一种基于CSI指纹信息的室内被动定位方法技术

本发明专利技术公开了一种基于CSI指纹信息的室内被动定位方法，充分利用WiFi环境中的有效信息，将CSI相位信息作为指纹信息进行室内被动定位，通过集成学习算法提高匹配准确率，再对匹配结果进行置信回归，提高了室内被动定位的精度。

An Indoor Passive Location Method Based on CSI Fingerprint Information

【技术实现步骤摘要】
一种基于CSI指纹信息的室内被动定位方法
本专利技术涉及室内定位
，具体是一种基于CSI指纹信息的室内被动定位方法。
技术介绍
随着社会的发展和科技的进步，基于位置的服务已经成为人们生活中必不可少的一部分。基于WiFi的室内定位系统由于其设备成本低、易部署等优点，成为近年来室内定位研究的热点。传统的WiFi室内定位方法一般采用接收信号强度(RSS)作为参量，但RSS作为MAC层信息，仅仅是各个子载波接收信号强度的简单叠加，容易受到墙壁、家具等外界因素的干扰，影响定位精度。随着OFDM技术和MIMO技术在WiFi标准的应用，使得获取物理层的信道状态信息(CSI)成为可能，CSI较RSS是一种反映信道状态更加细颗粒度的参量，使用CSI代替RSS作为指纹信息，可以提高定位精度。信道状态信息是基于物理层的信息，描述了各个子载波接收信号的幅值和相位两个特征。在现有技术中，大多数基于CSI的室内定位方法都利用CSI的幅值信息，原因在于，虽然我们能够从Intel5300网卡中获取到CSI的相位信息，但是因为误差等原因，获取到的原始相位往往是随机杂乱分布的，并不能直接用来作为指纹信息；而幅值信息又很容易因其他设施的阻碍而大幅度下降，从而影响定位精度。
技术实现思路
针对上述问题，本专利技术提供一种基于CSI指纹信息的室内被动定位方法。一种基于CSI指纹信息的室内被动定位方法，包括离线训练阶段和在线定位阶段，采用CSI相位信息作为指纹信息，所述离线训练阶段至少包括以下步骤：步骤1、对划分好的指纹点采集CSI数据，对其CSI的原始相位信息进行线性变换以消除相位偏移，得到修正后的相位信息作为样本数据，建立CSI指纹库；步骤2、利用集成学习算法(即adaboost算法)对样本数据进行权重训练，得到一个强分类器；所述在线定位阶段至少包括以下步骤：步骤3、采集待测点CSI数据，对其CSI的原始相位信息进行线性变换以消除相位偏移，得到修正后的相位信息作为待测数据，并输入步骤2中的强分类器中得到分类结果；步骤4、对待测点的分类结果进行统计，选取所有分类结果中最多的r个分类结果，标记位置坐标为Lr(x,y)，其中r＝1,2,…,R，标记对应的分类结果数量分别n1,n2,…,nR，标记r个分类结果的总数为N＝n1+n2+…+nR，则每个坐标Lr(x,y)在这N个结果的概率pr＝nr/N，根据概率分布对r个分类结果的坐标(x,y)分别进行加权回归得到最终输出坐标进一步的，所述步骤1中的线性变换式为其中代表第i个子载波修正后的相位，代表第i个子载波未修正的相位，wavei代表第i个子载波的索引值，A、b分别代表线性变换的两个参数，进一步的，所述步骤2具体包括以下步骤：S1、将CSI指纹库分成训练样本和验证样本，初始化训练样本的权值分布，使得每一个训练样本都被赋予相同的权值wi＝1/N，训练样本的权值初始分布满足D1(i)＝(w1,w2,…,wN)＝(1/N,1/N，…,1/N)；S2、对训练样本输入多个分类器中，进行分类器训练，得到训练好的多个弱分类器；S3、将验证样本输入训练好的弱分类器中获得各个分类器的分类结果；S4、选取一个当前错误率最低的弱分类器作为第t个基本分类器Ht，其中t＝1,2,…,T，并计算该弱分类器Ht在分布Dt上的误差为S5、计算该弱分类器Ht在最终分类器中所占的权重S6、更新训练数据集的权值分布其中Zt为归一化常数，S7、按照弱分类器Ht的权重αt组合各个弱分类器,即S8、通过符号函数sign得到一个强分类器本专利技术充分利用WiFi环境中的有效信息，将CSI相位信息作为指纹信息进行室内被动定位，通过集成学习算法提高匹配准确率，再对匹配结果进行置信回归，提高了室内被动定位的精度。附图说明图1为实施例1的场景俯视图；图2为本专利技术原理框图。具体实施方式下面结合附图和具体实施例对本专利技术作进一步详细的说明。本专利技术的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本专利技术限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本专利技术的原理和实际应用，并且使本领域的普通技术人员能够理解本专利技术从而设计适于特定用途的带有各种修改的各种实施例。实施例1由于在室内环境中，信号受到多径的影响，使用单一的信号与距离的映射关系进行三边测量法难以达到高精度的定位，微软研究院首次在WiFi室内定位系统RADAR中提出指纹定位法，将RSSI的样本数据称之为无线地图或者位置指纹。指纹定位法将终端在待估计位置和该位置采集到的无线信号(RSSI或CSI)进行关联，比较无线信号的信号特征指纹信息进行目标位置估计。指纹定位法分为离线训练阶段和在线定位阶段，以CSI信号为例。离线训练阶段是采集多个AP的CSI，对CSI信息进行处理，主要包括幅值和相位的分析，实现位置和CSI间的映射，建立无线地图(MP)和CSI指纹库；在线定位阶段将用户终端实时的CSI值进行处理后与MP进行匹配，得到位置信息，实现定位。本专利技术公开了一种基于CSI指纹信息的室内被动定位方法，包括以下步骤：一、分别使用TL-WDR6500无线路由器和Intel5300网卡作为本实施例WiFi信号的发送端和接收端。二、在一定区域内选取4×4分布的16个点，见图1圆点，每个点选取200个数据，共计200×16个数据作为指纹点并标注相应的标签。三、对划分好的指纹点采集CSI数据，对其CSI的原始相位信息进行线性变换以消除相位偏移，得到修正后的相位信息作为样本数据，建立CSI指纹库；其中线性变换式为其中代表第i个子载波修正后的相位，代表第i个子载波未修正的相位，wavei代表第i个子载波的索引值，A、b分别代表线性变换的两个参数，四、利用adaboost算法对样本数据进行权重训练，得到一个强分类器，具体包括以下步骤：1.将CSI指纹库分成训练样本和验证样本，初始化训练样本的权值分布，使得每一个训练样本都被赋予相同的权值wi＝1/N，训练样本的权值初始分布满足D1(i)＝(w1,w2,…,wN)＝(1/N,1/N，…,1/N)；2.对训练样本输入多个分类器中，进行分类器训练，得到训练好的多个弱分类器；3.将验证样本输入训练好的弱分类器中获得各个分类器的分类结果；4.选取一个当前错误率最低的弱分类器作为第t个基本分类器Ht，其中t＝1,2,…,T，并计算该弱分类器Ht在分布Dt上的误差为5.计算该弱分类器Ht在最终分类器中所占的权重6.更新训练数据集的权值分布其中Zt为归一化常数，7.按照弱分类器Ht的权重αt组合各个弱分类器,即8.通过符号函数sign得到一个强分类器五、采集待测点CSI数据，待测点见图1三角形，对其CSI的原始相位信息进行线性变换以消除相位偏移，得到修正后的相位信息作为待测数据，并输入步骤2中的强分类器中得到分类结果；线性变换式同指纹点CSI相位变换。六、对待测点的分类结果进行统计，选取所有分类结果中最多的4个分类结果，标记位置坐标为Lr(x,y)，其中r＝1,2,3,4，标记对应的分类结果数量分别n1,n2,n3,n4，标记4个分类结果的总数为N＝n1+n2+n3+n4，则每个坐标Lr(x,y)在这N个结果的概率pr＝nr/N，本文档来自技高网...

