发明在实验室场景下对定位系统进行性能测试。如图4所示，实验室大小为7m×10m，图中蓝色区域为障碍物区域，红色区域为训练区域，绿色区域为测试区域，其中各训练区域之间分别设定1.8m的横向间隔和3m的纵向间隔。随后，本发明通过定位系统误差的累积分布函数图与CiFi、BiLoc和FIFS三种定位系统进行对比分析。从图5中可以看出，本发明的定位误差小于1m的概率约为16.7％，且定位误差小于2m的概率为87.5％，明显高于其他三种定位系统。

Claims (1)

1.一种基于多模态GAN的CSI室内定位方法，其具体步骤如下：
步骤1：以装载Intel 5300无线网卡的笔记本电脑为基础构建定位系统，使用搭载2.4GHz的Wi-Fi设备的移动机器人平台在室内环境中的各参考测试点处采集信道状态信息(Channel State Information，CSI)数据，并从中提取振幅信息和相位信息，CSI第i个子载波可以表示为CSIi＝|CSIi|exp(j∠CSIi)，其中第i个子载波的振幅信息可以表示为|CSIi|，相位信息可以表示为∠CSIi；
步骤2：提取信道脉冲响应(Channel Impulse Response，CIR)振幅的第一至第四中心矩：均值μ、标准差σ、偏度s以及峰度κ来增加数据维度和提高定位系统稳定性，其中均值μ，其表示归一化CIR的平均幅度，对于标准差σ，其用于衡量单个CIR与平均值的差额，对于偏度s，其又称偏态系数，是统计数据分布偏斜方向和程度的度量，定义为
Figure FSA0000269706200000011
对于峰度κ，其用于表征概率密度分布曲线在平均值处峰值高低的特征数，定义为
Figure FSA0000269706200000012
其中|hi|表示CIR的第i个样本的归一化幅度，L表示样本数量，对于每一个参考测试点，生成多条初始样本，以单个样本为例，其可以表示为
Figure FSA0000269706200000013
其中hNT表示第N个子载波上的T组CSI测量值，包括振幅信息、相位信息和CIR中心矩信息；
步骤3：使用核典型相关分析(Kernel Canonical Correlation Analysis，KCCA)算法对每个样本中的CSI向量进行数据挖掘，以振幅向量xa和相位向量yp为例，首先通过线性核函数将振幅信息和相位信息映射到高维特征空间，其分别表示为ΦA：xa→ΦA(xa)和ΦP：yp→ΦP(yp)，并优化典型变量u＝<wA，ΦA(xa)>和v＝<wP，ΦP(yp)>使两种特征信息的相关系数最大，随后为使用核方法，需引入正则化的拉格朗日函数分别对u和v求导并令其导数为零，可以得到
Figure FSA0000269706200000021
和
Figure FSA0000269706200000022
并将
Figure FSA0000269706200000023
和
Figure FSA0000269706200000024
分别记作向量c和向量d，由此可以得到wA＝ΦA′c和wP＝ΦP′d，然后引入核函数KA＝ΦA′ΦA和KP＝ΦP′ΦP，可得到对应引入正则项的拉格朗日函数，同样令其导数为零，可以得到
Figure FSA0000269706200000025
和
Figure FSA0000269706200000026
并将其矩阵化后可以得到
Figure FSA0000269706200000027
和
Figure FSA0000269706200000028
进而可以得到KOγ＝λKDγ，并推导出KD -1KOγ＝λγ，其中λ为振幅和相位的皮尔逊相关系数，最后通过求解特征值的方式得到最大相关系数，并对该系数进行优化，计算出振幅和相位的投影向量将其作为CSI特征信息；
步骤4：通过步骤3对多维CSI信息进行处理，可以获取振幅与相位、振幅与CIR振幅中心矩和相位与CIR中心矩三组高度相关的CSI特征信息，随后将其融合构建CSI多维图像，最后将定位区域各参考测试点位置处构建的CSI多维图像以及图像类别标签组成总训练数据集输入到对抗生成网络(Generative Adversarial Networks，GAN)中；
步骤5：利用GAN网络的生成模型对CSI多维图像进行重建和扩充，该模型网络由一个简单的神经网路组成，包括一个输入层、一个隐藏层以及一个输出层，且隐藏层中包含四个神经元，在其输入层中输入随机噪声数据并将其输出的生成样本输入至网络的判别模型中，通过判别模型返回的误差更新生成模型网络参数
Figure FSA0000269706200000031
其中m为在噪声数据中随机提取的训练样本个数，G(z)表示生成模型网络的输出，D(x)表示判别模型中判别器网络的输出，重复该流程直至判别模型的输出为1，并将此时对应的输出图像作为指纹信息；
步骤6：利用判别模型中的预判别器将CSI多维图像和随机生成的假数据输入至其中进行预先判断训练，进而对判别器网络权重参数w和偏置参数b进行初始化，该模型网络由一个输入层、三个隐藏层和一个输出层的神经网络组成，且每个隐藏层包含四个神经元，随后将CSI多维图像和生成模型中输出的生成样本输入至判别模型的判别器中，将返回值大于0.5的数据判别为真，反之判别为假，随后在其输出层中通过Relu激励函数得到网络的输出，并通过学习率不断衰减策略和梯度下降方法对网络参数进行迭代更新
Figure FSA0000269706200000041
其中m为在CSI多维图像中随机提取的样本个数；
步骤7：将待测位置构建的M张图像输入至网络中，定位区域的训练测试点的数量表示为K，则网络的输出为大小为K×M的矩阵O，通过该矩阵来选择R个候选位置，并计算该位置的加权平均值作为待测目标的估计位置，首先，在矩阵O的每一列中选择网络输出中的R个最大输出位置索引，构建大小为R×M的矩阵S，随后计算矩阵S中所有位置索引的出现频率，得到R个最大位置索引，最后通过计算R个选定位置的加权平均值来估计待测目标位置，其可表示为
Figure FSA0000269706200000042
其中pi为位置i索引的权重，li为第i个训练位置。
CN202210381782.2A 2022-04-13 2022-04-13 一种基于多模态gan的csi室内定位方法 Pending CN114745684A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210381782.2A CN114745684A (zh) 2022-04-13 2022-04-13 一种基于多模态gan的csi室内定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210381782.2A CN114745684A (zh) 2022-04-13 2022-04-13 一种基于多模态gan的csi室内定位方法

