CN117034077A - 基于迁移学习和gasf的csi定位方法、装置及设备 - Google Patents
基于迁移学习和gasf的csi定位方法、装置及设备 Download PDFInfo
- Publication number
- CN117034077A CN117034077A CN202310902969.7A CN202310902969A CN117034077A CN 117034077 A CN117034077 A CN 117034077A CN 202310902969 A CN202310902969 A CN 202310902969A CN 117034077 A CN117034077 A CN 117034077A
- Authority
- CN
- China
- Prior art keywords
- csi
- source domain
- reference point
- target domain
- domain reference
- 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 91
- 238000013508 migration Methods 0.000 title claims abstract description 11
- 230000005012 migration Effects 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 95
- 238000013145 classification model Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000000926 separation method Methods 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 230000007246 mechanism Effects 0.000 claims description 16
- 238000013526 transfer learning Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000005358 geomagnetic field Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/096—Transfer learning
-
- 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
- H04W4/02—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
- H04W4/30—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于迁移学习和GASF的CSI定位方法、装置及设备,该方法包括:步骤S1:采集目标域内的待识别CSI信号,并对待识别CSI信号进行预处理;步骤S2:利用格拉姆角场法将预处理后的待识别CSI信号转换成待识别CSI图像;步骤S3:利用训练好的目标域位置分类模型处理所述待识别CSI图像,得到待定位目标的位置信息;所述目标域位置分离模型的训练方法包括:采集目标域参考点对应的目标域参考点CSI信号并进行预处理;利用格拉姆角场方法将预处理后的目标域参考点CSI信号转换成目标域参考点CSI图像,并基于目标域参考点CSI图像和目标域参考点位置标签构建目标域训练集;基于目标域训练集对源域训练模型的全连接层进行训练,得到训练好的目标域位置分类模型。
Description
技术领域
本发明涉及室内定位技术领域,具体为一种基于迁移学习和GASF的CSI定位方法、装置及设备。
背景技术
随着室内定位技术的不断发展和应用,室内定位已经成为了众多领域的重要应用场景,例如智能家居、物联网、无人驾驶等。室内定位是指在室内环境中利用技术手段对目标进行精确定位的过程。相比于室外定位,室内定位需要考虑的因素更加复杂,例如室内障碍物的影响、信号干扰和衰减等问题。因此,研究和应用室内定位技术也成为了一个具有挑战性和前景的领域。
