CN116367305B - 一种基于掩码自编器和信号引导的无线定位方法及系统 - Google Patents
一种基于掩码自编器和信号引导的无线定位方法及系统 Download PDFInfo
- Publication number
- CN116367305B CN116367305B CN202310636785.0A CN202310636785A CN116367305B CN 116367305 B CN116367305 B CN 116367305B CN 202310636785 A CN202310636785 A CN 202310636785A CN 116367305 B CN116367305 B CN 116367305B
- Authority
- CN
- China
- Prior art keywords
- impulse response
- training
- channel
- channel impulse
- response matrix
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 95
- 230000004044 response Effects 0.000 claims abstract description 85
- 239000011159 matrix material Substances 0.000 claims abstract description 83
- 239000000284 extract Substances 0.000 claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000000873 masking effect Effects 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000009966 trimming Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- WYROLENTHWJFLR-ACLDMZEESA-N queuine Chemical compound C1=2C(=O)NC(N)=NC=2NC=C1CN[C@H]1C=C[C@H](O)[C@@H]1O WYROLENTHWJFLR-ACLDMZEESA-N 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明采用的技术方案是:一种基于掩码自编器和信号引导的无线定位方法及系统,包括以下步骤:采集待定位用户与已知基站群之间的信道脉冲响应,形成待定位用户的信道脉冲响应矩阵;将待定位用户的信道脉冲响应矩阵输入已经训练完成的微调模型;所述微调模型包括编码器网络和回归网络;编码器网络在由经过掩码处理的信道脉冲响应矩阵样本集进行预训练后,与回归网络组成微调模型进行共同训练;所述编码器网络提取输入的信道脉冲响应矩阵的特征向量;所述回归网络根据输入的特征向量输出格局待定位用户的位置信息。本发明在训练样本较少的情况下,有效保证定位精度。
Description
技术领域
本发明属于通信用户定位技术领域,具体涉及一种基于掩码自编器和信号引导的无线定位方法及系统。
背景技术
高精度定位是智慧城市、智慧工厂的基本要求之一。在无线通信网络中,视距传播(line of sight, LOS)是波在用户终端和移动基站之间的直接传播方式。在某些情况下,视线传播被树木和建筑物阻挡,从而导致传播方式变为非视距(non-LOS,NLOS)。传统的利用到达时间差、到达角的算法多是针对LOS信道设计的,在NLOS条件下性能较差。因为传播路径大多是NLOS,这在很大程度上降低了定位在实际系统,所以高精度定位是一个相当具有挑战性的任务。此外,其他不理想的因素也可能导致定位精度的降低。
最近,由于人工智能在各个领域的成功,其被认为是高精度定位的一个有效解决方案。现有技术提出了一种前馈深度神经网络(deep neural network,DNN)室内定位模型,该模型以接收信号强度为输入特征。由于信道状态信息(CSI)和信道脉冲响应(CIR)具有较丰富的细增益信道信息,且从一些商用网络接口卡中可以很容易获得的优点,CSI和CIR被广泛用作基于人工智能的定位模型的输入特征。CSI是由CIR的傅里叶变换得到的信道频率响应的抽样估计。现有技术提出了一种用于室内定位的卷积神经网络CiFi,提取CSI的相位数据,并估计到达角作为模型的输入特征。使用类似的以CIR为输入特征的CNN模型,结果表明,基于CNN模型的特征提取效果更好。然而上述模型在大数据要求下监督学习的常见缺陷。虽然监督学习可以保证定位精度,但其数据依赖问题导致需要过多的手工标注。
为了解决基于监督学习的定位框架中的数据依赖问题,半监督学习(SSL)允许在少量标记数据的情况下训练模型。因此,提出了基于SSL的CSI/CIR定位模型,该模型需要少量的数据标注和大量的未标注数据才可获得较高的精度。在样本充足的情况下,神经网络可以很好地实现CIR到坐标的映射。然而,当训练数据量不足时,神经网络很容易过拟合,使得定位精度不高。
