【技术实现步骤摘要】
本专利技术属于定位导航领域，尤其涉及一种基于cwgan和神经网络的指纹库定位方法。
技术介绍
1、目前，5g的发展使其能够支持更高速率、更低延迟的定位，但数据采集成本高、室内接收信号波动仍然是制约5g的室内场景下高效、高精度定位的主要因素。
2、由于室内存在障碍物遮挡和金属屏蔽等，墙壁、地面、天花板以及其他障碍物会导致信号的反射和散射，信号的传播存在多径效应，在时间和空间维度表现出非平稳特性，这将导致室内定位精度的下降和一段时间内定位结果的抖动。对于上述情景，室内定位场景下利用深度学习的指纹库匹配算法已得到广泛应用，但深度学习模型的训练需要大量数据，而采集数据消耗的人力和时间成本巨大，这大大影响了5g室内场景定位的效率。
3、基于以上，本申请提供了解决以上技术问题的技术方案。
技术实现思路
1、针对现有技术中5g室内定位精度低、波动大、效率低的场景，本专利技术提供了一种基于cwgan和神经网络的指纹库定位方法，应用于5g室内场景，包括：
2、步骤s1、训练得到第一定位模型，包括：
3、步骤s11、获取并过滤离线指纹库，获得过滤后的离线指纹库，将滤波后的离线指纹库进行归一化，获得第一离线指纹库；构成所述离线指纹库的指纹为在定位区域的设备采集得到的5g基站主、邻小区的同步信号参考信号接收功率值ss-rsrp；
4、步骤s12、基于cwgan处理所述第一离线指纹库，所述cwgan学习第一离线指纹库的指纹的特征分布，并生成与第一离
5、步骤s13、合并所述第一离线指纹库和所述第二离线指纹库，得到合并离线指纹库；
6、步骤s14、获取cnn-lstm模型，将所述合并离线指纹库输入所述cnn-lstm模型，当所述cnn-lstm模型参数符合预设条件时，完成cnn-lstm模型的训练，得到第一定位模型；
7、步骤s2、采集测试点的指纹并按步骤s1进行数据处理；
8、步骤s3、将测试点处理后的指纹输入所述第一定位模型，所述第一定位模型输出测试点的预测坐标值。
9、优选的，步骤s11中的获取离线指纹库包括：
10、步骤s111、将定位区域划分为 n个网格，定位区域内5g基站的数量为 m个，设定每个网格的交点为参考点，获取每个参考点的指纹，所有参考点的指纹特征向量构成离线指纹库，；
11、其中，是由第 i个参考点在一定时间 t内接收到的所有5g基站的ss-rsrp构成的指纹，1≤ i≤n。
12、优选的，步骤s11中的过滤离线指纹库包括：
13、步骤s112、第 i个参考点的单次采样的指纹的特征向量表示为，删除中存在空值的向量，并筛选出ss-rsrp取值高于阈值的样本作为该参考点的指纹；
14、步骤s113、获取时间 t内接收的指纹的极值点，并根据所述极值点进行曲线插值得到上包络和下包络，并对所述上包络和所述下包络求平均，得到平均包络，并计算余下分量：
15、；
16、步骤s114、将作为新的信号重复步骤s113，直至极值点和过零点的数量之差不大于1，且在任何一点的最大值和最小值包络线的平均值为0，此时余下分量为一阶本征模态函数分量；
17、步骤s115、计算第一阶残差：；
18、令替代，重复步骤s113~步骤s114，直至残差为单调或不再振荡；
19、步骤s116、舍弃前 p阶本征模态函数分量，将剩余的所有本征模态函数分量累加得到该参考点滤波后的指纹，n为本征模态函数分量总数；
20、步骤s117、合并所有参考点的得到过滤后的离线指纹库。
21、优选的，步骤s11还包括：
22、步骤s118、对过滤后的离线指纹库的每一列进行归一化处理，第 k列归一化后的ss-rsrp值表示为，表示第 k列ss-rsrp的最小值，表示第 k列ss-rsrp的最大值，合并各列的结果构成归一化后的第一离线指纹库， normed表示归一化处理；