定位简单来说是利用已知节点和未知节点之间的关系,来估算未知节点的位置信息。不同的定位方法它的定位介质、定位技术指标都有所不同,定位介质有很多,可以是声波、光学、无线信号(WIFI、UWB、RFID、蓝牙)、地磁场等。为了更好的满足定位的需求,需要选取合适的指标来表征这些定位介质的特性,不同的指标选择会带来不同的定位结果。常见的无线信号指标包括到达时间、到达时间差、到达角度、信号强度指示以及信道状态信息等。
其中光学定位技术利用光学传感器在室内环境中捕捉目标位置信息。该技术通常需要在室内部署多个光学传感器,并通过计算目标相对于这些传感器的位置信息实现定位。光学定位技术具有较高的定位精度和实时性,但需要在室内环境中保持较好的光照条件。超声波定位技术利用超声波信号在室内环境中的传播特性进行定位。该技术通常需要在室内部署多个超声波发射器和接收器,并通过测量超声波信号的传播时间和信号强度计算目标位置。超声波定位技术具有较高的定位精度,但需要投入较大的成本和精细的设备调试。蓝牙定位技术利用蓝牙信号在室内环境中的传播特性进行定位。该技术通过在室内部署多个蓝牙信标并收集接收到的信号强度数据,利用指纹定位算法计算目标位置。蓝牙定位技术适合于小范围的室内定位。WiFi定位技术利用WiFi信号在室内环境中的传播特性进行定位。这种技术需要在室内部署多个WiFi接入点,通过收集接收到的WiFi信号强度数据,利用指纹定位算法计算目标位置。WiFi定位技术具有较高的精度和较广泛的适用范围,但在大型室内环境下需要投入大量成本进行部署。
传统算法进行室内定位时工作量较大,在离线阶段,需要采集大量的定位介质信号进行模型训练,并且得出的模型仅仅适用于该环境的室内定位,一旦换个场景,就需要再次采集定位介质信号进行模型训练。
发明内容
本发明的目的是针对现有技术存在的问题,提供一种基于迁移学习和GASF的CSI定位方法、装置及设备,用以解决上述技术问题中的至少一个。
基于本发明说明书的一方面,提供一种基于迁移学习和GASF的CSI定位方法,包括:
步骤S1:采集目标域内的待识别CSI信号,并对待识别CSI信号进行预处理;
步骤S2:利用格拉姆角场法将预处理后的待识别CSI信号转换成待识别CSI图像;
步骤S3:利用训练好的目标域位置分类模型处理所述待识别CSI图像,得到待定位目标的位置信息;
所述目标域位置分离模型的训练方法包括:
在目标域内设置若干目标域参考点,当实验对象位于目标域参考点上时,采集目标域参考点对应的目标域参考点CSI信号并进行预处理;
利用格拉姆角场方法将预处理后的目标域参考点CSI信号转换成目标域参考点CSI图像,并基于目标域参考点CSI图像和目标域参考点位置标签构建目标域训练集;将目标域分割成多个位置点,并为每个位置点标号,得到每个位置点的位置标签;
基于目标域训练集对源域训练模型的全连接层进行训练,得到训练好的目标域位置分类模型。
在上述技术方案中,目标域为一个室内空间,基于本发明提供的方法对该室内空间(目标域)内的对象(待定位目标)进行定位,目标域内设置有用于发射CSI信号的发射天线和用于接收CSI信号的接收天线,当待定位目标处于目标域的不同位置时,接收天线接收到的CSI信号不同,基于对CSI信号的分析可以得到待定位目标的位置信息。
源域训练模型是指基于源域(一个试验用室内空间)的试验数据对卷积神经网络进行训练后得到的一个模型,为了提升该模型的识别精度,训练该模型时采集的训练集数据量较大。在该模型训练好后,当需要运用到不同的目标域中进行定位时,只需要获取各个目标域对应的少量的训练集数据对源域训练模型的全连接层训练,得到适用于各个目标域的模型(即目标域位置分离模型),降低了不同目标域中训练数据采集的工作量和模型的训练时间。
本方法将CSI信号转换成指纹图像(即CSI图像),提高了模型输入特征的维度,提高了对待定位目标的定位精度。
进一步地,所述预处理包括去噪、归一化处理和并操作,得到一维幅度值向量。
进一步地,所述去噪包括以下步骤:
提取CSI信号的幅度值;
采用DBSCAN聚类算法对所述幅度值的每一个子载波进行聚类,得到多个聚类簇;
选取数据量最大的聚类簇作为正常数据,并对其他聚类簇内的幅度值进行调整,所述调整方法采用如下公式:
式中:Amppre(fk)表示第k个子载波上的第j个幅度数据,表示幅度值的总个数,Cmax表示最大簇。
进一步地,利用格拉姆角场方法将预处理后的CSI信号转换成CSI图像的方法包括:
步骤S201:采用如下公式将预处理后的CSI信号的幅度值映射到极坐标系中:
式中:xi表示一维幅度值向量中的第i个元素,indexi表示元素序号,N表示向量长度,φi为第i个元素的角度,r为半径;
步骤S202:采用如下公式求解得到GASF矩阵:
GASF=cos(φi+φm)
