CN115103438B - 一种基于cir峰值偏移和复值深层神经网络的无线定位方法 - Google Patents
一种基于cir峰值偏移和复值深层神经网络的无线定位方法 Download PDFInfo
- Publication number
- CN115103438B CN115103438B CN202210527921.8A CN202210527921A CN115103438B CN 115103438 B CN115103438 B CN 115103438B CN 202210527921 A CN202210527921 A CN 202210527921A CN 115103438 B CN115103438 B CN 115103438B
- Authority
- CN
- China
- Prior art keywords
- cir
- csi
- value
- target equipment
- wireless
- 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 31
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000004891 communication Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000008054 signal transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000005358 geomagnetic field Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation Effects 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
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
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)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
该发明涉及无线通信领域技术领域,尤其涉及一种基于CIR峰值偏移和复值深层神经网络的无线定位方法。包括如下步骤:S1,采用MonteCarlo方法模拟WIFI信号的反射和折射,生成CSI数据集;S2,通过傅立叶逆变换将生成的CSI转换为CIR;S3,将CIR的幅度和相位归一化;S4,将归一化的训练集用于cvDNN训练,获取离线状态下深度神经网络(DNN)的模型、权重和偏置;S5,采用WIFI信号探测器检测目标设备与WIFI设备通信的数据包;S6,从数据包中提取目标设备的CSI信息;S7,将目标设备的CSI转换为CIR;S8,计算底板噪声,对CIR进行滤波处理,并对CIR峰值位置标记为索引;本技术方案用以解决现有无线定位技术在无线定位的过程中,使用存在较大局限性的问题,以及定位精度较低的问题。
Description
技术领域
该发明涉及无线通信领域技术领域,尤其涉及一种基于CIR峰值偏移和复值深层神经网络的无线定位方法。
背景技术
常用的卫星的定位***(如GPS),因传播环境限制了定位***的覆盖范围和精度。基于无处不在的无线信号(如蓝牙、雷达、射频识别(RFID)、超宽带(UWB)、红外、可见光、声音、地磁场等),室外和室内无线定位已广泛应用于室外和室内导航、地下采矿、工厂自动化、无线传感器网络等。由于WiFi***的普及和广泛应用,已经有相关的发明提供了基于WIFI的定位方案。但是,较多的研究是基于测距的定位协议和接收信号强度(RSS)实现定位,或者通过位置指纹技术(fingerprintingsystem)计算测量目标设备和参考点的欧几里德距离来实现定位。
中国专利CN113015093A公开了《一种基于三维深度残差神经网络的室内无线定位方法》,在离线阶段构建室内无线信道状态信息(ChannelStateInformation,CSI)地图,通过构建三维深度残差神经网络模型提取出CSI特征,实现在线的室内无线定位。
中国专利CN113207089A公开了《基于CSI与众包迁移自校准更新的位置指纹定位方法》,利用一种众包***,包括众包参与者、中央服务器和用户。众包参与者将各自的位置信息和CSI数据发送到中央服务器,频繁地更新有位置标签的位置指纹;中央服务器通过基于深度迁移学习的算法重建指纹与位置之间的关系,更新位置指纹库和定位模型,于在线测试阶段向中央服务器发送包括当前的CSI测量值作为网络输入训练,实现位置定位。
