[发明专利]一种利用CSI多径及机器学习的室外指纹定位方法

说明书

本发明公开了一种利用CSI多径及机器学习的室外指纹定位方法，接收端在小区内获取多条可分辨的多径信号，对多径信号进行数据收集和预处理获得离线多径CSI数据并进行分组与编号，在离线阶段对分组的多径CSI数据进行分层训练，使得训练标签与网络输出的均方误差最小，采用softmax回归分类器，对训练后的数据进行回归分类，建立指纹库完成离线阶段训练，当接收到来自未知位置用户的CSI信息后，CSI信号经过神经网络正向传播与回归分类器，利用KNN算法对分类器的输出进行分类，挑选概率最大的K个位置进行加权平均计算得到用户的位置。本发明有效提高室外定位的精度，省时省力，效率高，适用范围广。

技术领域

本发明属于通信技术领域，具体涉及一种利用CSI多径及机器学习的室外指纹定位方法。

背景技术

随着对基于定位服务的应用需求急剧增长，精确的定位技术引起了人们的广泛关注。在室外环境中，GPS仍然占据主导地位，且在大多数应用场景下均能获得较好的定位精度。但众所周知GPS无法应用于室内定位，且在楼房、建筑密集的市区存在城市峡谷效应，这在一定程度上限制了GPS的应用范围。除此之外，还有GSM蜂窝网络定位与无线定位技术，前者应用范围更广，可以同时应用于室内与室外环境，但定位精度受到蜂窝网络半径的限制，通常有较大误差；后者通常都需要辅助设备，并且传播距离比较短，通常用在室内定位。

目前，相关领域的研究学者进行了深入的研究，特别是在无线定位领域，试图找到应用范围更广、定位精度更高的方法。总的来说，目前存在两大类无线定位技术，一是基于距离的定位技术，另一种是无需距离的定位技术。前者通过一定的测距技术，例如RSS、TOA、TDOA或AOA等方式，获取信标节点与目标节点之间的距离或者方位信息，而后利用三边测量法或者三角测量法对目标位置进行定位。但每种测距技术都建立在一定的理想条件之下，极易受到外界环境的影响，从而导致在某些情况下的误差较大。无需测距的定位技术通常有两种：信标定位与指纹定位。前者通常是利用信标节点之间相互通信，未知位置被确定为包含未知节点的信标节点所组成区域的质心。但一般情况下，信标节点的筛选比较复杂。

近年来兴起的指纹定位技术，因其高精度、低复杂度而受到了越来越多的关注。其本质是建立位置与信号或数据之间的映射图谱，将每个位置特征化，而后通过将未知位置的特征量与映射图谱进行对比，获取最匹配的位置信息。指纹定位方法通常可以分为离线训练与在线定位两个阶段。离线阶段需要从一个区域的所有数据样本中提取对应位置的特征量，组建指纹库；在线阶段则是将未知位置用户的数据信息与指纹库中特征进行对比，并通过一定的定位算法得到估计位置。

现有的指纹定位技术大多应用于室内环境，对于室外定位的研究较少。在室外指纹定位中，RSS及其组合形式因其简单易测，是最为常用的指纹特征量，但因为这是对信号的一种粗略描述，信息利用不充分，且极易受到阴影衰落等影响，有时定位精度较低。除此之外，不同的场景下需要不同的特征量，特征量的选取决定了定位性能，而人工设计选取特征量是费时费力且效率较低的。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种利用CSI多径及机器学习的室外指纹定位方法，同时设计了一种分层的系统结构，可以实现较高的定位精度。

本发明采用以下技术方案：

一种利用CSI多径及机器学习的室外指纹定位方法，接收端在小区内获取多条可分辨的多径信号，对多径信号进行数据收集和预处理获得离线多径CSI数据并进行分组与编号，在离线阶段对分组的多径CSI数据进行分层训练，使得训练标签与网络输出的均方误差最小，采用softmax回归分类器，对训练后的数据进行回归分类，建立指纹库完成离线阶段训练，当接收到来自未知位置用户的CSI信息后，CSI信号经过神经网络正向传播与回归分类器，利用KNN算法对分类器的输出进行分类，挑选概率最大的K个位置进行加权平均计算得到用户的位置。

具体的，离线CSI数据收集与预处理具体为：