一种基于深度学习的毫米波室内定位方法与流程

本发明涉及室内定位
技术领域：
，更具体的，涉及一种基于深度学习的毫米波室内定位方法。
背景技术：
：随着通信事业尤其是个人移动通信的高速发展，无线电频谱的低端频率已趋饱和，因而无线通信向更高频段发展是必然的趋势。毫米波由于其频率高、频带宽，可以有效地解决高速宽带无线接入面临的许多问题，因而在短距离通信中有着广泛的应用前景。在众多的毫米波无线系统中，由于具有免执照即可使用的频谱资源、支持易小型化和集成化的元器件和高用户密度[1]，在60ghz频段运行的无线局域网(wirelesslocalareanetwork，wlan)越来越受到关注，成为未来无线通信技术中最具潜力的技术之一。毫米波除了用于通信，也可以提供室内定位服务[2]。这里提到的室内定位是指在室内环境中实现位置定位。当室内环境无法使用卫星定位时，使用室内定位技术作为卫星定位的辅助定位，可以解决卫星信号到达地面时较弱、不能穿透建筑物的问题。目前对于毫米波室内定位系统常用的定位方法有：基于接收信号强度的(receivedsignalstrengthindication，rssi)定位方法、基于到达时间(timeofarrival，toa)的定位方法、基于到达时间差(timedifferenceofarrival，tdoa)定位方法等[3,4]。但这些方法通常难以利用通信信号进行定位且需要使用专门的设备，如基于toa、tdoa的定位方法需要发射机和接收机都有精确的同步时钟，或者由于易受噪声影响而导致定位精度不高，如原始rss数据带有很多噪声。技术实现要素：本发明为克服现有的室内定位方法，存在需要专门的设备、易受噪声影响而导致定位精度不高的技术缺陷，提供一种基于深度学习的毫米波室内定位方法。为解决上述技术问题，本发明的技术方案如下：一种基于深度学习的毫米波室内定位方法，包括以下步骤：s1：离线收集采样点的真实位置坐标和来自多个无线接入点(accesspoint，ap)的接收信号，获取训练数据集；s2：对训练数据集进行预处理，得到预处理后的训练数据集；s3：将预处理后的接收信号作为深度神经网络dnn模型的输入，真实位置坐标为dnn模型的目标输出，对dnn模型进行离线训练；s4：在线实时采集接收信号，进行数据预处理后输入训练完成的dnn模型中，输出实时的位置坐标，完成毫米波的室内定位。上述方案中，本发明充分利用了多个无线接入点ap的接收信号，通过训练具有强大学习能力的深度神经网络，在具有噪声的环境下实现了较高精度的室内定位；同时，该定位方法只需在毫米波通信系统的接收机上增设归一化处理和一个dnn模块便可实现定位功能，设备成本低，便于推广使用。其中，所述步骤s1具体为：在需要定位的室内区域部署n个ap，这些ap通过时分复用或频分复用的方式进行工作，通过接收时间或频率不同区分不同ap发出的信号；在毫米波接收机所在平面上均匀地选取采样点，得到采样点的真实位置坐标；通过采样点收集来自各个ap的接收信号，完成训练数据集的获取。其中，所述步骤s2具体为：对来自各个ap的接收信号进行拆分实部虚部处理和归一化处理，在第i个采样点上，收集在该位置上接收到的来自于不同ap的经过归一化和拆分实部虚部处理的信号(yi,1,yi,2,λ,yi,n)以及该采样点位置(mi,ni)，对所有采样点都进行该采集操作，得到预处理后的训练数据集。其中，所述步骤s3具体为：将采集到的接收信号表示为x，x＝[x1,x2,...,xk]作为dnn模型的输入，则dnn模型全连接层的输出为：hw,b(x)＝wtx+b其中，w和b分别为dnn模型的权值参数和阈值参数；所述dnn模型训练目标是最小化损失函数，即真实位置坐标和估计位置坐标之间的平均和误差(meansumerror，mse)函数最小化，具体计算公式为：其中，j为训练样本，第i个训练样本的定位误差为dnn模型的输出，即dnn估计的第i个训练样本的位置坐标，(mi,ni)为期望的dnn模型的输出，即真实的第i个训练样本的位置坐标；dnn模型的训练采用反向误差传播算法，在反向误差传播算法中，对于每一个训练样本，先随机初始化权值和阈值参数，然后将归一化后的来自多个ap的接收信号提供给输入层神经元，并一层一层将信号向前传递，直到输出层产生输出值即dnn模型估计的位置坐标；再计算输出值和真实的位置坐标之间的误差，而后将误差逆向传播到隐藏层的神经元，最终根据隐藏层神经元计算得来的误差来调整权值和阈值参数；反向误差传播算法不断地迭代循环执行上述步骤，直到达到训练停止的条件，完成dnn模型的训练。其中，所述的dnn模型的隐藏层由五个模块连接而成；第一、第二、第三模块均有一个全连接层和激活函数组成，而第四、第五模块仅由一个全连接层，不使用任何激活函数。其中，所述步骤s4具体为：在待定位点处，收集部署各个ap经过fft处理的接收信号并进行拆分实部虚部处理、归一化处理，将处理后的接收信号输入训练完成的dnn模型中，实时输出待定位点的位置坐标。