CN116347357B - 一种将运动限制嵌入神经网络的室内无线被动定位方法 - Google Patents
一种将运动限制嵌入神经网络的室内无线被动定位方法 Download PDFInfo
- Publication number
- CN116347357B CN116347357B CN202310408927.8A CN202310408927A CN116347357B CN 116347357 B CN116347357 B CN 116347357B CN 202310408927 A CN202310408927 A CN 202310408927A CN 116347357 B CN116347357 B CN 116347357B
- Authority
- CN
- China
- Prior art keywords
- neural network
- user
- simulation
- positioning
- motion
- 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
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
- H04W4/029—Location-based management or tracking services
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L7/00—Arrangements for synchronising receiver with transmitter
- H04L7/0008—Synchronisation information channels, e.g. clock distribution lines
-
- 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
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
-
- 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)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种将运动限制嵌入神经网络的室内无线被动定位方法,属于Wi‑Fi被动定位技术领域;本发明提出一种将运动限制嵌入神经网络的室内无线被动定位方法,采取生成仿真模拟数据集,并使用该数据集对神经网络进行训练的方法,将运动学限制嵌入神经网络中;通过利用循环神经网络,我们可以不断更新对人体的运动学限制;最终,通过数据仿真和数据训练等步骤,我们可以实现室内真实场景下准确的无线被动定位。该方法可以省去传统被动定位因复杂的标定过程而产生的人工和时间成本,同时能够将人体运动学的限制嵌入到神经网络中,完成更加精准可靠的定位效果,并且大大缩短原有被动定位的运行时间。
Description
技术领域
本发明涉及Wi-Fi被动定位技术领域,尤其涉及一种将运动限制嵌入神经网络的室内无线被动定位方法。
背景技术
随着通信技术的快速升级和物联网行业的蓬勃发展,人们对基于位置服务的需求也日益增强。目前室外定位技术的发展日臻成熟,例如全球导航***(Global PositioningSystem,GPS)和北斗定位***已经广泛应用于现代科技社会。虽然它们能在广阔宽泛的室外场景下提供精准的位置应用服务,但受障碍物干扰和建筑物的遮挡影响,此类***难以在人类居住的室内环境内实现准确的定位跟踪。因此,在室内环境下探索更有效的基于位置服务的方法具有重要意义。如今,无线局域网技术的迅速发展和Wi-Fi无线路由器的普及为实现Wi-Fi室内定位服务提供了可能,因此以其为基础的Wi-Fi室内定位方法具有硬件部署成本低廉和适用场景广泛的技术优势。另外,相对于传统无线信号强度(ReceivedSignal Strength,RSS)等简单的测量指标,信道状态信息(Channel State Information,CSI)可以提供关于信号路径、反射、多径效应、衰减等方面的详细信息。这些信息可以帮助我们更好地理解信号在空间中的传播和变化,从而提高无线通信***的性能和可靠性。通过观测和分析Wi-Fi的CSI数据,我们可以实现室内环境下对人体的被动定位。
通过解析信道状态信息,我们可以获取多维参数,例如***能够从时域或频域的角度解析信号的到达角(Angle of Arrival,AoA)、飞行时间(Time of Flight,ToF)和多普勒频移(Doppler Frequency Shift,DFS)。然而,受硬件精度和无线信号特征的影响,商用Wi-Fi通常存在初始相位偏移的误差情况,这使得AoA测量十分困难;同时,采样时偏和数据包检测延迟也会严重影响ToF的测量准确性。因此,在真实的商用Wi-Fi环境下,DFS更加适合用于室内被动定位。理论推导可以证明,多普勒频移在物理世界中可反映为更直观的特征,即反射路径长度变化率。