中国专利CN112911500A公开了《一种基于多源数据融合的高精度室内定位方法》,对定位基站进行天线延迟校正,使用UWB定位测距数据接收设备采集TOF报文数据;通过信道估计将测距数据进行NLOS特征识别,采用EKF算法进行重构处理;将处理后的TOF测距数据与信号强度进行融合,获得一级融合数据,再通过相应的数据融合规则与通过估计器获取二级融合数据,从而解算出最佳匹配坐标信息。
中国专利CN112867021A公开了《基于改进型TrAdaBoost的迁移学习室内定位方法》,将原始场景作为源域,将新场景定义为目标域,利用One-Hot算法对CSI幅度进行编码、One-vs-Rest算法对幅度进行交叉匹配、TrAdaBoost算法调整源域和目标域数据的权值,训练出最终的多分类器,通过置信回归估计测试点的位置。
无线信号传输过程中的多路径效应和无处不在的噪声降低了无线定位方法的精度和稳定性。现有技术在无线定位的过程中,需要事先采集位置区域的相关数据(比如位置指纹、场景模型等),当应用场景发生变化,又需重复采集位置区域的数据进行训练,运行效率较低,技术本身也存在较大的局限性。
发明内容
针对上述技术的不足,本发明的目的在于提供一种基于CIR峰值偏移和复值深层神经网络的无线定位方法,用以解决现有无线定位技术在无线定位的过程中,使用存在较大局限性的问题,以及定位精度较低的问题。
为了达到上述目的,本发明采取的技术方案如下:
一种基于CIR峰值偏移和复值深层神经网络的无线定位方法,包括如下步骤:
S1,采用MonteCarlo方法模拟WIFI信号的反射和折射,生成CSI数据集;
S2,通过傅立叶逆变换将生成的CSI转换为CIR;
S3,将CIR的幅度和相位归一化;
S4,将归一化的训练集用于cvDNN训练,获取离线状态下深度神经网络(DNN)的模型、权重和偏置;
S5,采用WIFI信号探测器检测目标设备与WIFI设备通信的数据包;
S6,从数据包中提取目标设备的CSI信息;
S7,将目标设备的CSI转换为CIR;
S8,计算底板噪声,对CIR进行滤波处理,并对CIR峰值位置标记为索引;
S9,以CIR峰值中心点分别提取CIR峰值包络的两个旁瓣,将低于CIR峰值中心点幅度值的1%的数据点置0;
S10,对滤波后的CIR进行幅度和相位归一化,将峰值中心点偏移到索引位置;
S11,将归一化的CIR作为训练后的cvDNN网络的输入,通过DNN预测目标设备的TOA;
S12,基于未知目标设备到达多个探测器的到时差,获取目标设备的位置,实现目标设备的定位。
进一步限定,所述步骤S2中,将CSI转换为CIR的傅立叶逆变换函数为:
CIR=IFFT(CFR*W)
其中,W是采样宽度,CFR为接收端的信道频率响应,IFFT表示傅里叶逆变换。
进一步限定,所述步骤S3中,CIR的幅度和相位归一化函数为:
CIR_norm[N]=CIR[N]/max(CIR[N])
式中,CIR_norm[N]为第N个CIR点的归一化值,CIR[N]表示第N个CIR点的值,max(CIR[N])表示整个CIR序列的最大值。
进一步限定,所述步骤S4中,权重与偏置的关系式为:
y=f(x;W,b)=f(1)(f(2)(f(3)(…f(L)(x))))
其中,L,W和b分别代表神经网络的层数、权重和偏移值。
进一步限定,所述步骤S8中,噪声底板阈值的计算函数为:
式中,Anoise表示噪声底板的阈值,Asignal_max表示CIR的最大值。
进一步限定,所述步骤S4中,所述cvDNN的网络结构含有6个隐含层,6个所述隐含层由复值层和实数层构成,其中复值层的数量为3个,且每一层有256个神经元。
进一步限定,该无线定位***运行与WASP***中,包括:
无线接入点,包括多个用于发射和接收WIFI信号的天线,实现WIFI信号的传输和接收;
若干无线探测器,用于监控WiFi网络流量和设备通信;
目标设备,目标设备向AP发送WiFi数据包;
无线定位终端,计算目标设备的TDOA,从而解算目标设备的位置。
本技术方案所取得的技术效果如下:
