一种智能反射表面辅助的指纹库室内定位方法

1.本发明属于无线通信技术领域，尤其涉及一种智能反射表面辅助的指纹库室内定位方法。


背景技术：

2.智能反射是一种新型的人工电磁材，它由大量相同结构的反射单元所构成。从微观上看，可以人为地控制每个反射单元的反射系数(相位、幅度)，使其对入射的电磁波独立施加可控影响；从宏观上看，可以协同控制所有反射单元，来改变反射波束的数量、方向、散射程度等。
3.在多输入单输出(multiple input single output,miso)的通信环境下，可以采用传统的最小二乘(least square,ls)方法估计总信道并利用信道分解和子信道估计的方法得到视距链路和基站-智能反射表面-用户级联链路的信道状态信息(channel state information,csi)。
4.一般的室内定位中，一般分为基于距离测量和无关距离的定位方法，其中后者的一个典型方法是指纹库算法。常见有基于接收信号强度指示(received signal strength indicator,rssi)的方法，但是当室内环境阻碍物多，可能会导致基站(base station，bs)和用户之间的视距链路受阻，信道路径损耗增大，定位性能受到影响，误差明显增大。


技术实现要素：

5.本发明目的在于提供一种智能反射表面辅助的指纹库室内定位方法,以解决当室内环境阻碍物多，可能会导致基站和用户之间的视距链路受阻，信道路径损耗增大，定位性能受到影响，误差明显增大的技术问题。
6.为解决上述技术问题，本发明的具体技术方案如下：
7.一种智能反射表面辅助的指纹库室内定位方法，含以下步骤：
8.步骤1：建立指纹库；
9.定义用户与基站之间的视距链路信道为hd，用户与智能反射表面之间的信道为hr，智能反射表面与基站之间的信道为g，以上信道模型均为单径时不变信道模型，则将g＝g*diag(hr)定义为用户、智能反射表面、基站三者之间的级联信道；
10.基站配备多天线，用户配备单天线，智能反射表面配备多个反射单元，在室内预先选取多个固定坐标点作为指纹库参考点；开启智能反射表面，用户在每个固定坐标点处的多个时隙发送导频，基站获取总链路的信道状态信息csi，记为csi-1；关闭智能反射表面，用户在每个固定坐标点处的多个时隙发送导频，获取不经过智能反射表面链路的信道状态信息csi，记为csi-2；经过智能反射表面的间接信道状态信息csi值由csi-1与csi-2作差计算得到，记为csi-3；每个时隙中重复获取csi-1，csi-2，csi-3的步骤，使结果满足统计概率分布；对上述3类信道状态信息csi取幅度信息，分别建立包含不经过智能反射表面的链路pd、经过智能反射表面反射的链路pr和总链路p三者得到信道状态信息csi指纹库；
11.步骤2：获取神经网络训练样本；
12.在室内随机选择q个坐标位置点，在每个位置处由用户发送导频，通过开关智能反射表面在基站处获取步骤1中提到的三条链路的信道状态信息csi，并与步骤1得到的信道状态信息csi指纹库中三类指纹信息分别进行相减运算，得到的差值进行平方，然后加权求和，得到求和结果最大的多个参考点的坐标位置，将其作为神经网络的输入，该点的实际坐标参数作为输出；重复步骤2的步骤q次，得到q组神经网络训练样本；
13.步骤3：训练神经网络；
14.步骤4：在线阶段，用户向基站发出定位请求；
15.基站回应并准备接收用户发送的导频，利用步骤2中方法获得三条链路的信道状态信息csi并取模值；
16.步骤1和步骤2都是获取三种链路的信道状态信息，区别是步骤1中事先选取好一些固定的点，在这些点处用户发送导频，基站接收并获取csi信息，只是多一个将他们存入指纹库的步骤，步骤2在随机的点重复获取到三条链路的csi信息，获取的方式是和步骤1类似的。这里利用步骤2的方法就是用户在当前位置处向基站发送导频信息，在基站处获得各链路的信道状态信息；
17.步骤5：将步骤4中得到的各信道模值与指纹库进行匹配，得到最匹配的数个点的坐标位置；
