基于小样本CSI指纹的室内终端到达角回归估计方法

基于小样本csi指纹的室内终端到达角回归估计方法
技术领域
1.本发明属于室内定位技术领域，具体涉及一种基于小样本csi指纹的室内终端到达角回归估计方法。


背景技术：

2.室内定位技术近年来成为研究热点之一，原因一是公众对位置服务技术(location based services，lbs)日益增长的需求，以追踪用户精准位置等为主要服务需求；原因二是随着室外定位的全球定位系统(global positioning system，gps)被广泛投入使用，但是建筑墙体阻隔或反射阻碍卫星信号进入，无法轻易在室内进行准确定位；所以需要另研究室内定位技术手段，而wifi，蓝牙等恰好已经广泛部署于室内环境，且部署和造价成本低，基于此类传输信号分析的室内定位技术层出不穷。
3.传统的基于信道状态信息(channel state information,csi)指纹的室内定位技术是利用预采集csi作为数据媒介保存为数据指纹库，通过信号建模或机器学习算法进行匹配的一类室内定位方法的统称；但是，其通常需要构建数量庞大的指纹库来保证较高的匹配精度，此外，室内复杂环境还会对捕获的信号样本造成干扰，使得这一技术发展也充满挑战。对于需要构建数量庞大的指纹库这一方面来说，绝大多数算法默认这种采集做法的正确性而忽略了样本本身可能存在大量冗余的问题；但是，另一方面，如果要减少预采集工作量，不得不减少采集点数量或者减少每个采集点的样本量，将会让基于机器学习算法的一类室内定位技术转变为小样本学习(few-shot learning)问题，定位精度下降是必然的。而日常生活环境亦存在很多只能采集少量数据的场景，因此，为解决该问题，现有技术中存在大量针对该问题的研究；有的学者通过数据增强应对样本数量问题，但是更适合图片等数据；而有的学者通过研究基于迁移学习的模型学习样本间的相似度，但是模型又过于复杂；目前缺乏真正有效的在组成csi小样本的同时，减少预采集工作高额成本的方法。


技术实现要素：

4.为解决上述问题，本发明提供了基于小样本csi指纹的室内终端到达角回归估计方法，旨在在多发多收(mimo)双端通信系统中，调整csi小样本指纹库特征参照，借助多层感知机(multilayer perceptron，mlp)回归器的回归特性代替指纹分类工作进行预测输出，从而减少数据预采集工作量和资源消耗，具有较高估计精度和较低定位成本。
5.本发明所述的基于小样本csi指纹的室内终端到达角回归估计方法，步骤为：
6.步骤1、配置路由器分别作为移动端和接收端，根据到达角原理，以固定路线规则获取待定位区域的所有点位的csi数据，构成csi小样本集；
7.步骤2、提取csi小样本集中的频域原始相位信息，进行解卷绕处理，在维度方向上拼接全部天线阵列相位信息作为原始csi相位集合，并选择任意一根天线作为基准天线，计算其余天线与基准天线的相位差，形成csi小样本指纹库；
8.步骤3、根据先验地理位置信息标记标签，并将角度数值型标签集合归一化到[0，
1]范围内，转化为权值数值型标签集合y；
[0009]
步骤4、搭建mlp回归器，对所述csi小样本指纹库进行离线训练；
[0010]
步骤5、在线预测阶段，移动端向附近的接收端提出位置服务请求，请求通信；接收端通过一维天线阵列接收若干wi-fi数据包，并提取csi数据，同样按照步骤1和步骤2获取到待定位数据的csi测试集合，使用搭建并训练好的mlp回归器进行方位角回归预测。
[0011]
进一步的，步骤1具体为：
[0012]
移动端在垂直于接收端法线方向偏移45度角的射线，并且离开固定端2m以上的一条切线上采集集合b，以及在待定位区域的边缘移动若干次采集集合c，通过天线持续向接收端的一维天线阵列发送若干wi-fi数据包，重复此步骤，直到接收端采集完所有位置形成csi小样本集；
[0013]
由此法采集获取定位区域一个csi小样本集合，可表示为集合由此法采集获取定位区域一个csi小样本集合，可表示为集合
[0014]