本发明与现有技术相比,从应用场景中直接提取所需的通信信息,采用MonteCarlo方法模拟Saleh-Valenzuela信道模型(以下简称S-V模型),生成百万个CSI的数据集,将CSI转换为CIR用于训练cvDNN模型,得到DNN模型的关键参数(隐含层的权重和偏置),因此不需要事先采集场景模型和现场数据,降低了成本,提高了运行效率;发明的噪声底板阈值与峰值偏移技术,能减少无线信号传输过程中的多路径效应和噪声对DNN模型训练的影响;基于复值域的DNN模型,在隐含层分别对信号的实部和虚部进行处理,提高了TOA预测的精度。可见,该发明降低了无线定位***的复杂性,能广泛适应大多数室内和室外的无线定位场景,也能有效提高无线定位的精度,其次,该发明提出的CIR滤波及峰值漂移方法与目前常用于无线定位的MUSIC和ESPRIT方法相比,定位精度从2米提高到了0.5米,因此具有更高的定位精度。
附图说明
图1为基于CIR峰值偏移和复值深层神经网络的无线定位流程图;
图2为无线定位***结构示意图;
图3为一种全连接的cvDNN结构示意图;
图4为复值深度神经网络运行流程图;
图5为一种CIR峰值偏移和复值深层神经网络无线定位效果。
具体实施方式
下面通过具体实施方式进一步详细说明:
如图1所示,一种基于CIR峰值偏移和复值深层神经网络的无线定位方法,具体步骤如下:
S1,采用MonteCarlo方法模拟WIFI信号的反射和折射,生成CSI数据集;
S2,通过傅立叶逆变换将生成的CSI转换为CIR;
S3,将CIR的幅度和相位归一化;
S4,将归一化的训练集用于cvDNN训练,获取离线状态下深度神经网络(DNN)的模型、权重和偏置;
S5,采用WIFI信号探测器检测目标设备与WIFI设备通信的数据包;
S6,从数据包中提取目标设备的CSI信息;
S7,将目标设备的CSI转换为CIR;
S8,计算底板噪声,对CIR进行滤波处理,并对CIR峰值位置标记为索引;
S9,以CIR峰值中心点分别提取CIR峰值包络的两个旁瓣,将低于CIR峰值中心点幅度值的1%的数据点置0;
S10,对滤波后的CIR进行幅度和相位归一化,将峰值中心点偏移到索引位置;
S11,将归一化的CIR作为训练后的cvDNN网络的输入,通过DNN预测目标设备的TOA;
S12,基于未知目标设备到达多个探测器的到时差,获取目标设备的位置,实现目标设备的定位。
图2示例了一种基于WASP***的无线定位***结构示意图。其中,无线定位***运行于WASP***中,主要包括WIFI信号探测器、无线接入点(AP)和无线定位处理终端。
WASP***基于802.11a/g/n协议,采用正交频分复用(OFDM)运行于5.8GHz的ISM频带,使用125MHz的带宽来实现基于TOA的距离测量,可分为8个子频带,每个子频带的最大带宽为18.75MHz。MAC层是基于时分多址(TDMA)协议及其应用,支持高TOA测量速率。
无线接入点(AP)包括多个用于发射和接收WIFI信号的天线,实现WIFI信号的传输和接收;
WIFI信号探测器安装在已知位置,用于监控WiFi网络流量和设备通信。WIFI信号探测器不会干扰现有标准的wifi***,同时具有WIFI接入点的功能。WIFI信号探测器通过测量接入点的时间戳,估计时钟偏移量,解决各种设备的时钟同步问题。
在WASP***中,当需要定位的目标设备接入WiFi时,目标设备向AP发送WiFi数据包,信号探测器则测量时间戳,将测量的数据发送给无线定位处理终端,计算目标设备的TDOA,从而解算目标设备的位置。
进一步地,为了模拟WIFI信号的反射和折射过程,采用MonteCarlo方法模拟Saleh-Valenzuela信道模型(以下简称S-V模型),生成百万个CSI的数据集,用于训练cvDNN模型,从而获得深度神经网络模型的权重和偏置等参数。
对于基于S-V模型产生的CSI数据集,通过傅立叶逆变换将生成的CSI转换为信道冲激响应(CIR),也即:
CIR=IFFT(CFR*W)
其中,W是采样宽度,CFR为接收端的信道频率响应,IFFT表示傅里叶逆变换。
为了提高DNN预测的准确性和收敛速度,将CIR的幅度和相位归一化处理,归一化方式为求取每个CIR值与CIR最大值的比值,具体表达为:
CIR_norm[N]=CIR[N]/max(CIR[N])
式中,CIR_norm[N]为第N个CIR点的归一化值,CIR[N]表示第N个CIR点的值,max(CIR[N])表示整个CIR序列的最大值。
将归一化的CIR幅度和相位用于全连接形式的cvDNN的训练,以获得准确率高、收敛性好的DNN模型参数(神经网络的权重和偏置),具体方式为:
首先,全连接的cvDNN网络结构包括输入层、隐含层和输出层。在该网络结构中,输入层为CSI信息(每次输入层的CSI个数为10000),输出层为目标设备的TOA。其中有M个隐含层,每层有i个神经单元。神经网络的输出y是输入x经过级联形式的非线性变换,***结构如图3所示。数学表达为:
