CN115209341A - 一种基于信道状态信息的加权随机森林室内定位方法 - Google Patents
一种基于信道状态信息的加权随机森林室内定位方法 Download PDFInfo
- Publication number
- CN115209341A CN115209341A CN202210759439.7A CN202210759439A CN115209341A CN 115209341 A CN115209341 A CN 115209341A CN 202210759439 A CN202210759439 A CN 202210759439A CN 115209341 A CN115209341 A CN 115209341A
- Authority
- CN
- China
- Prior art keywords
- state information
- channel
- channel state
- offline
- reference point
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000004088 simulation Methods 0.000 claims description 13
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000003066 decision tree Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于信道状态信息的加权随机森林室内定位方法,包括:在定位区域内设置离线参考点,采集信道状态信息,提取信道指纹特征;并基于信道状态信息提取离线参考点的新型信道指纹特征;对离线参考点的新型信道指纹特征按照离线发射端选择原理进行预处理,构建信道指纹数据库;将离线参考点坐标与新型信道指纹特征一同输入随机森林进行训练,输出两个离线训练模型;基于信道状态信息提取目标定位点的新型信道指纹特征;将目标定位点的新型信道指纹特征分别输入离线训练模型,并执行加权K近邻算法进行预测,求取最终预测的目标定位点坐标。对比传统的指纹定位方法,本发明显著降低了算法的计算复杂度,提高了定位精度和算法鲁棒性。
Description
技术领域
本发明属于无线通信技术领域,具体地,涉及一种基于信道状态信息的加权随机森林室内定位方法。
背景技术
传统的基于无线通信技术的室内定位方法分为两大类,第一大类是几何定位方法,其中包括基于接收信号强度(Received Signal Strength,RSS)的功率测量定位方法、基于到达时间(Time of Arrival,ToA)或到达时延差的时间测量定位方法,以及基于到达角(Angle of Arrival,AoA)的角度测量定位方法。这一类方法普遍易受非视距(None-Line-of-Sight,NLoS)传播和多址干扰(Multi-Access Interference,MAI)影响,定位精度较低,难以满足第6代移动通信系统(The Sixth Generation Mobile CommunicationSystem,6G)高精度定位需求。第二大类就是指纹定位方法(Fingerprint PositionMethod,FPM),FPM是通过提前对定位范围内信号数据的实际测量或仿真,建立位置指纹库,然后将实测信号数据与指纹库比对,进而估计终端实际位置。由于RSS获取方便且成本较低,传统的FPM一般采集RSS作为指纹数据特征,但是室内环境存在严重的NLoS传播,导致RSS极不稳定,因而基于RSS的FPM虽然比几何定位抗干扰能力强,但依旧无法满足高精度定位需求。
由于正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)技术被用作IEEE802.11a无线局域网协议的物理层标准,信道状态信息(Channel StateInformation,CSI)可用于表征每个子载波的信道信息。因而,CSI作为物理层的信号特征,与RSS相比,具有更高的细粒度,稳定性也更强,并且能够真实反映多径信息。然而,目前基于CSI的FPM大都是直接使用CSI的幅值和相位作为指纹特征的,虽然能够取得比RSS指纹特征更好的定位效果,稳定性也比RSS强,但是并没有完全发挥出CSI的细粒度优势,还不能满足6G室内高精度定位要求。
定位匹配算法主要分为以加权K近邻(Weighted K-Nearest Neighbor,WKNN)算法为代表的确定性定位算法、以贝叶斯估计为代表的概率性定位算法和近年来比较热门的机器学习定位算法。WKNN是由最近邻算法优化改进而来,选取K个最相似参考点坐标,以相似距离倒数作为权重,加权预测终端坐标。WKNN算法本质是一种最简单的有监督机器学习(Machine Learning,ML)算法,预测结果较为公平准确,但是WKNN作为一种确定性定位算法,一般只能映射指纹与位置之间的直接关系,不能够体现指纹和位置间隐含的关系和特征,因而定位精度不够稳定。