18.将可能的坐标位置点输入步骤3得到的神经网络进行计算，得到估计出的位置信息，定位完成。
19.进一步的，步骤3具体包括以下步骤：
20.对x-y-z三维空间坐标值分别进行多轮神经网络训练，由给定的可能的位置信息去估计实际位置信息；将估计得到的位置与步骤2中各点的实际位置相比，若测试点平均定位误差小于阈值d，则保存该组神经网络，否则重复本步骤。
21.进一步的，经过智能反射表面的链路的信道状态信息csi，不经过智能反射表面的链路的信道状态信息csi和总链路的信道状态信息csi之间的权重配比不是唯一的，不经过智能反射面的链路权重大于另外两者权重之和时定位性能好。
22.进一步的，减少步骤1中指纹库点的个数和步骤2中训练样本组数q，在提高定位效率的同时，能保持好的定位性能。
23.进一步的，步骤3中，神经网络使用的是bp神经网络或者是卷积神经网络cnn。神经网络训练的目的是找到定位坐标与可能位置坐标的关系，不局限于使用某种神经网络或者采取其它找出两者映射关系的方法。
24.本发明的一种智能反射表面辅助的指纹库室内定位方法，具有以下优点：
25.传统室内定位算法当室内环境复杂时会导致定位性能下降，定位误差增大。本方法通过智能反射面辅助建立指纹库，综合利用视距链路信道，级联信道及总信道的信道状态信息作为参考，同时应用误差逆向传播算法训练的多层前馈神经网络辅助训练进行定位，能够在室内环境复杂，视距链路受阻挡情况下仍然保持良好的定位性能。
附图说明
26.图1为本发明场景分布示意图；
27.图2为本发明多种方法的定位误差的累计分布函数曲线图；
28.图3为本发明是室内定位误差色差梯度图；
29.图4为本发明降低定位功耗(指纹库参考点个数)与定位性能关系图；
30.图5为本发明的流程示意图。
具体实施方式
31.为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种智能反射表面辅助的指纹库室内定位方法做进一步详细的描述。
32.一种基于神经网络的智能反射表面辅助的指纹库室内定位方法，包括以下步骤：
33.步骤1：建立指纹库。定义用户与基站之间的视距链路信道为hd，用户与智能反射面之间的信道为hr，智能反射面与基站之间的信道为g，以上信道模型均为单径时不变信道模型，则将g＝g*diag(hr)定义为用户、智能反射面、基站三者之间的级联信道。基站配备多天线，用户配备单天线，智能反射表面配备多个反射单元。在室内预先选取多个固定坐标点作为指纹库参考点，开启智能反射表面。用户在房间内发送导频，基站接收固定坐标点处的总链路的信道状态信息(channel state information,csi)，记为csi-1。关闭智能反射表面，重复以上操作，获取不经过智能反射表面链路信道的csi-2。经过智能反射表面的信道的csi-3值可以由以上两者计算得到。每个时隙中重复该步骤，使结果满足统计概率分布。对csi取幅度信息，分别建立包含不经过智能反射表面的链路pd、经过智能反射表面反射的链路pr和总链路p三者csi信息的指纹库。
34.步骤2：获取神经网络样本。在室内随机选择q个坐标位置点。在每个位置处由用户发送导频，通过开关智能反射面和数据处理在基站处获取步骤1中提到的三个链路的csi信息，并与步骤1得到的指纹库中的参考点的csi的信道幅度信息模值加权后进行综合比较，得到最匹配的数个点的坐标位置，将其作为神经网络的输入，该点的实际坐标参数作为输出。重复上述过程q次，得到输入为可能的坐标位置，输出为实际坐标位置的神经网络样本。
35.步骤3：训练神经网络。对x-y-z三维空间坐标值分别进行多轮神经网络训练，由给定的可能的位置信息去估计实际位置信息。将估计得到的位置与步骤2中各点的实际位置相比，如果测试点平均定位误差小于理想值d，则保存该组神经网络，否则重复本步骤。
36.步骤4：在线阶段，用户向基站发出定位请求。基站回应并准备接收用户发送的导频，利用类似步骤2中方法获得三条链路的csi信息。
37.步骤5：将步骤4中得到的各信道模值与指纹库进行匹配，得到最匹配的数个点的坐标位置。将可能的坐标位置点输入步骤3得到的神经网络进行训练，得到估计出的位置信息，定位完成。
