CN115550863A - 一种基于卷积神经网络的wifi室内定位方法 - Google Patents

一种基于卷积神经网络的wifi室内定位方法 Download PDF

Info

Publication number
CN115550863A
CN115550863A CN202211474054.2A CN202211474054A CN115550863A CN 115550863 A CN115550863 A CN 115550863A CN 202211474054 A CN202211474054 A CN 202211474054A CN 115550863 A CN115550863 A CN 115550863A
Authority
CN
China
Prior art keywords
serving
channel matrix
neural network
uplink
convolutional neural
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
CN202211474054.2A
Other languages
English (en)
Other versions
CN115550863B (zh
Inventor
黄东东
毛斐
强小应
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.)
Nanjing Third Generation Communication Technology Co ltd
Original Assignee
Nanjing Third Generation Communication 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 Nanjing Third Generation Communication Technology Co ltd filed Critical Nanjing Third Generation Communication Technology Co ltd
Priority to CN202211474054.2A priority Critical patent/CN115550863B/zh
Publication of CN115550863A publication Critical patent/CN115550863A/zh
Application granted granted Critical
Publication of CN115550863B publication Critical patent/CN115550863B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/08—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
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供了一种基于卷积神经网络的WIFI室内定位方法，包括位置数据采集、信道数据采集、模型训练及位置预测。通过本发明的方法，可以更低的成本、更快的响应实现用户设备的更高精度的定位。