步骤S203:获取所述矩阵中的最大值和最小值,将最小值映射为灰度值0,最大值映射为灰度值255,得到CSI信号对应的灰度图片;
步骤S204:将灰度图片转换成彩色,得到CSI图像。
进一步地,所述源域训练模型的构建过程包括:
在源域内设置若干源域参考点,当实验对象位于源域参考点上时,采集源域参考点对应的源域参考点CSI信号并进行预处理;
利用格拉姆角场法将预处理后的源域参考点CSI信号转换成源域参考点CSI图像,基于源域参考点CSI图像和源域参考点位置标签构建源域训练集;
搭建初始卷积神经网络;
基于源域训练集对所述初始卷积神经网络进行训练,得到训练好的源域训练模型。
进一步地,所述初始卷积神经网络包括依次连接的输入层、第一二维卷积层、第一池化层、通道注意力机制模块、空间注意力机制模块、第二二维卷积层、第二池化层、第一全连接层、第二全连接层和输出层。
基于本发明说明书的另一方面,提供一种基于迁移学习和GASF的CSI定位装置,包括:
信号采集模块:用于采集CSI信号;
预处理模块:用于对CSI信号进行预处理;
信号转换模块:用于利用格拉姆角场法将CSI信号转换成CSI图像;
定位模块:用于利用训练好的目标域位置分类模型识别待识别CSI图像,得到待定位目标的位置信息;
位置分类模型训练模块:用于对源域训练模型进行训练得到目标域位置分类模型。
在上述技术方案中,当待定位目标位于目标域内时,信号采集模块采集接收天线接收的CSI信号并传输至预处理模块进行预处理,预处理后的CSI信号传输至信号转换模块。信号转换模块将接收到的CSI信号转换成CSI图像后输入至由位置分离模型训练模块训练好的目标域位置分类模型,得到目标域位置分类模型输出的位置信息。
进一步地,所述定位装置还包括源域训练模型构建模块,所述源域训练模型构建模块用于执行以下步骤:
在源域内设置若干源域参考点,当实验对象位于源域参考点上时,采集源域参考点对应的源域参考点CSI信号并进行预处理;
利用格拉姆角场法将预处理后的源域参考点CSI信号转换成源域参考点CSI图像,基于源域参考点CSI图像和源域参考点位置标签构建源域训练集;
搭建初始卷积神经网络;
基于源域训练集对所述初始卷积神经网络进行训练,得到训练好的源域训练模型。
进一步地,所述预处理模块具体用于:对CSI信号进行去噪、归一化处理和并操作,得到一维幅度值向量。
基于本发明说明书的又一方面,提供一种计算机设备,所述计算机设备包括处理器、存储器,以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现所述的基于迁移学习和GASF的CSI定位方法的步骤。
与现有技术相比,本发明的有益效果是:
(1)本发明提供的一种基于迁移学习和GASF的CSI定位方法,基于源域的试验数据对卷积神经网络进行训练后得到的一个模型,为了提升该模型的识别精度,训练该模型时采集的训练集数据量较大。在该模型训练好后,当需要运用到不同的目标域中进行定位时,只需要获取各个目标域对应的少量的训练集数据对源域训练模型的全连接层训练,得到适用于各个目标域的模型,降低了不同目标域中训练数据采集的工作量和模型的训练时间。
(2)本方法将CSI信号转换成指纹图像,提高了模型输入特征的维度,提高了对待定位目标的定位精度。
(3)本发明提供的一种基于迁移学习和GASF的CSI定位装置,当待定位目标位于目标域内时,信号采集模块采集接收天线接收的CSI信号并传输至信号转换模块。信号转换模块将接收到的CSI信号转换成待识别CSI图像后输入至由位置分离模型训练模块训练好的目标域位置分类模型,得到目标域位置分类模型输出的位置信息。
附图说明
图1为本发明实施例的定位方法流程图;
图2为本发明实施例的定位装置架构示意图;
图3为本发明实施例的去噪处理方法流程图;
图4为本发明实施例的CSI信号转换成CSI图像的流程图;
图5为本发明实施例的一个源域参考点对应的CSI信号的幅度值图;
图6为本发明实施例的图5中CSI信号经过DBSCAN后得到的结果图;
图7为本发明实施例的图5中CSI信号经过预处理后的幅度值图;
图8为本发明实施例的CSI信号转换成CSI图像的流程框图;
图9为本发明实施例的9个源域参考点的CSI信号转换后得到的灰度图;
图10为本发明实施例的图9中的灰度图转换后得到的彩色图;
图11为本发明实施例的源域训练模型和目标域位置分类模型架构图;
图12为本发明实施例的分类准确性结果图。
具体实施方式