其中，n为总数据包量，代表整数集；以天线阵列共m根天线的一组子载波传输路径，在某时刻t传输得到的独立可提取csi中的相位数据作为原始csi相位样本。。
[0015]
进一步的，步骤2中，获得csi小样本指纹库的具体步骤为：
[0016]
以每一个路径k为单位，其信道冲激响应计算为：
[0017][0018]ap
、θ
p
、τ
p
分别表示第p条路径的幅度衰减、相位偏移和时间延迟，n为传播路径总数，δ(τ)为狄克拉脉冲函数；
[0019]
时域对应到频域，采集到的第i个子载波的csi的频域信息计算为：
[0020][0021]
h(fr)表示中心频率为fi的子载波的csi，其中，||h(fr)||和∠h(fr)分别代表第r个子载波的幅度和相位；
[0022]
将相位信息单独取出，共m根天线中任意一根的csi相位简记作则一维天线阵列任一数据包的csi相位样本计算为：
[0023][0024]
在以第s根天线为基准时，作差得到csi单个相位差向量样本：
[0025][0026]
相位作差时，任一相位差需根据解卷绕进行作差计算，计算方式为：
[0027][0028]
进一步的，步骤4中，构建mlp回归器，进行离线训练的具体步骤为：
[0029]
步骤4-1、通过单向层叠的方式建立mlp回归器网络结构，其中每层的各个神经元之间相互独立，层与层之间以连接方式产生联系，下一层中的每个神经元处理前一层所有神经元的输出，不进行跨层连接；
[0030]
步骤4-2、mlp回归器以csi小样本指纹库和标签集合y为输入，更新网络数据状态，
直到模型收敛并保存；
[0031]
步骤4-3、mlp回归器使用迭代器更新网络参数，选择huber_loss作为回归损失函数进行梯度更新，直到设定的epoch停止。
[0032]
进一步的，步骤4-1中，构建的mlp回归器具体为：mlp回归器包含输入层，隐含层和输出层；第一层作为输入层，输入为csi小样本指纹库，输入维度大小为(m-1)
×
56，m指天线个数；第二层和第三层作为隐含层，隐含层之间按全连接的方式互相连接，隐含层的层内的神经元之间没有连接，隐含层维度大于(m-1)
×
56；最后一层作为输出层，通过linear线性回归神经元输出高层特征权重的预测值，网络输出即为到达角回归估计结果，最终在在线预测输出移动终端方位。
[0033]
进一步的，步骤4-2中，更新网络数据状态，直到模型收敛并保存的具体步骤为：
[0034]
首先，csi小样本指纹库和标签集合y简记为数据集d，则量化计算为：
[0035][0036]
其中，输入样本csi
(i)t
表示共n个数据包、d个维度属性的小样本csi指纹集合，d＝(m-1)
×
56；实值向量y
(i)t
是标签集，为一维向量；其对应矩阵分别表示为csin×d，yn；输入层和隐含层之间某一时刻t存在一个权重矩阵：
[0037][0038]
其中，q为隐含层神经元个数，q》d，使得第一层隐含层某一样本的某一序号为h的神经元输入向量某一时刻t样本输入下状态矩阵为：
[0039][0040]
其中表示的转置矩阵，隐含层选择tanh作为激活函数，所以隐含层第一层某一序号为h的神经元输出态根据算法对应的自动神经元阈值γh计算为：
[0041][0042]
最后，同理得到某一时刻t第二隐含层的状态矩阵直到模型收敛并保存，得到由mlp隐含层映射csi小样本指纹库获得的高维输出权重矩阵wq以及输出层的输入值矩阵cn、输入向量e
(i)t
，由输出层的linear线性回归神经元根据算法对应的自动神经元阈值δ输出向量g
(i)t
:
[0043]cn
＝bn×q·
(w
t
)q[0044]g(i)t
＝linear(e
(i)t-δ)
[0045]
其中，(w
t
)q是wq的转置矩阵。
[0046]
本发明所述的有益效果为：借助mlp回归避免或减少了大量的需采集位置的指纹信息，从而降低工作量，通过学习区域间样本随角度变化的特征联系来进行方位预测。相比原生指纹定位方法，大幅减少预采集工作量；减少了训练所需的样本数量的同时，由于样本量不再巨量，不需要构建非常复杂的学习模型来进行预测估计，解决高额成本指纹库创建的问题，模型构建相对简单易用。