随机森林(Random Forest,RF)算法是一种基于决策树的集成ML算法,性能优越,目前在人工智能、分类预测和数据建模等方向受到广泛关注。RF决策树的生成是并行的且互不干扰,训练速度快,非常适合多分类问题,而且随机抽取子训练集,容错能力强且不会出现过拟合现象,此外,RF能够处理高维数据,不需要数据删减,不用归一化。然而,RF对决策树的结果采用相对多数投票选出投票数最多的结果作为预测输出,因而对参考点(Reference Point,RP)的依赖性很大,目标定位点处的指纹特征大概率是不会与指纹库中数据完全一致的,所以不可避免地在指纹库中会有多个与之相似的RP,但是只取最相似的那个,很显然不够全面,忽略了其他RP对定位结果的影响,导致定位误差较大。
发明内容
针对现有技术中存在的问题,本发明提供了一种基于信道状态信息的加权随机森林室内定位方法,以解决室内环境存在的严重NLoS传播和MAI导致室内定位精度较低的问题,实现6G系统要求的厘米级室内定位精度、毫秒级定位算法响应时间。
为实现上述目的,本发明采用如下技术方案:一种基于信道状态信息的加权随机森林室内定位方法,具体包括以下步骤:
步骤S1、对定位区域按照笛卡尔坐标系以垂直于坐标轴建立参考网格,将离线参考点设置于参考网格的交点处;
步骤S2、通过基于射线追踪的仿真软件采集离线参考点的信道状态信息,并基于信道状态信息提取离线参考点的新型信道指纹特征及离线参考点坐标;
步骤S3、对离线参考点的新型信道指纹特征按照离线发射端选择原理进行预处理,构建信道指纹数据库;
步骤S4、将信道指纹数据库内的离线参考点坐标分离成横坐标x、纵坐标y后,将横坐标x、纵坐标y与离线参考点的新型信道指纹特征一同输入随机森林进行训练,输出两个离线训练模型Model_x、Model_y;
步骤S5、在定位区域内随机选择目标定位点,利用基于射线追踪的仿真软件采集所述目标定位点的信道状态信息,基于信道状态信息提取目标定位点的新型信道指纹特征,并按照在线发射端选择原理进行预处理;
步骤S6、将目标定位点的新型信道指纹特征分别输入离线训练模型Model_x、Model_y中,并执行加权K近邻算法进行预测,求取最终预测的目标定位点坐标。
进一步地,步骤S2包括如下子步骤:
步骤S201、在基于射线追踪的仿真软件中构建室内场景并设置仿真参数;
步骤S202、在基于射线追踪的仿真软件中,每条射线对应一组信道状态信息,包括:接收信号强度、方位到达角、俯仰到达角和到达时间;
步骤S203、提取每个发射端对离线参考点的最大功率射线的接收信号强度、方位到达角、俯仰到达角和到达时间,作为离线参考点的新型信道指纹特征。
进一步地,步骤S201中仿真参数包括:发射端位置、离线参考点位置、电磁波频率、带宽、发射功率、反射阶数、绕射阶数。
进一步地,步骤3中离线参考点的新型信道指纹特征按照离线发射端选择原理进行预处理的过程具体为:对于每个发射端,若超过半数的离线参考点可接收到其信号,则保留该发射端以及由该发射端基于信道状态信息提取的离线参考点的新型信道指纹特征,并记录该发射端的设备号;否则丢弃由该发射端基于信道状态信息提取的离线参考点的新型信道指纹特征。
进一步地,对于保留的发射端,若存在离线参考点接收不到该发射端的信号,则将该离线参考点的基于信道状态信息的新型信道指纹特征进行补零操作。
进一步地,所述信道指纹数据库包括:基于信道状态信息的新型信道指纹特征、离线参考点的坐标、发射端的设备号。
进一步地,步骤S5包括如下子步骤:
步骤S501、在定位区域内随机选择目标定位点;
步骤S502、通过基于射线追踪的仿真软件采集目标定位点的信道状态信息;
步骤S503、在基于射线追踪的仿真软件中,每条射线对应一组信道状态信息,包括:接收信号强度、方位到达角、俯仰到达角和到达时间;
步骤S504、提取每个发射端对目标定位点的最大功率射线的接收信号强度、方位到达角、俯仰到达角和到达时间,作为目标定位点的新型信道指纹特征;
步骤S505、对于发射端的设备号存在于信道指纹数据库中的,如果所述目标定位点接收到该发射端信号,保留所述目标定位点中由该发射端获取的基于信道状态信息的新型信道指纹特征,如果所述目标定位点接收不到该发射端的信号,将所述目标定位点中由该发射端获取的基于信道状态信息的新型信道指纹特征进行补零操作;若目标定位点接收到由发射端的设备号不在信道指纹数据库中的发射端获取的基于信道状态信息的新型信道指纹特征,则舍弃由该发射端获取的基于信道状态信息的新型信道指纹特征。
进一步地,步骤S502中仿真参数包括:发射端位置、目标定位点位置、电磁波频率、带宽、发射功率、反射阶数、绕射阶数。
进一步地,步骤S6包括如下子步骤:
步骤S601、设置超参数P,P的取值在5-10之间;
步骤S602、将目标定位点的新型信道指纹特征输入离线训练模型Model_x、Model_y中,分别输出得分最高的P个信道指纹数据库中离线参考点的横坐标xp、纵坐标yp及横坐标xp的得分score_xp、纵坐标yp的得分score_yp;