Description

一种基于卷积神经网络的WIFI室内定位方法
技术领域
本发明涉及WIFI室内定位技术领域，具体为一种基于卷积神经网络的WIFI室内定位方法。
背景技术
由于室内空间复杂的拓扑关系，室内空间内部信号遮挡是室内定位常遇到的问题，大大限制了很多室外定位技术在室内普及的可能性，也把有效定位范围限制在很小的范围内，给实现室内定位广域覆盖带来极大的困难。此外，复杂的拓扑空间也导致复杂信号传播环境，大量的反射信号也直接影响到测量精度，从而导致较大的定位误差。复杂的空间拓扑关系从定位精度和可用性两个方面给室内定位带来诸多约束，比如在大型商场或者地下停车场内定位精度非常差。
现有技术通过TDOA方式进行定位，这种方法受限于绝对时间误差和需要无遮挡的无线环境，因而在室内比较复杂的环境下，精度较低。
发明内容
本发明的目的在于提供一种基于卷积神经网络的WIFI室内定位方法，以便以更低的成本提供更快的响应和更高的定位精度。
为实现上述目的，本发明提供如下技术方案：
一种基于卷积神经网络的WIFI室内定位方法，包括如下步骤：
S1位置数据采集：标记UE的室内位置坐标；
S2信道数据采集：Smart Unit从UE接入的AP获取上下行信道矩阵，合并后组成特征数据，打上位置标签后构成一条完整的数据；
S3模型训练：将步骤S1获取的UE位置坐标和步骤S2获取的信道矩阵作为训练数据输入深度学习算法模型中，通过不断的训练学习，保存最优模型；
S4位置预测：将实时采集的信道矩阵数据输入训练后的深度学习算法模型中，输出用户的位置信息。
在本发明的方法中，所述步骤S1进一步包括：
S11、将室内空间在3维地图上划分为单元格；
S12、AP均匀分布在四周或者室内；
S13、根据UE所在的单元格索引，标记位置座标。
在本发明的方法中，所述步骤S2进一步包括：
S21、在同一时隙内，UE测量周边的AP的下行参考信号，并将测量的信道矩阵发送给接入的AP，由接入的AP发送给Smart Unit；
S22、在同一时隙内，周边的AP测量同一个UE的上行参考信号，并将测量的信道矩阵发送给接入的AP，由接入的AP发送给Smart Unit；
S23、Smart Unit合并上下行信道矩阵，组成特征数据，并打上位置标签，构成一条完整数据。
进一步，所述步骤S21获取下行信道矩阵的步骤进一步包括：
S211服务AP下行信道估计：UE接收到服务AP的pilot后进行下行信道估计，UE通过report消息将下行信道矩阵发送给服务AP；
S212非服务AP下行信道估计：UE接收到非服务AP的pilot后进行下行信道估计，UE通过report消息将下行信道矩阵发送给服务AP。
另外，所述步骤S22获取上行信道矩阵的步骤进一步包括：
S221服务AP上行信道估计：UE向服务AP发送SRS导频探测信号，服务AP接收到UE发送的SRS信号后进行上行信道估计；
S222非服务AP上行信道估计：服务AP把UE的ID和SRS配置和AP的ID告知非服务AP，非服务AP接收到UE发送的SRS信号后进行上行信道估计，非服务AP将上行信道矩阵发送给服务AP。
在本发明的方法中，优选地，所述步骤S3中的深度学习算法模型为ResNet50模型。
进一步，所述步骤ResNet50模型的超参数为：
Learning rate = 0.0001
Optimizer = adam
Dropout = 0.5
batch size = 16。
与现有技术相比，本发明的有益效果是：
1、提高定位精度：
使用信道矩阵和卷积神经网络可以提高定位精度。
2、更快的响应：
该发明相比VSLAM可以更快的计算出UE的位置。
3、更低的成本：
该发明不需要增加任务硬件成本，比VSLAM的成本低很多。
附图说明
图1是本发明方法的系统框架图；
图2是本发明方法中利用网格给信道矩阵数据打标签的示意图；
图3是本发明方法中信道数据采集过程的数据交互示意图；
图4是本发明方法中训练后ResNet50模型输出用户位置信息的结果示意图；
图5是本发明方法一个实施例的仿真结果示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
室内复杂的空间拓扑关系给传统的定位算法带来重大的影晌，但是事物总是具有两面性，用户的空间位置信息也隐藏在这个复杂的空间拓扑关系中，而它的数据的表现形式就存于信道矩阵中。无线数据在空间的信道矩阵具有空间上的连续性，含有位置信息。通过应用卷积神经网络（CNN）对无线数据进行指纹特征提取，从而预测出用户的位置坐标。
CNN的优势是可以在空间连续的数据中进行很好的特征提取，可以学习到数据中的位置特征。卷积核可以让权重共享以减少网络参数，同时增加感受野。CNN包含卷积层、池化层、全连接层。卷积积层通过反向传播技术训练卷积核的参数，池化层通过降维减少网络参数，全连接层将数据扁平化以进行SoftMax回归。
卷积核是CNN的最核心的部件，使用一个2维的卷积核在数据中滑动，并乘以每个像素从而生成新的特征数据；不同的卷积核可以提取不同的特征，例如点、线、边、面、形状、位置等。
在卷积层之间加入池化层，可以降低表达空间的大小，从而减小模型的参数。可以有效抑制过拟合。例如通过步长为1的2*2的滤波器实现最大池化，可以去除75%的波动。
全连接层将所有特征图连接起来并扁平化成一个向量。
深度残差卷积神经网络使网络变得更深，网络越深提取到的特征越多，表达能力越强，能够提取到不同level的特征越丰富；并且，越深的网络提取的特征越抽象，越具有语义信息。本方法中采用Resnet50模型，共50层网络。
本发明的方案结合了深度学习以及WiFi物理层，该方法总共分为三部分，1、数据采集 2、离线训练模型 3、在线应用，如图1所示。
数据采集部分，所有消息交互均在同一时隙。
Smart Unit负责训练深度学习模型，将训练好的模型保存在数据库中。
在线应用时，服务AP获得信道矩阵，此信道矩阵为所有的上下行信道矩阵的合并。服务AP将获得的信道矩阵发送给Smart Unit，Smart Unit从数据库中加载已经训练好的模型并将信道矩阵作为模型的输入，从而得到UE的位置坐标。
在一个实施例中，本方法包括以下步骤。
S1、位置数据采集，该步骤用于标记UE的室内位置坐标。下面结合图2来具体描述位置数据采集的方法。该步骤包括以下具体操作。
S11、将室内空间在3维地图上以最小单元格划分，最小单元格大小可以自定义，代表模型可以定位的最小单位；比如，在100m*100m*100m的空间内，最小单元格大小为1m*1m*1m。最小定位精度就是1m。
S12、AP均匀分布在四周或者室内，AP的数量为N。
S13、根据UE所在的单元格索引，标记位置座标。例如，UE所在单元格索引为(x,y,z)，则位置座标为(x,y,z)。
S2、信道数据采集，该步骤用于Smart Unit从UE接入的AP获取上下行信道矩阵，合并后组成特征数据，打上位置标签后构成一条完整的数据。参考图3，该步骤包括以下具体操作。