y=f(x;W,b)=f(1)(f(2)(f(3)(…(f(L)(x))))
其中,L,W和b分别代表神经网络的层数、权重和偏移值。
在本发明中,cvDNN含有6个隐含层,包括3个复值层,其他均为实数值层,每一层有256个神经元。
在基于802.11a/g/n协议的WASP***中,从目标设备和无线信号探测器到接入点的第n个子载波中,可以获取CSI的复值h(n),表达为h=x+iy;其中x为实部,y为虚部。构建的DNN(深层神经网络)的隐含层的权重矩阵为:W=A+iB,其中A和B分别代表实部和虚部。对于DNN的前向传播:
W*h=(A*x-B*y)+i(Bx+Ay)
CSI的实部R(W*h)和虚部S(W*h)可以用矩阵表达为:
为了提高cvDNN的拟合性能,构建偏置为:b=m+in,其中权重W和偏置b的维度和复值CSI相同。因此,第n层神经元的输入和输出关系为:
事实上,复值隐含层的运行如图4所示。其中,CR和CI表示CSI的实部和虚部,WR和WI分别表示权重W的实部和虚部,而CIWI则为神经元的结果。而复值隐含层的激活函数CReLU定义为ReLU函数分别在实部和虚部的关联,也即是将CSI的复数值向量h分解为ReLU函数的参数:
CIR=IFFT(CFR*W)
实值隐含层的激活函数则为参数校正线性单元PReLU,定义为:
f(hi)=max(0,hi)+aimin(0,hi)
这里hi表示第i个隐含层的第i个神经元的输入,ai是一个可自学习的参数,用于控制负数部分斜率的系数。与常用的Sigmoid,tanh等激活函数相比,PReLU具有运算速度快、梯度不容易消失等优点。
实值的均方误差(MSE)损失函数定义为:
复值的均方误差(MSE)损失函数定义为:
实际上,在本发明中,cvDNN网络的训练是通过MSE以有监督的方式进行训练,学习率为0.001,10000次反向传播迭代。经过不断的训练,获得TOA精度最佳的网络模型参数,即权重W和偏置b,实现对目标设备的TOA预测。
在WASP在线***中,采用WIFI信号探测器检测目标设备与WIFI设备通信的数据包。从数据包中提取出目标设备的CSI信息,通过式(1)将CSI信息转换为CIR信息。
由于无线信号传输过程中的多路径效应和无处不在的噪声污染,为了消除噪声的影响,对CIR信息进行滤波处理,消除本底噪声。
本发明中,噪声底板阈值的计算公式为:
式中,Anoise表示噪声底板的阈值,Asignal_max表示CIR的最大值。通过上式,将小于噪声底板阈值的CIR值置于0,实现噪声与CIR的分离。
寻找滤波后的CIR值的峰值点,并将峰值点标注为索引,比如第一个峰值的时间位置标注为索引0,第二个峰值的时间位置标注为索引1,以此类推。为了减小多路径效应,以CIR峰值中心点分别提取CIR峰值包络的两个旁瓣,将低于CIR峰值包络中心点幅度值1%的数据点置0。采用式(2)对滤波后的CIR进行幅度和相位归一化,将峰值中心点偏移到标注的索引位置。
经过该步骤的处理,一方面减少了噪声的影响,另一方面,降低了多路径效应对CIR的影响,使CIR包络能量更加集中,能有效提高后续cvDNN网络训练的精度和效率
将归一化的CIR信息作为cvDNN网络的输入层,输出层为TOA时间,网络模型参数为前述训练产生的DNN模型参数(包括隐含层实部、虚部的权重和偏置),实现了目标设备的TOA预测。最后,利用目标设备到达多个无线探测器的到时差(TDOA),获取目标设备的位置,实现目标设备的定位。
具体实施例:
为了验证本发明的效果,在面积为900平方米的场地中,以1个AP(无线信号接入点)为中心布设了22个网络节点,其中含有6个WIFI信号探测器和1个连接无线网络的加密狗。该加密狗采用USB接口连接在笔记本电脑上,作为本发明效果验证的目标设备。AP配置为802.11ac模式下,带宽为80MHz。笔记本电脑通过加密狗定时与AP进行无线通讯。AP还被用于WIFI信号发射和时延校准。目标设备(笔记本电脑)在不同的时间放置在不同的位置,经过上述处理,评价该发明所述内容的定位性能。
图5显示了本发明所述的无线定位效果。其中,红色实心方块表示无线信号探测器,绿色实心方块为AP的位置,红色“+”号表示目标设备所在的真实位置,蓝色“*”号为经过CIR峰值偏移和复值深层神经网络预测的目标设备的位置。可以看出,目标设备的定位中,有80%的点的定位误差为0.5m,而常用于无线定位的MUSIC和ESPRIT方法的定位误差为2米。由此可见,本发明具有更好的定位精度及推广应用价值。