下面将结合本发明中的附图,对本发明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条件下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,本实施例提供一种基于迁移学习和CASF的CSI定位方法,用以对目标域内的待定位目标进行定位。
本实施例的应用场景中选取南京邮电大学科研楼20楼电梯口外的场地作为目标域,在目标域内选取了83个目标域参考点,相邻目标域参考点之间的间隔为0.6m,目标域内的固定设置有3根用于发射信号的发射天线和2根用于接收信号的接收天线,接收天线与电脑端连接。
本实施例选取南京邮电大学科研楼7楼电梯口外的场地作为源域,在源域内选取64个源域参考点,相邻源域参考点之间的距离为0.6m,源域内固定设置有3根用于发射信号的发射天线和2根用于接收信号的接收天线,接收天线与电脑端连接。
本实施例先基于源域内的CSI信号数据对初始卷积神经网络进行训练,得到源域训练模型,具体过程包括:
(1)试验对象站在一个源域参考点上保持不动,发射天线发射信号,接收天线接收信号,接收到的信号被电脑端采集,在该源域参考点上,共采集100个CSI包数据,其中80个CSI包数据(包好CSI信号的数据包)作为训练集,20个CSI包数据作为测试集。重复以上过程,采集每一个源域参考点对应的CSI包数据,并构建得到源域训练集和源域测试集。
(2)对采集到的源域参考点CSI信号进行预处理,所述预处理去噪、归一化处理和并操作。
如图5所示,图中为一个源域参考点采集的多条CSI信号,每个CSI信号包含30个子载波,由于信号收集过程的不确定性,会有极少数CSI信号受噪声影响较大,异于其它信号,因此需要进行降噪处理。
本实施例中数据的降噪处理采用DBSCAN算法,该算法根据数据分布的紧密性,能够识别出密度较高的数据簇。如图3所示,降噪过程具体包括以下步骤:
提取CSI信号的幅度值;
采用DBSCAN聚类算法对幅度值的每一个子载波进行聚类,得到多个聚类簇,将它们分别命名为集合C1、C2、…、Cn,通过下式提取数据量最大的聚类簇:
式中:μ为第n个聚类簇中包含的样本个数。
如图6所示,图中描述了100个CSI幅度值中每个子载波经过DBSCAN变换的结果图,其中每个子载波数据的最大聚类簇位于方框内,方框外为其他聚类簇。
利用幅度有效数据的集中性,选取其中数据量最大的聚类簇作为正常数据,然后对其他离群值(其他聚类簇内的数据)进行调整。调整公式如下:
式中:Amppre(fk)表示第k个子载波上的第j个幅度数据,表示幅度值的总个数,Cmax表示最大簇。
如图7所示,图中为处理后的CSI幅度数据,从图中可以看出,DBSCAN算法可以保证在最大聚类簇中的CSI幅度数据不变,能够调整其他簇的CSI幅度数据向最大簇偏移。经过DBSCAN处理的幅度数据保持了原始数据的趋势和特征,成功抑制了噪声。
降噪后的CSI幅度值进行归一化处理,将所有的值都等比例缩放到区间[0,1]中,归一化处理采用如下公式:
式中:xi表示第i个CSI信号,xmin表示CSI信号中的最小值,xmax表示CSI信号中的最大值。
然后利用合并拼接操作,将同一时刻采集的6个信道上的CSI信号进行融合,得到一维幅度值向量。
(4)如图8和图4所示,利用格拉姆角场方法将预处理后的源域参考点CSI信号转换成源域参考点CSI图像,具体过程为:
将预处理后的源域参考点CSI信号的幅度值映射到极坐标系中,转换公式如下:
式中:xi表示一维幅度值向量中的第i个元素,indexi表示元素序号,N表示向量长度,φi为第i个元素的角度,r为半径;
与笛卡尔坐标相比,本发明方法在极坐标中的表示具有绝对的时间关系,并且映射唯一和可逆。
由于各个不同特征之间的三角和值可以识别不同特征之间的相关性。格拉姆求和角场(GASF)定义如下公式所示:
GASF=cos(φi+φm)
通过上述步骤,将一个(1,N)的一维序列转换为一个的矩阵(N,N)的GASF矩阵。
然后利用线性映射方法,将GASF定义的矩阵转化为灰度图像,将GASF矩阵中的每一个元素转化为灰度图上该位置的像素值。
获取矩阵中的最小值zmin和最大值zmax分别映射为灰度值0和灰度值255,对于其他元素的灰度值,通过如下公式进行映射:
式中:gray(zij)为转换后的灰度值,zij为CASF矩阵中第i行第j列的元素。
如图9所示,图中为9个不同位置的源域参考点对应的CSI信号经过构图后得到的灰度图。
本实施例采用matplotlib里面的gist ncar色条将图中灰度图进一步变换成彩色图即为CSI图像,经过彩色变换后的图片如图10所示。
(5)搭建初始卷积神经网络:
本实施例中选择卷积神经网络加注意力机制模块大家初始卷积神经网络。初始卷积神经网络的结构如图11所示,包括依次连接的输入层、第一二维卷积层、第一池化层、通道注意力机制模块、空间注意力机制模块、第二二维卷积层、第二池化层、第一全连接层、第二全连接层和输出层。
(6)基于源域参考点CSI图像和源域参考点位置标签构建源域训练集,基于源域训练集对所述初始卷积神经网络进行训练,得到训练好的源域训练模型。
在模型中输入为3*180*180的彩色图片,经过第一个核大小为3、步长为1,有填充效果的第一二维卷积层生成16通道的180*180的局部特征,之后经过核为2、步长为2,无填充效果的第一池化层选择最大的局部特征作为注意力机制模块的输入数据,经过注意力机制模块后得到的数据大小为16*44*44。再次经过核大小为3、步长为1,有填充效果的第二二维卷积层和核为2、步长为2,无填充效果的第二池化层操作提取更深层次的特征,得出的特征大小为32*44*44。之后经过铺平操作得到61952维特征,分别经过神经元大小为256和64大小的第一全连接层和第二全连接层输出分类的结果。两个第二二维卷积层和两个全连接层后都加上了批归一化操作,它不仅可以加快了模型的收敛速度,而且在一定程度缓解了深层网络中“梯度弥散”的问题,从而使得训练深层网络模型更加容易和稳定。各层的网络参数如表1所示,在表中,h代表卷积核的大小,s代表卷积运算的步长,p代表填充,L代表神经元的个数,M代表每一批输入的样本数。
表1模型网络参数
注意力机制通过给不同特征分配不同权重来选择性的关注一些重要特征。本发明采用了通道注意力机制和空间注意力机制相融合的方法对特征进行提取。通道注意力机制关注的是特征的重要性,它同时使用MaxPooling和AvgPooling算法,然后分别通过几个MLP层获得变换结果,最后相加通过激活函数得到输出特征。空间注意力机制关注的是空间位置的重要性,它先将通道进行降维,按顺序通过MaxPooling和AvgPooling算法获得结果,最后通过激活函数得到输出特征。将这两种方法结合使用,能有效提取出图像的重要特征。通过该网络在源域训练大量样本,当loss开始收敛时,完成训练。
在源域训练模型训练好后,即可将该模型运用到一个新的室内空间(即目标域)进行CSI定位。将源域训练模型应用至目标域进行CSI定位的方法包括以下步骤:
(1)基于目标域参考点CSI数据包对源域训练模型的全连接层进行二次训练,训练过程中冻结第一二维卷积层、第一池化层、通道注意力机制模块、空间注意力机制模块、第二二维卷积层和第二池化层,仅对第一全连接层和第二全连接层的模型参数进行训练。
由于仅需要对两个全连接层的参数进行训练,因此仅需要少量的训练集即可,在本实施例中,试验对象站在一个目标域参考点上保持不动,发射天线发射信号,接收天线接收信号,接收到的信号被电脑端采集,在该目标域参考点上,共采集30个CSI包数据,其中25个CSI包数据作为训练集,5个CSI包数据作为测试集。重复以上过程,采集每一个目标域参考点对应的CSI包数据(即目标域参考点CSI信号),并构建得到源域训练模型的训练集和测试集。
将采集到的目标域参考点CSI信号预处理(预处理过程与源域参考点CSI信号的预处理过程相同)后通过本实施例中提供的方法转换成目标域参考点CSI图像。
基于目标域参考点CSI图像对源域训练模型进行二次训练,得到训练好的目标域位置分类模型。目标域位置分类模型的模型参数如表2所示。
表2目标域位置分类模型的模型参数
(2)基于训练好的目标域位置分类模型对目标域内的待定位目标进行定位,具体包括:
步骤S1:当待定位目标位于目标域内时,采集目标域内的待识别CSI信号,并对待识别CSI信号进行预处理(该预处理过程与源域参考点CSI信号的预处理过程相同);
步骤S2:利用格拉姆角场法将预处理后的待识别CSI信号转换成待识别CSI图像;
步骤S3:利用训练好的目标域位置分类模型处理所述待识别CSI图像,得到待定位目标的位置信息。
目标域位置分类模型输出的是与待识别CSI信号对应的位置标签,根据位置标签与位置点的对应关系,即可得到待定位目标所处的位置点(即位置信息)。
保持源域数据集大小不变,改变目标域数据集大小,分别选取目标域数据集(训练集)样本大小为83*3、83*5、83*10,获得了算法性能和目标域数据集大小的关系,图12展示了定位结果的准确率。本发明实现了小样本数据的精确定位,该结果不仅有较高的精度,并且更加省时省力。
如图2所示,本实施例还提供一种基于迁移学习和GASF的CSI定位装置,用以实现本实施例所述的基于迁移学习和GASF的CSI定位方法的步骤,具体包括:
信号采集模块:用于采集CSI信号;
预处理模块:用于对CSI信号进行预处理;预处理模块具体用于:对CSI信号进行去噪、归一化处理和并操作,得到一维幅度值向量;
信号转换模块:用于利用格拉姆角场法将CSI信号转换成CSI图像;
定位模块:用于利用训练好的目标域位置分类模型识别待识别CSI图像,得到待定位目标的位置信息;
位置分类模型训练模块:用于对源域训练模型进行训练得到目标域位置分类模型;
源域训练模型构建,所述源域训练模型构建模块用于执行以下步骤:
在源域内设置若干源域参考点,当实验对象位于源域参考点上时,采集源域参考点对应的源域参考点CSI信号并进行预处理;
利用格拉姆角场法将预处理后的源域参考点CSI信号转换成源域参考点CSI图像,基于源域参考点CSI图像和源域参考点位置标签构建源域训练集;
搭建初始卷积神经网络;
基于源域训练集对所述初始卷积神经网络进行训练,得到训练好的源域训练模型。
具体地,所述信号转换模块用于实现以下步骤:
步骤S201:采用如下公式将预处理后的CSI信号的幅度值映射到极坐标系中:
式中:xi表示一维幅度值向量中的第i个元素,indexi表示元素序号,N表示向量长度,φi为第i个元素的角度,r为半径;
步骤S202:采用如下公式求解得到GASF矩阵:
GASF=cos(φi+φm)
步骤S203:获取所述矩阵中的最大值和最小值,将最小值映射为灰度值0,最大值映射为灰度值255,得到CSI信号对应的灰度图片;
步骤S204:将灰度图片转换成彩色,得到CSI图像。
本实施例还提供一种计算机设备,该计算机设备可以为工控机、服务器或计算机终端。
所述计算机设备包括处理器、存储器,以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现所述的基于迁移学习和GASF的CSI定位方法的步骤。
该计算机设备包括通过系统总线连接的处理器、存储器和网络接口,其中,存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种基于迁移学习和GASF的CSI定位方法。
处理器用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种基于迁移学习和GASF的CSI定位方法。
该网络接口用于进行网络通信,如发送分配的任务等。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中,在一个实施例中,所述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:
步骤S1:采集目标域内的待识别CSI信号,并对待识别CSI信号进行预处理;
步骤S2:利用格拉姆角场法将预处理后的待识别CSI信号转换成待识别CSI图像;
步骤S3:利用训练好的目标域位置分类模型处理所述待识别CSI图像,得到待定位目标的位置信息。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.基于迁移学习和GASF的CSI定位方法,其特征在于,包括:
步骤S1:采集目标域内的待识别CSI信号,并对待识别CSI信号进行预处理;
步骤S2:利用格拉姆角场法将预处理后的待识别CSI信号转换成待识别CSI图像;
步骤S3:利用训练好的目标域位置分类模型处理所述待识别CSI图像,得到待定位目标的位置信息;
所述目标域位置分离模型的训练方法包括:
在目标域内设置若干目标域参考点,当实验对象位于目标域参考点上时,采集目标域参考点对应的目标域参考点CSI信号并进行预处理;
利用格拉姆角场方法将预处理后的目标域参考点CSI信号转换成目标域参考点CSI图像,并基于目标域参考点CSI图像和目标域参考点位置标签构建目标域训练集;
基于目标域训练集对源域训练模型的全连接层进行训练,得到训练好的目标域位置分类模型。
2.根据权利要求1所述的基于迁移学习和GASF的CSI定位方法,其特征在于,所述预处理包括去噪、归一化处理和并操作,得到一维幅度值向量。
3.根据权利要求2所述的基于迁移学习和GASF的CSI定位方法,其特征在于,所述去噪包括以下步骤:
提取CSI信号的幅度值;
采用DBSCAN聚类算法对所述幅度值的每一个子载波进行聚类,得到多个聚类簇;
选取数据量最大的聚类簇作为正常数据,并对其他聚类簇内的幅度值进行调整,所述调整方法采用如下公式:
式中:Amppre(fk)表示第k个子载波上的第j个幅度数据,Nfk表示幅度值的总个数,Cmax表示最大簇。
