[发明专利]基于CSI与众包迁移自校准更新的位置指纹定位方法

说明书

一种基于CSI与众包迁移自校准更新的位置指纹定位方法，通过众包参与者频繁地更新有位置标签的位置指纹，由服务器通过基于深度迁移学习的算法重建指纹与位置之间的关系，即更新神经网络的参数，通过更新后的神经网络在在线测试阶段实现更为精确的定位精度。本发明通过算法建立位置指纹定CSI和室内参考点(RP)之间的映射关系，利用相邻时间收集的CSI数据的相似性，基于迁移学习算法将在旧领域学习过的模型应用于新领域。提高模型的泛化性能，从而提高定位精度。

技术领域

本发明涉及的是一种无线定位领域的技术，具体是一种基于CSI与众包迁移自校准更新的位置指纹定位方法，适用于LTE/NR等其他无线通信系统。

背景技术

现有基于Wi-Fi的室内定位技术一般有三角定位法和位置指纹法等。虽然位置指纹法定位一般需要消耗一定的人力来构建指纹库，但是定位精度相对较高。而位置指纹定位中，指纹库的构建也面临着各种条件，这个过程是耗时、劳动密集并且易受环境变化影响的。信息采集通常需要专业的测量员来测量。现有的室内定位方法，通过预先收集室内各个区域的CSI数据作为离线指纹库用于深度神经网络训练，并采用训练后的深度神经网络对待测试的CSI数据进行识别，通过基于概率向量的用户位置测试方法实现室内精确定位。但这些技术维护成本过高且无法实时更新指纹库和定位模型，从而导致定位精度较差。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于CSI与众包迁移自校准更新的位置指纹定位方法，在训练阶段，通过算法建立位置指纹定CSI和室内参考点(RP)之间的映射关系，利用相邻时间收集的CSI数据的相似性，基于迁移学习算法将在旧领域学习过的模型应用于新领域。提高模型的泛化性能，从而提高定位精度。

本发明是通过以下技术方案实现的：

本发明涉及一种基于CSI与众包迁移自校准更新的位置指纹定位方法，通过众包参与者频繁地更新有位置标签的位置指纹，由服务器通过基于深度迁移学习的算法重建指纹与位置之间的关系，即更新神经网络的参数，通过更新后的神经网络在在线测试阶段实现更为精确的定位精度。

所述的众包参与者频繁地更新有位置标签的位置指纹，通过栅格区域A_m内对采集到的CSI数据进行平均来更新位置指纹H(A_m，T_n+1)，从而消除随机测量误差。

所述的神经网络，包括五个卷积层和一个平均池化层，该神经网络使用具有softmax输出的Fc层来提供归一化概率。

技术效果

与现有技术相比，本发明具有更高的精确度和更好的系统鲁棒性；具有较少的新收集的数据；具有较低的计算复杂度；具有较快的在线测试速度；具有较低的成本。

附图说明

图1为本发明系统示意图；

图2为本发明深度迁移学习网络的结构示意图；

图3为实施例实验环境示意图；

图4为实施例不同算法的定位距离误差的CDF示意图；

图5为实施例新收集数据占不同百分比的定位误差CDF示意图。

具体实施方式

如图1所示，为本实施例涉及一种基于CSI与众包迁移自校准更新的位置指纹定位方法，通过众包参与者频繁地更新有位置标签的位置指纹，由服务器通过基于深度迁移学习的算法重建指纹与位置之间的关系，即更新神经网络的参数，通过更新后的神经网络在在线测试阶段实现更为精确的定位精度，具体包括：