过去的工作已经尝试通过构建数学模型的方法来进行被动定位,然而,这些方法在推导位置的过程中,缺少对人体运动的限制,从而导致定位精度较低。例如,2017年提出的Widar定位***通过建立理论模型的方法来实现定位。虽然这种方法在理想场景下具备准确的定位性能,但由于完全依赖于数学模型而没有考虑真实情形下的物理学限制,其在真实的场景下表现明显劣于理想状态。2018年提出的Widar2.0通过利用单链路的多维信息,规避了多链路的使用。这种方法虽然减少了所使用的接收机个数,但所依赖参数的噪声敏感性较强,从而导致最终的定位误差较大。因此,理论模型推导方法的定位精度有待提高。
为了解决上述问题,本发明提出一种将运动限制嵌入神经网络的室内无线被动定位方法。
发明内容
本发明的目的在于提供一种能够解析未知声学信号中的AoA信息,以完成室内语音设备的空间位置标定并支持高精度的室内定位工作的将运动限制嵌入神经网络的室内无线被动定位方法以解决背景技术中所提出的问题。
为了实现上述目的,本发明采用了如下技术方案:
一种将运动限制嵌入神经网络的室内无线被动定位方法,以运动学为背景利用循环神经网络实现室内环境下对人体的被动定位,具体包括以下内容:
S1、训练仿真阶段:
S1.1、根据真实测试环境确定坐标系、定位区域、区域划分粒度以及收发机位置坐标,以此作为生成仿真数据的环境参数依据;
S1.2、在环境参数所确定的虚拟场景中,考虑人体运动学的上下界限制,以“加速度-速度-位置序列”为仿真原理,对用户在定位环境中可能出现的行走轨迹进行仿真模拟;
S1.3、针对用户在室内环境下的运动轨迹,结合菲涅尔区理论,对用户运动特征和信号特点进行理论建模,通过反射路径长度将用户位置、速度、收发机建立映射关系;
S1.4、利用S1.3中提到的理论模型,针对仿真环境中预设的各个接收机,生成对应维度的“人体仿真轨迹-反射路径变化率(PLCR)特征”数据对,分别作为特征集和标签集进行LSTM网络的训练;
S2、定位测试阶段:
S2.1、以S1中训练仿真阶段所确定的环境参数为基础进行收发机的布置,同时划定定位的可行范围,通过远程连接工具将所有收发机连接至同一主机;
S2.2、当用户在可行域内行走时,确保收发机均处于正常工作状态,并通过主机控制多个接收机同步接收CSI数据;然后以快速傅里叶变换或短时傅里叶变换为技术手段进行时频转换,获得多普勒频移并将其转换为多组链路对应的真实反射路径变化率(PLCR)数据;
S2.3、在确保数据正确性后,将多组真实反射路径变化率(PLCR)数据进行维度组合,将其输入到训练阶段中所获得的神经网络模型中以完成被动定位。
优选地,S1.2中所述行走轨迹仿真模拟的过程中,对仿真轨迹加入人体运动学限制,具体运动学限制公式如下:
式中:at,vt,xt分别代表仿真过程中人体运动的加速度、速度和位移;其中位移同时受到可行域边界的限制:
xt∈[boundlower,boundupper]
基于上述限制条件,丢弃仿真后超出限定范围的轨迹。
优选地,S1.3中所述菲涅尔区理论具体包括以下内容:
以发射机接收机为焦点,反射路径长度为定长的椭圆,对于n个菲涅尔区之间的边界由下述公式确定:
其中PTx、PRx、O分别代表发射机、接收机和目标用户的位置坐标,λ为电磁波信号的波长;当目标在不同区域之间运动时,这种切割菲涅尔区的行为会导致反射信号长度的变化;反射路径长度变化率反映了目标用户与发射机和接收机连线的长度变化速率,也反映了目标运动切割菲涅尔区边界的快慢,这是导致多普勒频偏产生的根本原因,其中:
式中:Δfdoppler代表用户运动产生的多普勒频偏,dreflect代表用户反射路径的长度,dreflect=|tx-user|+|rx-user|;对基向量进行变换操作,进而求解反射路径变化率(PLCR):
其中:
式中:分别代表用户、发射机和接收机的位置向量,利用上所操作求解得出单条链路所对应的反射路径变化率(PLCR)。
优选地,S1.4中所述“人体仿真轨迹-反射路径变化率(PLCR)特征”数据对包括位置序列与反射路径变化率(PLCR)序列/>其中,N为仿真轨迹总条数,L为单条轨迹的序列长度;
对特征集与标签集进行定义:
Setlabel=[P(i,j)]
其中,Setfeature表示对特征集的定义,Setlabel表示对标签集的定义。
优选地,S2.2中所述接收机同步接收到CSI数据后,采用天线间信号共轭乘的方法对CSI数据进行噪声去除和动态信号效果突出操作:
其中,H1(f,t)表示第i根天线在频率f和时刻t所观测到的信道状态信息,表示第2根天线所观测到共轭CSI。
与现有技术相比,本发明提供了一种将运动限制嵌入神经网络的室内无线被动定位方法,具备以下有益效果:
(1)相比于传统定位方法的繁琐标定和参数波动,本发明所提出一种将运动限制嵌入神经网络的室内无线被动定位方法仅使用更为稳定且更易获得的多普勒频移作为定位数据源,在训练过程中将人体的运动学限制嵌入到神经网络当中,在缩减了定位工作部署成本的同时,保证了定位轨迹的可靠性和稳定性。
(2)本发明所提出的一种将运动限制嵌入神经网络的室内无线被动定位方法并没有采用高时间开销的多维参数估计或路径匹配方法,而是仅在使用时频分析完成参数估计的基础上使用训练成熟的神经网络模型进行预测定位,这让我们的工作在定位精度和***效率上具有较为明显的优势。
