【技术实现步骤摘要】
本专利技术涉及无线室内定位，尤其涉及一种基于多模态融合和深度学习的无线室内定位方法及系统。
技术介绍
1、指纹定位通常包括两个阶段：离线阶段和在线阶段。在离线阶段，人工收集来自一个区域中所有参考点及其对应位置的指纹信息，比如采集整个商场或是教学楼的无线信道数据，并形成指纹数据库。然后设计一种算法来将指纹信息与其对应的位置进行匹配，如经典的加权k近邻（wknn）算法、机器学习算法等。在在线阶段，一旦收集到用户的指纹信息，就使用该算法来确定用户的位置。因此在整个无线定位的过程中，指纹信息提取和算法设计变得至关重要。已有的大部分专利技术所使用的指纹是基于rss和csi的指纹，在经过去噪等预处理后送入定位算法中。现有专利技术中的定位算法，主要包含加权k近邻，支持向量机，高斯过程回归，全连接神经网络，卷积神经网络等。一方面，通过通道状态信息等方法在定位点获取的指纹数据与环境密切相关，即使我们采用一些对时间和空间不那么敏感的指纹，比如csi，但是当环境出现了较大变化的时候，如城市结构或行人车辆移动的变化时，同一点的指纹数据会有所不同。因此，传统的基于指纹的无线室内定位专利技术的性能就被大大的限制，因为现有的专利技术所设计的系统不仅在指纹提取上仅仅采用了1种指纹，没有进行多种指纹的综合提取，同时所设计的模型很难具备迁移的能力，因此现有的专利技术在实际的部署中往往面对各种挑战。另一方面，尽管深度学习或者其他机器学习方法在提高定位精度方面表现良好，但在处理包括多个复杂环境的广阔的室内区域时，会遇到不小的问题，大量的训练开销和复杂的训练任务往往导致
技术实现思路
1、专利技术目的：本专利技术的目的是提供了一种基于多模态融合和深度学习的无线室内定位方法及系统，提取多种指纹数据进行多模态融合，并且设计了一个卷积神经网络进行后续的指纹定位。为了提高模型在不同区域中的泛化能力，我们通过元学习中的maml算法去训练整个神经网络，以实现模型的快速训练，提高模型应对复杂环境的能力。
2、技术方案：本专利技术所述的一种基于多模态融合和深度学习的无线室内定位方法，包括以下步骤：
3、（1）确定室内区域指纹参考点rp之间的间隔并划分子区域；
4、（2）在每个参考点处采集信道状态信息，计算无线信号的功率时延以及角度到达；
5、（3）构建多模态信息融合和卷积神经网络架构并将功率时延以及角度到达输入到模型进行训练；
6、（4）利用元学习加速网络训练和部署并提升定位精度。
7、进一步的，步骤（1）具体如下：设置每个指纹参考点rp之间的间隔为1m-5m；子区域划分为：把每100-500个参考点组成一个小区域。
8、进一步的，步骤（2）中，采集信道状态信息包括：csi的幅值和相位信息；公式如下：
9、；
10、其中，表示csi信息的幅值，则指示了信道状态信息的相位；
11、针对无线信号的功率时延，设无线信道可以被建模为公式如下：
12、；
13、其中，表示在ofdm系统中的子载波数，表示无线信号传输过程中的多经的条数，表示在该条多径上的路径增益，表示载波频率；指示了信道的相位，表示由于接收端等间隔采样造成的延迟；则所提取的功率时延公式如下：
14、；
15、其中，表示第p条多径上的采样延迟；将计算信道的功率时延作为一组指纹信息；
16、信道的角度到达公式如下：
17、；
18、其中，表示傅里叶变换矩阵，表示同时服务该用户的无线接入点数量。
19、进一步的，步骤（3）包括以下步骤：
20、（31）将csi的幅值信息，相位信息，功率时延以及角度到达作为定位点的指纹信息即输入数据；
21、（32）构建多模态信息融合和卷积神经网络架构，包括：三层卷积神经网络；具体流程如下：输入数据首先各经过一个卷积核大小是，步长为2，不补零的卷积核，接着经过一个批次归一化层和relu激活函数层；然后所有的输出数据会共同被送入一个卷积核大小是，步长为1，不补零的卷积核，接着经过一个批次归一化层和relu激活函数层；再次经过基于basic block的卷积神经网络；
22、其中，basic block的卷积神经网络包含4个basic block层，在每个basic block中，引入快捷连接；每个basic block包含两个卷积层，每个卷积层后面经过一个批次归一化层和relu激活函数层，卷积核大小均为，步长随着网络深度的增加而增加；
23、（33）构建多模态信息融合和卷积神经网络架构的损失函数，公式如下：
24、；
25、其中，代表所有的参考定位点，表示参考定位点的真实位置，代表整个神经网络；
26、（34）通过随机梯度下降优化器来训练整个神经网络实现室内的指纹定位。
