融合RSSI与CSI特征参数的室内定位方法及系统

本发明涉及室内定位，尤其涉及融合rssi与csi特征参数的室内定位方法及系统。

背景技术：

1、随着物联网技术的蓬勃发展，人们对基于位置的服务越来越多。而室内定位技术是指在建筑物内部的环境中实现位置定位，由于建筑物的遮挡，传统的gps定位在室内环境中定位效果较弱，室内定位主要以wi-fi或蓝牙信号构建指纹数据库为主，但该方法的挑战点在于，室内信号会受到多径效应与阴影效应的影响，导致射频信号传输过程中的衰减与干扰，从而影响信号定位的准确性。

2、目前，研究人员针对与室内定位，尤其在指纹定位技术方面提出了多种方法来处理信号的特征，以确保定位的准确性。例如在基于wi-fi信号强度和生成对抗网络的室内定位方法中提出了以不同数量天线的csi数据训练生成对抗网络模型，再利用aoa与rssi联合估计得到选定rssi来测量距离，结合路径损耗模型与生成对抗网络模型对距离进行校正，但该方法对生成对抗模型数据的训练具备较高要求，在降低ap数量的同时很难保证定位的准确性。

3、又如在基于elm-adaboost分类学习的室内定位方法中提出了以信号的cai值与rssi值作为参数，利用elm-adaboost算法对其进行训练，得到基于位置的分类模型，但该方法利用机器学习算法进行数据处理，对设备算力的要求较高，在实际应用过程中由于计算的复杂性，定位时延较长。

技术实现思路

1、针对现有方法的不足，本发明解决现有方法实现精确的室内定位时，对训练数据的适配性要求过高，同时对设备算力的要求较高的问题。

2、本发明所采用的技术方案是：融合rssi与csi特征参数的室内定位方法包括以下步骤：

3、步骤一、采集ap发射端的信号数据，构建信号数据集；

4、室内场景中北斗或gps定位弱，利用路由器ap数据，采集成本低、样本量大，可用于室内精准定位。

5、进一步的，信号数据包括：rss的功率强度、csi的幅值与相位。

6、rss功率强度和csi的幅值和相位数据用于室内定位，根据不同位置的功率强度、幅值和相位反映不同位置点坐标。

7、步骤二、对信号数据利用卡尔曼滤波进行滤波预处理；

8、信号中常夹杂白噪声和突出信号特征，滤除后有利于提高定位精度。

9、进一步的，卡尔曼滤波以最小均方误差为估计准则，记录信号与噪声的状态空间模型，以递归的方式进行迭代，利用前一时刻的估计值与当前时刻的测量值来更新状态方程，同时给出当前时刻的估计值。

10、步骤三、利用bpe-knn混合模型，通过bpe模型对knn模型的k值进行预测，并将预测的k值作为knn模型的k值，预测不同信号的位置坐标；

11、进一步的，bpe模型具体包括：

12、假设待估计参数θ的先验概率，定义θ的损失函数并定义在样本x下的条件风险值；

13、利用条件风险值计算最优估计k值。

14、进一步的，knn模型通过欧式距离计算近邻点之间的距离。

15、knn模型分类准确性主要取决于两方便因素，首先是k值的选择，k值选择的合理性影响了分类的准确性；而近邻点之间的距离的计算影响分类的效率，所用利用bpe模型对预处理数据进行k值预估，避免现有k值采用固定参数分类精度不高的缺陷。

16、进一步的，还包括构建信号和位置坐标的离线指纹库数据，并根据实际采集的信号值与指纹库中信号值进行比对，输出信号对应的坐标值。

17、由于采集信号样本无法做到场景中任意点的遍历，通过与离线指纹库的对比可以近似获得对应的坐标值。

18、进一步的，信号值的比对的方法包括：欧式距离法或相关系数法。

19、欧式距离法或相关系数法可以反映两种信号之间关系的紧密程度。

20、进一步的，融合rssi与csi特征参数的室内定位系统，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现融合rssi与csi特征参数的室内定位方法。

21、进一步的，存储有计算机程序代码的计算机可读介质，计算机程序代码在由处理器执行时实现融合rssi与csi特征参数的室内定位方法。

22、本发明的有益效果：

23、1、融合了bpe与knn算法，建立起新的定位模型，利用bpe改进knn的k值选择，并减少计算量，精简了运算过程，提升了算法运行效率；

24、2、本发明方法简单，相较与传统的基于距离的定位，在精度上也有所提升；

25、3、融合了信号的rss与csi特征参数，通过卡尔曼滤波方法进行预处理后，得到联合指纹，对位置信号特征的状态反应更加全面，指纹信息完整度更高。

技术特征：

1.融合rssi与csi特征参数的室内定位方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的融合rssi与csi特征参数的室内定位方法，其特征在于，信号数据包括：rss的功率强度、csi的幅值与相位。

3.根据权利要求1所述的融合rssi与csi特征参数的室内定位方法，其特征在于，卡尔曼滤波以最小均方误差为估计准则，记录信号与噪声的状态空间模型，以递归的方式进行迭代，利用前一时刻的估计值与当前时刻的测量值来更新状态方程，并给出当前时刻的估计值。

4.根据权利要求1所述的融合rssi与csi特征参数的室内定位方法，其特征在于，bpe模型具体包括：

5.根据权利要求1所述的融合rssi与csi特征参数的室内定位方法，其特征在于，knn模型通过欧式距离计算近邻点之间的距离。

6.根据权利要求1所述的融合rssi与csi特征参数的室内定位方法，其特征在于，还包括构建信号和位置坐标的离线指纹库数据，并根据实际采集的信号值与指纹库中信号值进行比对，输出信号对应的坐标值。

7.根据权利要求1所述的融合rssi与csi特征参数的室内定位方法，其特征在于，信号值的比对的方法包括：欧式距离法或相关系数法。

8.融合rssi与csi特征参数的室内定位系统，其特征在于，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现如权利要求1-7任一项所述的融合rssi与csi特征参数的室内定位方法。

9.存储有计算机程序代码的计算机可读介质，其特征在于，计算机程序代码在由处理器执行时实现如权利要求1-7任一项所述的融合rssi与csi特征参数的室内定位方法。

技术总结
本发明涉及室内定位技术领域，尤其涉及融合RSSI与CSI特征参数的室内定位方法及系统，包括采集AP发射端的信号数据，够建立数据集；对信号数据利用卡尔曼滤波进行滤波预处理；利用BPE‑KNN混合模型，通过BPE模型对KNN模型的K值进行预测，并将预测的K值作为KNN模型的K值，预测不同信号的位置坐标。本发明解决现有方法实现精确的室内定位时，对训练数据的适配性要求过高，同时对设备算力的要求较高的问题。

技术研发人员：佘世刚,施克健,陆怡鹏,刘通,马涛,陈磊,强运哲,柯为,丁海毅,胡智喡
受保护的技术使用者：常州大学
技术研发日：
技术公布日：2024/2/8