本技术方案采用MonteCarlo方法模拟Saleh-Valenzuela信道模型(以下简称S-V模型),生成百万个CSI的数据集,将CSI转换为CIR用于训练cvDNN模型,得到DNN模型的关键参数(隐含层的权重和偏置)。提出了CIR峰值偏移方法和滤波阈值,降低多路径效应和噪声对DNN训练的影响,提高了TOA时间预测的精度,实现更准确的无线定位。此外,该发明不需要事先收集位置区域的相关数据(比如位置指纹、场景模型等),具有更好的经济性和普适性。其次,该发明提出的CIR滤波及峰值漂移方法,与目前常用于无线定位的MUSIC和ESPRIT方法相比,定位精度从2米提高到了0.5米,因此具有更高的定位精度。
需要提前说明的是,在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,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,可以根据具体情况理解上述术语在本发明中的具体含义。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (2)
1.一种基于CIR峰值偏移和复值深层神经网络的无线定位方法,其特征在于,包括如下步骤:
S1,采用MonteCarlo方法模拟WIFI信号的反射和折射,生成CSI数据集;
S2,通过傅立叶逆变换将生成的CSI转换为CIR,将CSI转换为CIR的傅立叶逆变换函数为:
CIR=IFFT(CFR*W)
其中,W是采样宽度,CFR为接收端的信道频率响应,IFFT表示傅里叶逆变换;
S3,将CIR的幅度和相位归一化,CIR的幅度和相位归一化函数为:
CIR_norm[N]=CIR[N]/max(CIR[N])
式中,CIR_norm[N]为第N个CIR点的归一化值,CIR[N]表示第N个CIR点的值,max(CIR[N])表示整个CIR序列的最大值;
S4,将归一化的训练集用于cvDNN训练,获取离线状态下深度神经网络(DNN)的模型、权重和偏置,权重与偏置的关系式为:
y=f(x;W,b)=f(1)(f(2)(f(3)(…f(L)(x))))
其中,L,W和b分别代表神经网络的层数、权重和偏移值;所述cvDNN的网络结构含有6个隐含层,6个所述隐含层由复值层和实数层构成,其中复值层的数量为3个,且每一层有256个神经元;
S5,采用WIFI信号探测器检测目标设备与WIFI设备通信的数据包;
S6,从数据包中提取目标设备的CSI信息;
S7,将目标设备的CSI转换为CIR;
S8,计算底板噪声,对CIR进行滤波处理,并对CIR峰值位置标记为索引,噪声底板阈值的计算函数为:
式中,Anoise表示噪声底板的阈值,Asignal_max表示CIR的最大值;
S9,以CIR峰值中心点分别提取CIR峰值包络的两个旁瓣,将低于CIR峰值中心点幅度值的1%的数据点置0;
S10,对滤波后的CIR进行幅度和相位归一化,将峰值中心点偏移到索引位置;
S11,将归一化的CIR作为训练后的cvDNN网络的输入,通过DNN预测目标设备的TOA;
S12,基于未知目标设备到达多个探测器的到时差,获取目标设备的位置,实现目标设备的定位。
2.一种用于执行如权利要求1所述无线定位方法的无线定位***,其特征在于,该无线定位***运行与WASP***中,包括:
无线接入点,包括多个用于发射和接收WIFI信号的天线,实现WIFI信号的传输和接收;
若干无线探测器,用于监控WiFi网络流量和设备通信;
目标设备,目标设备向AP发送WiFi数据包;
无线定位终端,计算目标设备的TDOA,从而解算目标设备的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210527921.8A CN115103438B (zh) | 2022-05-16 | 2022-05-16 | 一种基于cir峰值偏移和复值深层神经网络的无线定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210527921.8A CN115103438B (zh) | 2022-05-16 | 2022-05-16 | 一种基于cir峰值偏移和复值深层神经网络的无线定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115103438A CN115103438A (zh) | 2022-09-23 |
CN115103438B true CN115103438B (zh) | 2024-07-16 |
Family
