[0003] 本发明针对现有技术的定位稳定性差、定位精度低以及指纹采集工作量大的问题,提出了一种结合稠密连接网络的CSI矫正定位方法,引入了基于孤立森林的CSI异常剔除方法、新的CSI幅值指纹形式、改进的CSI定位稠密连接网络、广义延拓插值法扩充指纹库、结合巴氏系数的改进KNN矫正定位算法等处理方法,降低了定位算法的误差,提高了整体的定位性能与稳定性。
[0004] 本发明的具体技术方案如下:
[0005] S1:在待定位区域采集训练节点的CSI数据并采用孤立森林去除异常,构造包含时间、频率和天线对信息的CSI幅值指纹,建立训练指纹库。对已有的CSI幅值数据取平均,使用广义延拓插值法进行插值,构建插值指纹库;
[0006] S1.1:待定位区域为一个Wi‑Fi的信号覆盖区域,在该区域内的每个训练节点进行CSI数据采集,对于第i个训练节点有P对天线对和K个子载波,共采集n个CSI数据包,得到其中每个数据包如式(1)。i为该训练节点的编号,即类别, 为第i个训练节点的第j个数据包的第p对天线对在第k个子载波的CSI。由N个训练节点构成CSI数据集: li=(xi,yi),其中li为第i个训练节点的横纵
坐标。
[0007]
[0008] S1.2:使用孤立森林去异常,考虑第i个节点上第p对天线对在第k个子载波的所有样本,以此为一个单位使用孤立森林算法得到异常样本数据包序号,在每一个子载波以及每一天线对都经过异常判断后,将这些异常序号合并再去掉重复序号,确定下来该第i节点的异常样本序号集,最终根据该集剔除异常样本,保留下来的样本数为ni。
[0009] S1.3:对于每个节点的ni个样本,采用滑动窗依序提取,将W个样本分为一组,将W个样本的第一对天线对CSI幅值按行排列,直到最后一对天线对排列完毕,一枚指纹CSIWP×K ,i共有W× P行K列。共组合得到 枚指纹 ,训练指纹 库为训练指纹充分利用了时间、频率以及不同天线对上的
CSI信息,利于神经网络构建CSI与空间位置的对应关系。
[0010] S1.4:首先对已有的训练节点做均值处理,可以得到第i个训练节点的均值向量为其中任一个元素为对所有样本取模求平均,如式(2)。
[0011]
[0012] 广义延拓插值法使得单元域Ωe内满足插值条件保证较好的连续性,又结合延拓域Ω′e的数据实现最佳拟合,其数学模型如式(3)。其中U(li)是训练节点i的拟合值,v是延拓域的节点个数,ht(li)为延拓域上的一组基,t=1,2,…,T,at为其第t个待定系数;经过广义延拓插值的插值指纹库为 lm=(xm,ym),共有M个插值指纹,其中lm为第m个插值指纹的坐标;
[0013]
[0014] S2:构建改进的CSI定位稠密连接网络,针对CSI数据多簇性与普遍含有噪声的特点,对原有的稠密连接网络进行改进,将激活函数由ReLU(Rectified Linear Unit)替换为能够缓解神经元死亡问题的ELU(Exponential Linear Unit),另外在网络结构的最后使用了多层全连接层,通过全连接层将网络前部卷积层提取的特征进行整合,而后对输入数据非线性变换最后完成分类,其中最后一层全连接层神经元数量等于训练节点个数,最后第L层全连接层神经元数量等于训练节点个数的L倍,以此类推,依据网络的大小确定全连接层的层数。采用训练指纹库数据对网络进行训练,即网络的输入为训练指纹库FingerCSItrain中的CSI指纹,输出标签为维度等于N的one‑hot位置分类向量Label=(L1,L2,...,Li,...,LN)。最后输出层由softmax函数计算,如式(4)。
[0015]
[0016] 其中(h1,h2,...,hi,...hN)为最后一层隐藏层的输出,损失计算使用交叉熵损失函数,如式(5)。
[0017]
[0018] S3:在待定位区域采集测试节点的CSI数据,构造与训练节点CSI幅值指纹形式相同的多枚指纹,输入到CSI定位稠密连接网络中后得到多个预测结果,每个预测结果含有该测试节点在各个训练节点的概率值,使用概率加权定位算法得到初步定位坐标;针对最大概率大于等于阈值的预测结果数量占比小于占比阈值的测试节点,采用巴氏系数在插值指纹库中找到近邻训练节点,采用KNN定位算法对网络概率权重定位进行矫正,得到最终的定位坐标。
[0019] S3.1:在一个测试节点位置连续采样得到的C个测试指纹输入到改进的CSI定位稠密连接网络中,得到C个预测结果,对于第c个预测结果共有N个概率值 分别代表该测试指纹在各个训练节点的概率。将每个训练节点的位置坐标乘上相应的概率权重,求和后得到的坐标可认为是第c个测试指纹的估计位置,对于C个测试指纹,计算其平均值作为定位结果,如式(6)。
[0020]
[0021] S3.2:通过神经网络预测得到的结果可以分为两种情况,当各个预测结果的最大概率值pmax普遍较大时,可以认为网络对于当前输入的输出有较高的可信度,设C个最大概率值中概率大于等于阈值ρ的占比为R(pmax≥ρ),一般阈值ρ取大于等于0.5的值,此时可以使用 作为估计位置;而在pmax普遍较小的情况下,认为网络对于当前指纹的预测结果可信度不高,考虑采用其他定位算法纠正预测结果,此处使用K近邻算法(K Nearest Neighbor,KNN),故可以得到矫正定位算法如式(7)。
[0022]
[0023] 经过广义延拓插值的插值指纹库CSIinsert与测试节点的指纹进行相似度计算,从而获得按相似度降序排序的各节点位置 相似度函数基于巴氏系数,设待检验的两个指纹分别为X和Y,两者的相似度计算如式(8)。
[0024]
[0025] 本发明与现有技术相比有如下优点:
[0026] 1.本发明构造了包含时间、频率和天线对信息的CSI幅值指纹形式,并采用基于孤立森林的CSI异常剔除方法对采集的数据进行预处理,在减少干扰的前提下充分利用CSI含有的信息,保证同一位置的指纹特征有极高相似性的同时增加不同位置间指纹的相异性,使得指纹法定位中CSI与空间位置的对应关系模型构建更加鲁棒。
[0027] 2.本发明通过改进的CSI定位稠密连接网络,适应CSI数据的特征,采用跨层的通道维连结使得神经网络能更进一步全面挖掘CSI的潜在特征,也让训练过程更加高效,有效降低了基于神经网络的概率加权定位算法的定位误差,提高了该定位算法的定位性能。
[0028] 3.本发明提出了结合巴氏系数的改进KNN矫正定位算法,首先通过广义延拓插值法构建插值指纹库,在减小人工采集成本和保证较高精度的同时提高了指纹库的密度;采用基于巴氏系数的相似度函数从另一个角度解析CSI指纹数据,在这两项的基础上使用KNN定位算法,对在基于神经网络的概率加权定位算法可信度较差时的定位结果进行矫正,融合多种定位算法充分利用CSI进行定位,提高了定位系统的精确度,增强了定位方法的鲁棒性。