发明内容
本发明的目的就是为了解决上述背景技术存在的不足,提供一种基于掩码自编器和信号引导的无线定位方法及系统,在训练样本较少的情况下,保证定位精度。
本发明采用的技术方案是:一种基于掩码自编器和信号引导的无线定位方法,包括以下步骤:
采集待定位用户与已知基站群之间的信道脉冲响应,形成待定位用户的信道脉冲响应矩阵;
将待定位用户的信道脉冲响应矩阵输入已经训练完成的微调模型;所述微调模型包括编码器网络和回归网络;编码器网络在由经过掩码处理的信道脉冲响应矩阵样本集进行预训练后,与回归网络组成微调模型进行共同训练;
所述编码器网络提取输入的信道脉冲响应矩阵的特征向量;
所述回归网络根据输入的特征向量输出格局待定位用户的位置信息。
上述技术方案中,编码器网络的预训练过程包括以下步骤:
编码器网络与解码器网络组成预训练模型;
构建预训练模型的训练集,单个样本信息包括:作为输入的经过掩码处理的信道脉冲响应矩阵样本,和作为训练标签的原始的信道脉冲响应矩阵样本;
训练预训练模型:编码器网络以经过掩码处理的信道脉冲响应矩阵样本为输入,得到相应的特征向量并将其输入至解码器网络,解码器网络输出重构的信道脉冲响应矩阵样本;使用优化器减少重构的信道脉冲响应矩阵样本与相应的训练标签之间的损失。
上述技术方案中,微调模型的训练过程包括以下步骤:
完成预训练的编码器网络与未经训练的回归网络组成微调模型;
构建微调模型的训练集,单个样本信息包括:作为输入的原始的信道脉冲响应矩阵样本,和作为训练标签的原始的信道脉冲响应矩阵样本相应的用户位置坐标;
训练微调模型:编码器网络以原始的信道脉冲响应矩阵样本为输入,得到相应的特征向量并将其输入至回归网络,回归网络输出预测的用户位置坐标;使用优化器减少预测的用户位置坐标与相应的训练标签之间的损失。
上述技术方案中,掩码处理单个信道脉冲响应矩阵样本的过程包括:将单个信道脉冲响应矩阵样本中的信道脉冲响应采用设定的掩码比例全部置零或者保持不变。
上述技术方案中,掩码处理单个信道脉冲响应矩阵样本的过程包括:
设置掩码比例为;掩模样本与单个信道脉冲响应矩阵样本维度相同,服从
于:
;
其中,是掩模样本中的向量,向量为全零或全一;P表示待掩码的单个
信道脉冲响应矩阵中的信道脉冲响应数量;
掩码处理单个信道脉冲响应矩阵样本,⊙表示矩阵元素的逐元素乘
积。
上述技术方案中,所述编码器网络包括第一卷积模块、卷积通道注意力模块、第二卷积模块和全连接层;第一卷积模块提取输入的信道脉冲响应矩阵的初步特征;卷积通道注意力模块基于初步特征进一步提取基站和用户的信道特征;第二卷积模块基于通道注意力的输出进一步提取信道特征;全连接层将提取到的信道特征压缩为一维向量并输出至解码器网络。
上述技术方案中,所述解码器网络包括全连接层、第三卷积模块、转置卷积模块和第四卷积模块;全连接层对输入的信道特征进行初步解码并变换维度;第三卷积模块将解码和维度变换后的信道特征初步恢复为特征矩阵;转置卷积模块对特征矩阵进行超分辨逐步恢复;第四卷积模块输出重构后的信道脉冲响应矩阵。
上述技术方案中,所述卷积通道注意力模块包括第五卷积模块、第六卷积模块、最大池化层、卷积层和sigmoid激活函数;第五卷积模块初步提取输入卷积通道注意力模块数据的数据特征;;第六卷积模块基于第五卷积模块的输出进一步提取数据特征;最大池化层提取输入卷积通道注意力模块数据的通道特征;卷积层进一步提取通道特征,sigmoid激活函数将进一步提取得到的通道特征压缩至0和1之间;将压缩至至0和1之间的通道特征与第六卷积模块提取到的数据特征相乘后与第五卷积模块的输出相加,作为卷积通道注意力模块的输出。。
上述技术方案中,当获取到新的信道脉冲响应矩阵和相应的用户位置坐标后,重新构建新的微调模型的训练集,并再次训练微调模型。
本发明提供了一种基于掩码自编器和信号引导的无线定位系统,该系统用于实现上述技术方案所述的基于掩码自编器和信号引导的无线定位方法。本发明的有益效果是:本发明针对有限样本标记的无线定位问题,提出了一种S-MAE框架,该框架分为预训练阶段和微调阶段。在预训练阶段中采用天线域掩蔽图处理CIR样本,采用通道注意机制增强特征提取能力以生成编码器;在微调阶段采用预训练的编码器和回归网络,通过CIR数据定位用户位置,有效保证在训练样本较小的情况下的定位精度。
进一步地,本发明所采用的编码器网络,使用通道注意力机制,充分提取信道的潜在表示;同时通过天线域掩蔽图处理后CIR样本的进行训练,使得经过预训练的编码器特征提取的效率更高,能够在微调阶段训练样本较少的前提下保障训练的精度,从而提高微调模型的训练效率和检测精度。
进一步地,本发明所采用的解码器网络,使用转置卷积网络,能够有效简单地解码出编码器输出的向量,完成自监督任务。
进一步地,本发明所采用的回归网络,利用LSTM网络提高了用户坐标映射的性能。
进一步地,本发明采用的掩码方式,利用了天线之间的相关性,通过部分天线的信道特征去预测恢复所有的天线信道特征,以样本破坏重建模型来捕捉流形的主要变化,能够有效的提取信道的特征信息。
进一步地,本发明可以采用新获取的实际样本数据持续训练微调模型,不断优化本发明的定位精度。