23、步骤s119、采用独热编码处理每个参考点的编号，对应的所有参考点的独热码：，其中，为第 i个样本对应的独热码，为样本总数。
24、优选的，cwgan包括生成器和判别器，生成器和判别器分别由多层感知机mlp和全连接fc层组成，步骤s12包括：
25、步骤s121、将所有参考点的独热码c作为先验条件，与随机噪声向量 z拼接作为所述生成器的输入，经过mlp、fc层后输出该参考点对应的增强的指纹；
26、步骤s122、获取判别器输入变量，所述判别器输入包括：从离线指纹库数据中采样的真实指纹与独热码 c拼接组成的向量、由生成器根据随机噪声生成的增强指纹与独热码 c拼接组成的向量；
27、步骤s123、将所述判别器输入变量输入mlp和fc层后，判别器对真实指纹和增强指纹输出一维的实数评分值
28、步骤s124、计算判别器的损失函数：
29、
30、生成器的损失函数：
31、
32、其中， z是服从标准正态分布的随机噪声向量，表示真实指纹的分布，为从分布中采样的真实样本；
33、步骤s125、通过反向传播算法bp迭代更新网络参数使得损失函数和最小化，当损失函数达到预设条件，结束cwgan训练，保存cwgan模型参数。
34、优选的，步骤s12还包括：
35、步骤s126、将每个参考点的独热码和随机噪声向量拼接，并输入cwgan，得到参考点对应的增强指纹；
36、步骤s127、将参考点坐标作为对应增强指纹的坐标，合并所有参考点的增强指纹，构成第二离线指纹库
37、优选的，步骤s13包括：
38、基于采集时间和生成顺序，将所述第一离线指纹库和所述第二离线指纹库中每个参考点的指纹分割成长度为 s的若干序列，并将所述第一离线指纹库和所述第二离线指纹库合并，得到合并离线指纹库。 本文档来自技高网...
【技术保护点】
1.一种基于CWGAN和神经网络的指纹库定位方法，应用于5G室内场景，其特征在于，包括：
2.根据权利要求1中所述的基于CWGAN和神经网络的指纹库定位方法，其特征在于，步骤S11中的获取离线指纹库包括：
3.根据权利要求2所述的基于CWGAN和神经网络的指纹库定位方法，其特征在于，步骤S11中的过滤离线指纹库包括：
4.根据权利要求3所述的基于CWGAN和神经网络的指纹库定位方法，其特征在于，步骤S11还包括：
5.根据权利要求4所述的基于CWGAN和神经网络的指纹库定位方法，其特征在于，CWGAN包括生成器和判别器，生成器和判别器分别由多层感知机MLP和全连接FC层组成，步骤S12包括：
6.根据权利要求5所述的基于CWGAN和神经网络的指纹库定位方法，其特征在于，步骤S12还包括：
7.根据权利要求6所述的基于CWGAN和神经网络的指纹库定位方法，其特征在于，步骤S13包括：
8.根据权利要求7所述的基于CWGAN和神经网络的指纹库定位方法，其特征在于，所述步骤S14包括：
9.
...【技术特征摘要】
1.一种基于cwgan和神经网络的指纹库定位方法，应用于5g室内场景，其特征在于，包括：
2.根据权利要求1中所述的基于cwgan和神经网络的指纹库定位方法，其特征在于，步骤s11中的获取离线指纹库包括：
3.根据权利要求2所述的基于cwgan和神经网络的指纹库定位方法，其特征在于，步骤s11中的过滤离线指纹库包括：
4.根据权利要求3所述的基于cwgan和神经网络的指纹库定位方法，其特征在于，步骤s11还包括：
5.根据权利要求4所述的基于cwgan和神经网络的指纹库定位方法，其特征在于，...
【专利技术属性】
技术研发人员：杨可欣，毛雪婷，赵昆，杨希超，薛元博，余超，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：
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。