38.一种通过智能反射面辅助建立指纹库进行室内定位的方法，它综合利用视距链路信道，级联信道及总信道的信道状态信息作为参考，同时应用误差逆向传播算法训练的多层前馈神经网络辅助训练进行定位，能够在室内环境复杂，视距链路受阻挡情况下仍然保持良好的定位性能。其具体包含如下步骤：
39.实施例一：
40.基站具有n
t
根天线，智能反射面具有m个反射单元，单个用户，用户有一根全向天线。房间大小为11m
×
11m，每隔0.5m取点作为指纹库参考点，总计n＝441个参考点。以房间
中心为原点建立坐标系，基站位置(-1m,-5.5m,1.5m)，智能反射面(-1m,-5.5m,3m)。用户，基站，智能反射面在房间内的位置分布如图一所示。本实例中设置n
t
＝8，m＝64。将用户到基站之间的视距链路信道建模为：
[0041][0042]
其中为基站处视距链路信号的到达角度，ld为信道路径数目，为导向矢量，αi(i＝0,1,
…
,l
d-1)表示对应的路径增益。
[0043]
将智能反射面与基站之间的信道建模为莱斯信道：
[0044][0045]
k1代表g的莱斯因子，代表视距链路分量，可表示为代表视距链路分量，可表示为代表视距链路分量，可表示为为导向矢量，θ
aoa,1
表示基站处的到达角，θ
doa,1
表示智能反射面处的离开角。代表非视距链路分量，其中的每个元素都服从均值为0，方差为1的独立复高斯分布。是αn的共轭转置。
[0046]
将用户与智能反射面之间的信道建模为莱斯信道：
[0047][0048]
k2代表hr的莱斯因子，代表视距链路分量，可表示为代表视距链路分量，可表示为代表视距链路分量，可表示为为导向矢量，θ
aoa,2
表示智能反射面处的到达角，θ
doa,2
表示用户处的离开角。代表非视距链路分量，其中的每个元素都服从均值为0，方差为1的独立复高斯分布。
[0049]
本实例中智能反射面反射系数矢量v0的幅度设置为1，相位设置为[0,π)内的随机角度。信道莱斯因子设置为k1＝k2＝10，将基站处的到达角、智能反射面的到达角和离开角均设置为服从[0,π)内均匀分布的随机角度。
[0050]
智能反射面不开启时，用户发送p轮导频xi(i＝1,2,...p)，指纹库中接收视距链路信道hd＝[h
d1
,h
d2
,...,h
dp
],其中h
di
(i＝1,2,...p)＝[h
di1
,h
di2
,...,h
din
]表示发送第i轮导频时，基站接收到n个参考坐标点的信号矢量，其中为第i轮导频时接收到第j个指纹库参考点各个天线视距链路信号矢量。本实例中p＝20。
[0051]
打开智能反射面，用户发送p轮导频xi(i＝1,2,...p)，基站接收总链路信道g＝[g1,g2,...,g
p
],其中gi(i＝1,2,...p)＝[g
i1
,g
i2
,...,g
in
]表示发送第i轮导频时，基站接收到n个参考坐标点信号矢量，其中为第i轮导频时接收到第j个指纹库参考点各个天线视距链路信号矢量。
[0052]
分别计算csi的模值信息，得到视距链路的模值信息pd＝[p
d1
,p
d2
,...,p
dn
],其中],其中总信道的模值信息p＝[p1,p2,...,pn],其中故由此可计算出经智能反射面的级联信道的模值信息pr＝[p
r1
,p
r2
,...,p
rn
],其中p
rj
(j＝1,2,...n)＝p
j-p
dj
。至此指纹库中的三种信道信息存储完成。
[0053]
步骤2：智能反射表面相移系数矩阵配置为μ，定义同时定义矩阵同时定义矩阵基站在l(l≥m+1＝65)个时隙中，每个时隙中调整相移为μ
l
并发送一轮导频信号，选取q个坐标位置[netloc1,netloc2,...,netlocq]
[0054]
netloci(i＝1,2,...,q)＝[netloc
1x
,netloc
1y
,netloc
1z
]为第i个点的坐标向量，在这q个点处接收信号。本实例中q＝1000定义总信道：
