一种基于特征值提取的CSI‑MIMO室内定位方法及系统与流程

本发明属于位置定位技术领域，尤其涉及一种基于特征值提取的csi-mimo(channelstateinformation-multipleinputmultipleoutput)室内定位方法。

背景技术：

目前，随着物联网的发展，人们对于信息的快速与准确性需求越来越大，所以不管是大到国际、小到人们的生活都促使位置服务的应用需求的快速增长。基于不同的应用场景，定位技术分为室内定位技术和室外定位技术。目前，室外定位技术已经发展成熟，主要是卫星导航为主的gps技术，它是由美国国防部研制建立的一种具有全方位、全天候、全时段、高精度的卫星导航系统，但由于卫星信号会受到建筑物的遮挡，因此不利于室内定位的实现。因此，作为位置服务的重要组成部分，室内定位技术受到了越来越多的关注。随着无线通信技术的发展，特别是在移动智能终端流行趋势的推动下，wlan变得非常普及，为室内定位系统的研究开辟了新思路。在主流的无线信号室内定位系统中，利用信号接收强度进行定位的方法已经得到了广泛的应用。信号接收强度表征了射频信号在传播过程中衰减和距离的关系，但是基于rssi的室内定位技术有很多缺点，首先，每个待测点的数据包对应一个rssi值，但是受限于多径效应的影响，在较复杂的室内环境中的定位精度会急剧下降，在实际应用中是不可靠的。其次，rssi值是通过平均所有输入信号的振幅，没有利用不同的子载波的信道信息。相对于rssi，现阶段无线信道状态取得了一定的重视。随着wifi以及ofdm技术的广泛应用，基于ieee802.11n标准的信道响应可以以信道状态信息的参数从接收端提取出来。csi表征了信道中各个子载波的相位和幅度信息，比rssi只停留在数据包的层面上来说csi是具有更细粒度的信息，所以基于csi的定位技术得到了日益广泛的发展。近几年，国内外在运用csi上取得了很多成果。例如，提出了一个基于指纹的无源设备的系统，使用802.11nwifi设备测量csi，使细粒度的子信道的信息可以用来定位，在在线阶段利用贝叶斯算法分类，进一步进行pca降维。提出了deepfi，基于深度学习室内指纹方案使用csi信息，基于对csi的假设，使用深度网络中的权重来表示指纹，采用贪婪学习算法进行权值训练，减少复杂度。此外，在在线位置估计时提出基于径向基函数的概率数据融合方法，deepfi具有高精度，但是也增加了成本。以上文献在提取csi矩阵时只考虑了幅度信息而忽略了相位信息，提出phasefi，一个相位指纹定位系统，相位信息通过三天线英特尔5300无线网卡提取和校准。离线阶段，利用一个深度来训练校准相位数据，并用权重表示指纹，以此来降低复杂度，并用贪婪算法训练权重值，但phasefi不可避免的是相位信息难以校准，提出了csi-mimo，采用多输入多输出信息和使用各子载波的幅度和相位，使用k近邻和贝叶斯算法来评价csi-mimo指纹识别性能。实验表明，该csi-mimo精度与细粒室内指纹系统和一个简单的csi系统相比，精度提高了57％以上，平均误差精度为1.5米。

综上所述，现有技术存在的问题是：传统的室内定位技术受到多径效应等影响以致于定位精度不高。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种基于特征值提取的csi-mimo室内定位方法。

本发明是这样实现的，一种基于特征值提取的csi-mimo室内定位方法，包括以下部分：

步骤一，离线阶段：获取每个参考点的多个无线信号的csi矩阵，且每个矩阵都存有标签，并通过提取每个csi矩阵特征值的方法建立离线指纹数据库；

步骤二，在线匹配阶段：获取待定位点的多个无线信号的csi矩阵，且每个矩阵都存有标签，提取待定位点的每个csi矩阵特征值后，分别与离线指纹数据库中每个参考点的对应标签的csi矩阵特征值计算欧氏距离，然后通过基于knn(k-nearestneighbors最近邻)的概率匹配算法计算得到待定位点位置。