附图说明
图1为本发明的流程示意图;
图2为本发明的整体模型框架示意图;
图3为本发明的掩码方式示意图;
图4为本发明的预训练模型架构示意图;
图5为本发明的微调模型架构示意图;
图6为本发明与其他方法的定位精度比较示意图;
图7为本发明不同掩码模式的不同遮挡比率性能比较示意图;
图8为本发明采用不同样本数的定位精度比较示意图;
图9为具体实施例所采用的数据来源的基站分布示意图,其中:1-基站,2-用户。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明,便于清楚地了解本发明,但它们不对本发明构成限定。
如图1所示,本发明提供了一种基于掩码自编器和信号引导的无线定位方法,包括以下步骤:
S1,采集待定位用户与已知基站群之间的信道脉冲响应,形成待定位用户的信道脉冲响应矩阵;
S2,将待定位用户的信道脉冲响应矩阵输入已经训练完成的微调模型;所述微调模型包括编码器网络和回归网络;编码器网络在由经过掩码处理的信道脉冲响应矩阵样本集进行预训练后,与回归网络组成微调模型进行共同训练;
S3,所述编码器网络提取输入的信道脉冲响应矩阵的特征向量;所述回归网络根据输入的特征向量输出格局待定位用户的位置信息。
本发明还提供了一种基于掩码自编器和信号引导的无线定位系统,该系统用于上述基于掩码自编器和信号引导的无线定位方法。
如图2所示,为了在训练样本有限的情况下提高基于深度学习的定位精度,本发明构建了一种新的掩码自编码器(MAE)架构,通过预测信道脉冲响应(后文简称CIR)的掩码片段来捕获CIR样本的潜在特征,称为信号引导(Singal)的MAE 框架,后文简称S-MAE框架。
该框架分为预训练模型和微调模型。预训练模型包括编码器网络和解码器网络。微调模型包括预训练模型的编码器网络和回归网络。
在编码器网络中,采用通道注意机制增强特征提取能力。回归网络利用LSTM网络提高了用户坐标映射的性能。预训练的任务是将蒙面后的CIR样本重构为原始的CIR样本。然后固定编码器网络在预训练中学习到的参数,丢弃解码器网络,代之以回归器网络进行定位任务。
具体地,编码器网络的预训练过程包括以下步骤:
编码器网络与解码器网络组成预训练模型;
构建预训练模型的训练集,单个样本信息包括:作为输入的经过掩码处理的信道脉冲响应矩阵样本,和作为训练标签的原始的信道脉冲响应矩阵样本;
训练预训练模型:编码器网络以经过掩码处理的信道脉冲响应矩阵样本为输入,得到相应的特征向量并将其输入至解码器网络,解码器网络输出重构的信道脉冲响应矩阵样本;使用优化器减少重构的信道脉冲响应矩阵样本与相应的训练标签之间的损失。
具体地,微调模型的训练过程包括以下步骤:
完成预训练的编码器网络与未经训练的回归网络组成微调模型;
构建微调模型的训练集,单个样本信息包括:作为输入的原始的信道脉冲响应矩阵样本,和作为训练标签的原始的信道脉冲响应矩阵样本相应的用户位置坐标;
训练微调模型:编码器网络以原始的信道脉冲响应矩阵样本为输入,得到相应的特征向量并将其输入至回归网络,回归网络输出预测的用户位置坐标;使用优化器减少预测的用户位置坐标与相应的训练标签之间的损失。
具体实施例中,采用第三届无线通信人工智能竞赛提供的官方定位数据集构建预训练模型和微调模型的训练接,该数据集遵循第三代合作伙伴计划(3GPP)制定的5.5G标准。如图9所示,能工厂基站分布图宽width为120m,高height为20m,两个基站1的间距D为20m。用户样本均匀分布在工厂内。有18个基站,每个基站有4个天线。每个用户2有一个天线。基站1在空间上均匀分布。
一般来说,需要根据M天线Q个基站与单天线用户之间的CIR来获得用户的精度位置。基站的任意天线通过全向天线发送信号s(t),用户通过其中一个发射天线的天线接收信号y(t)。由于多路径效应,信号通过许多路径传播。在多径场景中,信道脉冲响应h(t)被建模为具有L条路径的冲激函数的和,表示为:
;
其中为第条到达路径的复信道增益,为第条到达路径的时延。每个路径的
通道增益和延迟是由每个路径的反射、传输、衍射和散射决定的。基站与用户之间的信噪比
可以表征多径信道信息。因此,CIR可以用作用户位置的指示。对进行点采样,得到。
矩阵表示基站群和单个用户的CIR,其中表示第个天线
的CIR, 为所有基站天线的和。最后,单个用户的信道脉冲响应矩阵可表示为:
;
则总观测样本可表示为,其中为观测用户的个数。用户坐标的
坐标位置标记为,其中。微调模型的训练集可以定义为。
具体地,掩码处理单个信道脉冲响应矩阵样本的过程包括:将单个信道脉冲响应矩阵样本中的信道脉冲响应采用设定的掩码比例全部置零或者保持不变。
本具体实施例中定位数据由基站和用户之间的CIR组成。由于所有基站的天线之间的CIR是相关的,所以根据基站天线的维度进行了遮蔽,在所有基站的天线随机的按照比例遮蔽部分天线的CIR。
本具体实施例中对部分天线的CIR 进行随机遮挡,即随机天线掩码(RA)作为掩码方式,利用剩余的CIR恢复所有天线的CIR。
预训练模型中的随机样本H按比例被掩码。掩码处理单个信道脉冲响应矩阵样本的过程包括:
设置掩码比例为;掩模样本与单个信道脉冲响应矩阵样本维度相同,服从
于:
;
其中,是掩模样本中的向量,向量为全零或全一;P表示待掩码的单个
信道脉冲响应矩阵中的信道脉冲响应数量;
掩码处理后的单个信道脉冲响应矩阵样本,⊙表示矩阵元素的逐元素
乘积。
具体实施例中重建了所有的CIR,包括遮蔽部分和未遮蔽部分,并且维与维相
同。本发明把这种掩码和重构方法称为信号引导的掩码自编码器。本发明还考虑了其他三
种掩码方式:随机网格(RD)掩码、随机抽样(RS)掩码、随机BS (RB)掩码。
随机网格掩码:按照比例随机遮挡CIR矩阵的元素值。
随机采用点掩码:在采样域维度按照比例随机遮蔽某些时间点所有天线的CIR值。
随机基站掩码:在基站维度,遮蔽一定比例基站的CIR。
不同的屏蔽方式如图3所示,随机网络、随机采样点和随机基站掩码示意图的横纵方向与随机天线掩码示意图的表达一致。本发明针对信道脉冲响应矩阵采用类似图片的掩膜处理方式,将信道脉冲响应矩阵中各个数据视为图片中的各个像素,按照设定的方式将矩阵中某些特定位置的数据全部设置为零或者保持不变。
如图2所示,在预训练模型中,编码器网络以为输入,得到特征向量。i=1,
2,..m。特征向量输入到解码器网络,重构样本由解码器网络输出。由于MSE损失函数可
以逐个像素地减小模型重建的通道图像与真实通道图像之间的差异,将预训练网络的损失
函数设置为和的均方误差(MSE)。和的损失可以表示为:
;
其中为预训练模型训练集的样本个数。
预训练模型的训练集可以定义为。在预训练模
型中,使用Adam优化器来减少模型估计值与真实值之间的损失,以获得更高
的泛化能力。
在微调模型中,预训练模型的解码器网络被丢弃,采用预训练模型的编码器网络。
输入样本,编码器网络首先将样本编码为,最后通过回归网络输出预测的位
置坐标。预训练模型的编码器参数用于初始化微调模型,不会发生变化。微调模型的损失
函数定义为:
;;
其中是微调模型训练集的样本个数。
微调模型的训练集为。在微调模型中,使用
Adam优化器来减少模型估计值与真实值之间的损失,以获得更高的泛化能力。损失
函数也设置为MSE。
如图4所示,所述预训练模块包括编码器网络和解码器网络,即图4中所示的编码器模块和解码器模块。
所述编码器网络包括第一卷积模块、卷积通道注意力模块、第二卷积模块和全连接层;第一卷积模块提取输入的信道脉冲响应矩阵的初步特征;卷积通道注意力模块基于初步特征进一步提取基站和用户的信道特征;第二卷积模块基于通道注意力的输出进一步提取信道特征;全连接层将提取到的信道特征压缩为一维向量并输出至解码器网络。
卷积模块提取输入的信道脉冲响应矩阵的初步特征,将离散采样维作为卷积网络的信道维,天线数、实部和虚部分别为卷积网络的长度和宽度。
本具体实施例中,卷积块模块用(2,1)步长和(2,1)内核的LeakyReLU激活层和MaxPool层(CRP)来提取低层特征,后文中所有的卷积模块均采用该架构。卷积通道注意力模块由CRP块和CA块组成,用于提取通道维度信息,基于初步特征进一步提取基站和用户的信道特征。全连接层将提取到的信道特征压缩为一维向量并输出至解码器网络。
所述卷积通道注意力模块设置有3个且为串联关系;每个卷积通道注意力模块包括第五卷积模块、第六卷积模块、最大池化层、卷积层和sigmoid激活函数;第五卷积模块初步提取输入卷积通道注意力模块数据的数据特征;;第六卷积模块基于第五卷积模块的输出进一步提取数据特征;最大池化层提取输入卷积通道注意力模块数据的通道特征;卷积层进一步提取通道特征,sigmoid激活函数将进一步提取得到的通道特征压缩至0和1之间;将压缩至至0和1之间的通道特征与第六卷积模块提取到的数据特征相乘后与第五卷积模块的输出相加,实现残差与特征的融合,作为卷积通道注意力模块的输出。
所述解码器网络包括全连接层、第三卷积模块、转置卷积模块和第四卷积模块。全连接层对输入的信道特征进行初步解码并变换维度;第三卷积模块将解码和维度变换后的信道特征初步恢复为特征矩阵;转置卷积模块包括3个且串联设置,对特征矩阵进行超分辨逐步恢复;第四卷积模块作为最后的输出模块,输出重构后的信道脉冲响应矩阵。
如图5所示,所述微调模型包括编码器网络和回归网络(即图中所示的编码器模块和回归模块)。所述回归网络包括依次串联的全连接层、LSTM模块和全连接层。在微调阶段,预训练网络中编码器的参数保留在微调网络中。考虑到特征的时间相关性,LSTM模块可以发现回波信号中的时间关系,并可以对输入时间特征的重要性进行排序和输出坐标的对接。回归网络通过全连接层连接编码器的输入,然后通过LSTM模块连接隐藏层中的468个节点。如果只使用全连接层作为回归器,全连接层不能更好地从特征向量映射到用户坐标。LSTM模块的输出连接到全连接层以得到预测位置。
编码器网络(encoder)、解码器网络(decoder)和回归网络(regressor)的架构如表1所示,括号中的第一个数字是卷积核的数量或者全连接神经元个数,第二个数字表示卷积核的大小,第三个数字表示卷积的填充大小。
表1 展示了 编码器网络、解码器网络和回归网络的架构。
表1 总体框架表
编码器 | 解码器 | 回归器 |
卷积模块(256,2,1) | 全连接(256*9*5) | 全连接(512*45) |
