一种基于图信号的室内定位无线电地图重构方法和系统技术方案

本发明专利技术提出了一种基于图信号的室内定位无线电地图重构方法和系统。通过将每个参考点建模为图的顶点，并将其无线电数据建模为图信号，首先开发了一个图信号模型，其中虚拟参考点及其无线电数据可以作为缺失顶点插值到无线电地图中。然后，探索所有真实和虚拟参考点之间的潜在空间结构，以找到图拉普拉斯算子，利用该图通过半监督图插值重建无线电地图。仿真实验证明，本发明专利技术提出的无线地图重建方法在定位精度方面取得了良好的性能，显示了基于图形的无线地图重建在基于深度学习的室内定位中的潜力。中的潜力。中的潜力。

【技术实现步骤摘要】
一种基于图信号的室内定位无线电地图重构方法和系统


[0001]本专利技术属于图信号处理领域，具体涉及一种基于图信号的室内定位无线电地图重构方法和系统。

技术介绍

[0002]室内定位是室内导航、建筑应急救援以及全球导航卫星系统(GNSS)难以访问的许多其他领域中基于定位的服务(LBS)的一项关键技术。对于许多室内定位场景，传统的基于距离的定位技术，包括到达时间(TOA)、到达时差(TDOA)、到达角(AOA)和接收信号强度(RSS)仍然适用。然而，基于距离的定位在很大程度上依赖于信号传播模型的准确性，这意味着精确定位通常需要视线(LOS)传播。相比之下，室内环境通常更加多样化和复杂，因此非视线传播(NLOS)是一种更常见的信道模型。在NLOS情况下，利用无线电指纹进行定位可以适应室内环境的不规则结构，并获得较高的定位精度。
[0003]基于指纹的定位一般分为离线训练和在线估计两个阶段。在离线训练阶段，在已知定位的参考点收集无线电指纹，形成环境的无线电地图。通常，接收信号强度指示器(RSSI)和信道状态信息(CSI)可以用作指纹。在这一领域，许多机器学习算法，如K
‑
最近邻(KNN)、人工神经网络(ANN)、支持向量机(SVM)、受限玻尔兹曼机都得到了广泛的应用。此外，由于无线电指纹和定位之间的关系基本上是非线性的，因此基于深度学习的定位在这一领域受到越来越多的关注。例如，深度神经网络(DNN)、卷积神经网络(CNN)和递归神经网络(RNN)已被提出用于无线电指纹的室内定位。最近，图形神经网络(GNN)也被考虑在这个领域。与传统的机器学习方法相比，基于深度学习的室内定位具有更高的定位精度。
[0004]离线阶段的无线电地图质量对室内定位的准确性有很大影响。直观地说，密度更高的无线电地图包含了环境电磁特性的更多细节，因此可以实现更精确的定位。此外，每个参考点应多次收集无线电样本，以获得更细粒度和可靠的数据。然而，在实践中，由于硬件、时间和劳动力的成本，参考点的数量非常有限。在一些大型建筑中，密集的场外调查的成本甚至太高，不切实际。同时，由于隐私/安全问题或部署限制，很难部署尽可能多的参考点来构建密集的无线电地图。其次，由于室内无线环境自然是时变的，无线电地图可能已经过时，而对大量参考点进行实时数据校准的成本是不现实的。总之，在参考点重复收集数据非常昂贵，因此收集的数据通常不是细粒度的。此外，尽管存在上述困难，但由于意外的硬件故障或传输损耗，高分辨率无线电地图仍然不可能，这使得无线电地图在空间或时间上不完整。在这方面，缺少无线电数据的不完整无线电地图是基于深度学习的室内定位的主要挑战之一。
[0005]无线地图构建或重建技术主要包括免校准数据采集、动态自适应方法、机器学习、深度学习和众包。其中免校准数据收集如QR
‑
Loc系统等难以实现密集的场景监控。改进的贝叶斯回归方法的核参数可以适应动态变化，但需要在每个AP旁边安装无线监视器，增加了设备成本。基于深度学习方法，大多采用生成对抗网络(GAN)来扩展真实数据，且网络需要经过大量的训练，这类方法主要集中在时间样本的指纹恢复和数据增强上，没有考虑到
空间上的增强。基于机器学习方法，如流形学习技术、高斯过程回归等虽然可以在空间上进行增强，很大程度上取决于参考点的数量和部署且存在过平滑问题，他们不是稀疏的，它们使用完整的样本信息进行预测，并且并非所有的样本信息都有助于预测。基于地理加权的RGWR需要提前测量对数距离模型，这很难在整个环境中准确获得，且对数路径损耗模型仍然不能准确描述复杂的RSS分布。基于众包的方法需要额外的用户干预，以充分利用移动设备的全面感知能力，而连续惯性测量单元(IMU)监测会消耗大量移动设备电池。

