CN116527462A - 一种基于信道状态变化csi值的无线定位方法 - Google Patents

Abstract

本发明公开了一种基于信道状态变化CSI值的无线定位方法，属于无线电定位领域，本发明从信道状态发生变化后测试点采集的CSI数据入手，通过信道均衡网络的均衡能力消除因信道状态发生变化后采集得到的CSI数据信息中的误差，所述信道均衡网络的均衡能力通过算法模型训练得到，为提升室内无线定位的准确性，将测试点原始采集的数据和测试点采集的数据经过信道均衡网络均衡后的数据进行合并增强处理，从而提取更加丰富的特征信息，本发明从传统方法未能关注到的信道状态变化入手，利用深度学习的模型学习能力优化丰富特征信息，从而能够有效提高最终定位的准确性。本发明在智慧大楼以及施工人员管理等方面具有重要的应用价值。

Description

一种基于信道状态变化CSI值的无线定位方法

技术领域

本发明涉及无线电定位领域，特别涉及一种基于信道变化CSI值的无线定位方法。

背景技术

随着通信技术的快速发展，5G移动通信网络已经广泛应用并实现大规模部署，无线定位技术也成为了位置服务的关键技术之一，无线定位技术在室内和矿井等信道环境复杂多变的环境下具有十分重要的意义，常见的定位方法有两种：一种是基于阴影衰落模型的信号强度和距离的测距方法；另一种是基于信号指纹的定位方法，定位点的位置信息由其所在位置处的信号指纹来表示。常见的方法是通过第二种信号指纹的方法进行定位，通过提取信号中的CSI值，并将CSI值转换为指纹信息，相比于采用基于RSSI(接受信号强度指示)的测距方法可以避免环境情况复杂时导致的多径衰落效应,同时处于不同位置时提取的CSI值具有更好的辨别度，相比之下采用基于CSI值的指纹特征进行位置定位的方法具有明显的优势。虽然可以在一定程度上避免多径衰落的干扰，但是在室内和矿井等情况下，信道环境复杂，随着温度湿度等环境因素干扰，信道的特性处在动态平衡当中，从信号中提取的CSI值也在随时发生改变，从待测点采集的CSI值中提取的指纹也会有一定的失真，造成在线指纹分类匹配阶段加大了难度。

本发明在此基础上提出了信道状态变化情况下的基于CSI值的无线定位方法，从信道状态发生变化后测试点采集的CSI数据入手，利用信道均衡网络的均衡能力均衡信道状态，利用信道均衡网络对测试点采集的CSI数据进行均衡处理，利用均衡后的CSI数据和测试点采集到的CSI信息进行特征数据增强，消除信道状态变化引起的CSI数据失真影响并丰富特征数据信息，从而有效的提高定位的准确度。

发明内容

本发明的目的在于解决传统基于CSI信息的无线定位方法没有考虑到构建的指纹数据库和测试点采集的CSI数据之间因信道状态变化而产生的数据失真问题，该问题会导致最终定位效率降低。根据上述的问题，本发明提供一种基于信道状态变化CSI值的无线定位方法。

为实现上述目的，本发明采取的技术方案为：一种基于信道状态变化CSI值的无线定位方法，包含以下步骤：

步骤1：对定位区域进行网格划分，以每个网格中心为数据采集点进行CSI信息数据采集，其中CSI数据信息发射天线个数设置为A,接收天线个数设置为B，子载波个数设置为m，则CSI数据格式为{CSI₁,CSI₂,…,CSI_m}_A×B；

步骤2：选择完成预训练的Resnet50作为特征提取网络，得到每个定位网格区域中的指纹特征数据，同时记录对应位置处的坐标信息，建立位置坐标和指纹特征一一对应的指纹数据库；

步骤3：在网格划分完成的定位区域中选取n个参考位置，n的取值小于等于网格的分块数，分别采集每个参考位置处的信道状态信息CSI，{CSI₁,CSI₂,…,CSI_n}_A×B，得到参考点位置处的CSI数据信息。

步骤4：选择全连接网络作为信道均衡网络模型Equali_net,将设置的参考点采集得到的CSI信息作为网络模型输入，以指纹数据库中的数据作为标签，对信道均衡网络模型进行监督拟合训练，训练网络的信道均衡能力，训练完成以后固定网络节点参数，得到具备信道状态还原的信道均衡网络模型；

步骤5：采集测试点处的CSI数据，将采集得到的测试点CSI数据输入步骤4中得到的信道均衡网络模型，输出经过信道状态还原后的测试点CSI数据；

步骤6：通过Resnet50特征提取网络对测试点采集到的CSI数据进行特征提取，得到高维数据特征feature_1，将经过信道均衡网络均衡以后的CSI数据输入注意力机制得到特征权重，将特征权重与feature_1进行相乘得到加权后的数据特征feature；通过加权后的数据特征能够关注到测试点数据特征中重要的特征数据。