与现有技术相比，本发明技术方案的有益效果是：本发明提供的一种基于深度学习的毫米波室内定位方法，充分利用了多个无线接入点ap的接收信号，通过训练具有强大学习能力的深度神经网络，在具有噪声的环境下实现了较高精度的室内定位；同时，该定位方法只需在毫米波通信系统的接收机上增设归一化处理和一个dnn模块便可实现定位功能，设备成本低，便于推广使用。附图说明图1为本发明所述方法流程图；图2为本发明采用的毫米波室内定位系统结构示意图；图3为深度神经网络的结构示意图；图4为实施例中酒店大堂场景平面分布图；图5为在线阶段测试数据点的定位误差累计分布函数图。具体实施方式附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本发明的技术方案做进一步的说明。实施例1如图1所示，一种基于深度学习的毫米波室内定位方法，包括以下步骤：s1：离线收集采样点的真实位置坐标和来自多个无线接入点ap的接收信号，获取训练数据集；s2：对训练数据集进行预处理，得到预处理后的训练数据集；s3：将预处理后的接收信号作为深度神经网络dnn模型的输入，真实位置坐标为dnn模型的目标输出，对dnn模型进行离线训练；s4：在线实时采集接收信号，进行数据预处理后输入训练完成的dnn模型中，输出实时的位置坐标，完成毫米波的室内定位。在具体实施过程中，本发明充分利用了多个无线接入点ap的接收信号，通过训练具有强大学习能力的深度神经网络，在具有噪声的环境下实现了较高精度的室内定位；同时，该定位方法只需在毫米波通信系统的接收机上增设归一化处理和一个dnn模块便可实现定位功能，设备成本低，便于推广使用。更具体的，如图2所示，图2是基于深度学习的毫米波室内定位系统结构示意图，该系统采用了正交频分复用技术(orthogonalfrequencydivisionmultiplexing，ofdm)[5]，收集来自各个ap的经过快速傅里叶变换(fastfouriertransform，fft)处理的包括数据和导频的接收信号。这些接收信号在经过串并转换、均衡和解调处理后，能恢复发送端的数据比特，实现通信的功能；这些接收信号也可以用来获取位置信息，实现定位的功能。在具体实施过程中，本发明提出的基于深度学习的毫米波室内定位系统能够利用毫米波通信系统通信过程中产生的信号，提高了毫米波通信系统和室内定位系统的兼容性。实施例2更具体的，在实施例1的基础上，所述步骤s1具体为：在需要定位的室内区域部署n个ap，这些ap通过时分复用或频分复用的方式进行工作，通过接收时间或频率不同区分不同ap发出的信号；在毫米波接收机所在平面上均匀地选取采样点，得到采样点的真实位置坐标；通过采样点收集来自各个ap的接收信号，完成训练数据集的获取。更具体的，所述步骤s2具体为：对来自各个ap的接收信号进行拆分实部虚部处理和归一化处理，在第i个采样点上，收集在该位置上接收到的来自于不同ap的经过归一化和拆分实部虚部处理的信号(yi,1,yi,2,λ,yi,n)以及该采样点位置(mi,ni)，对所有采样点都进行该采集操作，得到预处理后的训练数据集。更具体的，所述步骤s3具体为：将采集到的接收信号表示为x，x＝[x1,x2,...,xk]作为dnn模型的输入，则dnn模型全连接层的输出为：hw,b(x)＝wtx+b其中，w和b分别为dnn模型的权值参数和阈值参数；所述dnn模型训练目标是最小化损失函数，即真实位置坐标和估计位置坐标之间的平均和误差(meansumerror，mse)函数最小化，具体计算公式为：其中，j为训练样本，第i个训练样本的定位误差为dnn模型的输出，即dnn估计的第i个训练样本的位置坐标，(mi,ni)为期望的dnn模型的输出，即真实的第i个训练样本的位置坐标；dnn模型的训练采用反向误差传播算法，在反向误差传播算法中，对于每一个训练样本，先随机初始化权值和阈值参数，然后将归一化后的来自多个ap的接收信号提供给输入层神经元，并一层一层将信号向前传递，直到输出层产生输出值即dnn模型估计的位置坐标；再计算输出值和真实的位置坐标之间的误差，而后将误差逆向传播到隐藏层的神经元，最终根据隐藏层神经元计算得来的误差来调整权值和阈值参数；反向误差传播算法不断地迭代循环执行上述步骤，直到达到训练停止的条件，完成dnn模型的训练。更具体的，如图3所示，所述的dnn模型的隐藏层由五个模块连接而成；第一、第二、第三模块均有一个全连接层和激活函数组成，而第四、第五模块仅由一个全连接层，不使用任何激活函数。更具体的，所述步骤s4具体为：在待定位点处，收集部署各个ap经过fft处理的接收信号并进行拆分实部虚部处理、归一化处理，将处理后的接收信号输入训练完成的dnn模型中，实时输出待定位点的位置坐标。