买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：天津工业大学

摘要：本发明属于室内领域，涉及一种基于多模态GAN的CSI室内定位方法。该方法以实现低成本、高精度的室内定位为目的，步骤为：获取CSI数据，从中提取平均振幅、相位差及CIR振幅分布中心矩三类数据特征；通过KCCA算法将多维数据融合构建为图像；使用GAN网络对图像和类别标签组成的数据集进行图像扩充与训练；通过一种基于谱聚类的多图像定位算法实现位置估计。本发明的特点是，通过构建低采集成本、高指纹区分度的CSI多维图像并利用GAN网络进行图像扩充与训练实现室内定位，提升了定位性能的稳定性，有效降低了由噪声和信息丢失引起定位误差，能够满足室内定位应用场景中的高精度、低成本要求。

主权项：1.一种基于多模态GAN的CSI室内定位方法，其具体步骤如下：步骤1：以装载Intel5300无线网卡的笔记本电脑为基础构建定位系统，使用搭载2.4GHz的Wi-Fi设备的移动机器人平台在室内环境中的各参考测试点处采集信道状态信息ChannelStateInformation，CSI数据，并从中提取振幅信息和相位信息，CSI第i个子载波可以表示为CSIi＝|CSIi|expj∠CSIi，其中第i个子载波的振幅信息可以表示为|CSIi|，相位信息可以表示为∠CSIi；步骤2：提取信道脉冲响应ChannelImpulseResponse，CIR振幅的第一至第四中心矩：均值μ、标准差σ、偏度s以及峰度κ来增加数据维度和提高定位系统稳定性，其中均值μ，其表示归一化CIR的平均幅度，对于标准差σ，其用于衡量单个CIR与平均值的差额，对于偏度s，其又称偏态系数，是统计数据分布偏斜方向和程度的度量，定义为对于峰度κ，其用于表征概率密度分布曲线在平均值处峰值高低的特征数，定义为其中|hi|表示CIR的第i个样本的归一化幅度，L表示样本数量，对于每一个参考测试点，生成多条初始样本，对于单个样本，其可以表示为其中hNT表示第N个子载波上的T组CSI测量值，包括振幅信息、相位信息和CIR中心矩信息；步骤3：使用核典型相关分析KernelCanonicalCorrelationAnalysis，KCCA算法对每个样本中的CSI向量进行数据挖掘，对于振幅向量xa和相位向量yp，首先通过线性核函数将振幅信息和相位信息映射到高维特征空间，其分别表示为ΦA：xa→ΦAxa和ΦP：yp→ΦPyp，并优化典型变量u＝wA，ΦAxa和v＝wP，ΦPyp使两种特征信息的相关系数最大，随后为使用核方法，需引入正则化的拉格朗日函数分别对u和v求导并令其导数为零，可以得到和并将和分别记作向量c和向量d，由此可以得到wA＝ΦA’c和wP＝ΦP’d，然后引入核函数KA＝ΦA′ΦA和KP＝ΦP′ΦP，可得到对应引入正则项的拉格朗日函数，同样令其导数为零，可以得到和并将其矩阵化后可以得到和进而可以得到KOγ＝λKDγ，并推导出KD-1KOγ＝λγ，其中λ为振幅和相位的皮尔逊相关系数，最后通过求解特征值的方式得到最大相关系数，并对该系数进行优化，计算出振幅和相位的投影向量将其作为CSI特征信息；步骤4：通过步骤3对多维CSI信息进行处理，可以获取振幅与相位、振幅与CIR振幅中心矩和相位与CIR中心矩三组高度相关的CSI特征信息，随后将其融合构建CSI多维图像，最后将定位区域各参考测试点位置处构建的CSI多维图像以及图像类别标签组成总训练数据集输入到对抗生成网络GenerativeAdversarialNetworks，GAN中；步骤5：利用GAN网络的生成模型对CSI多维图像进行重建和扩充，该模型网络由一个简单的神经网路组成，包括一个输入层、一个隐藏层以及一个输出层，且隐藏层中包含四个神经元，在其输入层中输入随机噪声数据并将其输出的生成样本输入至网络的判别模型中，通过判别模型返回的误差更新生成模型网络参数其中m为在噪声数据中随机提取的训练样本个数，Gz表示生成模型网络的输出，Dx表示判别模型中判别器网络的输出，重复该流程直至判别模型的输出为1，并将此时对应的输出图像作为指纹信息；步骤6：利用判别模型中的预判别器将CSI多维图像和随机生成的假数据输入至其中进行预先判断训练，进而对判别器网络权重参数w和偏置参数b进行初始化，该模型网络由一个输入层、三个隐藏层和一个输出层的神经网络组成，且每个隐藏层包含四个神经元，随后将CSI多维图像和生成模型中输出的生成样本输入至判别模型的判别器中，将返回值大于0.5的数据判别为真，反之判别为假，随后在其输出层中通过Relu激励函数得到网络的输出，并通过学习率不断衰减策略和梯度下降方法对网络参数进行迭代更新其中m为在CSI多维图像中随机提取的样本个数；步骤7：将待测位置构建的M张图像输入至网络中，定位区域的训练测试点的数量表示为K，则网络的输出为大小为K×M的矩阵O，通过该矩阵来选择R个候选位置，并计算该位置的加权平均值作为待测目标的估计位置，首先，在矩阵O的每一列中选择网络输出中的R个最大输出位置索引，构建大小为R×M的矩阵S，随后计算矩阵S中所有位置索引的出现频率，得到R个最大位置索引，最后通过计算R个选定位置的加权平均值来估计待测目标位置，其可表示为其中pi为位置i索引的权重，li为第i个训练位置。

全文数据：

权利要求：

百度查询： 天津工业大学 一种基于多模态GAN的CSI室内定位方法