步骤7：计算测试点得到的加权特征feature与指纹数据库中不同位置处的指纹特征feature_i之间的欧式距离，选择空间距离最大的指纹所对应的位置坐标作为预测位置输出。

进一步地，步骤6中具体过程包括：

S1：对输入的CSI数据序列{a₁,a₂,…,a_n}进行编码处理，编码过程为将每一个符号与一个矩阵进行相乘，α₁＝a₁·W,初始化两个矩阵W_q,W_k，计算q₁＝α₁·W_q，k₁＝α₁·W_k，得到每一个符号对应的q，k值，计算每一个q值对其余k值的权重分数，

其中，计算公式为其中d为q和k的数据维度，score为计算出的得分；

S2：将测试点得到的CSI数据进行同样的编码操作得到α_1,test，初始化一个矩阵W_k，计算k＝α_1,test·W_k，

S3：将还原后的CSI数据信息中计算得出的权重分数score与采集点原始采集的CSI信息得到的k值相乘，CSI_weight,i＝score_i·k_i，得到加权后的数据信息，将该信息输入特征提取网络中得到加权特征输出feature，其中涉及的矩阵具体数值通过训练优化得到最佳值。

发明的有益效果在于：

本发明从未被关注的信道状态变化过程入手，在构建指纹数据库时采集的CSI数据和对应测试点采集的CSI数据之间会因为信道状态的时变性产生数据失真现象，本发明通过将经过信道状态变化影响后的数据向原始采集的数据进行拟合，可有效训练网络的信道均衡能力同时消除因信道状态变化产生的影响，同时利用当前的CSI值和经过网络还原后的CSI值进行联合特征提取，通过深度学习网络模型拟合能力的训练。对待测点处的CSI值进行还原，这一步可以减小因信道状态特性发生变化造成的CSI数据值失真的影响，有利于提取出与离线阶段建立的指纹库中的数据更接近的数据，增加了在线阶段分类的准确度，同时通过待测点采集的CSI值和通过信道均衡网络还原以后的CSI值进行加权特征提取，能够根据还原后的CSI特征信息中训练出的权重信息，针对性的提取测试点采集的CSI数据特征，有效提高指纹特征的数据有效性，减小分类匹配的难度，有效提高定位准确性。

附图说明

图1为本发明***工作流程图；

图2为本发明定位区域信息采集示意图；

图3为本发明定位区域信道发生变化后的信息采集示意图；

图4为本发明一种实施例的工作流程图；

图5为本发明一种实施例的有无参考点对分类结果的影响对比示意图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

请参阅图1-图5，本发明实施例包括：

如图1-图4所示，一种基于信道状态变化CSI值的无线定位方法，基于***步骤：

步骤1：对定位区域进行网格划分，以每个网格中心为数据采集点进行CSI信息数据采集，其中CSI数据信息发射天线个数设置为A,接收天线个数设置为B，子载波个数设置为m，则CSI数据格式为{CSI₁,CSI₂,…,CSI_m}_A×B；

步骤2：选择完成预训练的Resnet50作为特征提取网络，得到每个定位网格区域中的指纹特征数据，同时记录对应位置处的坐标信息，建立位置坐标和指纹特征一一对应的指纹数据库；

步骤3：在网格划分完成的定位区域中选取n个参考位置，n的取值小于等于网格的分块数，分别采集每个参考位置处的信道状态信息CSI，{CSI₁,CSI₂,…,CSI_n}_A×B，得到参考点位置处的CSI数据信息。

步骤4：选择全连接网络作为信道均衡网络模型Equali_net,将设置的参考点采集得到的CSI信息作为网络模型输入，以指纹数据库中的数据作为标签，对信道均衡网络模型进行监督拟合训练，训练网络的信道均衡能力，训练完成以后固定网络节点参数，得到具备信道状态还原的信道均衡网络模型；

步骤5：采集测试点处的CSI数据，将采集得到的测试点CSI数据输入步骤4中得到的信道均衡网络模型，输出经过信道状态还原后的测试点CSI数据；

步骤6：通过Resnet50特征提取网络对测试点采集到的CSI数据进行特征提取，得到高维数据特征feature_1，将经过信道均衡网络均衡以后的CSI数据输入注意力机制得到特征权重，将特征权重与feature_1进行相乘得到加权后的数据特征feature；通过加权后的数据特征能够关注到测试点数据特征中重要的特征数据。

