[发明专利]一种基于生成式对抗网络的毫米波室内定位方法及系统

权利要求书

1.一种基于生成式对抗网络的毫米波室内定位方法，其特征在于，包括以下步骤：

S1、获取若干终端随机位置角度观测数据，产生对应的真实样本；

S2、将终端随机位置向量输入到生成器，生成器生成对应的生成样本；

S3、将步骤S1产生的真实样本和步骤S2生成的生成样本同时输入到判别器，训练判别器的神经网络，使真实样本的输出为1，生成样本的输出为0；采用误差BP算法计算目标函数关于各层网络参数的梯度，采用迭代梯度上升法微调全局参数，优化判别器，采用迭代梯度上升法微调全局参数如下：

其中，为判别器自编码网络连接第m层第i个神经元与第m+1层第j个神经元的权重，β为梯度上升算法的学习率，为偏导，J为判别器目标函数，为逻辑回归层权值矩阵，ω为自编码网络权值矩阵，b为自编码网络偏置矩阵，为自编码网络第m层第j个神经元的偏置；判别器的目标函数如下：

其中，表示判别器对真实样本的输出，表示判别器对生成样本的输出；

S4、将生成样本输入步骤S3优化后的判别器，通过生成器使生成样本经过判别器的输出为1；

S5、反复迭代训练判别器和生成器，通过优化调整判别网络参数和生成器AP位置参数，使判别器获得真实数据与生成数据的最优区分能力，生成数据具有与真实数据相同的分布特征；将最优生成器的参数作为估计的AP位置，完成毫米波室内定位，生成器生成具有真实数据同样特征的角度向量数据，将角度向量数据的参数收敛到最优解作为真实的AP位置，通过最小化代价函数搜索方法估计平面位置，通过最小化代价函数搜索方法估计该平面位置，具体为：

其中，为终端位置估计值，p_n为任意终端位置坐标，为AP位置估计值，为终端位置p_n处关于AP位置的差分到达角观测值，为观测差分到达角集合。

2.根据权利要求1所述的方法，其特征在于，步骤S1中，在室内环境中采集多个终端位置的多径到达角信息θ_l(p_n)，其中p_n表示终端随机位置，l＝1,2,3,...表示真实AP与由真实AP产生的墙面镜像AP，计算任意两AP之间的差分到达角真实样本向量定义为

3.根据权利要求1所述的方法，其特征在于，步骤S2具体为：将终端随机位置向量输入到生成器，根据位于位置的AP与位于位置的目标终端之间的差分到达角和差分出发角满足的关系，生成任一平面随机位置上对应任一AP位置组合的角度向量数据如下：

其中，为终端位置在AP位置组合a₁,a₂,...,a_L下由生成器得到的生成样本。

4.根据权利要求3所述的方法，其特征在于，位置的AP与位于位置的目标终端之间的差分到达角满足关系如下：

。

5.根据权利要求1所述的方法，其特征在于，步骤S4中，采用已有迭代梯度下降法更新生成器参数a₁,a₂,…,a_L如下：

其中，l＝1,2,…L，η是梯度下降算法的学习率。

6.一种基于生成式对抗网络的毫米波室内定位方法系统，其特征在于，包括：

真实样本模块，获取若干终端随机位置角度观测数据，产生对应的真实样本；

生成样本模块，将终端随机位置向量输入到生成器，生成器生成对应的生成样本；

判别器模块，将真实样本模块产生的真实样本和生成样本模块生成的生成样本同时输入到判别器，训练判别器神经网络，使真实样本的输出为1，生成样本的输出为0；采用误差BP算法计算目标函数关于各层网络参数的梯度，并采用迭代梯度上升法微调全局参数，作为判别器的第一次优化，采用迭代梯度上升法微调全局参数如下：

其中，为判别器自编码网络连接第m层第i个神经元与第m+1层第j个神经元的权重，β为梯度上升算法的学习率，为偏导，J为判别器目标函数，为逻辑回归层权值矩阵，ω为自编码网络权值矩阵，b为自编码网络偏置矩阵，为自编码网络第m层第j个神经元的偏置；判别器的目标函数如下：

其中，表示判别器对真实样本的输出，表示判别器对生成样本的输出；

优化模块，将生成样本单独输入判别器模块优化后的判别器，通过优化生成器使生成样本经过判别器的输出为1；

定位模块，反复迭代地依次训练判别器和生成器，通过优化调整判别网络参数和生成器AP位置参数，达到判别器获得真实数据与生成数据最优区分能力，使生成数据具有与真实数据相同的分布特征；将最优生成器的参数作为估计的AP位置，完成毫米波室内定位，生成器生成具有真实数据同样特征的角度向量数据，将角度向量数据的参数收敛到最优解作为真实的AP位置，通过最小化代价函数搜索方法估计平面位置，通过最小化代价函数搜索方法估计该平面位置，具体为：

其中，为终端位置估计值，p_n为任意终端位置坐标，为AP位置估计值，为终端位置p_n处关于AP位置的差分到达角观测值，为观测差分到达角集合。