步骤S603、分别将P个横坐标xp的得分score_xp、纵坐标yp的得分score_yp求平均,分别取大于平均值的K个横坐标xp及其得分score_xp、纵坐标yp及其得分score_yp,分别以横坐标得分score_xp、纵坐标得分score_yp为横坐标xp、纵坐标yp的权重,求取最终预测的目标定位点坐标(xTP,yTP):
其中,k为K的索引。
与现有技术相比,本发明具有如下有益效果:首先,本发明基于信道状态信息的加权随机森林室内定位方法所提出的基于信道状态信息的新型信道指纹特征,通过对信道状态信息进行特征估计,进而提取接收信号最大功率射线的接收信号强度、方位到达角、俯仰到达角和到达时间,充分利用了信道状态信息的细粒度优势,并进一步考虑多径效应,能够有效抗NLoS传播和MAI影响,显著地提高了定位精度,平均误差达到厘米级;其次,本发明基于信道状态信息的加权随机森林室内定位方法所提出的加权随机森林室内定位方法结合了随机森林和加权K近邻算法思想,利用随机森林算法在离线阶段训练数据库并在在线阶段输出与目标定位点最相似的P个参考点坐标及其相应得分,进而结合加权K近邻算法思想,自适应选取K个最相似坐标及其相应得分,以得分为权重,加权计算最终预测的目标定位点坐标,避免了对最相似参考点和场景的依赖,提高了定位的稳定性;在此基础上,本发明进一步优化改进,将参考坐标分离成横纵坐标后执行上述操作,考虑了参考点之间的指纹相似性,显著降低了离线训练和在线匹配时间。因此,本发明基于信道状态信息的加权随机森林室内定位方法具有较高的定位精度和鲁棒性,计算复杂度低,定位实时性好,能够满足6G室内高精度、快响应的定位要求。
附图说明
图1为本发明基于信道状态信息的加权随机森林室内定位方法的流程图;
图2为实施例中测试的室内场景图;
图3为接收信号强度空间分布,发射端在(0,0)处,其中,图3中的(a)为离线参考点处总接收信号强度空间分布图,图3中的(b)为离线参考点处功率最大路径接收信号强度空间分布图;
图4为实施例中基于信道状态信息提取新型信道指纹特征与传统接收信号强度指纹特征定位误差累积分布函数(Cumulative Distribution Function,CDF)对比示意图;
图5为随机森林原理流程图;
图6为本实施例的室内定位方法与其他定位匹配算法定位误差的对比示意图;
图7为实施例中方法在不同场景下定位误差的对比示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步地技术说明。
如图1为本发明基于信道状态信息的加权随机森林室内定位方法的流程图,该室内定位方法具体包括如下步骤:
步骤S1、对定位区域按照笛卡尔坐标系以垂直于坐标轴建立参考网格,将离线参考点设置于参考网格的交点处;
步骤S2、本实例通过基于射线追踪的仿真软件采集离线参考点的信道状态信息,并基于信道状态信息提取离线参考点的新型信道指纹特征及离线参考点坐标,射线追踪是一种确定性信道建模方法,只要给定环境信息和配置参数,即可快速精确地模拟真实环境下任意时刻、任意频点、任意位置的信道状态,确定信道参数,不需要耗费人力物力开展大量测量实验,能够极大减少人力和时间成本。具体包括如下子步骤:
步骤S201、在基于射线追踪的仿真软件中构建室内场景并设置仿真参数;本发明中仿真参数包括:发射端位置、离线参考点位置、电磁波频率、带宽、发射功率、反射阶数、绕射阶数;
步骤S202、在基于射线追踪的仿真软件中,每条射线对应一组信道状态信息,包括:接收信号强度、方位到达角、俯仰到达角和到达时间;
步骤S203、提取每个发射端对离线参考点的最大功率射线的接收信号强度、方位到达角、俯仰到达角和到达时间,作为离线参考点的新型信道指纹特征。
步骤S3、对离线参考点的新型信道指纹特征按照离线发射端选择原理进行预处理,构建信道指纹数据库;室内环境除了NLoS传播带来的多径效应,还有室内多设备带来的多址干扰问题,上述提出的新型信道指纹特征是对每一个发射端的信道状态信息进行提取,但是室内环境复杂,加之mmWave/THz信号衰减大,传播距离短,离线参考点之间能接收到的发射端数量不一,因而会给信道指纹建立带来很大困扰;此外,目前移动终端多数也支持作为发射端辐射信号,也会给信道指纹指纹库的建立带来极大干扰,所以必须要进行离线发射端选择。具体地,对于每个发射端,若超过半数的离线参考点可接收到其信号,则保留该发射端以及由该发射端基于信道状态信息提取离线参考点的新型信道指纹特征,并记录该发射端的设备号;否则丢弃由该发射端基于信道状态信息提取离线参考点的新型信道指纹特征;对于保留的发射端,若存在离线参考点接收不到该发射端的信号,则将该离线参考点的基于信道状态信息的新型信道指纹特征进行补零操作。本发明中信道指纹数据库包括:基于信道状态信息的离线参考点新型信道指纹特征、离线参考点的坐标、发射端的设备号,基于信道状态信息的离线参考点新型信道指纹特征为N×4n矩阵;离线参考点的坐标为N×2矩阵,N为有效离线参考点数量;发射端的设备号为1×n向量,n为有效发射端数。
