[發明專利]基于CSI的雙循環神經網絡的船載環境室內定位方法

有效

• 申請號: 202011269279.5
• 申請日: 2020-11-13
• 公開（公告）號: CN112423265B
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 劉克中;陳默子;楊穩;馬杰;曾旭明;王國宇;馬玉亭;李春伸
• 申請（專利權）人: 武漢理工大學
• 主分類號: H04W4/42
• 分類號: H04W4/42;H04W8/02;H04W64/00;H04L25/02;G06N3/04
• 代理公司: 武漢市首臻知識產權代理有限公司 42229
• 代理人: 章輝

1.一種基于CSI的雙循環神經網絡的船載環境室內定位方法，其特征在于，該方法包括離線訓練階段與在線定位階段；

離線訓練階段包括以下步驟：

A、分別在船舶室內環境和普通室內環境中，在設備部署和人行走路線相同的情況下，采集人行走時的CSI數據；具體包括以下步驟：

A1、分別在船舶室內環境和普通室內環境中部署實驗設備，具體方法如下：

建立坐標系xoy，發射機有一根天線，布置于原點(0，0)處，接收機有三根天線，布置于(x_r，y_r)處，且三根天線在同一直線上，接收機線性天線陣列的方向與x軸的夾角為ψ_r，發射機天線與接收機天線的視線路徑長度為length，定位跟蹤區域位于坐標系xoy第一象限；每根天線都連接有一個裝有Intel 5300無線網卡的計算機，使用Linux CSI工具，在接收端上采集CSI數據；

A2、分別在船舶室內環境和普通室內環境中，讓一位志愿者在定位跟蹤區域內按相同路線行走，同時，采集無線網卡物理層的信道狀態信息數據，分別用和來表示，的幅相向量為的幅相向量為此外，通過攝像機錄像，得到t時刻人的真實位置l_t；

B、將船舶室內環境下采集的CSI數據輸入到基于LSTM的CSI去噪循環神經網絡；具體包括以下步驟：

將的幅相向量作為LSTM單元的輸入x_t，則在t時刻：

遺忘門向量f_t為：

輸入門向量i_t為：

候選單元信息為：

更新單元信息C_t為：

輸出門向量O_t為：

最終得到LSTM單元輸出為：h_t＝O_t*tanh(C_t)；

其中，σ(·)是sigmoid激活函數，tanh(·)是tanh激活函數，是第一個循環神經網絡的權重參數，是第一個循環神經網絡的偏置參數；

將LSTM單元的輸出h_t輸入第一個回歸層：

x′_t＝V₁h_t；

其中，V₁為第一個回歸層的參數矩陣；

此時輸出是用循環神經網絡去除了船舶環境巨大噪聲后CSI的幅度和相位，將x′_t中的幅度和相位組合成復數，得到的即是去噪之后的CSI數據；

C、將去噪后的船舶室內環境CSI數據輸入到CSI清洗模塊，利用共軛相乘法消除數據中存在的采樣時間偏移和載波頻率偏移，并使用一個帶通濾波器消除靜態多徑的影響；具體包括以下步驟：

將第1根天線上的CSI作為參考，取它的共軛復數，得到CSI^*，并將CSI^*的幅值減去CSI^*中幅度最小值β，將第i根天線的CSI的幅值加上一個適當的正數γ，將經過幅度處理的CSI^*與三根天線上采集的CSI相乘，得到乘積C，將乘積C輸入到一個截斷頻率為2Hz和80Hz的Butterworth濾波器，得到輸出，記錄為p；

D、將步驟C處理后的CSI數據輸入到CSI參數估計模型，得到各路徑信道參數；具體包括以下步驟：

D1、將上一次迭代估計出的各個路徑信道參數，代入到CSI參數模型中，得到各個路徑上的理想CSI數據P′_l，其中，各個路徑信道參數初始化都賦值為0；

CSI參數模型為：

其中，P表示CSI數據，m＝(i，j，k)，τ為信號飛行時間，φ為信號到達角，為多普勒頻移，L為信號路徑數，α_l為復衰減，Δf_j為第j個子載波與第1個子載波的頻率差，f_c為載波中心頻率，Δd_k為第k個天線和第1個天線的距離差，c為光速，Δt_i為第i個數據包與第1個數據包的時間差，N為高斯白噪聲；

D2、將步驟C得到的p輸入到SAGE算法的期望步，分別得到第l條路徑上的實際CSI數據即：

其中，為上一次迭代中估計出的路徑信道參數，P′_l為將路徑信道參數代入到CSI參數模型得到的理想CSI數據，為估計的第l條路徑上的噪聲，β_l為控制算法收斂速度的系數，p為消除了靜態多徑的CSI數據；

D3、將上一步估計出的每條路徑上的CSI數據輸入到SAGE算法的最大化步，得到每條路徑上的信道參數：

其中，分別為當前迭代中估計的信號飛行時間、信號到達角、多普勒頻移、復衰減，分別為上一次迭代中估計的信號到達角、多普勒頻移，T、F、A分別為上一次估計中數據包的數量、子載波的個數、天線個數；

若滿足下式，則停止迭代，得到最終各路徑信道參數

其中，分別為上一次迭代中估計的信號飛行時間、復衰減，ε₁、ε₂、ε₃、ε₄分別為信號飛行時間、信號到達角、多普勒頻移、復衰減的分辨率；

若不滿足上式，則將代回步驟D1，繼續循環迭代，直到滿足上式；

E、將各路徑信道參數輸入到基于LSTM的參數匹配循環神經網絡中；具體包括以下步驟：

E1、對于時刻t，采用一個長度為2s的滑動時間窗口，對T＜＜t時刻的路徑信道參數進行取樣，假設時間窗口內，有n個時刻的路徑信道參數Θ，則這n個Θ組成一個三維張量X＝[Θ₁，Θ₂...Θ_n]，Θ＝[θ₁，θ₂...θ_L]，若t＜2s，則時刻0之前的參數用0填充；

E2、將張量X輸入到第二個基于LSTM的循環神經網絡中，其中，是第二個循環神經網絡的權重參數，是第二個循環神經網絡的偏置參數；

對第二個基于LSTM循環神經網絡的輸出h_t，輸入到下面的第二個回歸層中，得到由人反射的信號的路徑信道參數

θ_rfl＝V₂h_t；

其中，V₂為第二個回歸層的參數矩陣；

F、將步驟E得到的由人反射的信號的路徑信道參數輸入到定位算法模型，得到人的實時位置；

在線定位階段包括以下步驟：

在船舶室內環境下，按照步驟A部署設備，人在定位跟蹤區域內行走時，采集CSI數據，并將CSI數據依次輸入步驟B、步驟C、步驟D、步驟E、步驟F，即可實現實時定位的目的。