【技术保护点】
1.一种基于CSI指纹信息的室内被动定位方法，包括离线训练阶段和在线定位阶段，其特征在于，采用CSI相位信息作为指纹信息，所述离线训练阶段至少包括以下步骤：步骤1、对划分好的指纹点采集CSI数据，对其CSI的原始相位信息进行线性变换以消除相位偏移，得到修正后的相位信息作为样本数据，建立CSI指纹库；步骤2、利用adaboost算法对样本数据进行权重训练，得到一个强分类器；所述在线定位阶段至少包括以下步骤：步骤3、采集待测点CSI数据，对其CSI的原始相位信息进行线性变换以消除相位偏移，得到修正后的相位信息作为待测数据，并输入步骤2中的强分类器中得到分类结果；步骤4、对待测点的分类结果进行统计，选取所有分类结果中最多的r个分类结果，标记位置坐标为Lr(x,y)，其中r＝1,2,…,R，标记对应的分类结果数量分别n1,n2,…,nR，标记r个分类结果的总数为N＝n1+n2+…+nR，则每个坐标Lr(x,y)在这N个结果的概率pr＝nr/N，根据概率分布对r个分类结果的坐标(x,y)分别进行加权回归得到最终输出坐标

【技术特征摘要】
1.一种基于CSI指纹信息的室内被动定位方法，包括离线训练阶段和在线定位阶段，其特征在于，采用CSI相位信息作为指纹信息，所述离线训练阶段至少包括以下步骤：步骤1、对划分好的指纹点采集CSI数据，对其CSI的原始相位信息进行线性变换以消除相位偏移，得到修正后的相位信息作为样本数据，建立CSI指纹库；步骤2、利用adaboost算法对样本数据进行权重训练，得到一个强分类器；所述在线定位阶段至少包括以下步骤：步骤3、采集待测点CSI数据，对其CSI的原始相位信息进行线性变换以消除相位偏移，得到修正后的相位信息作为待测数据，并输入步骤2中的强分类器中得到分类结果；步骤4、对待测点的分类结果进行统计，选取所有分类结果中最多的r个分类结果，标记位置坐标为Lr(x,y)，其中r＝1,2,…,R，标记对应的分类结果数量分别n1,n2,…,nR，标记r个分类结果的总数为N＝n1+n2+…+nR，则每个坐标Lr(x,y)在这N个结果的概率pr＝nr/N，根据概率分布对r个分类结果的坐标(x,y)分别进行加权回归得到最终输出坐标2.根据权利要求1所述的基于CSI指纹信息的室...

【专利技术属性】
技术研发人员：江寅，朱传瑞，
申请(专利权)人：安徽磐众信息科技有限公司，
类型：发明
国别省市：安徽,34