ID=83287003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210527921.8A Active CN115103438B (zh) | 2022-05-16 | 2022-05-16 | 一种基于cir峰值偏移和复值深层神经网络的无线定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115103438B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111212379A (zh) * | 2020-01-06 | 2020-05-29 | 天津工业大学 | 一种基于卷积神经网络的新型csi室内定位方法 |
CN112333653A (zh) * | 2020-09-22 | 2021-02-05 | 西安电子科技大学 | 基于WiFi信道状态信息的身份智能识别方法、*** |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9883511B1 (en) * | 2012-12-05 | 2018-01-30 | Origin Wireless, Inc. | Waveform design for time-reversal systems |
US20200322868A1 (en) * | 2015-07-17 | 2020-10-08 | Origin Wireless, Inc. | Method, apparatus, and system for improving topology of wireless sensing systems |
US20210136515A1 (en) * | 2015-07-17 | 2021-05-06 | Feng Zhang | Method, apparatus, and system for wireless monitoring with motion localization |
US11516051B2 (en) * | 2018-03-06 | 2022-11-29 | Samsung Electronics Co., Ltd. | Method and apparatus for AI-based UE speed estimation using uplink SRS measurements |
CN109450830B (zh) * | 2018-12-26 | 2021-09-21 | 重庆大学 | 一种高速移动环境下基于深度学习的信道估计方法 |
CN113383501B (zh) * | 2019-01-18 | 2024-06-28 | 苹果公司 | 频域信道状态信息(csi)压缩 |
CN111031477A (zh) * | 2019-12-25 | 2020-04-17 | 中山大学 | 一种基于深度学习的毫米波室内定位方法 |
CN111551893A (zh) * | 2020-06-19 | 2020-08-18 | 天津大学 | 一种深度学习与集成神经网络的室内定位方法 |
CN112712557B (zh) * | 2020-12-17 | 2023-04-07 | 上海交通大学 | 一种基于卷积神经网络的超分辨率cir室内指纹定位方法 |
CN112867021B (zh) * | 2021-01-13 | 2022-04-26 | 合肥工业大学 | 基于改进型TrAdaBoost的迁移学习室内定位方法 |
CN112911500A (zh) * | 2021-01-15 | 2021-06-04 | 河海大学 | 一种基于多源数据融合的高精度室内定位方法 |
CN113015093B (zh) * | 2021-01-29 | 2024-04-05 | 辽宁大学 | 一种基于三维深度残差神经网络的室内无线定位方法 |
-
2022
- 2022-05-16 CN CN202210527921.8A patent/CN115103438B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111212379A (zh) * | 2020-01-06 | 2020-05-29 | 天津工业大学 | 一种基于卷积神经网络的新型csi室内定位方法 |
CN112333653A (zh) * | 2020-09-22 | 2021-02-05 | 西安电子科技大学 | 基于WiFi信道状态信息的身份智能识别方法、*** |
Also Published As