步骤S4、将信道指纹数据库内的离线参考点坐标分离成横坐标x、纵坐标y后,将横坐标x、纵坐标y与离线参考点的新型信道指纹特征一同输入随机森林进行训练,输出两个离线训练模型Model_x、Model_y;本发明通过上述处理考虑了离线参考点之间信号特征的相似性,并且能够带来两个好处:其一,缩短训练时间,由于步骤S1已说明参考点的选取是在笛卡尔坐标系下按垂直于坐标轴建立网格交点,因此,定位区域相当于一个对称矩阵,所以将x、y分别进行训练时,x、y各自数量远小于(x,y)的数量,使得信道指纹库训练样本数量大幅减少,加快离线训练速度,虽然训练两个模型,但是总时间复杂度会显著降低;其二,定位精度提高,当按照x、y分别训练时,总样本数量不变,训练样本数量减少,相当于变相增加样本的指纹特征,指纹特征越丰富,训练模型越准确,所以对x、y分别训练,得到离线训练模型Model_x、Model_y的预测结果更加准确,定位精度因此提高。
步骤S5、在定位区域内随机选择目标定位点,利用基于射线追踪的仿真软件采集所述目标定位点的信道状态信息,基于信道状态信息提取目标定位点的新型信道指纹特征,并按照在线发射端选择原理进行预处理;具体包括如下子步骤:
步骤S501、在定位区域内随机选择目标定位点;
步骤S502、通过基于射线追踪的仿真软件采集目标定位点的信道状态信息;
步骤S503、在基于射线追踪的仿真软件中,每条射线对应一组信道状态信息,包括:接收信号强度、方位到达角、俯仰到达角和到达时间;
步骤S504、提取每个发射端对目标定位点的最大功率射线的接收信号强度、方位到达角、俯仰到达角和到达时间,作为目标定位点的新型信道指纹特征;
步骤S505、对于发射端的设备号存在于信道指纹数据库中的,如果所述目标定位点接收到该发射端信号,保留所述目标定位点中由该发射端获取的基于信道状态信息的新型信道指纹特征,如果所述目标定位点接收不到该发射端的信号,将所述目标定位点中由该发射端获取的基于信道状态信息的新型信道指纹特征进行补零操作;若目标定位点接收到由发射端的设备号不在信道指纹数据库中的发射端获取的基于信道状态信息的新型信道指纹特征,则舍弃由该发射端获取的基于信道状态信息的新型信道指纹特征。
步骤S6、将目标定位点的新型信道指纹特征分别输入离线训练模型Model_x、Model_y中,并执行加权K近邻算法预测,求取最终预测的目标定位点坐标;随着场景变化,或是定位区域网格间隔的变化,最优K值也会随之变化,而且不同的目标定位点选择的最优K值也不尽相同,预设K值显然不够灵活,于是本发明提出自适应K值选取解决这一问题。具体包括如下子步骤:
步骤S601、设置超参数P,P的取值在5-10之间;
步骤S602、将目标定位点的新型信道指纹特征输入离线训练模型Model_x、Model_y中,分别输出得分最高的P个信道指纹数据库中离线参考点的横坐标xp、纵坐标yp及横坐标xp得分score_xp、纵坐标yp得分score_yp;
步骤S603、分别将P个横坐标xp的得分score_xp、纵坐标yp的得分score_yp求平均,分别取大于平均值的K个横坐标xp及其得分score_xp、纵坐标yp及其得分score_yp,分别以横坐标得分score_xp、纵坐标得分score_yp为横坐标xp、纵坐标yp的权重,求取最终预测的目标定位点坐标(xTP,yTP):
其中,k为K的索引。
实施例
本实施例提供了一种基于信道状态信息的加权随机森林室内定位方法,包括如下步骤:
步骤S1、对定位区域按照笛卡尔坐标系以垂直于坐标轴建立参考网格,参考网格的间隔设置为0.2m×0.2m,将离线参考点设置于网格的交点处。在本实施例中,定位区域面积为16m×15m,如图2所示,离线参考点的高度设置为1.5m,发射端的高度设置为2.8m,发射端和接收端均采用全向天线,发射端为多输入多输出阵列天线,接收端为单天线。
步骤S2、本实施例中通过商用射线追踪仿真软件Wireless InSite采集离线参考点的信道状态信息,并基于信道状态信息提取离线参考点的新型信道指纹特征及离线参考点坐标;具体地:
步骤S201、在商用射线追踪仿真软件Wireless InSite中构建室内场景并设置仿真参数;本实施例中仿真参数包括:发射端位置坐标(-7.64,6.72),(7.72,-7.57)、离线参考点位于0.2m×0.2m网格交点处、电磁波频率为60G Hz,带宽为3G Hz,发射功率为23dBm,反射阶数为6阶,绕射阶数为1阶;
步骤S202、在射线追踪仿真软件中,每条射线对应一组信道状态信息,包括:接收信号强度、方位到达角、俯仰到达角和到达时间;
步骤S203、提取每个发射端对离线参考点的最大功率射线的接收信号强度、方位到达角、俯仰到达角和到达时间,作为离线参考点的新型信道指纹特征。