技术实现思路

[0006]本专利技术的目的在于克服上述现有技术的缺点，提供一种基于图信号的室内定位无线电地图重构方法和系统，以解决现有技术中无线电地图重建在空间上增强的缺陷，从而对室内定位的性能做出提升。
[0007]为达到上述目的，本专利技术采用以下技术方案予以实现：
[0008]一种基于图信号的室内定位无线电地图重构方法，包括以下步骤：
[0009]构建室内定位框架，获得室内初始无线电地图，所述室内初始无线电地图中缺失部分参考节点；
[0010]在初始无线电地图缺失部分参考节点处，填充虚拟参考节点，获得待重构的无线电地图，将待重构的无线电地图中参考节点视为图拓扑的节点，每一个参考节点上的指纹信息视为图拓扑节点上的信息；
[0011]通过图拉普拉斯半监督插值方法恢复图拓扑中每一个虚拟节点上的指纹信息；获得重构的无线电地图。
[0012]本专利技术的进一步改进在于：
[0013]优选的，在初始的无线电地图中其它位置填充若干个虚拟节点，通过图拉普拉斯半监督插值方法获得新重构的无线电地图；所述其他位置为先前重构的无线电地图中参考节点以外的位置。
[0014]优选的，通过RSS恢复精度分析评价重构的无线电地图；通过DNN神经网络评价新重构的无线电地图。
[0015]优选的，所述图拉普拉斯半监督插值方法恢复图拓扑中每一个虚拟节点上的信息过程为：建立反映图拓扑中所有节点的K近邻的加权邻接矩阵，所述加权邻接矩阵中的权重基于图拓扑中节点之间的位置关系；通过加权邻接矩阵建立拉普拉斯矩阵；基于拉普拉斯矩阵建立平滑度方程，将平滑度方程转化为求解图拓扑中缺失值的问题函数，求解所述问题函数后，完成虚拟节点上的信息恢复。
[0016]优选的，所述加权邻接矩阵为W
i,j
，图信号中，节点i和节点j的联系越紧密，则W
i,j
的值越大；
[0017][0018]其中，m
i,j
为K近邻的二值(0,1)邻接矩阵，如果节点j是节点i的K近邻节点，则m
i,j
＝1，否则为0；g
i,j
为节点对(i,j)之间的欧式距离。
[0019]优选的，所述缺失值的问题函数为：
[0020][0021][0022]其中，y为待恢复的信号，x
i
为剩余的参考节点，S
K
为剩余的参考节点的集合，L为拉普拉斯矩阵。
[0023]优选的，通过matlab的CVX工具箱求解缺失值的问题函数。
[0024]优选的，所述平滑度方程为：
[0025]TV(x):＝x
T
Lx＝∑
i≠j
W
ij
(x
i
‑
x
j
)2ꢀꢀꢀꢀꢀ
(2)
[0026]一种基于图信号的室内定位无线电地图重构系统，包括：
[0027]框架构建单元，用于构建室内定位框架，获得室内的初始无线电地图；
[0028]图拓扑建立单元，用于对初始无线电地图填充虚拟节点，获得待重构的无线电地图，将待重构的无线电地图中参考节点视为图拓扑的节点，每一个参考节点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图信号的室内定位无线电地图重构方法，其特征在于，包括以下步骤：构建室内定位框架，获得室内初始无线电地图，所述室内初始无线电地图中缺失部分参考节点；在初始无线电地图缺失部分参考节点处，填充虚拟参考节点，获得待重构的无线电地图，将待重构的无线电地图中参考节点视为图拓扑的节点，每一个参考节点上的指纹信息视为图拓扑节点上的信息；通过图拉普拉斯半监督插值方法恢复图拓扑中每一个虚拟节点上的指纹信息；获得重构的无线电地图。2.根据权利要求1所述一种基于图信号的室内定位无线电地图重构方法，其特征在于，在初始的无线电地图中其它位置填充若干个虚拟节点，通过图拉普拉斯半监督插值方法获得新重构的无线电地图；所述其他位置为先前重构的无线电地图中参考节点以外的位置。3.根据权利要求2所述一种基于图信号的室内定位无线电地图重构方法，其特征在于，通过RSS恢复精度分析评价重构的无线电地图；通过DNN神经网络评价新重构的无线电地图。4.根据权利要求1～3任意一项所述的基于图信号的室内定位无线电地图重构方法，其特征在于，所述图拉普拉斯半监督插值方法恢复图拓扑中每一个虚拟节点上的信息过程为：建立反映图拓扑中所有节点的K近邻的加权邻接矩阵，所述加权邻接矩阵中的权重基于图拓扑中节点之间的位置关系；通过加权邻接矩阵建立拉普拉斯矩阵；基于拉普拉斯矩阵建立平滑度方程，将平滑度方程转化为求解图拓扑中缺失值的问题函数，求解所述问题函数后，完成虚拟节点上的信息恢复。5.根据权利要求4所述一种基于图信号的室内定位无线电地图重构方法，其特征在于，所述加权邻接矩阵为W
i,j
，图信号中，节点i和节点j的联系越紧密，则W
i,j
的值越大；其中，m
i,j
为K近邻的二值(0,1)邻接...

【专利技术属性】
技术研发人员：李国兵，陈宇轩，谭一峰，张国梅，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：