附图说明
图1为本发明提出的一种将运动限制嵌入神经网络的室内无线被动定位方法的流程图;
图2为本发明实施例1中人体运动切割菲涅尔区示意图;
图3为本发明实施例1中多链路确定速度唯一性示意图;
图4为本发明提出的一种将运动限制嵌入神经网络的室内无线被动定位方法的被动定位效果图。
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。
首先对本发明中所涉及的本领域专业术语进行解释:Wi-Fi被动定位是一种利用Wi-Fi信号来对用户进行位置追踪的技术。被动定位区别于主动定位,它不需要用户携带如手机、传感器等侵入式的设备,仅通过分析经过人体反射的Wi-Fi信号完成定位工作。
信道状态信息描述了无线信号在发射机和接收机之间的传播过程,该信息反映了信号所受距离、功率衰减和散射等因素的联合影响,包括了幅度、相位和频率等基本信息。
循环神经网络是一种处理序列信息的递归神经网络,其在普通神经网络模型的基础上引入了时间维度,将节点与节点之间在不同时间段的信息进行了连接考量,具有处理不定长的序列问题的能力。
菲涅尔区描述的是电磁波信号在传播不同距离的路径时,所形成一系列椭圆形的区域。这些椭圆以发射机和接收机为公共焦点,而不同椭圆上的点与两焦点的距离和是随着菲涅尔区的层数增加而递增的。当用户的运动产生了切割菲涅尔区的行为时,用户的速度会在菲涅尔区的法向上产生有效的速度分量,从而导致观测信号的特征发生对应变化,而这正是本定位***所依赖的理论基础。
反射路径变化率(PathLengthChangeRate,PLCR)描述了信号经过人体反射后的信号路径的变化速率,它是产生多普勒频偏的原因。联系菲涅尔区理论,我们通过对PLCR的分析可以获取针对于某条确定链路的法向速度,对多条链路的法向速度进行合成后可以获得用户的真实速度大小及方向。
本发明提出一种将运动限制嵌入神经网络的室内无线被动定位方法,采取生成仿真模拟数据集,并使用该数据集对神经网络进行训练的方法,将运动学限制嵌入神经网络中;通过利用循环神经网络,我们可以不断更新对人体的运动学限制;最终,通过数据仿真和数据训练等步骤,我们可以实现室内真实场景下准确的无线被动定位。该方法可以省去传统被动定位因复杂的标定过程而产生的人工和时间成本,同时能够将人体运动学的限制嵌入到神经网络中,完成更加精准可靠的定位效果,并且大大缩短原有被动定位的运行时间。
下面结合具体实例及附图对本发明技术方案进行详细的操作描述。
实施例1:
在4.8×4.8m的开阔室内环境下,部署了1部发射机与2部接收机,两接收机与发射机的连线夹角为90度。所有的发射机与接收机均预装Ubuntu 14.04.3操作***,且均配备Intel 5300系列的无线网卡。发射机装配单根天线,接收机各线性装配3根天线,天线间距为2.5cm,信号频率范围为5.31~5.33Ghz。所有发射机接收机均通过SSH协议与型号为ThinkPad X1 Extreme 2020的笔记本远程连接,通过主机端的远程命令可控制AP的收发。
①训练仿真阶段:
1)根据真实环境4.8×4.8m的定位区域,以该方形区域的中心为原点确定坐标系,将发射机部署在(1.6,1.6)的位置,两台接收机分别部署在(2.4,2.4),(-2.4,-2.4)的位置,将设备坐标分别标记并记录,以备后期仿真过程使用。
2)首先,利用步骤1)中所记录的坐标信息,确定仿真过程的用户可行域。其次,将用户视为质点,生成人体仿真运动轨迹,以覆盖用户在仿真环境内所有可能出现的行走情况。在仿真过程中,我们对仿真轨迹加入了人体运动学限制,具体运动学限制公式如下:
式中:at,vt,xt分别代表仿真过程中人体运动的加速度、速度和位移,采取Δt=0.1s,单条轨迹时间长度为10s。其中位移同时受到可行域边界的限制:
xt∈[boundlower,boundupper]
其中,对于仿真后超出限定范围的轨迹我们将其丢弃。重复上述仿真过程,我们可以得到10万条以上仿真轨迹,足以覆盖不足50m2的封闭区域。
3)为了将上述仿真过程中的用户位置、速度、收发机位置联系在一起,我们引入了菲涅尔区的概念。如图2所示,菲涅尔区是以发射机接收机为焦点,反射路径长度为定长的椭圆,对于n个菲涅尔区之间的边界由下述公式确定:
其中PTx、PRx、O分别代表发射机、接收机和目标用户的位置坐标,λ为电磁波信号的波长;当目标在不同区域之间运动时,这种切割菲涅尔区的行为会导致反射信号长度的变化;反射路径长度变化率反映了目标用户与发射机和接收机连线的长度变化速率,也反映了目标运动切割菲涅尔区边界的快慢,这是导致多普勒频偏产生的根本原因,其中:
式中:Δfdoppler代表用户运动产生的多普勒频偏,dreflect代表用户反射路径的长度,dreflect=|tx-user|+|rx-user|;对基向量进行变换操作,进而求解PLCR:
其中:
