基于3DCNN的CSI-cluster室内指纹定位算法

发布时间：2021-07-16 20:06

　　针对室内环境中复杂的多径效应影响定位精度问题,提出一种基于3维卷积神经网络（3 dimensional convolutional neural network,3DCNN）多径程度划分的自校准指纹定位算法。该算法利用MeanShift方法分析定位区域内每一个采样点的信道状态信息数据分布特性,得到其可代表多径效应程度的簇类数量,结合阈值原则将指纹库划分为2种不同多径程度的子库,从而减少多径程度差异较大的指纹点对后续定位影响利用3DCNN深度学习2类指纹子库。在定位阶段,根据校准算法判断待测数据所属子库,并采用相应的3DCNN模型估计位置。通过仿真实验验证,该方法在保证指纹库构建合理性和高效性的同时,在定位精度方面实现了明显的提升,优于与之对比的相关算法。 

【文章来源】：重庆邮电大学学报(自然科学版). 2020,32(03)北大核心CSCD

【文章页数】：11 页

【部分图文】：

单个位置的CSI幅度值

2)不同位置的CSI幅度值区别显著。为了方便观察,本文参照文献[14]提出的CSI特征图,将数据转变为RGB格式,其中RGB通道代表天线对,行和列中的像素分别对应时间和子载波的CSI幅值,图2为其灰度图像。从图2可以看出,随机选择的4个不同位置的数据具有明显的差异,这表明利用CSI幅值作为区分位置信息的依据是可行的。3)由于室内环境中存在复杂的多径效应,不同位置的数据分布结构具有相应的异同特性。

由于CSI幅值反映具有丰富的多径分量和信道衰落的信道频率响应,数据的分布结构是传播效应引起的衰落的结果,所以每个采样点CSI数据的簇类数量即代表该位置遭受多径效应的程度[13]。图3绘制了36个不同位置的数据簇类数量的2D等高线图,其中X和Y轴构成位置坐标,在等高线上标注该坐标对应数据簇的数量。从图3可发现,即使位置坐标相近,由于它们受多径影响程度不同,其对应数据簇的数量不同。一些位置由于具有较少的反射和扩散仅有2个簇,而一些具有多于10个簇的位置可能遭受严重的多径效应。2 基于3DCNN的CSI-cluster室内指纹定位算法

【参考文献】：
期刊论文
[1]基于压缩感知的室内定位系统的定位性能分析[J]. 郑倩,胡久松,刘宏立,肖郭璇,陈亮,徐琨.  重庆邮电大学学报(自然科学版). 2018(06)
[2]基于近邻法的WIFI室内定位改进算法研究[J]. 田家英,张志华.  测绘工程. 2018(12)
[3]基于Wi-Fi信道状态信息的室内定位技术现状综述[J]. 陈锐志,叶锋.  武汉大学学报(信息科学版). 2018(12)
[4]基于距离测量和位置指纹的室内定位方法研究[J]. 李方敏,张韬,刘凯,刘果,马小林.  计算机学报. 2019(02)
[5]基于3D卷积神经网络的活体人脸检测[J]. 甘俊英,李山路,翟懿奎,刘呈云.  信号处理. 2017(11)
[6]基于核函数特征提取的室内定位算法研究[J]. 李华亮,钱志鸿,田洪亮.  通信学报. 2017(01)

硕士论文
[1]基于CSI的WIFI室内定位技术研究[D]. 刘朝玄.电子科技大学 2018



本文编号：3287675