[发明专利]一种密度峰值异常检测方法及智能无源室内定位方法

说明书

本发明公开了一种密度峰值异常检测方法及智能无源室内定位方法，通过K最近邻的参数自适应快速密度峰值异常检测算法对信道状态信息测量值的异常振幅进行检测，将处理后的CSI振幅值转换成RGB图像，利用卷积神经网络，实现智能无源室内定位的过程。

技术领域

本发明涉及智能信息处理技术领域，特别涉及一种参数自适应快速密度峰值异常检测方法及一种基于信道状态信息的智能无源室内定位方法。

背景技术

位置信息在无线网络中至关重要，包括技术和应用要求。室内定位技术是基于位置信息服务技术的核心技术。随着智能设备和无线技术的迅速发展，室内定位技术越来越具有广泛的应用，例如目标跟踪，机器人导航，医疗保健管理和活动识别等。室内定位的研究可分为基于设备的室内定位和无源室内定位。基于设备的定位需要可穿戴的传感器或能进行跟踪任务的设备。但是，无源定位的目标不受任何跟踪设备的影响，具有成本低，功耗低，隐私性好，方便等优点。用于室内定位的无源WIFI感应在家庭和办公室的医疗，安全和保障中具有巨大的潜在应用。因此，无源室内定位吸引了学术界和工业界的大量研究兴趣。

在此背景下，提高无源室内定位的精度具有越来越重要的意义。与接收信号强度相比，信道状态信息简称CSI，是物理层的子载波级信道测量，它包含更丰富的信息，并且对时变和多径效应不那么敏感。在IEEE 802.11n标准中，当无线设备以高通模式工作时，可以在信道状态信息字段中轻松获得信道状态信息。信道状态信息测量值是一个复数，它表示天线特定子载波上的信道状况，包含有关频带内每个子载波的信息，并提供了提高定位精度的可能性。

传统的基于信道状态信息的室内定位方法都需要特征的手动提取和具有专门知识的计算。近年来，深度学习技术得到了广泛的探索，并取得了巨大的成功，尤其是在计算机视觉领域。卷积神经网络作为深度学习算法的典型应用，具有局域连接，权重共享的特点，无需手动选择特征功能。它可以减少权重的数量和网络模型的复杂度，因此在图像处理中具有良好的应用效果。借助卷积神经网络，可以从高维，大规模基于信道状态信息的位置图像中提取丰富的指纹特征，包括时间跨度和天线分集，这有助于提高定位精度。

发明内容

本发明目的：为解决目前无源室内定位精度不高的问题，本发明提出了一种参数自适应快速密度峰值异常检测方法及一种基于信道状态信息的智能无源室内定位方法，通过K最近邻的参数自适应快速密度峰值异常检测算法对信道状态信息测量值的异常振幅进行检测，将处理后的CSI振幅值转换成RGB图像，利用卷积神经网络，实现智能无源室内定位的过程。

技术方案：一种参数自适应快速密度峰值异常检测方法，包括以下步骤：

步骤1：利用信道状态信息测量值的幅值构建样本数据集X＝(x₁,x₂,...,x_n)；数据集中任意样本的K个最近邻定义为：

式中，d(x_i,x_j)为任意样本x_i与其他样本的欧式距离，表示当d(x_i,x_j)按升序排列时任意样本x_i所对应的第k个距离的样本；

样本间局部密度定义为：

式中，exp()为指数函数，d_c是截止距离参数；

步骤2：在样本间局部密度的信息熵最小的情况下，通过求解最优化问题确定最优截止距离参数将最优截止距离参数代入样本间局部密度公式，获得最优局部密度

步骤3：基于最优局部密度和K最近邻域内最大距离可得到基于K最近邻的参数自适应快速密度峰值异常检测算法的振幅异常值判决规则：