在具体实施过程中，本发明首先在离线阶段收集采样点真实的位置坐标和来自多个ap接收信号，对接收信号进行拆分实部虚部、归一化处理，获得高质量的训练数据集；接着，以经过处理的接收信号作为dnn的输入，采样点的真实的位置坐标作为dnn的目标输出，训练用于室内定位的dnn模型；最后，对在线阶段采集到的接收信号并进行拆分实部虚部、归一化处理，并将处理后的接收输入到已训练好的dnn模型中，即可获得估计的位置坐标。实施例3为更充分地阐述本发明所具有的有益效果，以下结合仿真分析及结果，进一步对本发明的有效性和先进性予以说明。在仿真系统中，在如图4所示的20×15×6m3的酒店大堂设置了1个ap，并以10cm×10cm的密度在1.5m高度的平面上均匀采样训练数据点。信号以单输入单输出(singleinputsingleoutput，siso)方式为单个用户提供传输服务。系统所采用的子载波数为64，循环前缀长度为16，调制方式为4-正交振幅调制(4-quadratureamplitudemodulation，4-qam)。dnn的学习率为0.003，激活函数采用elu函数，其表达式为在具体实施过程中，为了评估该定位系统的定位性能，在在线阶段，以5cm×5cm的密度在1.5m高度的平面上均匀采样测试点并采集这些测试点处的接收信号，将信号输入到离线阶段所训练的dnn模型中，输出待定位点的估计位置坐标并求出估计坐标和真实坐标间的误差。在具体实施过程中，表1给出了在在线阶段，本发明所提出的基于深度学习的毫米波室内定位系统估计坐标和真实坐标间的平均和误差值。由表1可知，当使用64个导频子载波时，本发明所提出的定位系统的平均定位误差是1.7m。此外，当使用的导频子载波数量越多时，定位精度越高。表1在线阶段测试数据点的平均和误差值导频数量048163264平均和误差(m)6.73.62.62.11.91.7在具体实施过程中，图5给出了在在线阶段，该定位系统估计坐标和真实坐标间的误差累积分布函数(cumulativedistributionfunction，cdf)值。如图5所示，即使只使用4个导频子载波，75％以上的测试点能够实现低于5m的定位误差。由此可见，本发明所提出的定位系统在一定的噪声干扰下，能够实现较高的定位精度。显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。[1]n.moraitisandp.constantinou,“indoorchannelmeasurementsandcharacterizationat60ghzforwirelesslocalareanetworkapplications,”ieeetrans.antennaspropagat.,vol.52,no.12,pp.3180–3189,dec.2004.[2]a.kim,y.h.joo,andy.kim,“60ghzwirelesscommunicationsystemswithradio-over-fiberlinksforindoorwirelesslans,”ieeetrans.consum.electron.,vol.50,no.2,pp.517–520,may2004.[3]wang,jingjingandliang,xiulongandshi,weiandniu,qiunaandgulliver,taaronandliu,xing,“fingerprintinglocalizationbasedon60ghzimpulseradio,”inproc.ieeepacificrimconferenceoncommunications,computersandsignalprocessing,aug.2015,pp.491–495.[4]el-sayed,hazemandathanasiou,georgeandfischione,carlo,“evaluationoflocalizationmethodsinmillimeter-wavewirelesssystems,”inproc.ieee19thinternationalworkshoponcomputeraidedmodelinganddesignofcommunicationlinksandnetworks,dec.2014,pp.345–349.[5]sobaihi,khaledandhammoudeh,akramandscammell,david,“fpgaimplementationofofdmtransceiverfora60ghzwirelessmobileradiosystem,”inproc.internationalconferenceonreconfigurablecomputingandfpgas,dec.2010,pp.185–189.当前第1页12