卷积通道注意力(512,2,1) | 卷积模块(512,3,1) | LSTM |
卷积通道注意力(768,2,1) | 转置卷积模块(512,2,2) | 全连接(2) |
卷积通道注意力(512,3,1) | 转置卷积模块(256,2,2) | |
卷积模块(256,3,1) | 转置卷积模块(256,2,2) | |
全连接(512) | 卷积模块(256,3,1) |
。
本具体实施例中测量数据集由基于AI的高精度定位提供。该信道载频3.5GHz,带宽100MHz。子载波间距为30kHz,信道模型采用3GPP TR38.901。有15000个数据样本,其中13500个作为预训练模型的训练样本,1500个作为测试集,3000个作为微调模型的训练样本。
本具体实施例在一台配有3090图形处理单元的计算机上训练本发明的S-MAE模型。在学习率为的情况下,对800个epoch的预训练网络参数进行训练,学习率随余弦函数衰减。在微调阶段,在相同的学习率下,也是余弦衰减。最终学习率设置为/>,总epoch为800。其他比较网络也采用相同的训练方法进行训练。在采用相同数据集的前提下,由于在预训练网络中完全提取了数据的固有特征,如图6所示,本发明所采用的S-MAE框架的定位精度较现有技术中常用的CiFi、DNN和DeepML( deep long short-term memory(LSTM))模型有明显提高。如图8所示,随着标记样本数量的增加,其他模型的性能越来越好,而本发明所采用的S-MAE模型始终保持较高的定位精度,但是在样本数量较少的情况下,本发明所采用的S-MAE模型的定位平均误差显著低于其他的两种模型。
在3GPP Rel-18 AI定位专题中,性能评价的重点是90% UEs的二维定位精度,定位误差应小于1m。S-MAE模型在该标准下可以满足95%以上的用户。表2列出了模拟智能工厂中各种方案的平均值。
表2不同模型平均定位误差和标准差
模型 | 平均定位误差 | 定位标准差 |
S-MAE | 0.32 | 0.31 |
CiFi | 1.17 | 2.17 |
DeepML | 0.47 | 0.77 |
DNN | 1.56 | 2.45 |
。
不同基准和S-MAE模型的浮点运算和参数个数如表3所示。
表3 不同模型计算复杂度
模型 | 计算量(M) | 模型参数量(M) |
S-MAE | 94.7 | 13.7 |
CiFi | 225.7 | 1.57 |
DeepML | 415.8 | 340.8 |
DNN | 29.5 | 29.5 |
。
本具体实施例还比较了仅使用全连接层作为回归器模型的性能。可以看出,S-MAE的效率最高,而CNN或DNN网络的训练效果较差,更容易得到过拟合结果。DeepML网络结合了LSTM的全连接。尽管其性能优于其他监督学习网络,但其模型样本数量大,复杂度高,准确率下降。当微调模型只有全连接层时,其性能大大降低,而使用LSTM可以大大提高模型的精度。因此,S-MAE框架优于其他标准。
在该方法中,β=0.75时效果最佳。在遮蔽率为0时,即在完全没有掩膜的情况下,预训练的恢复任务较为简单,导致编码器得不到充分训练。而遮蔽率较低时编码器的恢复任务可以通过邻近的CIR插值完成,因此无法完全挖掘数据的内部表示,也无法充分学习到信道的潜在特征。
所以逐步增加遮蔽率到一定值可以达到该框架的最好效果,提高定位效果。本具体实施例根据基站天线的维度进行了遮蔽,在所有基站的天线随机的按照比例遮蔽部分天线的CIR,重复符合样本中基站天线的特性。
图7中展示了不同掩蔽类型下不同β的效果图片。可以看出,基于随机天线掩码(图7中所示的S-MAE)的掩蔽类型具有较好的效果。当掩蔽比(即遮挡比率)持续增大时,其他掩蔽方法难以完成预训练任务或表现较差,因此在导致微调任务中表现较差。对于某一位置,相邻天线与用户的CIR高度相关,通过随机恢复少数天线的CIR,可以更好地获得其他天线的潜在表征和用户的CIR,从而达到更好的效果。
更进一步地,当获取到新的信道脉冲响应矩阵和相应的用户位置坐标后,重新构建新的微调模型的训练集,并再次训练微调模型,通过不断优化微调模型,不断加强本发明的定位精度。
本发明引入半监督学习框架S-MAE,通过学习通道的潜在表征来增强基于CIR的指纹定位的泛化能力,从而提高样本标签数量有限时的定位精度。从实验结果来看,S-MAE的随机掩码在天线维度上的效果优于其他监督学习模型和其他掩码类型。75%的掩蔽比要优于低掩蔽比。本发明的样本数据是基于模拟的基站与用户之间的信道脉冲响应。在实际的工作中,可以考虑使用实际捕获的数据进行更多的实际实验。一些先进的数据增强方法也可以与S-MAE相结合,以获得更高的定位精度。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种基于掩码自编器和信号引导的无线定位方法,其特征在于:包括以下步骤:
采集待定位用户与已知基站群之间的信道脉冲响应,形成待定位用户的信道脉冲响应矩阵;
将待定位用户的信道脉冲响应矩阵输入已经训练完成的微调模型;所述微调模型包括编码器网络和回归网络;编码器网络在由经过掩码处理的信道脉冲响应矩阵样本集进行预训练后,与回归网络组成微调模型进行共同训练;
