一种基于信道状态信息预训练的高精度室内定位方法

本发明涉及室内定位，尤其涉及一种基于信道状态信息预训练的高精度室内定位方法。

背景技术：

1、随着机器学习的爆炸式发展，现有许多相关工作利用机器学习来进行高精度室内定位，其可分为传统机器学习与深度学习两种。传统机器学习算法中，涌现出众多基于svm的高精度室内定位算法。svm是一种非线性分类器模型。基于svm的高精度室内定位算法分为两个阶段，分别为离线阶段与在线阶段。在离线阶段，采集定位数据，对svm分类器进行离线训练。而在线阶段，利用svm分类器对信号进行室内定位。

2、深度学习方法则是通过采集大量的位置标签数据以及相应的通信信号，对神经网络模型进行训练与参数更新。神经网络模型输入通常为通信信号，包括csi，rssi等；输出则为位置信息。在网络模型设计上，其通常采用卷积神经网络cnn对通信信号进行处理。卷积神经网络cnn是一种带有卷积结构的深度神经网络，经常被用来处理三维的图像数据。由于输入信号csi，具有实虚部；相比于其他领域数据，如语音，图像等实部数据具有不同的特性。因此许多工作将输入的csi数据实虚部拆分为两部分后拼接为两个通道，然后利用卷积神经网络来处理多通道数据。最终得到经过训练的深度学习网络模型对标签位置进行推理定位。

3、现有的机器学习方案，往往都采用有监督学习的方式进行模型的训练与参数更新。而此种方案往往需要大量且高质量的位置标签数据。不仅需要相应的通信信号，还需要对应的位置标签数据。而在高精度室内定位领域，标签位置数据的采集是困难且低效的。因此采集的位置标签数据量是极其有限的，且其数据分布也受到了限制。

4、受限于训练数据分布有限，所训练出来的深度学习模型往往其泛化性能也下降严重。高精度室内定位应用下的数据分布是广泛的，不同的场景下以及不同的设备下采集的数据都会导致通信信号的分布是具有差异化的。而有限训练数据下得到的模型针对于众多不同场景下的数据往往会导致定位效果的急剧下降。例如，在一个房间中进行数据采集与训练后得到的模型，在此房间能取得良好的定位精度，但往往在另一个房间内定位精度便会下降严重。因此有监督学习往往会带来标签数据采集难且模型泛化性能差的问题。

技术实现思路

1、本发明提供一种基于信道状态信息预训练的高精度室内定位方法，用以解决现有室内定位标签数据采集成本高、泛化能力差、场景覆盖范围小的问题。

2、本发明提供一种基于信道状态信息预训练的高精度室内定位方法，包括：

3、采集定位数据标签和基站发出的射频信号；

4、将所述射频信号输入至预训练的定位模型，基于所述定位数据标签对定位模型进行线性探测微调，更新多层感知机参数，输出射频信号接收方的位置信息；

5、其中，所述定位模型是通过采集不同场景下通信射频信号建立无标签数据库对自监督模型进行训练得到的。

6、根据本发明提供的一种基于信道状态信息预训练的高精度室内定位方法，所述定位模型是通过采集不同场景下通信射频信号建立无标签数据库对自监督模型进行训练得到的，具体包括：

7、获取基站天线通信射频信号的信道状态信息数据，生成索引序列，建立无标签数据库；

8、通过掩码屏蔽策略屏蔽某些天线的信道状态信息，生成掩码序列；

9、基于所述索引序列和掩码序列得到剩余序列，将所述剩余序列输入至自监督模型进行训练，输出掩码序列对应的天线信道状态信息，完成定位模型训练。

10、根据本发明提供的一种基于信道状态信息预训练的高精度室内定位方法，所述定位模型是通过采集不同场景下通信射频信号建立无标签数据库对自监督模型进行训练得到的，还包括：

11、所述定位模型包括编码器和解码器；

12、在编码阶段，所述编码器对未屏蔽天线的通信射频信号进行编码，获取潜在表示；

13、在解码阶段，基于所述潜在表示通过所述解码器重构原始全部的通信射频信号。

14、根据本发明提供的一种基于信道状态信息预训练的高精度室内定位方法，所述在编码阶段，所述编码器对未屏蔽天线的通信射频信号进行编码，获取潜在表示，具体包括：

15、所述编码器的主干模块整合每根天线信道状态信息的实部信息和虚部信息；

16、在所述实部信息和虚部信息中添加位置特征，表示不同位置的天线，屏蔽随机选择的天线的特征表示；

17、基于屏蔽随机选择的天线的特征表示通过注意力机制融合信息为未屏蔽的天线生成特征，完成未屏蔽天线的编码。

18、根据本发明提供的一种基于信道状态信息预训练的高精度室内定位方法，所述在解码阶段，基于所述潜在表示通过所述解码器重构原始全部的通信射频信号，具体包括：

19、基于未屏蔽天线的编码与屏蔽标记进行拼接，并再次添加位置特征，生成二次编码信息；

20、所述解码器的解码模块与多层感知机组成的重构头对所述二次编码信息进行解码，输出重构数据。

21、根据本发明提供的一种基于信道状态信息预训练的高精度室内定位方法，将所述射频信号输入至预训练的定位模型，基于所述定位数据标签对定位模型进行线性探测微调，更新多层感知机参数，输出射频信号接收方的位置信息，具体包括：

22、所述定位模型中的编码器采用线性探测进行微调，冻结编码器中的参数；

23、编码器输出的重构数据通过多层感知机进行参数更新，输出最终的射频信息接收方的位置信息。

24、本发明还提供一种基于信道状态信息预训练的高精度室内定位系统，所述系统包括：

25、信号获取模块，用于采集定位数据标签和基站发出的射频信号；

26、定位模块，用于将所述射频信号输入至预训练的定位模型，基于所述定位数据标签对定位模型进行线性探测微调，更新多层感知机参数，输出射频信号接收方的位置信息；

27、其中，所述定位模型是通过采集不同场景下通信射频信号建立无标签数据库对自监督模型进行训练得到的。

28、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于信道状态信息预训练的高精度室内定位方法。

29、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于信道状态信息预训练的高精度室内定位方法。

30、本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于信道状态信息预训练的高精度室内定位方法。

31、本发明提供的一种基于信道状态信息预训练的高精度室内定位方法，提出了用于通信领域的mimo场景下信道状态信息信号自监督预训练方法。该方法通过掩码策略，对无标签信道状态信息信号进行随机选择遮蔽然后恢复，提高了模型对信道状态信息信号的建模理解能力。该方法简单高效，不仅提高和改善了对大量无标签通信信道状态信息信号的利用率还优化了基于信道状态信息信号进行建模的下游任务。针对于现有监督模型训练过程中，标签数据采集难，模型泛化性差，场景覆盖范围少，设备依赖性强的问题，利用自监督学习的无标签优势，以及通信领域的大量无标签数据，可以提高模型的可扩展性与鲁棒性，完成模型在不同场景，设备下的部署与应用。同时提出并设计了相应的高精度室内定位模型，通过实验表明，其定位精度与泛化性均优于其他高精度定位深度学习模型。且该模型设计高效，能够满足实际应用场景的高实时性需求。同时由于不受数据来源的约束，可广泛应用于各种场景与设备，并能够快速完成对模型的迭代。