[发明专利]一种基于CSI的幅值和相位信息的无源定位方法

说明书

本发明公开一种基于CSI的幅值和相位信息的无源定位方法，包括实验环境部署和数据采集，在室内部署一台无线路由器作为发射端，一台计算机作为接受机，设置n个测试点，由人站立在每个测试点50s，进行数据采集，采集到的数据建立指纹数据库S；数据预处理与特征融合，采用指纹数据库中的数据，分别对数据中的幅值和相位两个特征并行提取和预处理；通过Hampel滤波算法处理幅值信号特征，通过线性变换算法矫正相位信号特征，幅值信号特征和相位信号特征处理完后融合成特征矩阵；特征矩阵利用卷积神经网络进行模型训练，形成定位模型；利用定位模型进行测试点定位测试。本发明所提出的方法能够高精度感知用户所在位置，定位结果更加准确。

技术领域

本发明涉及室内定位技术领域，具体涉及一种基于CSI的幅值和相位信息的无源定位方法。

背景技术

现有的主流室内人员定位方法可分为两类，主动式定位和被动式定位方法。主动式定位方法包括基于摄像头的定位、基于可携带传感器的定位；被动式定位方法则不需要额外的接收设备通过捕获目标引起的无线信号变化就能检测到定位区域内的目标实体。基于接收信号强度(Received Signal Strength,RSS)的定位方法是应用最广泛的一种，因为它可以方便地访问现有的无线基础设施，然而RSS信号存在粒度粗、易受多径效应的影响等问题，容易导致定位误差偏大。近年来，研究人员尝试将多个子载波置于正交频分复用(OFDM)中，以获取更丰富的多径信息，构成信道状态信息(channel state information,CSI)。在2012年，PinLoc方案通过对各种室内场景的测试，验证了CSI幅值信号在室内定位中的可行性。之后，Zhou等人提出了一种基于CSI和支持向量机的无设备定位算法，将定位问题转化为回归问题，这个方法建立了CSI指纹与目标位置之间的非线性关系，能够根据对应的CSI指纹对目标位置进行估计。在2019年，Hsieh等人提出了CSI与RSS融合定位方法，比单一的使用CSI幅值信号或RSS信号在定位精度上得到了提高，但是由于多路径效应，采集点的RSS值会随着时间发生显著变化。误差可达10dB，导致定位系统精度较低。FIFS系统使用多个天线的加权来优化CSI的数值，达到减小误差的目的。Wang等人设计了一个稀疏的自动编码器网络，从无线信号中自动学习有区别的特征，并合并到一个基于softmax回归的机器学习框架中，用来同时实现位置、活动和手势识别，省去了传统方法耗时费力的特征挖掘过程，而且提取出更多的识别特征。Deep-Fi是基于深度学习的室内定位方法，此方法从三根天线中学习大量的CSI振幅数据，可以更好的提取各个信道的特征。PhaseFi是基于深度学习的校准信道状态信息(CSI)相位信息的室内定位指纹系统，此方法从网络接口卡中提取多个天线和多个子载波中的相位信息，可以更好的提取信道中有区别的相位特征。

现有技术存在的问题为：

1、对于基于RSS的定位方法，RSS信号的测量值是通过人体的反射、散射和衍射所产生的多条路径的RSS值求和实现的，因此，RSS测量不是一个稳定的测量方法；

2.对于PinLoc方案，定位目标需携带电子设备通过每个附近的AP(接入点)下载数据包记录对应的频道频率响应来进行定位，定位成本高且复杂；

3.对于Zhou等人的方案，①DBSCAN进行聚类去噪预处理，当每条天线采集的信号存在密度不均匀时，不能有效区分异常值导致聚类质量差；②而且由于依赖距离公式进行判别，对于高维数据，难以处理；③应用SVM回归是针对x坐标和y坐标单独回归比较复杂，不如x和y一起回归出预测定位坐标；

4.Hsieh方案，①采用分类进行定位，比回归定位性能差，而且仅能实现少量的数据量，对于定位目标点较多的数据库实现结果难以保证；②由于多路径效应，采集点的RSS值会随着时间发生显著变化，精度较低，因此结合RSS和CSI定位提高不明显；

5.FIFS系统，对多个天线加权来优化矫正CSI信号的幅值，可以减少误差，但是忽略了每个天线的数据的多样性，不如考虑直接使用多天线的数值融合来提高鲁棒性和多样性；