其中具体过程包括：对输入的CSI数据序列{a₁,a₂,…,a_n}进行编码处理，编码过程为将每一个符号与一个矩阵进行相乘，α₁＝a₁·W,初始化两个矩阵W_q,W_k，计算q₁＝α₁·W_q，k₁＝α₁·W_k，得到每一个符号对应的q，k值，计算每一个q值对其余k值的权重分数，计算公式为其中d为q和k的数据维度，score为计算出的得分；将测试点得到的CSI数据进行同样的编码操作得到α_1,test，初始化一个矩阵W_k，计算k＝α_1,test·W_k，将还原后的CSI数据信息中计算得出的权重分数score与采集点原始采集的CSI信息得到的k值相乘，CSI_weight,i＝score_i·k_i，得到加权后的数据信息，将该信息输入特征提取网络中得到加权特征输出feature，其中涉及的矩阵具体数值通过训练优化得到最佳值。

步骤7：计算测试点得到的加权特征feature与指纹数据库中不同位置处的指纹特征feature_i之间的欧式距离，选择空间距离最大的指纹所对应的位置坐标作为预测位置输出。

图5中分别是有无设置参考点进行数据采集，并进行还原处理对分类结果的影响。上图横坐标为深度学习网络的训练批次，纵坐标代表网络分类的准确率，从图中可以看出在信道状态变化后，传统的不带有新的参考点的定位算法的效果不如带有新参考点的分类方法，证明了设置参考点作为信道均衡网络模型的训练数据进行信道均衡处理后，能够减小信道状态变化的影响因素。因此在信道状态发生变化后，新增参考点的CSI定位方法明显导致定位精度提高。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (2)

1.一种基于信道状态变化CSI值的无线定位方法，其特征在于，无线定位方法步骤如下：

步骤1：对定位区域进行网格划分，以每个网格中心为数据采集点进行CSI信息数据采集，其中CSI数据信息发射天线个数设置为A,接收天线个数设置为B，子载波个数设置为m，则CSI数据格式为{CSI₁,CSI₂,…,CSI_m}_A×B；

步骤2：选择完成预训练的Resnet50作为特征提取网络，得到每个定位网格区域中的指纹特征数据，同时记录对应位置处的坐标信息，建立位置坐标和指纹特征一一对应的指纹数据库；

步骤3：在网格划分完成的定位区域中选取n个参考位置，n的取值小于等于网格的分块数，分别采集每个参考位置处的信道状态信息CSI，{CSI₁,CSI₂,…,CSI_n}_A×B，得到参考点位置处的CSI数据信息；

步骤4：选择全连接网络作为信道均衡网络模型Equali_net,将设置的参考点采集得到的CSI信息作为网络模型输入，以指纹数据库中的数据作为标签，对信道均衡网络模型进行监督拟合训练，训练网络的信道均衡能力，训练完成以后固定网络节点参数，得到具备信道状态还原的信道均衡网络模型；

步骤5：采集测试点处的CSI数据，将采集得到的测试点CSI数据输入步骤4中得到的信道均衡网络模型，输出经过信道状态还原后的测试点CSI数据；

步骤6：通过Resnet50特征提取网络对测试点采集到的CSI数据进行特征提取，得到高维数据特征feature_1，将经过信道均衡网络均衡以后的CSI数据输入注意力机制得到特征权重，将特征权重与feature_1进行相乘得到加权后的数据特征feature；通过加权后的数据特征能够关注到测试点数据特征中重要的特征数据；

步骤7：计算测试点得到的加权特征feature与指纹数据库中不同位置处的指纹特征feature_i之间的欧式距离，选择空间距离最大的指纹所对应的位置坐标作为预测位置输出。

2.根据权利要求1所述的一种基于信道状态变化CSI值的无线定位方法，其特征在于，步骤6中具体过程包括：

S1：对输入的CSI数据序列{a₁,a₂,…,a_n}进行编码处理，编码过程为将每一个符号与一个矩阵进行相乘，α₁＝a₁·W,初始化两个矩阵W_q,W_k，计算q₁＝α₁·W_q，k₁＝α₁·W_k，得到每一个符号对应的q，k值，计算每一个q值对其余k值的权重分数，

其中，计算公式为其中d为q和k的数据维度，score为计算出的得分；

S2：将测试点得到的CSI数据进行同样的编码操作得到α_1,test，初始化一个矩阵W_k，计算k＝α_1,test·W_k；

S3：将还原后的CSI数据信息中计算得出的权重分数score与采集点原始采集的CSI信息得到的k值相乘，CSI_weight,i＝score_i·k_i，得到加权后的数据信息，将该信息输入特征提取网络中得到加权特征输出feature，其中涉及的矩阵具体数值通过训练优化得到最佳值。