4.根据权利要求3所述的基于迁移学习和GASF的CSI定位方法,其特征在于,利用格拉姆角场方法将预处理后的CSI信号转换成CSI图像的方法包括:
步骤S201:采用如下公式将预处理后的CSI信号的幅度值映射到极坐标系中:
式中:xi表示一维幅度值向量中的第i个元素,indexi表示元素序号,N表示向量长度,φi为第i个元素的角度,r为半径;
步骤S202:采用如下公式求解得到GASF矩阵:
GASF=cos(φi+φm)
步骤S203:获取所述矩阵中的最大值和最小值,将最小值映射为灰度值0,最大值映射为灰度值255,得到CSI信号对应的灰度图片;
步骤S204:将灰度图片转换成彩色,得到CSI图像。
5.根据权利要求4所述的基于迁移学习和GASF的CSI定位方法,其特征在于,所述源域训练模型的构建过程包括:
在源域内设置若干源域参考点,当实验对象位于源域参考点上时,采集源域参考点对应的源域参考点CSI信号并进行预处理;
利用格拉姆角场法将预处理后的源域参考点CSI信号转换成源域参考点CSI图像,基于源域参考点CSI图像和源域参考点位置标签构建源域训练集;
搭建初始卷积神经网络;
基于源域训练集对所述初始卷积神经网络进行训练,得到训练好的源域训练模型。
6.根据权利要求5所述的基于迁移学习和GASF的CSI定位方法,其特征在于,所述初始卷积神经网络包括依次连接的输入层、第一二维卷积层、第一池化层、通道注意力机制模块、空间注意力机制模块、第二二维卷积层、第二池化层、第一全连接层、第二全连接层和输出层。
7.基于迁移学习和GASF的CSI定位装置,用以实现如权利要求1-6任一项所述的基于迁移学习和GASF的CSI定位方法的步骤,其特征在于,包括:
信号采集模块:用于采集CSI信号;
预处理模块:用于对CSI信号进行预处理;
信号转换模块:用于利用格拉姆角场法将CSI信号转换成CSI图像;
定位模块:用于利用训练好的目标域位置分类模型识别待识别CSI图像,得到待定位目标的位置信息;
位置分类模型训练模块:用于对源域训练模型进行训练得到目标域位置分类模型。
8.根据权利要求7所述的基于迁移学习和GASF的CSI定位装置,其特征在于,所述定位装置还包括源域训练模型构建模块,所述源域训练模型构建模块用于执行以下步骤:
在源域内设置若干源域参考点,当实验对象位于源域参考点上时,采集源域参考点对应的源域参考点CSI信号并进行预处理;
利用格拉姆角场法将预处理后的源域参考点CSI信号转换成源域参考点CSI图像,基于源域参考点CSI图像和源域参考点位置标签构建源域训练集;
搭建初始卷积神经网络;
基于源域训练集对所述初始卷积神经网络进行训练,得到训练好的源域训练模型。
9.根据权利要求7所述的基于迁移学习和GASF的CSI定位装置,其特征在于,所述预处理模块具体用于:对CSI信号进行去噪、归一化处理和并操作,得到一维幅度值向量。
10.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器,以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如权利要求1至6中任一项所述的基于迁移学习和GASF的CSI定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310902969.7A CN117034077A (zh) | 2023-07-21 | 2023-07-21 | 基于迁移学习和gasf的csi定位方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310902969.7A CN117034077A (zh) | 2023-07-21 | 2023-07-21 | 基于迁移学习和gasf的csi定位方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117034077A true CN117034077A (zh) | 2023-11-10 |
Family
ID=88621715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310902969.7A Pending CN117034077A (zh) | 2023-07-21 | 2023-07-21 | 基于迁移学习和gasf的csi定位方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117034077A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117368847A (zh) * | 2023-12-07 | 2024-01-09 | 深圳市好兄弟电子有限公司 | 基于麦克风射频通信网络的定位方法及系统 |