Publication number | Publication date |
---|---|
CN115103438A (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dvorecki et al. | A machine learning approach for Wi-Fi RTT ranging | |
CN104812061B (zh) | 一种基于mimo-ofdm信道状态信息的室内测距及定位方法 | |
CN110351655B (zh) | 一种基于信号多径传播测量的室内定位方法及*** | |
CN110290491B (zh) | 一种基于多径辅助的室内目标定位方法 | |
CN109490826B (zh) | 一种基于无线电波场强rssi的测距与位置定位方法 | |
Liu et al. | LC-DNN: Local connection based deep neural network for indoor localization with CSI | |
CN113747360B (zh) | 一种基于混合可见光和ble的室内定位方法 | |
Nguyen et al. | Deep gated recurrent unit-based 3D localization for UWB systems | |
He et al. | Multi-antenna array-based aoa estimation using bluetooth low energy for indoor positioning | |
CN105554882B (zh) | 基于能量检测的60GHz非视距识别与无线指纹定位方法 | |
CN103987117A (zh) | 一种基于移动终端监测的信号发射台站定位方法 | |
Tan et al. | UAV localization with multipath fingerprints and machine learning in urban NLOS scenario | |
Han et al. | WiFi‐Based Indoor Positioning and Communication: Empirical Model and Theoretical Analysis | |
CN109889975B (zh) | 一种基于NB-IoT的终端指纹定位方法 | |
CN103096465A (zh) | 一种环境自适应的多目标直接定位方法 | |
Van Marter et al. | Support vector regression for bluetooth ranging in multipath environments | |
CN105611628A (zh) | 基于能量检测的高精度脉冲60GHz无线指纹定位方法 | |
CN115103438B (zh) | 一种基于cir峰值偏移和复值深层神经网络的无线定位方法 | |
CN105738866A (zh) | 一种基于能量检测的60GHz非视距识别与无线指纹定位方法 | |
Tian et al. | MIMO CSI-based super-resolution AoA estimation for Wi-Fi indoor localization | |
Neri et al. | DOA and TOA based localization services protocol in IEEE 802.11 networks | |
CN115908547A (zh) | 一种基于深度学习的无线定位方法 | |
Bryan et al. | Geolocation of multiple noncooperative emitters using received signal strength: Sparsity, resolution, and detectability | |
CN115840190A (zh) | 一种基于蓝牙aoa与深度学习融合的高精度定位方法 | |
US11815591B2 (en) | Distance estimation method in an LPWA network and a position estimation method associated therewith |
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 |