一种基于CSI针对多体态用户的室内无源定位方法技术

本发明专利技术公开了一种基于CSI针对多体态用户的室内无源定位方法，属于无线感知技术领域，所述方法包括：首先利用解耦VAE模型学习图像样本的特征分布，生成人工样本模拟不同体态用户的特征数据；其次提取CSI三根天线的幅值和相位差数据赋给图像的三通道组成RGB图像，以获得更丰富的空间物理信息；最后基于五层神经网络建立定位模型以估计空间位置。本发明专利技术将CSI定位转为图像分类问题，用数据增广的方式实现了对不同体态用户的稳定定位，精简了模型复杂度，降低了运算难度，提高了CSI定位的鲁棒性。性。性。

【技术实现步骤摘要】
一种基于CSI针对多体态用户的室内无源定位方法


[0001]本专利技术属于无线感知
，具体是涉及一种基于CSI的，针对多体态用户的室内无源定位方法。

技术介绍

[0002]随着智能家居理念的迸发和物联网技术的蓬勃发展，室内定位的需求已然出现在各类现实场景中，因为WIFI存在成本低、部署方便，穿透性好等特点，所以基于WIFI的无源定位近些年逐渐兴起。
[0003]得益于CSI
‑
Tool工具包的发布，通过修改网卡驱动，研究人员可以从商用WIFI设备中获得信道状态信息(Channel State Information,CSI)，CSI含有的信道物理层信息记录了每个子载波的振幅和相位，拥有较好的时间分辨率和空间分辨率，更好地描述信号从发射端到接收端的通信链路属性，反映出信号在室内环境中传播时出现的反射、衍射等多径信息，揭示出散射、环境衰减、功率衰减等信道信息，具有更细的粒度，因此基于CSI的室内定位研究逐渐成为了主流，多数尝试通过支持向量机(Support Vector Machine,SVM)，神经网络等判别式模型分析定位信息在信号中的固定表征，实现无源定位的目标。
[0004]但由于WIFI信号是对空间整体物理层面的反应，不仅记录了室内空间的信息，同时也记录了定位主体的体态身形等信息，现有研究大多针对某一特定用户进行实验，即使定位精度优秀也具有一定的局限性，当用户身高体重发生变化时，在身体形态不同的状况下，对信号引起的遮挡和穿透影响将发生改变。而由于CSI数据细粒度的特点，基于固定特征进行分析的判别式模型在遇到这种情况时，往往系统的定位精度需求与稳定性将急剧下降，以往研究为了解决该问题亦或是通过不断采集新用户数据，维护指纹库更新，亦或是加深网络增强算力，以较长的耗时换取精度，都过于复杂并且费时费力。
[0005]生成式模型不同于判别式模型，其参数估计的目的不是通过提取特征来建立输入输出之间的映射，而是学习训练数据的分布，从而模型在应用阶段能够生成与训练数据相似的样本，通常这些样本与真实样本极为相似。经典的生成式模型主要有生成对抗网络(Generative Adversarial Networks,GAN)与变分自编码器(Variational auto
‑
encoder，VAE)两大类，GAN基于判别器网络优化生成器，使生成器产生的数据分布直接拟合训练数据，并不对分布有强制要求，存在着模式崩溃、难以训练等缺点；而VAE基于显式的分布映射，强制性把数据拟合到有限维度的混合高斯分布上，因此VAE对特征的可解释性更佳，模型参数能较好地描述原始特征的分布，而近年来诸多变体VAE的出现使得该模型在可解释性和重构真实性上都有着更优的性能。
[0006]如何利用VAE模型可解释性好及重构真实性强的特点，并结合CSI丰富的信道状态信息，来实现不同体态用户的室内定位，达到模拟真实数据省去维护指纹库的精力，并提升定位精度，以更简单地方式提升CSI室内无源定位的稳定性和适用性，目前还没有这方面的研究。