如图3所示,通过与传统技术常用的总信号接收强度的空间分布对比,可以很容易发现本实施例提出的最大功率接收信号强度空间分布能够很好的符合自由空间信号衰减模型,在近距离尺度,也基本能够满足距离越远,能量越低的规律。因此,本实施例所提出的基于信道状态信息的新型信道指纹特征,一方面最大程度细化信道状态信息,充分利用其多径信息,增强抗NLoS传播能力;另一方面,极大减小了指纹库容量,避免“维数灾难”,降低后续训练和在线匹配时间,提高定位实时性。图4为实施例中基于信道状态信息提取新型信道指纹特征与传统接收信号强度指纹特征定位误差累积分布对比示意图,可以看出,本发明所提出的基于信道状态信息的新型指纹特征精度最高,95%概率下误差在0.2m以内,最大误差仅0.7m,而且平均误差6cm,已经达到厘米级,充分证明了该指纹特征的有效性和优越性。
步骤S3、对离线参考点的新型信道指纹特征按照离线发射端选择原理进行预处理,构建信道指纹数据库;
步骤S4、将信道指纹数据库内的离线参考点坐标分离成横坐标x、纵坐标y后,将横坐标x、纵坐标y与离线参考点的新型信道指纹特征一同输入随机森林进行训练,输出两个离线训练模型Model_x、Model_y,具体来说,在本实施例中,随机森林具体包括:随机生成决策树和多棵决策树组成决策森林,如图5所示,随机生成决策树,包含两个随机过程,首先是行采样,对原始训练集O利用自助抽样法进行有放回地估计取样,得到N个子训练集o,每一个o都是O的真子集,避免了过拟合问题;其次是列采样,每一个子训练集在每个节点处从数据的M个样本特征中随机抽取m(m<<M)个最优特征进行划分构成决策树。特征选择一般有三个指标,信息增益、信息增益比和基尼系数(Gini Index,GI),本实例采用的是基于GI的CART决策树:
其中,pma为样本集合中第a类样本所占比例。
多棵决策树构成决策森林,根据N棵决策树结果,采用相对多数投票,将获得票数最多的类作为最终的预测结果。
步骤S5、在定位区域内随机选择目标定位点,利用基于射线追踪的仿真软件射线采集所述目标定位点的信道状态信息,基于信道状态信息提取目标定位点的新型信道指纹特征,并按照在线发射端选择原理进行预处理;具体包括如下子步骤:
步骤S501、在定位区域内随机选择目标定位点;
步骤S502、通过基于射线追踪的仿真软件采集目标定位点的信道状态信息;本实例在商用射线追踪仿真软件Wireless InSite中构建室内场景并设置仿真参数,但不限于该软件,可以用其他具有类似功能的软件或信道参数生成方法进行替代;本发明中仿真参数包括:发射端位置坐标(-7.64,6.72),(7.72,-7.57)、目标定位点随机设置100个、电磁波频率为60G Hz,带宽为3G Hz,发射功率为23dBm,反射阶数为6阶,绕射阶数为1阶;
步骤S503、在Wireless InSite射线追踪仿真软件中,每条射线对应一组信道状态信息,包括:接收信号强度、方位到达角、俯仰到达角和到达时间;
步骤S504、提取每个发射端对目标定位点的最大功率射线的接收信号强度、方位到达角、俯仰到达角和到达时间,作为目标定位点的新型信道指纹特征;
步骤S505、对于发射端的设备号存在于信道指纹数据库中的,如果所述目标定位点接收到该发射端信号,保留所述目标定位点中由该发射端获取的基于信道状态信息的新型信道指纹特征,如果所述目标定位点接收不到该发射端的信号,将所述目标定位点中由该发射端获取的基于信道状态信息的新型信道指纹特征进行补零操作;若目标定位点接收到由发射端的设备号不在信道指纹数据库中的发射端获取的基于信道状态信息的新型信道指纹特征,则舍弃由该发射端获取的基于信道状态信息的新型信道指纹特征。
步骤S6、将目标定位点的新型信道指纹特征分别输入离线训练模型Model_x、Model_y中,并执行加权K近邻算法预测,求取最终预测的目标定位点坐标;
步骤S601、设置超参数P,P的取值在5-10之间;
步骤S602、将目标定位点的新型信道指纹特征输入离线训练模型Model_x、Model_y中,分别输出得分最高的P个信道指纹数据库中离线参考点的横坐标xp、纵坐标yp及横坐标xp的得分score_xp、纵坐标yp的得分score_yp;
步骤S603、分别将P个横坐标xp的得分score_xp、纵坐标yp的得分score_yp求平均,分别取大于平均值的K个横坐标xp及其得分score_xp、纵坐标yp及其得分score_yp,分别以横坐标得分score_xp、纵坐标得分score_yp为横坐标xp、纵坐标yp的权重,求取最终预测的目标定位点坐标(xTP,yTP):
其中,k为K的索引。
如图6所示,WRF定位效果明显好于以加权K近邻算法WKNN和随机森林RF,CDF虽然和WKNN前80%基本相当,但是最大误差WRF仅0.3m,而WKNN有0.7m,远比WKNN稳定。而且,平均误差WRF也是最小的,只有5.5cm,达到厘米级。从匹配时间来看,本实例是对100个目标定位点的进行定位匹配,WKNN的匹配时间是0.3s,但是WKNN的匹配时间与数据库大小有关,数据量越大,计算时间越长;WRF的匹配时间是0.7s,但WRF是基于训练模型进行在线匹配,匹配时间随数据库容量增加变化较小,只是训练时间会变长,不过对比RF训练时间显著降低。所以,随着指纹数据库容量的增加,WRF对比WKNN的这一差距也会逐渐减小。因此本发明提出的WRF算法定位响应时间已达毫秒级,RF算法基于决策树投票分类,能够最大程度避免最大误差过大现象,WKNN基于相似度匹配能够获得较好精度,而本发明提出的WRF算法综合两者优势,精度高、稳定性高,具有更高通用性,能够满足6G系统要求的厘米级定位精度和毫秒级定位响应时间。