-
2023
- 2023-07-21 CN CN202310902969.7A patent/CN117034077A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117368847A (zh) * | 2023-12-07 | 2024-01-09 | 深圳市好兄弟电子有限公司 | 基于麦克风射频通信网络的定位方法及系统 |
CN117368847B (zh) * | 2023-12-07 | 2024-03-15 | 深圳市好兄弟电子有限公司 | 基于麦克风射频通信网络的定位方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hsieh et al. | Deep learning-based indoor localization using received signal strength and channel state information | |
CN108169708B (zh) | 模块化神经网络的直接定位方法 | |
CN107024685A (zh) | 一种基于距离‑速度特征的手势识别方法 | |
CN113807399B (zh) | 一种神经网络训练方法、检测方法以及装置 | |
Kujawski et al. | A deep learning method for grid-free localization and quantification of sound sources | |
CN109029429B (zh) | 基于WiFi和地磁指纹的多分类器全局动态融合定位方法 | |
CN107529222A (zh) | 一种基于深度学习的WiFi室内定位系统 | |
CN112990334A (zh) | 基于改进原型网络的小样本sar图像目标识别方法 | |
CN117034077A (zh) | 基于迁移学习和gasf的csi定位方法、装置及设备 | |
CN112990082B (zh) | 一种水声脉冲信号的检测识别方法 | |
CN113095370A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN111050294A (zh) | 一种基于深度神经网络的室内定位系统及方法 | |
CN113518307A (zh) | 基于csi与众包迁移自校准更新的位置指纹定位方法 | |
CN114781463A (zh) | 一种跨场景鲁棒的室内摔倒无线检测方法及相关设备 | |
CN108495263A (zh) | 一种基于广义多核函数的室内定位方法 | |
CN111539910A (zh) | 锈蚀区域检测方法及终端设备 | |
CN107766858A (zh) | 一种应用合成孔径雷达图像进行船舶检测的方法 | |
CN112333652B (zh) | Wlan室内定位方法、装置及电子设备 | |
CN116338628A (zh) | 一种基于学习架构的激光雷达测深方法、装置及电子设备 | |
CN112946567B (zh) | 基于域对抗神经网络的运动目标指纹室内定位方法 | |
CN115249329A (zh) | 一种基于深度学习的苹果叶片病害检测方法 | |
CN210899633U (zh) | 一种基于深度神经网络的室内定位系统 | |
CN111239682B (zh) | 一种电磁发射源定位系统及方法 | |
CN115908547A (zh) | 一种基于深度学习的无线定位方法 | |
Yamanishi et al. | A study on outdoor localization method by recurrent deep learning based on time series of received signal strength from low power wireless tag |
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 |