[0055]he,l
＝hd+g
[0056]
利用传统信道估计如ls方法得到总信道的l次估计通过信道分解和子信道估计方法,
[0057]
当∑满足一定条件时[1]得到视距链路信道hd与级联信道g的估计：
[0058][0059]
重复该步骤u次，使之满足统计概率分布，h
dnet
＝[h
dnet1
,h
dnet2
,...,h
dnetu
],h
dneti
(i＝1,2,...u)＝[h
dneti1
,h
dneti2
,...,h
dnetiq
]表示发送第i轮导频时，q个样本参考坐标点接收的信号矢量，其中为各个天线接收到的视距链路信号矢量。则视距链路的信道模值信息可以表示为＝[p
dnet1
，p
dnet2
，
…
，p
dnetq
]，其中同理，级联信道的模值信息可以表示为p
rnet
＝[p
rnet1
，p
rnet2
，
…
，p
rnetq
]，其中总信道的模值信息＝[p
net1
，p
net2
，...，p
netn
]，其中
[0060]
由之前得到的各类csi信息，定义第j(j＝1，2，...，q)个点的匹配矩阵matj＝[mat
j1
，mat
j2
，
…
，mat
jn
]，其中mat
ji
(i＝1，2，
…
n)＝λ1(p
dnetj-p
di
)2+λ2(p
rnetj-p
ri
)2+λ3(p
netj-pi)2，对matj进行排序，从小到大取m＝5个值，得到这m个值对应的指纹库参考点的坐标[loc
j1
，loc
j2
，...loc
jm
]，loc
ji
(i＝1，2，...，5)＝[loc
jix
，loc
jiy
，loc
jiz
]是包含指纹库三维坐标值的向量，并将之作为神经网络的输入，第j个点的坐标作为网络的输出。重复q次，神经网络样本获取完成。本实例中选取λ1＝4，λ2＝1，λ3＝2。
[0061]
步骤3：训练神经网络。本实例中采取的方式是对坐标点的各维度坐标值分别进行
神经网络训练，训练样本为[p loc1，p loc2，...，plocm，aloc]，其中ploci(i＝1，2，
…
m)＝[loc
1i
，loc
2i
，
…
，loc
qi
]
t
，aloc＝[netloc1，netloc2，...，netlocq]
t
，对训练样本中的x，y，z坐标值分别进行误差逆向传播算法的多层前馈神经网络训练，每次取训练样本中的作为测试集，剩余部分作为训练集，进行十折交叉验证，每次训练结果为估计的位置此时这点对应的实际位置为若平均误差
[0062][0063]
小于阈值d＝0.5m，则保存该网络为neti(i＝x，y，z)，分别对应各维坐标的神经网络，否则重复训练。
[0064]
步骤4：在线阶段，用户在当前位置向基站发出定位请求。基站回应并准备接收用户发送的导频，利用类似步骤2中方法获得三条链路的csi信息，并计算幅度信息且保存为estpd，estpr，estp.。
[0065]
步骤5：将步骤4中得到的各信道模值与指纹库进行匹配，匹配方式类似于步骤2，得到该点的匹配矩阵mat＝[mat1，mat2，...，matn]，其中mati(i＝1，2，
…
，n)＝λ1(estp
d-p
di
)2+λ2(estp
r-p
ri
)2+λ3(estp-pi)2，对mat进行排序，从小到大取m＝5个值，得到这5个值对应的指纹库参考点的坐标[loc1，loc2，
…
，loc5]，loci(＝[loc
ix
，loc
iy
，loc
iz
]是包含指纹库三维坐标值的向量，并将之作为神经网络的输入将可能的坐标位置点输入步骤3得到的神经网络neti(i＝x，y，z)进行训练，得到估计出的位置信息loc0＝(x0，y0，z0)，定位完成。图2给出了定位误差的累计分布函数(cdf)曲线。除本发明外，对比了两种传统的方法，其中一种是自适应加权(图2中标记为“自适应加权”)方法，定义权重得到定位结果为另一种方法是直接只选择定位误差最小的坐标点的为定位结果，(图2中标记为“最优匹配点”)，即上文提到的loc1。比较loc0，loc