本发明基于信道状态信息的加权随机森林室内定位方法可以很好地抗NLoS传播和MAI问题,充分利用多径信息,极大提高了定位精度和稳定性,不同场景的仿真验证中,平均误差均达到厘米级,如图7所示。同时,本发明的离线训练时间相较RF算法显著缩短,在线匹配时间达到毫秒级。因此,本发明所提出的基于CSI的WRF室内定位算法具有较高的定位精度和鲁棒性,算法的计算复杂度低,定位实时性好,能够满足6G室内高精度、快响应的定位要求。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (9)
1.一种基于信道状态信息的加权随机森林室内定位方法,其特征在于,具体包括以下步骤:
步骤S1、对定位区域按照笛卡尔坐标系以垂直于坐标轴建立参考网格,将离线参考点设置于参考网格的交点处;
步骤S2、通过基于射线追踪的仿真软件采集离线参考点的信道状态信息,并基于信道状态信息提取离线参考点的新型信道指纹特征及离线参考点坐标;
步骤S3、对离线参考点的新型信道指纹特征按照离线发射端选择原理进行预处理,构建信道指纹数据库;
步骤S4、将信道指纹数据库内的离线参考点坐标分离成横坐标x、纵坐标y后,将横坐标x、纵坐标y与离线参考点的新型信道指纹特征一同输入随机森林进行训练,输出两个离线训练模型Model_x、Model_y;
步骤S5、在定位区域内随机选择目标定位点,利用基于射线追踪的仿真软件采集所述目标定位点的信道状态信息,基于信道状态信息提取目标定位点的新型信道指纹特征,并按照在线发射端选择原理进行预处理;
步骤S6、将目标定位点的新型信道指纹特征分别输入离线训练模型Model_x、Model_y中,并执行加权K近邻算法预测,求取最终预测的目标定位点坐标。
2.根据权利要求1所述基于信道状态信息的加权随机森林室内定位方法,其特征在于,步骤S2包括如下子步骤:
步骤S201、在基于射线追踪的仿真软件中构建室内场景并设置仿真参数;
步骤S202、在基于射线追踪的仿真软件中,每条射线对应一组信道状态信息,包括:接收信号强度、方位到达角、俯仰到达角和到达时间;
步骤S203、提取每个发射端对离线参考点的最大功率射线的接收信号强度、方位到达角、俯仰到达角和到达时间,作为离线参考点的新型信道指纹特征。
3.根据权利要求2所述基于信道状态信息的加权随机森林室内定位方法,其特征在于,步骤S201中仿真参数包括:发射端位置、离线参考点位置、电磁波频率、带宽、发射功率、反射阶数、绕射阶数。
4.根据权利要求1所述基于信道状态信息的加权随机森林室内定位方法,其特征在于,步骤3中离线参考点的新型信道指纹特征按照离线发射端选择原理进行预处理的过程具体为:对于每个发射端,若超过半数的离线参考点可接收到其信号,则保留该发射端以及由该发射端基于信道状态信息提取的离线参考点的新型信道指纹特征,并记录该发射端的设备号;否则丢弃由该发射端基于信道状态信息提取的离线参考点的新型信道指纹特征。
5.根据权利要求4所述基于信道状态信息的加权随机森林室内定位方法,其特征在于,对于保留的发射端,若存在离线参考点接收不到该发射端的信号,则将该离线参考点的基于信道状态信息的新型信道指纹特征进行补零操作。
6.根据权利要求1所述基于信道状态信息的加权随机森林室内定位方法,其特征在于,所述信道指纹数据库包括:基于信道状态信息的新型信道指纹特征、离线参考点的坐标、发射端的设备号。
7.根据权利要求1所述基于信道状态信息的加权随机森林室内定位方法,其特征在于,步骤S5包括如下子步骤:
步骤S501、在定位区域内随机选择目标定位点;
步骤S502、通过基于射线追踪的仿真软件采集目标定位点的信道状态信息;
步骤S503、在基于射线追踪的仿真软件中,每条射线对应一组信道状态信息,包括:接收信号强度、方位到达角、俯仰到达角和到达时间;
步骤S504、提取每个发射端对目标定位点的最大功率射线的接收信号强度、方位到达角、俯仰到达角和到达时间,作为目标定位点的新型信道指纹特征;
步骤S505、对于发射端的设备号存在于信道指纹数据库中的,如果所述目标定位点接收到该发射端信号,保留所述目标定位点中由该发射端获取的基于信道状态信息的新型信道指纹特征,如果所述目标定位点接收不到该发射端的信号,将所述目标定位点中由该发射端获取的基于信道状态信息的新型信道指纹特征进行补零操作;若目标定位点接收到由发射端的设备号不在信道指纹数据库中的发射端获取的基于信道状态信息的新型信道指纹特征,则舍弃由该发射端获取的基于信道状态信息的新型信道指纹特征。
8.根据权利要求7所述基于信道状态信息的加权随机森林室内定位方法,其特征在于,步骤S502中仿真参数包括:发射端位置、目标定位点位置、电磁波频率、带宽、发射功率、反射阶数、绕射阶数。
