申请/专利权人：北京工业大学

申请日：2020-04-27

公开（公告）日：2024-07-05

公开（公告）号：CN111428819B

主分类号：G06F18/2411

分类号：G06F18/2411;G06F18/214;G01C21/20

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2020.08.11#实质审查的生效;2020.07.17#公开

摘要：一种基于堆叠稀疏自编码网络和SVM的CSI室内定位方法，解决复杂环境下信道的不确定衰落影响了数据稳定性；Wi‑Fi多天线结构使CSI数据维度高，占用存储空间大等问题。本发明将指纹定位方案中融入表示学习思想，压缩指纹库体积的同时进一步提升CSI室内定位系统的运行效率与精确度。在指纹定位离线阶段，搭建并训练SSAE特征提取网络，尽量保证CSI初始指纹数据无损的同时提取深层有效特征，保留编码模型后建立离线指纹数据库，训练SVM分类模型；在线阶段，通过保存的SSAE编码模型对实时采集的CSI数据进行稀疏编码，使用SVM分类器对目标位置完成实时估计。分类器输出定位结果取加权平均后，解得目标实时位置。

主权项：1.一种基于堆叠自编码网络和SVM的CSI室内定位方法，其特征在于，包括：指纹定位离线阶段，在室内参考点处采集CSI数据并进行预处理，联合CSI幅值与相位信息生成初始指纹数据；使用初始指纹数据训练SSAE进行指纹特征提取，生成CSI稀疏指纹编码，得到所有参考点处CSI稀疏指纹后结合参考点物理坐标建立指纹数据库，并保存编码网络模型；训练SVM分类器，进行参数调优，并保存分类器模型；指纹定位在线阶段，通过采集设备实时采集CSI并进行预处理，使用保存的SSAE编码器模型转换为实时CSI稀疏编码，随后通过核SVM分类器进行实时物理坐标解算；所述离线阶段的CSI数据采集与预处理，包括：在每个室内参考点，以50ms为间隔，使用采集设备将收发设备间CSI数据包以二进制文件形式保存在本地；解析CSI幅值信息与相位信息，对CSI幅值使用Hampel滤波算法进行异常值处理，将每秒采集的数据包为间隔设置滑动窗口，当数据与窗口中位数相差大于2倍中值绝对误差时，判为异常值并替换为窗口中位数；随后对相位信息通过线性变换进行校正，假设在当前标准协议下OFDM系统将信道划分为S个子载波，设第i个子载波的采集相位为则线性变换后第个子载波相位表示为： 预处理后幅值与相位信息经归一化，联立成CSI初始指纹，形式为fp＝[a11,a12,...,acr,p11,p12,...,pcr]；其中a为天线对幅值，p为天线对相位，c、r分别为收发设备天线数量；初始指纹库特征空间维度为c×r×S；所述训练SSAE进行指纹提取所用方法为：1贪心逐层预训练确定至少一个隐层的深度神经网络层数，随后使用粒子群优化算法确定各层神经元个数，适应度函数设置为样本重构误差，进而搭建全连接的神经网络结构；将初始CSI定位指纹输入网络，当前隐层建立编码-解码结构，生成临时稀疏自动编码器；设置激活函数为sigmoid函数；对临时稀疏自编码器的损失函数，使用绝对均方误差体现指纹向量编码前、后的重构误差，选择KL散度Kullback-LeiblerDivergence稀疏度评价标准；则最终损失函数JSAEW,b表示为： xi为第i个训练样本，yi为第i个解码输出，m为指纹样本总数，DKL为KL散度函数，β为稀疏项系数；p为稀疏常数，用于代表期望的稀疏分布；qj表示编码器输出值中第j个特征的平均激活度；使用反向传播算法训练临时稀疏自编码器，当重构误差收敛至全局最小值时结束训练，保留编码部分的权值矩阵，保留编码部分输出向量作为SSAE下一隐层的输入；重复上述步骤，直到SSAE各隐层全部预训练完成；2微调建立与编码网络呈镜像结构的解码网络，层间权值设置为预训练阶段编码网络各全连接层权值矩阵转置，作为初始化参数；随后直接对整体深度网络进行反向传播迭代训练，当指纹解码数据与输入数据的重构误差收敛至全局最小值结束该阶段；训练后舍弃解码网络结构，保留SSAE编码网络部分；所述训练SVM分类器所用方法为：使用稀疏指纹库内指纹数据训练SVM分类器；寻找超平面，最大化异类支持向量与超平面的间隔；训练采用网格搜索和交叉验证，找到使分类误差最小的SVM关键参数松弛参数C、核函数k；训练完成后保留分类器模型；所述指纹定位在线阶段包括：CSI实时采集与预处理，SSAE实时稀疏编码输出，SVM实时目标位置解算；所用方法为：确保与离线状态使用相同的无线接入点，使用采集设备在室内范围内实时采集信号收发设备间的CSI数据包；幅值滤波与相位校正的方法与离线阶段一致；经过归一化后，指纹形式同样为fp＝[a11,a12,...,acr,p11,p12,...,pcr]；实时CSI初始指纹输入离线状态保存的SSAE编码网络，得到实时CSI的稀疏编码；最后将上述处理好的数据使用离线阶段保存的SVM分类器模型进行坐标匹配，匹配结果经加权平均后输出目标位置物理坐标。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于堆叠自编码网络和SVM的CSI室内定位方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD