基于迁移学习和GASF的CSI定位方法、装置及设备

本发明涉及室内定位，具体为一种基于迁移学习和gasf的csi定位方法、装置及设备。

背景技术：

1、随着室内定位技术的不断发展和应用，室内定位已经成为了众多领域的重要应用场景，例如智能家居、物联网、无人驾驶等。室内定位是指在室内环境中利用技术手段对目标进行精确定位的过程。相比于室外定位，室内定位需要考虑的因素更加复杂，例如室内障碍物的影响、信号干扰和衰减等问题。因此，研究和应用室内定位技术也成为了一个具有挑战性和前景的领域。

2、定位简单来说是利用已知节点和未知节点之间的关系，来估算未知节点的位置信息。不同的定位方法它的定位介质、定位技术指标都有所不同，定位介质有很多，可以是声波、光学、无线信号(wifi、uwb、rfid、蓝牙)、地磁场等。为了更好的满足定位的需求，需要选取合适的指标来表征这些定位介质的特性，不同的指标选择会带来不同的定位结果。常见的无线信号指标包括到达时间、到达时间差、到达角度、信号强度指示以及信道状态信息等。

3、其中光学定位技术利用光学传感器在室内环境中捕捉目标位置信息。该技术通常需要在室内部署多个光学传感器，并通过计算目标相对于这些传感器的位置信息实现定位。光学定位技术具有较高的定位精度和实时性，但需要在室内环境中保持较好的光照条件。超声波定位技术利用超声波信号在室内环境中的传播特性进行定位。该技术通常需要在室内部署多个超声波发射器和接收器，并通过测量超声波信号的传播时间和信号强度计算目标位置。超声波定位技术具有较高的定位精度，但需要投入较大的成本和精细的设备调试。蓝牙定位技术利用蓝牙信号在室内环境中的传播特性进行定位。该技术通过在室内部署多个蓝牙信标并收集接收到的信号强度数据，利用指纹定位算法计算目标位置。蓝牙定位技术适合于小范围的室内定位。wifi定位技术利用wifi信号在室内环境中的传播特性进行定位。这种技术需要在室内部署多个wifi接入点，通过收集接收到的wifi信号强度数据，利用指纹定位算法计算目标位置。wifi定位技术具有较高的精度和较广泛的适用范围，但在大型室内环境下需要投入大量成本进行部署。

4、传统算法进行室内定位时工作量较大，在离线阶段，需要采集大量的定位介质信号进行模型训练，并且得出的模型仅仅适用于该环境的室内定位，一旦换个场景，就需要再次采集定位介质信号进行模型训练。

技术实现思路

1、本发明的目的是针对现有技术存在的问题，提供一种基于迁移学习和gasf的csi定位方法、装置及设备，用以解决上述技术问题中的至少一个。

2、基于本发明说明书的一方面，提供一种基于迁移学习和gasf的csi定位方法，包括：

3、步骤s1：采集目标域内的待识别csi信号，并对待识别csi信号进行预处理；

4、步骤s2：利用格拉姆角场法将预处理后的待识别csi信号转换成待识别csi图像；

5、步骤s3：利用训练好的目标域位置分类模型处理所述待识别csi图像，得到待定位目标的位置信息；

6、所述目标域位置分离模型的训练方法包括：

7、在目标域内设置若干目标域参考点，当实验对象位于目标域参考点上时，采集目标域参考点对应的目标域参考点csi信号并进行预处理；

8、利用格拉姆角场方法将预处理后的目标域参考点csi信号转换成目标域参考点csi图像，并基于目标域参考点csi图像和目标域参考点位置标签构建目标域训练集；将目标域分割成多个位置点，并为每个位置点标号，得到每个位置点的位置标签；

9、基于目标域训练集对源域训练模型的全连接层进行训练，得到训练好的目标域位置分类模型。

10、在上述技术方案中，目标域为一个室内空间，基于本发明提供的方法对该室内空间(目标域)内的对象(待定位目标)进行定位，目标域内设置有用于发射csi信号的发射天线和用于接收csi信号的接收天线，当待定位目标处于目标域的不同位置时，接收天线接收到的csi信号不同，基于对csi信号的分析可以得到待定位目标的位置信息。

11、源域训练模型是指基于源域(一个试验用室内空间)的试验数据对卷积神经网络进行训练后得到的一个模型，为了提升该模型的识别精度，训练该模型时采集的训练集数据量较大。在该模型训练好后，当需要运用到不同的目标域中进行定位时，只需要获取各个目标域对应的少量的训练集数据对源域训练模型的全连接层训练，得到适用于各个目标域的模型(即目标域位置分离模型)，降低了不同目标域中训练数据采集的工作量和模型的训练时间。