式中:分别代表用户、发射机和接收机的位置向量,利用上所操作求解得出单条链路所对应的PLCR,而如图3(a)所示,单条链路的PLCR仅能代表目标的运动速度在该菲涅尔区上的法向分量,并不能唯一确定用户的真实速度。因此,考虑实验配置,我们将其扩展为两条链路的维度,以保证速度合成的唯一性。图3(b)所展示的是在两条收发链路的状态下,真实速度v被法向向量/>所唯一确定的原理示意图。
4)在本阶段中我们利用步骤3)中所详细分析的理论建模,对步骤2)中仿真生成的10万条轨迹序列进行PLCR提取,可以得到对应的位置序列与PLCR序列其中N为仿真轨迹总条数,L为单条轨迹的序列长度。
至此我们可以对特征集与标签集进行定义:
Setlabel=[P(i,j)]
其中特征集合包含不同链路的PLCR序列rk(i,j),在这里由于我们采用了两条链路的实验配置,所以k∈[0,1],另外特征集合还包含每条轨迹所对应的二维坐标Pinit(i),因此Setfeature的维度为10w×100×4;标签集合则包含了我们的预测目标即位置序列[P(i,j)],数据维度为10w×100×2。接下来我们以上述两个集合分别作为LSTM神经网络的输入和输出,进行网络模型训练。实验证明,该网络模型训练在50s左右便会达到有效收敛的效果。
②定位测试阶段:
1)在该阶段我们按照既定的实验配置将一台发射机和两台接收机进行布置,开机并各自配置完毕后,使用主机通过SSH协议对三台收发机器进行远程控制。其中,发射机开启发射(inject)模式,发包间隔为1ms,即发包率为1000次/s,通过命令行控制其信号发射;两台接收机同时配置为监听(monitor)模式,以确保能够同时检测到发射端所发射信号的信道状态信息。此时,在发包有效时间段内,用户在可行范围内的移动便可以被成功检测。
对于所接收到的CSI数据,我们首先要对其进行噪声去除和突出动态信号效果的操作,在这里我们采用了天线间信号共轭乘的方法以达到上述效果:
其中,H1(f,t)表示第i根天线在频率f和时刻t所观测到的信道状态信息,表示第2根天线所观测到共轭CSI。每根天线所接收到的信号中均可分为静态信号(包括直达信号和静态物体的反射信号)和动态信号(运动中的人体导致的反射信号),共轭乘的操作会在相位角度上去除因采样时间偏差等因素而产生的相位偏移,从而起到削弱静态信号、突出动态信号的作用。对共轭乘之后的结果采取时频变换的操作,便可以得到两条链路所对应的PLCR序列。
将上述得到的两组PLCR序列和该真实路径所对应的起点坐标进行组合,形成维度为100×4的向量,作为定位测试阶段的测试集Settest,将其输入至预先训练好的定位网络模型,便可以得到最终的预测定位轨迹图。图4所展示的是多种轨迹类型的真实定位效果。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种将运动限制嵌入神经网络的室内无线被动定位方法,其特征在于,以运动学为背景利用循环神经网络实现室内环境下对人体的被动定位,具体包括以下内容:
S1、训练仿真阶段:
S1.1、根据真实测试环境确定坐标系、定位区域、区域划分粒度以及收发机位置坐标,以此作为生成仿真数据的环境参数依据;
S1.2、在环境参数所确定的虚拟场景中,考虑人体运动学的上下界限制,以“加速度-速度-位置序列”为仿真原理,对用户在定位环境中可能出现的行走轨迹进行仿真模拟;
S1.3、针对用户在室内环境下的运动轨迹,结合菲涅尔区理论,对用户运动特征和信号特点进行理论建模,通过反射路径长度将用户位置、速度、收发机建立映射关系;
S1.4、利用S1.3中提到的理论模型,针对仿真环境中预设的各个接收机,生成对应维度的“人体仿真轨迹-反射路径变化率特征”数据对,分别作为特征集和标签集进行LSTM网络的训练;
S2、定位测试阶段:
S2.1、以S1中训练仿真阶段所确定的环境参数为基础进行收发机的布置,同时划定定位的可行范围,通过远程连接工具将所有收发机连接至同一主机;
S2.2、当用户在可行域内行走时,确保收发机均处于正常工作状态,并通过主机控制多个接收机同步接收CSI数据;然后以快速傅里叶变换或短时傅里叶变换为技术手段进行时频转换,获得多普勒频移并将其转换为多组链路对应的真实反射路径变化率数据;
S2.3、在确保数据正确性后,将多组真实反射路径变化率数据进行维度组合,将其输入到训练阶段中所获得的神经网络模型中以完成被动定位。
2.根据权利要求1所述的一种将运动限制嵌入神经网络的室内无线被动定位方法,其特征在于,S1.2中所述行走轨迹仿真模拟的过程中,对仿真轨迹加入人体运动学限制,具体运动学限制公式如下:
式中:at,vt,xt分别代表仿真过程中人体运动的加速度、速度和位移;其中位移同时受到可行域边界的限制:
xt∈[boundlower,boundupper]
基于上述限制条件,丢弃仿真后超出限定范围的轨迹。
3.根据权利要求1所述的一种将运动限制嵌入神经网络的室内无线被动定位方法,其特征在于,S1.3中所述菲涅尔区理论具体包括以下内容:
以发射机接收机为焦点,反射路径长度为定长的椭圆,对于n个菲涅尔区之间的边界由下述公式确定:
其中PTx、PRx、O分别代表发射机、接收机和目标用户的位置坐标,λ为电磁波信号的波长;当目标在不同区域之间运动时,这种切割菲涅尔区的行为会导致反射信号长度的变化;反射路径长度变化率反映了目标用户与发射机和接收机连线的长度变化速率,也反映了目标运动切割菲涅尔区边界的快慢,这是导致多普勒频偏产生的根本原因,其中:
式中:Δfdoppler代表用户运动产生的多普勒频偏,dreflect代表用户反射路径的长度,dreflect=|tx_user|+|rx_user|;对基向量进行变换操作,进而求解反射路径变化率:
其中:
式中:分别代表用户、发射机和接收机的位置向量,利用上所操作求解得出单条链路所对应的反射路径变化率。
4.根据权利要求1所述的一种将运动限制嵌入神经网络的室内无线被动定位方法,其特征在于,S1.4中所述“人体仿真轨迹-反射路径变化率特征”数据对包括位置序列与反射路径变化率序列/>其中,N为仿真轨迹总条数,L为单条轨迹的序列长度;
对特征集与标签集进行定义:
Setlabel=[P(i,j)]
其中,Setfeature表示对特征集的定义,Setlabel表示对标签集的定义。
5.根据权利要求1所述的一种将运动限制嵌入神经网络的室内无线被动定位方法,其特征在于,S2.2中所述接收机同步接收到CSI数据后,采用天线间信号共轭乘的方法对CSI数据进行噪声去除和动态信号效果突出操作:
其中,H1(f,t)表示第i根天线在频率f和时刻t所观测到的信道状态信息,表示第2根天线所观测到共轭CSI。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310408927.8A CN116347357B (zh) | 2023-04-17 | 2023-04-17 | 一种将运动限制嵌入神经网络的室内无线被动定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310408927.8A CN116347357B (zh) | 2023-04-17 | 2023-04-17 | 一种将运动限制嵌入神经网络的室内无线被动定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116347357A CN116347357A (zh) | 2023-06-27 |
CN116347357B true CN116347357B (zh) | 2023-10-20 |
Family
ID=86876086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310408927.8A Active CN116347357B (zh) | 2023-04-17 | 2023-04-17 | 一种将运动限制嵌入神经网络的室内无线被动定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116347357B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107003397A (zh) * | 2014-10-31 | 2017-08-01 | 西门子瑞士有限公司 | 用于在无线电范围、尤其是在室内区域的无线电范围中检测/识别具有至少一个运动速度且每个都至少一次重复的重复性运动、尤其是节奏性手势的方法、数字工具、设备和*** |
WO2018094502A1 (en) * | 2016-11-22 | 2018-05-31 | Aerial Technologies | Device-free localization methods within smart indoor environments |
CN108882151A (zh) * | 2018-07-02 | 2018-11-23 | 上海大学 | 基于csi信息区域化标注的室内定位方法 |
CN109474890A (zh) * | 2018-12-19 | 2019-03-15 | 重庆邮电大学 | 一种基于WiFi多普勒频移的室内目标被动跟踪方法 |
CN110536245A (zh) * | 2019-08-28 | 2019-12-03 | 杭州电子科技大学 | 一种基于深度学习的室内无线定位方法及*** |
CN111601253A (zh) * | 2020-03-31 | 2020-08-28 | 西安电子科技大学 | 无源被动智能跟踪定位方法、***、存储介质、跟踪定位终端 |
CN112423265A (zh) * | 2020-11-13 | 2021-02-26 | 武汉理工大学 | 基于csi的双循环神经网络的船载环境室内定位方法 |
CN114501329A (zh) * | 2021-12-15 | 2022-05-13 | 厦门智小金智能科技有限公司 | 一种基于1d-cnn的室内定位模型的环境自适应训练方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101515013B1 (ko) * | 2013-12-18 | 2015-04-24 | 숭실대학교산학협력단 | 실내 무선 측위 시스템 및 실내 무선 측위 방법 |