所述编码器网络提取输入的信道脉冲响应矩阵的特征向量;
所述回归网络根据输入的特征向量输出格局待定位用户的位置信息。
2.根据权利要求1所述的一种方法,其特征在于:编码器网络的预训练过程包括以下步骤:
编码器网络与解码器网络组成预训练模型;
构建预训练模型的训练集,单个样本信息包括:作为输入的经过掩码处理的信道脉冲响应矩阵样本,和作为训练标签的原始的信道脉冲响应矩阵样本;
训练预训练模型:编码器网络以经过掩码处理的信道脉冲响应矩阵样本为输入,得到相应的特征向量并将其输入至解码器网络,解码器网络输出重构的信道脉冲响应矩阵样本;使用优化器减少重构的信道脉冲响应矩阵样本与相应的训练标签之间的损失。
3.根据权利要求1所述的一种方法,其特征在于:微调模型的训练过程包括以下步骤:
完成预训练的编码器网络与未经训练的回归网络组成微调模型;
构建微调模型的训练集,单个样本信息包括:作为输入的原始的信道脉冲响应矩阵样本,和作为训练标签的原始的信道脉冲响应矩阵样本相应的用户位置坐标;
训练微调模型:编码器网络以原始的信道脉冲响应矩阵样本为输入,得到相应的特征向量并将其输入至回归网络,回归网络输出预测的用户位置坐标;使用优化器减少预测的用户位置坐标与相应的训练标签之间的损失。
4.根据权利要求2所述的一种方法,其特征在于:掩码处理单个信道脉冲响应矩阵样本的过程包括:将单个信道脉冲响应矩阵样本中的信道脉冲响应采用设定的掩码比例全部置零或者保持不变。
5.根据权利要求4所述的一种方法,其特征在于:掩码处理单个信道脉冲响应矩阵样本的过程包括:
设置掩码比例为;掩模样本/>与单个信道脉冲响应矩阵样本/>维度相同,服从于:
;
其中,是掩模样本/>中的/>向量,/>向量为全零或全一;P表示待掩码的单个信道脉冲响应矩阵中的信道脉冲响应数量;
掩码处理单个信道脉冲响应矩阵样本,⊙表示矩阵元素的逐元素乘积。
6.根据权利要求1所述的一种方法,其特征在于:所述编码器网络包括第一卷积模块、卷积通道注意力模块、第二卷积模块和全连接层;第一卷积模块提取输入的信道脉冲响应矩阵的初步特征;卷积通道注意力模块基于初步特征进一步提取基站和用户的信道特征;第二卷积模块基于通道注意力的输出进一步提取信道特征;全连接层将提取到的信道特征压缩为一维向量并输出至解码器网络。
7.根据权利要求6所述的一种方法,其特征在于:所述解码器网络包括全连接层、第三卷积模块、转置卷积模块和第四卷积模块;全连接层对输入的信道特征进行初步解码并变换维度;第三卷积模块将解码和维度变换后的信道特征初步恢复为特征矩阵;转置卷积模块对特征矩阵进行超分辨逐步恢复;第四卷积模块输出重构后的信道脉冲响应矩阵。
8.根据权利要求6所述的一种方法,其特征在于:所述卷积通道注意力模块包括第五卷积模块、第六卷积模块、最大池化层、卷积层和sigmoid激活函数;第五卷积模块初步提取输入卷积通道注意力模块数据的数据特征;第六卷积模块基于第五卷积模块的输出进一步提取数据特征;最大池化层提取输入卷积通道注意力模块数据的通道特征;卷积层进一步提取通道特征,sigmoid激活函数将进一步提取得到的通道特征压缩至0和1之间;将压缩至至0和1之间的通道特征与第六卷积模块提取到的数据特征相乘后与第五卷积模块的输出相加,作为卷积通道注意力模块的输出。
9.根据权利要求3所述的一种方法,其特征在于:当获取到新的信道脉冲响应矩阵和相应的用户位置坐标后,重新构建新的微调模型的训练集,并再次训练微调模型。
10.一种基于掩码自编器和信号引导的无线定位系统,其特征在于:该系统用于实现权利要求1-9任一项所述的基于掩码自编器和信号引导的无线定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310636785.0A CN116367305B (zh) | 2023-06-01 | 2023-06-01 | 一种基于掩码自编器和信号引导的无线定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310636785.0A CN116367305B (zh) | 2023-06-01 | 2023-06-01 | 一种基于掩码自编器和信号引导的无线定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116367305A CN116367305A (zh) | 2023-06-30 |
CN116367305B true CN116367305B (zh) | 2023-08-29 |
Family
ID=86909389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310636785.0A Active CN116367305B (zh) | 2023-06-01 | 2023-06-01 | 一种基于掩码自编器和信号引导的无线定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116367305B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016011433A2 (en) * | 2014-07-17 | 2016-01-21 | Origin Wireless, Inc. | Wireless positioning systems |