12、本方法将csi信号转换成指纹图像(即csi图像)，提高了模型输入特征的维度，提高了对待定位目标的定位精度。

13、进一步地，所述预处理包括去噪、归一化处理和并操作，得到一维幅度值向量。

14、进一步地，所述去噪包括以下步骤：

15、提取csi信号的幅度值；

16、采用dbscan聚类算法对所述幅度值的每一个子载波进行聚类，得到多个聚类簇；

17、选取数据量最大的聚类簇作为正常数据，并对其他聚类簇内的幅度值进行调整，所述调整方法采用如下公式：

18、

19、式中：amppre(fk)表示第k个子载波上的第j个幅度数据，表示幅度值的总个数，cmax表示最大簇。

20、进一步地，利用格拉姆角场方法将预处理后的csi信号转换成csi图像的方法包括：

21、步骤s201：采用如下公式将预处理后的csi信号的幅度值映射到极坐标系中：

22、

23、式中：xi表示一维幅度值向量中的第i个元素，indexi表示元素序号，n表示向量长度，φi为第i个元素的角度，r为半径；

24、步骤s202：采用如下公式求解得到gasf矩阵：

25、gasf＝cos(φi+φm)

26、步骤s203：获取所述矩阵中的最大值和最小值，将最小值映射为灰度值0，最大值映射为灰度值255，得到csi信号对应的灰度图片；

27、步骤s204：将灰度图片转换成彩色，得到csi图像。

28、进一步地，所述源域训练模型的构建过程包括：

29、在源域内设置若干源域参考点，当实验对象位于源域参考点上时，采集源域参考点对应的源域参考点csi信号并进行预处理；

30、利用格拉姆角场法将预处理后的源域参考点csi信号转换成源域参考点csi图像，基于源域参考点csi图像和源域参考点位置标签构建源域训练集；

31、搭建初始卷积神经网络；

32、基于源域训练集对所述初始卷积神经网络进行训练，得到训练好的源域训练模型。

33、进一步地，所述初始卷积神经网络包括依次连接的输入层、第一二维卷积层、第一池化层、通道注意力机制模块、空间注意力机制模块、第二二维卷积层、第二池化层、第一全连接层、第二全连接层和输出层。

34、基于本发明说明书的另一方面，提供一种基于迁移学习和gasf的csi定位装置，包括：

35、信号采集模块：用于采集csi信号；

36、预处理模块：用于对csi信号进行预处理；

37、信号转换模块：用于利用格拉姆角场法将csi信号转换成csi图像；

38、定位模块：用于利用训练好的目标域位置分类模型识别待识别csi图像，得到待定位目标的位置信息；

39、位置分类模型训练模块：用于对源域训练模型进行训练得到目标域位置分类模型。

40、在上述技术方案中，当待定位目标位于目标域内时，信号采集模块采集接收天线接收的csi信号并传输至预处理模块进行预处理，预处理后的csi信号传输至信号转换模块。信号转换模块将接收到的csi信号转换成csi图像后输入至由位置分离模型训练模块训练好的目标域位置分类模型，得到目标域位置分类模型输出的位置信息。

41、进一步地，所述定位装置还包括源域训练模型构建模块，所述源域训练模型构建模块用于执行以下步骤：

42、在源域内设置若干源域参考点，当实验对象位于源域参考点上时，采集源域参考点对应的源域参考点csi信号并进行预处理；

43、利用格拉姆角场法将预处理后的源域参考点csi信号转换成源域参考点csi图像，基于源域参考点csi图像和源域参考点位置标签构建源域训练集；

44、搭建初始卷积神经网络；

45、基于源域训练集对所述初始卷积神经网络进行训练，得到训练好的源域训练模型。

46、进一步地，所述预处理模块具体用于：对csi信号进行去噪、归一化处理和并操作，得到一维幅度值向量。

47、基于本发明说明书的又一方面，提供一种计算机设备，所述计算机设备包括处理器、存储器，以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现所述的基于迁移学习和gasf的csi定位方法的步骤。

48、与现有技术相比，本发明的有益效果是：

49、(1)本发明提供的一种基于迁移学习和gasf的csi定位方法，基于源域的试验数据对卷积神经网络进行训练后得到的一个模型，为了提升该模型的识别精度，训练该模型时采集的训练集数据量较大。在该模型训练好后，当需要运用到不同的目标域中进行定位时，只需要获取各个目标域对应的少量的训练集数据对源域训练模型的全连接层训练，得到适用于各个目标域的模型，降低了不同目标域中训练数据采集的工作量和模型的训练时间。

50、(2)本方法将csi信号转换成指纹图像，提高了模型输入特征的维度，提高了对待定位目标的定位精度。

51、(3)本发明提供的一种基于迁移学习和gasf的csi定位装置，当待定位目标位于目标域内时，信号采集模块采集接收天线接收的csi信号并传输至信号转换模块。信号转换模块将接收到的csi信号转换成待识别csi图像后输入至由位置分离模型训练模块训练好的目标域位置分类模型，得到目标域位置分类模型输出的位置信息。