US11818629B2 (en) * | 2016-11-22 | 2023-11-14 | Aerial Technologies | Device-free localization methods within smart indoor environments |
US11711669B2 (en) * | 2020-07-06 | 2023-07-25 | Kabushiki Kaisha Toshiba | Neural network localization system and method |
US12022358B2 (en) * | 2021-04-13 | 2024-06-25 | Qualcomm Incorporated | Self-supervised passive positioning using wireless data |
US20230085880A1 (en) * | 2021-09-23 | 2023-03-23 | Qualcomm Incorporated | Domain adaptation for wireless sensing |
-
2023
- 2023-04-17 CN CN202310408927.8A patent/CN116347357B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107003397A (zh) * | 2014-10-31 | 2017-08-01 | 西门子瑞士有限公司 | 用于在无线电范围、尤其是在室内区域的无线电范围中检测/识别具有至少一个运动速度且每个都至少一次重复的重复性运动、尤其是节奏性手势的方法、数字工具、设备和*** |
WO2018094502A1 (en) * | 2016-11-22 | 2018-05-31 | Aerial Technologies | Device-free localization methods within smart indoor environments |
CN108882151A (zh) * | 2018-07-02 | 2018-11-23 | 上海大学 | 基于csi信息区域化标注的室内定位方法 |
CN109474890A (zh) * | 2018-12-19 | 2019-03-15 | 重庆邮电大学 | 一种基于WiFi多普勒频移的室内目标被动跟踪方法 |
CN110536245A (zh) * | 2019-08-28 | 2019-12-03 | 杭州电子科技大学 | 一种基于深度学习的室内无线定位方法及*** |
CN111601253A (zh) * | 2020-03-31 | 2020-08-28 | 西安电子科技大学 | 无源被动智能跟踪定位方法、***、存储介质、跟踪定位终端 |
CN112423265A (zh) * | 2020-11-13 | 2021-02-26 | 武汉理工大学 | 基于csi的双循环神经网络的船载环境室内定位方法 |
CN114501329A (zh) * | 2021-12-15 | 2022-05-13 | 厦门智小金智能科技有限公司 | 一种基于1d-cnn的室内定位模型的环境自适应训练方法及装置 |
Non-Patent Citations (5)
Title |
---|
Mozi Chen.SWIM: Speed-Aware WiFi-Based Passive Indoor Localization for Mobile Ship Environment.《IEEE TRANSACTIONS ON MOBILE COMPUTING》.2021,第20卷(第2期),全文. * |
Semi-Sequential Probabilistic Model for Indoor Localization Enhancement;Minh Tu Hoang;《IEEE SENSORS JOURNAL》;第20卷(第11期);全文 * |
基于LMBP神经网络的无线室内定位方法;邹自明;何文斌;杨小平;;桂林理工大学学报(03);全文 * |
基于WiFi信号的多维参数估计与三维轨迹跟踪算法;吴***;丁昊;汪汉新;;信号处理(08);全文 * |
王怀彬 ; 任树杰 ; 宫良一 ; 辛倩 ; .基于无线感知的室内安防技术综述.重庆理工大学学报(自然科学).2018,(10),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116347357A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kanhere et al. | Position location for futuristic cellular communications: 5G and beyond | |
Chang et al. | Spinning beacons for precise indoor localization | |