S21、在同一时隙内，UE测量周边的AP的下行参考信号，并将测量的信道矩阵发送给接入的AP，由接入的AP发送给Smart Unit。
S22、在同一时隙内，周边的AP测量同一个UE的上行参考信号，并将测量的信道矩阵发送给接入的AP，由接入的AP发送给Smart Unit。
S23、Smart Unit合并上下行信道矩阵，组成特征数据，并打上位置标签，构成一条完整数据。
其中，S21和S22中信道矩阵的获取途径如下。
一、当接入的是服务AP时，服务AP下行信道估计：
1、手机接收到服务AP的pilot后进行下行信道估计。
2、手机通过report消息将下行信道矩阵（PMI）发送给服务AP。
并且，服务AP上行信道估计：
1、手机向服务AP发送SRS导频探测信号。
2、服务AP接收到手机发送的SRS信号后进行上行信道估计。
注意：非服务AP估计的信道矩阵的时间与服务AP估计信道矩阵的时间在同一时间区间内为有效数据。
二、当接入的是非服务AP时，非服务AP下行信道估计：
1、手机接收到非服务AP的pilot后进行下行信道估计。
2、手机通过report消息将下行信道矩阵（PMI）发送给服务AP。
并且，非服务AP上行信道估计：
1、服务AP把UE的ID和SRS配置和AP的ID告知非服务AP ；
2、非服务AP接收到手机发送的SRS信号后进行上行信道估计；
3、非服务AP将上行信道矩阵发送给服务AP 。
注意：非服务AP估计的信道矩阵的时间与服务AP估计信道矩阵的时间在同一时间区间内为有效数据。
由于信道矩阵是复数，需要拆分成实部和虚部，并合并在一起来处理。
S3、模型训练，包括以下具体操作。
将步骤S1获取的UE位置坐标和步骤S2获取的信道矩阵作为训练数据输入ResNet50模型中。通过不断的训练学习，保存最优模型。其中，模型超参数为：
Learning rate = 0.0001
Optimizer = adam
Dropout = 0.5
batch size = 16。
S4、位置预测，该步骤将实时采集的信道矩阵数据输入训练后的ResNet50模型中，输出用户的位置信息。其中输出的位置信息如图4所示。
与现有技术相比，本发明采用人工智能和大数据技术，通过深度学习算法学习信道矩阵中的位置特征，从而可以预测手机的位置。目前现有技术方案多是采用TDOA三角测方式来定位，准确度不高。本发明主要利用网络中产生的大数据和人工智能算法来智能地对手机定位，从而适应未来更加多变复杂的网络环境。本发明提出的方案结合了人工智能算法（特别是卷积神经网络）和WIFI定位和物理层，从技术效果上来说，具有以下优势。
1、提高定位精度：
使用信道矩阵和卷积神经网络可以提高定位精度。
2、更快的响应：
该发明相比VSLAM可以更快的计算出UE的位置。
3、更低的成本：
该发明不需要增加任务硬件成本，比VSLAM的成本低很多。
本发明未详述之处，均为本领域技术人员的公知技术。
最后所要说明的是：以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改和等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于卷积神经网络的WIFI室内定位方法，其特征在于，所述方法包括如下步骤：
S1位置数据采集：标记UE的室内位置坐标；
S2信道数据采集：Smart Unit从UE接入的AP获取上下行信道矩阵，合并后组成特征数据，打上位置标签后构成一条完整的数据；
S3模型训练：将步骤S1获取的UE位置坐标和步骤S2获取的信道矩阵作为训练数据输入深度学习算法模型中，通过不断的训练学习，保存最优模型；
S4位置预测：将实时采集的信道矩阵数据输入训练后的深度学习算法模型中，输出用户的位置信息。
2.如权利要求1所述的基于卷积神经网络的WIFI室内定位方法，其特征在于，所述步骤S1进一步包括：
S11、将室内空间在3维地图上划分为单元格；
S12、AP均匀分布在四周或者室内；
S13、根据UE所在的单元格索引，标记位置座标。
3.如权利要求1所述的基于卷积神经网络的WIFI室内定位方法，其特征在于，所述步骤S2进一步包括：
S21、在同一时隙内，UE测量周边的AP的下行参考信号，并将测量的信道矩阵发送给接入的AP，由接入的AP发送给Smart Unit；
S22、在同一时隙内，周边的AP测量同一个UE的上行参考信号，并将测量的信道矩阵发送给接入的AP，由接入的AP发送给Smart Unit；
S23、Smart Unit合并上下行信道矩阵，组成特征数据，并打上位置标签，构成一条完整数据。
4.如权利要求3所述的基于卷积神经网络的WIFI室内定位方法，其特征在于，所述步骤S21获取下行信道矩阵的步骤进一步包括：
S211服务AP下行信道估计：UE接收到服务AP的pilot后进行下行信道估计，UE通过report消息将下行信道矩阵发送给服务AP；
S212非服务AP下行信道估计：UE接收到非服务AP的pilot后进行下行信道估计，UE通过report消息将下行信道矩阵发送给服务AP。
5.如权利要求3所述的基于卷积神经网络的WIFI室内定位方法，其特征在于，所述步骤S22获取上行信道矩阵的步骤进一步包括：
S221服务AP上行信道估计：UE向服务AP发送SRS导频探测信号，服务AP接收到UE发送的SRS信号后进行上行信道估计；
S222非服务AP上行信道估计：服务AP把UE的ID和SRS配置和AP的ID告知非服务AP，非服务AP接收到UE发送的SRS信号后进行上行信道估计，非服务AP将上行信道矩阵发送给服务AP。
6.如权利要求1所述的基于卷积神经网络的WIFI室内定位方法，其特征在于，所述步骤S3中的深度学习算法模型为ResNet50模型。
7.如权利要求6所述的基于卷积神经网络的WIFI室内定位方法，其特征在于，所述步骤ResNet50模型的超参数为：
Learning rate = 0.0001
Optimizer = adam
Dropout = 0.5
batch size = 16。
CN202211474054.2A 2022-11-23 2022-11-23 一种基于卷积神经网络的wifi室内定位方法 Active CN115550863B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211474054.2A CN115550863B (zh) 2022-11-23 2022-11-23 一种基于卷积神经网络的wifi室内定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211474054.2A CN115550863B (zh) 2022-11-23 2022-11-23 一种基于卷积神经网络的wifi室内定位方法