附图说明
[0047]
图1为本发明的整体流程图；
[0048]
图2为本发明到达角采集点位的一个实施例示意图，其中，(a)小图代表候选采集区域点位图，(b)小图代表本发明形成小样本的采集方案；
[0049]
图3为本发明中csi相位差处理流程的示意图，其中，(a)小图代表不同点位上csi相位信息的不同分布示意图，(b)小图曲线代表三个数据包在三天线各56个子载波上的相位值表现，(c)小图表示三个数据包经过本发明处理后形成的csi小样本相位差重叠，数值具有较好稳定性；
[0050]
图4为本发明mlp回归器的模型结构图。
具体实施方式
[0051]
为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明。
[0052]
本发明提供了一种基于小样本csi指纹的室内终端到达角回归估计方法，其具体实施例过程如图1所示：
[0053]
步骤1、配置路由器分别作为移动端和接收端，根据到达角原理，以固定路线规则获取待定位区域的所有点位的csi数据，构成csi小样本集；
[0054]
步骤2、提取csi小样本集中的频域原始相位信息，进行解卷绕处理，在维度方向上拼接全部天线阵列相位信息作为原始csi相位集合，并选择任意一根天线作为基准天线，计算其余天线与基准天线的相位差，形成csi小样本指纹库；
[0055]
步骤3、根据先验地理位置信息标记标签，并将角度数值型标签集合归一化到[0，1]范围内，转化为权值数值型标签集合y；
[0056]
步骤4、搭建mlp回归器，对所述csi小样本指纹库进行离线训练；
[0057]
步骤5、在线预测阶段，移动端向附近的接收端提出位置服务请求，请求通信；接收端通过一维天线阵列接收若干wi-fi数据包，并提取csi数据，同样按照步骤1和步骤2获取到待定位数据的csi测试集合，使用搭建并训练好的mlp回归器进行方位角回归预测。
[0058]
本实施例中，配置环境以及模型参数如下：采集设备为联想笔记本g480和两台使用atheros系列wdr4310型号网卡的三天线路由器，实验系统为windows11兼容台式机，实验环境为intel(r)core(tm)i5-9400f cpu@2.90ghz六核处理器。编程软件涉及matlab、python，使用keras作为模型框架。
[0059]
如图2所示，图2的(a)小图代表候选采集区域点位图，图2的(b)小图代表本发明形成小样本的采集方案；样本集采集及其配置为：在一个室内房间架设两台可通信的有
atheros系列网卡的三天线路由器，一台固定位置，另一台作为移动端在垂直于固定端法线方向偏移45度角的射线，并且离开固定端2m以上的一条切线上，以及待定位区域的边缘移动若干次进行采集。使用csi_tool工具命令行设定高发包速率，网络频段设为5g，使用发包收包命令持续向接收终端发送若干wi-fi数据包，重复此步骤，直到接收端采集完所有位置各10000数据包，每位置随机抽取1000数据包形成原始csi小样本集。
[0060]
如图3所示，其中，图3的(a)小图代表不同点位上csi相位信息的不同分布示意图，图3的(b)小图曲线代表三个数据包在三天线各56个子载波上的相位值表现，图3的(c)小图表示三个数据包经过本发明处理后形成的csi小样本相位差重叠，数值具有较好稳定性。数据预处理的步骤包括：
[0061]
进入matlab利用csi提取工具代码命令提取csi，后进入python编写数据拼接算法在维度方向上拼接天线阵列接收到的原始csi小样本集合，获得相位样本；
[0062]
三天线一维天线阵列单个数据包的csi相位样本计算为：
[0063][0063]
表示三根天线从左到右的编号，t表示向量转置；
[0064]
以相位样本为基础，对天线进行解卷绕作差计算获得每个样本对应的相位差样本；
[0065]
在以第1根为基准时，作差得到csi单个相位差向量样本：
[0066][0067]