Publications (1)

Publication Number Publication Date
CN114745684A true CN114745684A (zh) 2022-07-12

Family

ID=82282529

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210381782.2A Pending CN114745684A (zh) 2022-04-13 2022-04-13 一种基于多模态gan的csi室内定位方法

Country Status (1)

Country Link
CN (1) CN114745684A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116801192A (zh) * 2023-05-30 2023-09-22 山东建筑大学 一种端云协同的室内电磁指纹更新方法和系统
CN117434497A (zh) * 2023-12-20 2024-01-23 深圳市宇隆移动互联网有限公司 卫星通信终端的室内定位方法、装置、设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116801192A (zh) * 2023-05-30 2023-09-22 山东建筑大学 一种端云协同的室内电磁指纹更新方法和系统
CN116801192B (zh) * 2023-05-30 2024-03-12 山东建筑大学 一种端云协同的室内电磁指纹更新方法和系统
CN117434497A (zh) * 2023-12-20 2024-01-23 深圳市宇隆移动互联网有限公司 卫星通信终端的室内定位方法、装置、设备及存储介质
CN117434497B (zh) * 2023-12-20 2024-03-19 深圳市宇隆移动互联网有限公司 卫星通信终端的室内定位方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN103874200B (zh) 一种楼层识别方法及系统
CN114745684A (zh) 一种基于多模态gan的csi室内定位方法
Campos et al. Wi-Fi multi-floor indoor positioning considering architectural aspects and controlled computational complexity
CN111212379A (zh) 一种基于卷积神经网络的新型csi室内定位方法
CN112712557B (zh) 一种基于卷积神经网络的超分辨率cir室内指纹定位方法
CN114564982B (zh) 雷达信号调制类型的自动识别方法
CN110072186B (zh) 基于属性独立的加权朴素贝叶斯室内定位方法
CN110401977B (zh) 一种基于Softmax回归多分类识别器的多楼层室内定位方法
CN111901749A (zh) 一种基于多源融合的高精度三维室内定位方法
WO2023213051A1 (zh) 一种基于csi信号到达角估计的静态人体姿势估计方法
CN113037410A (zh) 信道识别方法、装置、传输方法、传输设备、基站、介质
CN114584230B (zh) 一种基于对抗网络与长短期记忆网络的预测信道建模方法
Chen et al. A wifi indoor localization method based on dilated cnn and support vector regression
CN109061556B (zh) 一种基于弹性网络的稀疏迭代波达角估计方法
CN115830423A (zh) 基于毫米波雷达与可见光图像融合的目标检测方法
CN110033043B (zh) 基于条件生成式对抗网络的雷达一维距离像拒判方法
CN115079116A (zh) 基于Transformer和时间卷积网络的雷达目标识别方法
CN112213697B (zh) 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法
CN117098067A (zh) 一种基于梯度融合的多模态深度学习室内定位方法
CN115908547A (zh) 一种基于深度学习的无线定位方法
Sonny et al. Fingerprint Image-Based Multi-Building 3D Indoor Wi-Fi Localization Using Convolutional Neural Networks
CN115567871A (zh) 一种WiFi指纹室内楼层识别与位置估计方法
CN113194401B (zh) 一种基于生成式对抗网络的毫米波室内定位方法及系统
CN116304966A (zh) 基于多源数据融合的航迹关联方法
JP3208634B2 (ja) 同一目標判定装置及び同一目標判定方法

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