9.根据权利要求1所述基于信道状态信息的加权随机森林室内定位方法,其特征在于,步骤S6包括如下子步骤:
步骤S601、设置超参数P,P的取值在5-10之间;
步骤S602、将目标定位点的新型信道指纹特征输入离线训练模型Model_x、Model_y中,分别输出得分最高的P个信道指纹数据库中离线参考点的横坐标xp、纵坐标yp及横坐标xp的得分score_xp、纵坐标yp的得分score_yp;
步骤S603、分别将P个横坐标xp的得分score_xp、纵坐标yp的得分score_yp求平均,分别取大于平均值的K个横坐标xp及其得分score_xp、纵坐标yp及其得分score_yp,分别以横坐标得分score_xp、纵坐标得分score_yp为横坐标xp、纵坐标yp的权重,求取最终预测的目标定位点坐标(xTP,yTP):
其中,k为K的索引。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210759439.7A CN115209341A (zh) | 2022-06-30 | 2022-06-30 | 一种基于信道状态信息的加权随机森林室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210759439.7A CN115209341A (zh) | 2022-06-30 | 2022-06-30 | 一种基于信道状态信息的加权随机森林室内定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115209341A true CN115209341A (zh) | 2022-10-18 |
Family
ID=83578574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210759439.7A Pending CN115209341A (zh) | 2022-06-30 | 2022-06-30 | 一种基于信道状态信息的加权随机森林室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115209341A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106131959A (zh) * | 2016-08-11 | 2016-11-16 | 电子科技大学 | 一种基于Wi‑Fi信号空间划分的两级定位方法 |
CN107071743A (zh) * | 2017-03-20 | 2017-08-18 | 华南理工大学 | 一种基于随机森林的快速KNN室内WiFi定位方法 |
CN108008350A (zh) * | 2017-11-03 | 2018-05-08 | 平安科技(深圳)有限公司 | 基于随机森林模型的定位方法、装置及存储介质 |
CN110996280A (zh) * | 2019-11-06 | 2020-04-10 | 山东大学 | 一种rfid室内定位指纹库更新系统及方法 |
US20220155079A1 (en) * | 2020-11-13 | 2022-05-19 | Naver Corporation | Deep smartphone sensors fusion for indoor positioning and tracking |
-
2022
- 2022-06-30 CN CN202210759439.7A patent/CN115209341A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106131959A (zh) * | 2016-08-11 | 2016-11-16 | 电子科技大学 | 一种基于Wi‑Fi信号空间划分的两级定位方法 |
CN107071743A (zh) * | 2017-03-20 | 2017-08-18 | 华南理工大学 | 一种基于随机森林的快速KNN室内WiFi定位方法 |
CN108008350A (zh) * | 2017-11-03 | 2018-05-08 | 平安科技(深圳)有限公司 | 基于随机森林模型的定位方法、装置及存储介质 |
CN110996280A (zh) * | 2019-11-06 | 2020-04-10 | 山东大学 | 一种rfid室内定位指纹库更新系统及方法 |
US20220155079A1 (en) * | 2020-11-13 | 2022-05-19 | Naver Corporation | Deep smartphone sensors fusion for indoor positioning and tracking |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Air‐to‐air path loss prediction based on Machine Learning methods in urban environments | |