CN107003378B (zh) | 便携式电子装置和确定便携式电子装置的地理位置的方法 | |
US7257411B2 (en) | Selective fusion location estimation (SELFLOC) for wireless access technologies | |
Chabbar et al. | Indoor localization using Wi-Fi method based on Fingerprinting Technique | |
JP2008527394A (ja) | マルチパス信号を用いて位置決めを行うためのシステム及び方法 | |
Cai et al. | Self-deployable indoor localization with acoustic-enabled IoT devices exploiting participatory sensing | |
CN106291455A (zh) | 基于运动状态信息的定位装置及方法 | |
Ledergerber et al. | Angle of arrival estimation based on channel impulse response measurements | |
Kilani et al. | RSSI-based indoor tracking using the extended Kalman filter and circularly polarized antennas | |
CN111107626A (zh) | 一种基于时间反演的doa定位方法 | |
Hao et al. | A hybrid localization algorithm based on Doppler shift and AOA for an underwater mobile node | |
Koivisto et al. | Channel parameter estimation and TX positioning with multi-beam fusion in 5G mmWave networks | |
Rahman et al. | Lochunt: Angle of arrival based location estimation in harsh multipath environments | |
Xiao et al. | NomLoc: Calibration-free indoor localization with nomadic access points | |
Kolakowski | Automatic radio map creation in a fingerprinting‐based BLE/UWB localisation system | |
Tan et al. | UAV localization with multipath fingerprints and machine learning in urban NLOS scenario | |
Gholami et al. | Hybrid TW-TOA/TDOA positioning algorithms for cooperative wireless networks | |
Aparicio et al. | An indoor location method based on a fusion map using Bluetooth and WLAN technologies | |
CN116347357B (zh) | 一种将运动限制嵌入神经网络的室内无线被动定位方法 | |
de Sousa | Enhanced localization systems with multipath fingerprints and machine learning | |
De Sousa et al. | Mobile station localization emitter in urban NLoS using multipath ray tracing fingerprints and machine learning | |
Rodas et al. | Bayesian filtering for a bluetooth positioning system | |
Alawieh et al. | Complementary semi-deterministic clusters for realistic statistical channel models for positioning | |
Abed et al. | An adaptive K-NN based on multiple services set identifiers for indoor positioning system with an ensemble approach |
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 |