一种利用CSI多径及机器学习的室外指纹定位方法与流程

技术特征：

1.一种利用CSI多径及机器学习的室外指纹定位方法，其特征在于，接收端在小区内获取多条可分辨的多径信号，对多径信号进行数据收集和预处理获得离线多径CSI数据并进行分组与编号，在离线阶段对分组的多径CSI数据进行分层训练，使得训练标签与网络输出的均方误差最小，采用softmax回归分类器，对训练后的数据进行回归分类，建立指纹库完成离线阶段训练，当接收到来自未知位置用户的CSI信息后，CSI信号经过神经网络正向传播与回归分类器，利用KNN算法对分类器的输出进行分类，挑选概率最大的K个位置进行加权平均计算得到用户的位置。

2.根据权利要求1所述的一种利用CSI多径及机器学习的室外指纹定位方法，其特征在于，离线CSI数据收集与预处理具体为：

对每条路径的CSI数据进行采样，得到从第m条发射天线到第n条接收天线之间的第i条路径的CSI信息hnmi，将多条天线上的数据平均化，同时提取每条路径CSI的幅值与相位，得到2(L+1)×1维的训练数据h，根据已知CSI信息与用户位置的对应关系，对h进行分组与编号。

3.根据权利要求2所述的一种利用CSI多径及机器学习的室外指纹定位方法，其特征在于，将小区均匀划分为N1个块，每个块再次均匀划分为N2个子块，第i个块内第j个子块内用户的CSI数据表示为H^(i,j)＝[i,j,h^T]^T，H便作为训练数据进行离线训练，2(L+1)×1维的训练数据h如下：

h＝[|h0|,|h1|,…,|hL|,∠h0,∠h1,…,∠hL]^T

其中，h0为直射路径的CSI，h1为第一条散射路径的CSI，hL为第L条散射路径的CSI，T为矩阵转置。

4.根据权利要求1所述的一种利用CSI多径及机器学习的室外指纹定位方法，其特征在于，离线阶段的任务是根据获取的有标签的训练数据，对机器学习和回归分类器网络的参数进行训练，训练的目标是使得训练标签与网络输出的均方误差最小，并建立网络训练的惩罚函数。

5.根据权利要求4所述的一种利用CSI多径及机器学习的室外指纹定位方法，其特征在于，离线阶段分层训练具体如下：

首先进行机器学习网络，采用三层的神经网络，各层节点的激励函数采用S函数，训练数据输入网络后，根据激励函数得到每层的输出，作为下一层的输入，经过层层正向传播，最终得到网络输出；根据最小均方误差原则构造罚函数并用梯度下降算法更新迭代得到最终的训练参数，训练后的权值W,b作为指纹库的一部分被存储起来；

然后将神经网络训练输出数据作为分类器的输入，然后将其划分到C类，该输入数据属于每一类的概率作为分类器的输出，根据最小均方误差原则构造罚函数并用梯度下降算法更新迭代得到最终的训练参数，将W,b,θ一起组成指纹库，θ为分类器参数。

6.根据权利要求5所述的一种利用CSI多径及机器学习的室外指纹定位方法，其特征在于，根据最小均方误差原则得到机器学习网络的罚函数如下：

其中，M为训练样本数，y(m)为理想输出，也就是训练数据标签，o⁽³⁾(m)为第三层神经网络的实际输出，W⁽¹²⁾,W⁽²³⁾分别为第一二层和第二三层之间的权值，λ为权值衰减因子。

7.根据权利要求6所述的一种利用CSI多径及机器学习的室外指纹定位方法，其特征在于，根据激励函数得到每层的输出作为下一层的输入，经过层层正向传播最终得到网络输出如下：

o⁽¹⁾(m)＝x(m)

o⁽²⁾(m)＝f(W⁽¹²⁾x(m)+b⁽²⁾)

o⁽³⁾(m)＝f(o⁽²⁾(m)W⁽²³⁾+b⁽³⁾)＝f(f(W⁽¹²⁾x(m)+b⁽²⁾)W⁽²³⁾+b⁽³⁾)

其中，o⁽¹⁾(m)为第一层神经网络的实际输出，o⁽²⁾(m)为第二层神经网络的实际输出，x(m)为输入训练数据；

第二层神经网络的实际输出中W⁽¹²⁾与b⁽²⁾的更新方程如下：

其中，α为学习速率。

8.根据权利要求6所述的一种利用CSI多径及机器学习的室外指纹定位方法，其特征在于，分类器的输出如下：

其中，是一个C×1的矩阵，每一项表示在给定的情况下，属于每一类的概率，为神经网络的训练输出，即回归分类器的输入，θ为分类器的参数。

9.根据权利要求1所述的一种利用CSI多径及机器学习的室外指纹定位方法，其特征在于，当接收来自未知位置用户的CSI信息后，仅提取数据的幅值与相位信息，即h＝[|h0|,|h1|,…,|hL|,∠h0,∠h1,…,∠hL]，经过机器学习网络正向传播与回归分类器分类，得到该未知数据属于每一待定位置的概率，利用KNN算法，挑选概率最大的K个位置进行加权平均作为最后的估计位置(x,y)如下：

其中，(xr,yr)为第r个估计位置。

10.根据权利要求1所述的一种利用CSI多径及机器学习的室外指纹定位方法，其特征在于，在50～100m区域内，利用基站对移动用户进行定位，多径信号中存在一条直射路径与L条散射路径，基站与用户均配备多天线且为均匀线阵，每根天线为全向天线，基站与用户之间的第i条路径的信道数据模型模如下：

其中，N,M分别是基站与用户的天线数，L为散射路径数，σSF,ρ分别是阴影衰落与路径损耗因子，βi为第i条路径信道复增益系数，dn,dm分别是基站与用户天线阵列间隔，θi,AoA,θi,AoD分别是第i条路径的AoA,AoD。