CN108696932B (zh) | 一种利用csi多径及机器学习的室外指纹定位方法 | |
Huang et al. | Artificial intelligence enabled radio propagation for communications—Part I: Channel characterization and antenna-channel optimization | |
Gan et al. | Deep learning for weights training and indoor positioning using multi-sensor fingerprint | |
CN110049549B (zh) | 基于WiFi指纹的多融合室内定位方法及其系统 | |
CN105430664B (zh) | 一种基于分类拟合预测传播路损的方法和装置 | |
Fan et al. | A structured bidirectional LSTM deep learning method for 3D terahertz indoor localization | |
CN107087256A (zh) | 一种基于WiFi室内定位的指纹聚类方法及装置 | |
CN111122989B (zh) | K聚类智能择取的微波信号多径干扰抑制方法 | |
Ding et al. | Fingerprinting localization based on affinity propagation clustering and artificial neural networks | |
CN111461251A (zh) | 基于随机森林与自编码器的WiFi指纹的室内定位方法 | |
Moayyed et al. | Clustering algorithms and validation indices for mmWave radio multipath propagation | |
Du et al. | SVM-assisted adaptive kernel power density clustering algorithm for millimeter wave channels | |
CN114448531A (zh) | 一种信道特性分析方法、系统、介质、设备及处理终端 | |
Kao et al. | AI-aided 3-D beamforming for millimeter wave communications | |
CN116744444A (zh) | 基于双重指纹参数的wknn定位方法及定位系统 | |
CN115209341A (zh) | 一种基于信道状态信息的加权随机森林室内定位方法 | |
Jikyo et al. | A study on outdoor localization method based on deep learning using model-based received power estimation data of low power wireless tag | |
Chatelier et al. | Influence of dataset parameters on the performance of direct ue positioning via deep learning | |
CN115397012A (zh) | 基于twr-tdoa估计和mpga布局优化的uwb定位跟踪系统的实现方法 | |
Baccar et al. | A new fuzzy location indicator for Interval Type-2 indoor fuzzy localization system | |
Sarkar et al. | RADIANCE: Radio-Frequency Adversarial Deep-learning Inference for Automated Network Coverage Estimation | |
Sun et al. | Environment information-based channel prediction method assisted by graph neural network | |
Kim et al. | A neural network-based path loss model for bluetooth transceivers | |
CN113194401A (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 |
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 |