27、进一步的，步骤（4）具体如下：设 是神经网络的损失函数，是每个训练任务的损失函数， 是整个网络训练过程中的任务数，是网络的初始化模型参数，是在maml训练每一个任务过程中模型在该任务收敛后的参数，是maml在训练完个任务之后网络的参数，则得到基于任务的maml的元学习的模型参数的损失函数公式如下：
28、；
29、其中，和 都通过如下的公式来进行更新：
30、；
31、；
32、其中，和分别表示外循环和内循环的学习率；表示模型在全部任务上损失函数的梯度； 表示模型在每个任务上损失函数的梯度；
33、利用以下公式来找到最佳参数：
34、；
35、在找到最优值后，可以将测试任务馈送到用参数初始化的网络中进行微调，并可以导出模型的最终性能。
36、本专利技术所述的一种基于多模态融合和深度学习的无线室内定位系统，包括：
37、指纹参考点模块：用于确定室内区域指纹参考点rp之间的间隔并划分子区域；
38、采集模块：用于在每个参考点处采集信道状态信息，计算无线信号的功率时延以及角度到达；
39、神经网络模块：用于构建多模态信息融合和卷积神经网络架构并将功率时延以及角度到达输入到模型进行训练；
40、元学习模块：用于利用元学习加速网络训练和部署并提升定位精度。
41、进一步的，指纹参考点模块中，具体如下：设置每个指纹参考点rp之间的间隔为1m-5m；子区域划分为：把每100-500个参考点组成一个小区域。
42、进一步的，采集模块中，采集信道状态信息包括：csi的幅值和相位信息；公式如下：
43、；
44、其中，表示csi信息的幅值，则指示了信道状态信息的相位；
45、针对无线信号的功率时延，设无线信道可以被建模为公式如下：
46、；
47、其中，表示在ofdm系本文档来自技高网...
【技术保护点】
1.一种基于多模态融合和深度学习的无线室内定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多模态融合和深度学习的无线室内定位方法，其特征在于，步骤（1）具体如下：设置每个指纹参考点RP之间的间隔为1m-5m；子区域划分为：把每100-500个参考点组成一个小区域。
3.根据权利要求1所述的一种基于多模态融合和深度学习的无线室内定位方法，其特征在于，步骤（2）中，采集信道状态信息包括：CSI的幅值和相位信息；公式如下：
4.根据权利要求1所述的一种基于多模态融合和深度学习的无线室内定位方法，其特征在于，步骤（3）包括以下步骤：
5.根据权利要求1所述的一种基于多模态融合和深度学习的无线室内定位方法，其特征在于，步骤（4）具体如下：设 是神经网络的损失函数，是每个训练任务的损失函数， 是整个网络训练过程中的任务数，是网络的初始化模型参数，是在MAML训练每一个任务过程中模型在该任务收敛后的参数，是MAML在训练完个任务之后网络的参数，则得到基于任务的MAML的元学习的模型参数的损失函数公式如下：
6.一
7.根据权利要求6所述的一种基于多模态融合和深度学习的无线室内定位系统，其特征在于，指纹参考点模块中，具体如下：设置每个指纹参考点RP之间的间隔为1m-5m；子区域划分为：把每100-500个参考点组成一个小区域。
8.根据权利要求6所述的一种基于多模态融合和深度学习的无线室内定位系统，其特征在于，采集模块中，采集信道状态信息包括：CSI的幅值和相位信息；公式如下：
9.根据权利要求6所述的一种基于多模态融合和深度学习的无线室内定位系统，其特征在于，神经网络模块中，包括以下步骤：
10.据权利要求6所述的一种基于多模态融合和深度学习的无线室内定位系统，其特征在于，元学习模块中，具体如下：
...【技术特征摘要】
1.一种基于多模态融合和深度学习的无线室内定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多模态融合和深度学习的无线室内定位方法，其特征在于，步骤（1）具体如下：设置每个指纹参考点rp之间的间隔为1m-5m；子区域划分为：把每100-500个参考点组成一个小区域。
3.根据权利要求1所述的一种基于多模态融合和深度学习的无线室内定位方法，其特征在于，步骤（2）中，采集信道状态信息包括：csi的幅值和相位信息；公式如下：
4.根据权利要求1所述的一种基于多模态融合和深度学习的无线室内定位方法，其特征在于，步骤（3）包括以下步骤：
5.根据权利要求1所述的一种基于多模态融合和深度学习的无线室内定位方法，其特征在于，步骤（4）具体如下：设 是神经网络的损失函数，是每个训练任务的损失函数， 是整个网络训练过程中的任务数，是网络的初始化模型参数，是在maml训练每一个任务过程中模型在...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。