技术实现思路

[0007]为解决上述问题，本专利技术提供一种基于CSI针对多体态用户的室内无源定位方法，从指纹库的角度入手，以生成式模型模拟现实空间的特征分布，解耦并学习映射特征，生成人工样本模拟真实数据，从而弥补了传统方式在进行定位工作时受用户体态变化影响较大的不足之处；将CSI定位转为图像分类问题，用数据增广的方式实现了对不同体态用户的稳定定位，精简了模型复杂度，降低了运算难度，提高了CSI定位的鲁棒性。
[0008]本专利技术所述的一种基于CSI针对多体态用户的室内无源定位方法，其步骤为：
[0009]步骤1、获取室内在有人和无人情况下的CIS指纹数据，构建现有指纹库；
[0010]步骤2、基于现有指纹库，利用beta
‑
VAE生成式模型，生成模拟多种体态用户的人工CSI样本，扩充指纹库样本数量；
[0011]步骤3、对步骤2扩充后得到CSI数据预处理，并将预处理后的CSI数据转换为RGB图像，作为定位决策样本；
[0012]步骤4、构建卷积神经网络，输入RGB图像进行定位决策。
[0013]进一步的，步骤1的具体步骤为：
[0014]步骤1
‑
1、在目标定位区域选择多个标记点，测量区域布局并计算各标记点间距离，配置无线路由器放置在区域角落，作为信号接收端和发送端，采集室内无人场景时的CSI指纹数据；
[0015]步骤1
‑
2、不同体态的用户依次站在区域中的标定点位，在每个用户标定同时采集接收端的数据，从中提取出CSI信息的幅值与相位数据；
[0016]步骤1
‑
3、对采集到的无人场景的CSI指纹数据及不同体态用户的CSI指纹数据进行稳定性计算，筛选掉对定位场景不敏感的天线对。
[0017]进一步的，步骤1
‑
3具体为：无线路由器有3x3个天线对，各天线对的误差相互独立，计算各天线对上CSI数据在用户进行定位前后的变化程度，筛选出变化程度大、对人体敏感的子载波序号构成指纹。
[0018]进一步的，步骤2具体为：
[0019]步骤2
‑
1、定义采集有限用户数据为现有指纹库，使用指纹库所有数据训练beta
‑
VAE生成式模型，生成人工样本，通过预先设定损失函数进行训练收敛；将用户的不同体态与CSI信号特征进行高维映射，在迭代中使模型逐渐学习到体态变化对CSI特征的影响，实现特征解耦；
[0020]步骤2
‑
2、采样高斯噪声分布，人工调整分布范围，输入beta
‑
VAE生成式模型，生成模拟多种体态用户的人工CSI样本，扩充指纹库样本数量。
[0021]进一步的，步骤2
‑
1具体为：
[0022]步骤2
‑1‑
1、训练编码器，映射指纹数据为正态分布，降维输出二维隐变量模拟均值方差；
[0023]步骤2
‑1‑
2、训练解码器，从指纹数据正态分布随机采样，经解码器升维输出人工样本；
[0024]步骤2
‑1‑
3、设定信息熵瓶颈，为兼顾重构真实性与可解释性，使用退火策略修改损失函数权重，重复上述步骤直至迭代次数，训练网络参数收敛稳定。
[0025]进一步的，步骤3具体为：
[0026]步骤3
‑
1、使用Hampel滤波器对CSI幅值数据滤波，去除离群异常点；
[0027]步骤3
‑
2、根据天线排列将相位作差得到相位差数据，排出载波偏移误差；
[0028]步骤3
‑
2、将指纹库CSI向量的幅值和相位差信息根据子载波数量划分数据包，切割出数据矩阵，放缩至0
‑
255灰度值，分布赋予三通道构成灰度子图，灰度图组合构成RGB图像，作为定位决策样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CSI针对多体态用户的室内无源定位方法，其特征在于，所述方法步骤为：步骤1、获取室内在有人和无人情况下的CIS指纹数据，构建现有指纹库；步骤2、基于现有指纹库，利用beta
‑
VAE生成式模型，生成模拟多种体态用户的人工CSI样本，扩充指纹库样本数量；步骤3、对步骤2扩充后得到CSI数据预处理，并将预处理后的CSI数据转换为RGB图像，作为定位决策样本；步骤4、构建卷积神经网络，输入RGB图像进行定位决策。2.根据权利要求1所述的一种基于CSI针对多体态用户的室内无源定位方法，其特征在于，步骤1的具体步骤为：步骤1
‑
1、在目标定位区域选择多个标记点，测量区域布局并计算各标记点间距离，配置无线路由器放置在区域角落，作为信号接收端和发送端，采集室内无人场景时的CSI指纹数据；步骤1
‑
2、不同体态的用户依次站在区域中的标定点位，在每个用户标定同时采集接收端的数据，从中提取出CSI信息的幅值与相位数据；步骤1
‑
3、对采集到的无人场景的CSI指纹数据及不同体态用户的CSI指纹数据进行稳定性计算，筛选掉对定位场景不敏感的天线对。3.根据权利要求2所述的一种基于CSI针对多体态用户的室内无源定位方法，其特征在于，步骤1
‑
3具体为：无线路由器有3x3个天线对，各天线对的误差相互独立，计算各天线对上CSI数据在用户进行定位前后的变化程度，筛选出变化程度大、对人体敏感的子载波序号构成指纹。4.根据权利要求1所述的一种基于CSI针对多体态用户的室内无源定位方法，其特征在于，步骤2具体为：步骤2
‑
1、定义采集有限用户数据为现有指纹库，使用指纹库所有数据训练beta
‑
VAE生成式模型，生成人工样本，通过预先设定损失函数进行训练收敛；将用户的不同体态与CSI信号特征进行高维映射，在迭代中使模型逐渐学习到体态变化对CSI特征的影响，实现特征解耦；步骤2
‑
2、采样高斯噪声分布，人工调整分布范围，输入beta
‑...

【专利技术属性】
技术研发人员：杜金锴，章丁祥，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：