考虑到正交性，移动端在垂直于固定端法线方向偏移45度角的射线；为了避开近距离不稳定区域，在离开固定端2m以上的一条切线上采集集合b，以及在待定位区域的边缘移动若干次采集集合c，由此可获得单个采集点位共1000数据包的样本矩阵
[0068][0069]
相位作差时，若存在或者的情况，需加2π进行修正。
[0070]
其中，任一相位差维度为56，三天线处理后得到2
×
26＝112维度。
[0071]
选取本实施例中的一个点位的采集集合作为例子，其样本集合xb对应文件名称为loc1_c.csv，其112维度样本形式为：
[0072]
2.329089,2.374091,2.411158,
…
,5.834802,5.802786,5.806453。
[0073]
需要说明的是，基准天线的选取方式不唯一。
[0074]
权值标签：本实施例选取角度范围[0,90]作为实验对象，对所有采集点位进行了实际角度测量和记录，再根据实际角度值从[0,90]归一化到[0,1]范围内。同样以loc1_c.csv为例，其1维标签形式为：0.2。
[0075]
mlp回归器搭建：通过单向层叠的方式建立网络结构，其中每层的各个神经元之间相互独立，层与层之间以连接方式产生联系，下一层中的每个神经元处理前一层所有神经元的输出，不进行跨层连接。mlp回归器包含输入层，隐含层和输出层；第一层作为输入层，输入为所有采集点位的csi相位差小样本集合，输入维度大小为112；第二层和第三层作为
隐含层，隐含层之间按全连接的方式互相连接，隐含层的层内的神经元之间没有连接，选择tanh激活函数，并指定好每层需要的神经元个数；最后一层作为输出层，通过linear线性回归神经元输出高层特征权重的预测值。mlp回归器的相关参数设置有：模型编译器中的参数optimizer为adam，loss函数为huber_loss，具体参数保持默认，视具体情况调整学习率。模型拟合器中的参数epoch为30，batch_size为32，shuffle为true。在本实施例中，设置每层160个隐藏单元，共2层隐含层，网络结构如图4所示。输入样本csi
(i)t
包含112个维度属性，实值向量y
(i)t
为一维向量，则对应矩阵表示为csin×
112
，yn；输入层和隐含层之间某一时刻t存在一个权重矩阵：
[0076][0077]
其中，使得第一层隐含层某一样本的某一序号为h的神经元输入向量某一时刻t样本输入下状态矩阵为：
[0078][0079]
其中表示的转置矩阵；隐含层选择tanh作为激活函数，所以第一层某一序号为h的神经元输出态根据算法对应的自动神经元阈值γh可计算为：
[0080][0081]
最后，同理可得到某一时刻t第二隐含层的状态矩阵直到模型收敛并保存，得到由mlp隐含层映射csi相位差小样本集获得的高维输出权重矩阵w
160
以及输出层的输入值矩阵cn，输入向量e
(i)t
，由输出层的linear线性回归神经元根据自动神经元阈值δ输出向量g
(i)t
:
[0082]cn
＝bn×
160
·
(w
t
)
160
[0083]g(i)t
＝linear(e
(i)t-δ)
[0084]
其中，(w
t
)q是wq的转置矩阵。
[0085]
在线预测：使用训练好的mlp回归器对非训练点位进行预测，给出方位角预测结果。
[0086]
本发明针对小样本csi指纹学习数据量不足难以训练的问题，搭建mlp回归器学习样本高维特征进行到达角估计；相比于其他学习模型，本发明重新规划了采集方案，重新考量了预采集数据量和类别数上对模型选择的限制；通过调整csi样本采集方式，搭建mlp回归器进行非线性回归训练和预测；通过对csi小样本指纹库经过回归器提取到的高维特征和角度映射进行线性回归输出预测未知样本到达角，在一定程度上简化了模型的搭建工作，并降低了预采集工作庞大的工作量和资源消耗。
[0087]
以上所述仅为本发明的优选方案，并非作为对本发明的进一步限定，凡是利用本
发明说明书及附图内容所作的各种等效变化均在本发明的保护范围之内。