′
与loc1和用户当前位置，做出定位误差的累计分布函数曲线如图2。从图中可以看出本发明的定位性能明显好于常用的两种方法。
[0066]
图3为高度1.5m处室内定位误差的色差梯度图。
[0067]
实施例二：
[0068]
基站具有n
t
根天线，智能反射面具有m个反射单元，单个用户，用户有一根全向天线。房间大小为11m
×
11m，每隔1m取点作为指纹库参考点，总计n＝121个参考点。以房间中心为原点建立坐标系，基站位置(-1m，-5.5m，1.5m)，智能反射面(-1m，-5.5m，3m)。室内定位场景仍如图1所示。本实例中设置n
t
＝8，m＝64。将用户到基站之间的视距链路信道建模为：
[0069]
[0070]
其中为基站处视距链路信号的到达角度，ld为信道路径数目，为导向矢量，αi，i＝0，1，...，l
d-1表示对应的路径增益。
[0071]
将智能反射面与基站之间的信道建模为莱斯信道：
[0072][0073]
k1代表h1的莱斯因子，代表视距链路分量，可表示为代表视距链路分量，可表示为为导向矢量，θ
aoa，1
表示基站处的到达角，θ
doa，1
表示智能反射面处的离开角，。代表非视距链路分量，其中的每个元素都服从均值为0，方差为1的独立复高斯分布。
[0074]
将用户与智能反射面之间的信道建模为莱斯信道：
[0075][0076]
k2代表hr的莱斯因子，代表视距链路分量，可表示为代表视距链路分量，可表示为为导向矢量，θ
aoa，2
表示智能反射面处的到达角，θ
doa，2
表示用户处的离开角。代表非视距链路分量，其中的每个元素都服从均值为0，方差为1的独立复高斯分布。
[0077]
本实例中智能反射面反射系数矢量v0的幅度设置为1，相位设置为[0，π)内的随机角度。信道莱斯因子设置为k1＝k2＝10，将基站处的到达角、智能反射面的到达角和离开角均设置为服从[0，π)内均匀分布的随机角度。
[0078]
智能反射面不开启时，用户发送p轮导频xi(i＝1，2，...p)，指纹库中接收视距链路信道hd＝[h
d1
，h
d2
，...，h
dp
]，其中h
di
(i＝1，2，...p)＝[h
di1
，h
di2
，...，h
din
]表示发送第i轮导频时，基站接收到n个参考坐标点的信号矢量，其中为第i轮导频时接收到第j个指纹库参考点各个天线视距链路信号矢量。本实例中p＝20。
[0079]
打开智能反射面，用户发送p轮导频xi(i＝1，2，...p)，基站接收总链路信道g＝[g1，g2，...，g
p
]，其中gi(i＝1，2，...p)＝[g
i1
，g
i2
，...，g
in
]表示发送第i轮导频时，基站接收到n个参考坐标点信号矢量，其中为第i轮导频时接收到第j个指纹库参考点各个天线视距链路信号矢量。
[0080]
分别计算csi的模值信息，得到视距链路的模值信息pd＝[p
d1
，p
d2
，...，p
dn
]，其中]，其中总信道的模值信息p＝[p1，p2，...，pn]，其中
故由此可计算出经智能反射面的级联信道的模值信息pr＝[p
r1
，p
r2
，
…
，p
rn
]，其中p
rj
(j＝1，2，...n)＝p
j-p
dj
。至此指纹库中的三种信道信息存储完成。
[0081]
步骤2：智能反射表面相移系数矩阵配置为μ，定义同时定义矩阵同时定义矩阵基站在l(l≥m+1＝65)个时隙中，每个时隙中调整相移为μ
l
并发送一轮导频信号，选取q个坐标位置[netloc1，netloc2，...，netlocq]
[0082]
netloci(i＝1，2，
…
，q)＝[netloc
1x
，netloc
1y
，netloc
1z
]为第i个点的坐标向量，在这q个点处接收信号，本实例中q＝1000。定义总信道：
[0083]he，l
＝hd+g
[0084]
利用传统信道估计如ls方法得到总信道的l次估计通过信道分解和子信道估计方法，
[0085]
当∑满足一定条件时[1]得到视距链路信道hd与级联信道g的估计：