WO2017155634A1 (en) * | 2016-03-11 | 2017-09-14 | Origin Wireless, Inc. | Methods, devices, servers, apparatus, and systems for wireless internet of things applications |
EP3492945A1 (en) * | 2017-12-01 | 2019-06-05 | Origin Wireless, Inc. | Method, apparatus, and system for periodic motion detection and monitoring |
CN110531313A (zh) * | 2019-08-30 | 2019-12-03 | 西安交通大学 | 一种基于深度神经网络回归模型的近场信号源定位方法 |
EP3739356A1 (en) * | 2019-05-12 | 2020-11-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless tracking, scanning and monitoring |
EP3978949A2 (en) * | 2020-10-02 | 2022-04-06 | Origin Wireless, Inc. | System and method for wireless motion monitoring |
WO2022082151A1 (en) * | 2020-10-12 | 2022-04-21 | Qualcomm Incorporated | Base station-to-server signaling of time-angle channel profile |
CN115201750A (zh) * | 2022-06-13 | 2022-10-18 | 中国人民解放军国防科技大学 | 一种超宽带定位系统nlos识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030050338A (ko) * | 2001-12-18 | 2003-06-25 | 엘지전자 주식회사 | 가중치 갱신 방법 |
US11711669B2 (en) * | 2020-07-06 | 2023-07-25 | Kabushiki Kaisha Toshiba | Neural network localization system and method |
-
2023
- 2023-06-01 CN CN202310636785.0A patent/CN116367305B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016011433A2 (en) * | 2014-07-17 | 2016-01-21 | Origin Wireless, Inc. | Wireless positioning systems |
WO2017155634A1 (en) * | 2016-03-11 | 2017-09-14 | Origin Wireless, Inc. | Methods, devices, servers, apparatus, and systems for wireless internet of things applications |
EP3492945A1 (en) * | 2017-12-01 | 2019-06-05 | Origin Wireless, Inc. | Method, apparatus, and system for periodic motion detection and monitoring |
EP3739356A1 (en) * | 2019-05-12 | 2020-11-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless tracking, scanning and monitoring |
CN110531313A (zh) * | 2019-08-30 | 2019-12-03 | 西安交通大学 | 一种基于深度神经网络回归模型的近场信号源定位方法 |
EP3978949A2 (en) * | 2020-10-02 | 2022-04-06 | Origin Wireless, Inc. | System and method for wireless motion monitoring |
WO2022082151A1 (en) * | 2020-10-12 | 2022-04-21 | Qualcomm Incorporated | Base station-to-server signaling of time-angle channel profile |
CN115201750A (zh) * | 2022-06-13 | 2022-10-18 | 中国人民解放军国防科技大学 | 一种超宽带定位系统nlos识别方法 |
Non-Patent Citations (1)
Title |
---|
基于 UWB 的三维室内传播模型仿真与定位算法实现;朱媛;《中国优秀硕士学位论文全文数据库信息辑》(第第3期期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116367305A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vieira et al. | Deep convolutional neural networks for massive MIMO fingerprint-based positioning | |
CN112434655B (zh) | 一种基于自适应置信度图卷积网络的步态识别方法 | |
CN112995892B (zh) | 基于复数神经网络的大规模mimo指纹定位方法 | |
CN113595666B (zh) | 大规模mimo系统基于时频联合相关性的信道预测方法和系统 | |
CN113269077A (zh) | 基于改进门控网络和残差网络的水声通信信号调制方式识别方法 | |
CN112491442B (zh) | 一种自干扰消除方法及装置 | |
Liu et al. | Real-time indoor localization for smartphones using tensor-generative adversarial nets | |
Xu et al. | Deep learning based channel covariance matrix estimation with user location and scene images | |
WO2024032009A1 (zh) | 一种基于模型演进的环境感知方法 | |
Li et al. | Sparsely self-supervised generative adversarial nets for radio frequency estimation | |
CN116192209A (zh) | 一种mimo信道下空中计算联邦学习的梯度上传方法 | |
CN111313943A (zh) | 深度学习辅助的大规模天线阵列下的三维定位方法及装置 | |
WO2022174642A1 (zh) | 基于空间划分的数据处理方法和通信装置 | |
Suroso et al. | Deep generative model-based rssi synthesis for indoor localization | |
CN113141202B (zh) | 基于图像轮廓提取的mimo空间非平稳信道估计方法 | |
CN116367305B (zh) | 一种基于掩码自编器和信号引导的无线定位方法及系统 | |
CN112862723B (zh) | 基于伪3d自相关网络的真实图像去噪方法 | |
Shi et al. | CSI-based fingerprinting for indoor localization with multi-scale convolutional neural network | |
CN116319195B (zh) | 基于剪枝卷积神经网络的毫米波和太赫兹信道估计方法 | |
CN114612305A (zh) | 一种基于立体图建模的事件驱动视频超分辨率方法 | |
Wei et al. | A multi-resolution channel structure learning estimation method of geometry-based stochastic model with multi-scene | |
CN108596831B (zh) | 一种基于AdaBoost实例回归的超分辨率重建方法 | |
Zhang et al. | Blind Denoiser-based Beamspace Channel Estimation with GAN in Millimeter-Wave Systems | |
Huang et al. | Research on channel feedback algorithm in UAV inspection communication subsystem of smart grid | |
Wang et al. | Area Restoration of Channel Impulse Response with Time Decomposition based Super-Resolution Method |
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 |