Publications (2)

Publication Number Publication Date
CN115550863A true CN115550863A (zh) 2022-12-30
CN115550863B CN115550863B (zh) 2023-08-04

Family

ID=84721568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211474054.2A Active CN115550863B (zh) 2022-11-23 2022-11-23 一种基于卷积神经网络的wifi室内定位方法

Country Status (1)

Country Link
CN (1) CN115550863B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108594170A (zh) * 2018-04-04 2018-09-28 合肥工业大学 一种基于卷积神经网络识别技术的wifi室内定位方法
CN110049441A (zh) * 2019-05-05 2019-07-23 山东科技大学 基于深度集成学习的WiFi室内定位方法
CN114189809A (zh) * 2021-11-15 2022-03-15 华东师范大学 基于卷积神经网络与高维5g观测特征的室内定位方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108594170A (zh) * 2018-04-04 2018-09-28 合肥工业大学 一种基于卷积神经网络识别技术的wifi室内定位方法
CN110049441A (zh) * 2019-05-05 2019-07-23 山东科技大学 基于深度集成学习的WiFi室内定位方法
CN114189809A (zh) * 2021-11-15 2022-03-15 华东师范大学 基于卷积神经网络与高维5g观测特征的室内定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曹建荣等: "结合CNN和WiFi指纹库的室内定位算法", 《计算机系统应用》 *

Also Published As

Publication number Publication date
CN115550863B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN108513251B (zh) 一种基于mr数据的定位方法及系统
CN109743683B (zh) 一种采用深度学习融合网络模型确定手机用户位置的方法
CN109212476B (zh) 一种基于ddpg的rfid室内定位算法
CN111867049B (zh) 定位方法、装置及存储介质
CN103068035A (zh) 一种无线网络定位方法、装置及系统
CN107113764A (zh) 提高人工神经网络定位性能的方法和装置
CN112218330B (zh) 定位方法及通信装置
CN107727095A (zh) 基于谱聚类和加权反向传播神经网络的3d室内定位方法
CN107529222A (zh) 一种基于深度学习的WiFi室内定位系统
CN112512069B (zh) 基于信道波束图样的网络智能优化方法及装置
CN109991591B (zh) 基于深度学习的定位方法、装置、计算机设备及存储介质
CN107995682B (zh) 无线接入点定位方法、装置、电子设备及存储介质
CN108459298A (zh) 一种基于LoRa技术的室外定位方法
Chagas et al. Genetic algorithms and simulated annealing optimization methods in wireless sensor networks localization using artificial neural networks
CN111491262A (zh) 移动宽带网络信号强度确定方法和装置
CN109257816A (zh) 一种定位方法及相关设备
CN110856100B (zh) 基于5g信号的终端定位及定位模型构建的方法和装置
CN115550863B (zh) 一种基于卷积神经网络的wifi室内定位方法
CN109558676B (zh) 一种碰撞检测方法及装置、一种计算设备及存储介质
CN114415113B (zh) 室内定位方法、装置、计算机设备及存储介质
CN108495262B (zh) 室内空间泛在定位信号指纹库稀疏表征和匹配定位方法
CN106093844A (zh) 估计终端间距及位置规划的方法、终端及设备
CN112188613A (zh) 一种基于深度学习的多天线室内定位方法及装置
CN112929818A (zh) 一种基于卡尔曼滤波和泛克里金插值的室内定位方法
CN112188388A (zh) 一种基于机器学习的混合室内定位方法

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
GR01 Patent grant
GR01 Patent grant