[0086][0087]
重复该步骤u次，使之满足统计概率分布，h
dnet
[h
dnet1
，h
dnet2
，
…
，h
dnetu
]，
[0088]hdneti
(i＝1，2，...u)＝[h
dneti1
，h
dneti2
，...，h
dnetiq
]表示发送第i轮导频时，q个样本参考坐标点接收的信号矢量，其中为各个天线接收到的视距链路信号矢量。则视距链路的信道模值信息可以表示为＝[p
dnet1
，p
dnet2
，...，p
dnetq
]，其中同理，级联信道的模值信息可以表示为p
rnet
＝[p
rnet1
，p
rnet2
，...，p
rnetq
]，其中总信道的模值信息＝[p
net1
，p
net2
，...，p
netn
]，其中
[0089]
由之前得到的各类csi信息，定义第j(j＝1，2，...，q)个点的匹配矩阵matj＝[mat
j1
，mat
j2
，...，mat
jn
]，其中mat
ji
(i＝1，2，
…
n)＝λ1(p
dnetj-p
di
)2+λ2(p
rnetj-p
ri
)2+λ3(p
netj-pi)2，对matj进行排序，从小到大取m＝5个值，得到这m个值对应的指纹库参考点的坐标[loc
j1
，loc
j2
，...loc
jm
]，loc
ji
(i＝1，2，...，5)＝[loc
jix
，loc
jiy
，loc
jiz
]是包含指纹库三维坐标值的向量，并将之作为神经网络的输入，第j个点的坐标作为网络的输出。重复q次，神经网络样本获取完成。本实例中选取λ1＝4，λ2＝1，λ3＝2。
[0090]
步骤3：训练神经网络。本实例中采取的方式是对坐标点的各维度坐标值分别进行神经网络训练，训练样本为[ploc1，ploc2，...，plocm，aloc]，其中ploci(i＝1，2，...m)＝[loc
1i
，loc
2i
，...，loc
qi
]
t
，aloc＝[netloc1，netloc2，...，netlocq]
t
对训练样本中的x，y，z坐标值分别进行误差逆向传播算法的多层前馈神经网络训练，每次取训练样本中的个点作为测试集，剩余部分作为训练集，进行十折交叉验证，每次训练结果为估计的位置
此时这个点对应的实际位置为若平均误差
[0091][0092]
小于理想值d＝0.5m，则保存该网络为neti(i＝x，y，z)，分别对应各维坐标的神经网络，否则重复训练。
[0093]
步骤4：在线阶段，用户在当前位置向基站发出定位请求。基站回应并准备接收用户发送的导频，利用类似步骤2中方法获得三条链路的csi信息，并计算幅度信息且保存为estpd，estpr，estp.。
[0094]
步骤5：将步骤4中得到的各信道模值与指纹库进行匹配，匹配方式类似于步骤2，得到该点的匹配矩阵mat＝[mat1，mat2，...，matn]，其中mati(i＝1，2，...，n)＝λ1(estp
d-p
di
)2+λ2(estp
r-p
ri
)2+λ3(estp-pi)2，对mat进行排序，从小到大取m＝5个值，得到这5个值对应的指纹库参考点的坐标[loc1，loc2，...loc5]，loci(i＝1，2，...5)＝[loc
ix
，loc
iy
，loc
iz
]是包含指纹库三维坐标值的向量，并将之作为神经网络的输入将可能的坐标位置点输入步骤3得到的神经网络neti(i＝x，y，z)进行训练，得到估计出的位置信息loc0＝(x0，y0，z0)，定位完成。与用户的实际位置相比较，得到累积分布函数曲线(图4中标记为“121个指纹库参考点”)。图4中其余两条曲线为实例1中使用本发明方法和使用自适应加权方法的累计分布函数曲线，可以看到当我们大幅度减少指纹库参考点个数后，使用本方法的定位性能仍能够比指纹库参考点个数为441时使用常规自适应加权方法效果好。
[0095]
可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本技术的权利要求范围内的实施例都属于本发明所保护的范围内。