其中，所述步骤一具体包括以下步骤：

(101)将待定位区域根据实际情况划分为t个子区域，每个子区域确定一个参考点，参考点的位置信息是已知的，用二维坐标系(xt,yt)表示，t＝1,2,…,t。获取每个参考点的多个无线信号的csi矩阵及标签，并提取幅度作为指纹信息，得到多个信道矩阵k＝1,2,…,n，n为无线信号子载波数目,t＝1,2,…,t,t表示参考点数目；

(102)求每个参考点的每个信道矩阵中每一列均值ujk(j＝1,2,…,n)，将信道矩阵的每一列的各元素减去该列均值ujk得到矩阵实现中心化；其中，n为的列数，也是接收天线数目；

其中式中，m为行数；为第k个矩阵中第i行，第j列元素的幅度值；且m和n分别为发射和接收天线的个数；

(103)计算每个参考点的每个矩阵的协方差矩阵

式中，式中[]^t代表矩阵的转置操作；

(104)对每个参考点的每个协方差矩阵进行特征值分解，求得每个参考点的每个协方差矩阵对应的特征值j＝1,2,…,n，并将所有特征值构成一维特征向量存入离线指纹数据库；

其中，特征相量的元素为j＝1,2,…,n，k＝1,2,…,n。若使用802.11wifi协议时，一个信道中有30个子载波，n＝30。

其中，所述步骤二具体包括以下步骤：

(201)获取待定位点的多个无线信号的csi矩阵及标签，并提取幅度作为指纹信息，得到多个信道矩阵htest：

(202)求每个信道矩阵htest的每一列均值，将信道矩阵htest的每一列的各元素减去该列均值求得矩阵e，实现中心化；

(203)计算每个矩阵e的协方差矩阵r'，

(204)对每个协方差矩阵e进行特征值分解，求得每个协方差矩阵e对应的特征值，并将所有特征值构成特征向量h'λ；

其中，特征相量h'λ的元素为h'λjk＝λ′jk，j＝1,2,…,n，k＝1,2,…,n。

(205)计算特征值向量h'λ与离线阶段建立的指纹数据库中每个参考点的特征向量之间的欧式距离：

计算公式为：

其中dt为欧氏距离，t＝1,2,…,t,t表示参考点数目；

(206)将计算得到的所有欧氏距离按照距离递增次序排序，运用knn得到对应的离线数据库的位置标签，并计算出每个参考点的定位概率pt，用概率加权每个参考点的位置坐标，得到待定位点位置；

待定位点位置坐标计算公式为：

式中(x,y)为待定位点位置坐标，(xt,yt)为参考点位置坐标。

一种实现权利要求1所述方法的室内定位系统，包括：离线模块和在线模块；

离线模块用于使用无线接收机获取每个参考点的多个无线信号的csi矩阵，且每个矩阵都存有标签，并通过提取每个csi矩阵特征值的方法建立离线指纹数据库；

在线模块用于使用无线接收机获取待定位点的多个无线信号的csi矩阵，且每个矩阵都存有标签，提取每个待定位点的csi矩阵特征值后，与离线指纹数据库中每个参考点的每个csi矩阵对应标签的特征值计算欧氏距离，然后通过基于knn的概率匹配算法计算得到待定位点位置。

其中，所述离线模块和在线模块均包括：路由器、无线接收机和电脑；

路由器用于发射无线信号；

无线接收机用于在每个参考点和待定位点接收无线信号的csi矩阵及标签，并发送至电脑；

电脑用于提取参考点csi矩阵的特征值，获取指纹信息并存储到离线指纹数据库中；还用于提取待定位点的csi矩阵的特征值，并分别将待定位点的csi矩阵的特征值与离线指纹数据库中每个参考点的对应标签的csi矩阵特征值计算欧氏距离，然后通过基于knn的概率匹配算法计算得到待定位点位置。

本发明的优点及积极效果为：

(1)本发明通过提高定位精度方面考虑信号特征提取算法，来提取定位信息特征，同时还能减小定位过程的计算复杂度，提高定位的实时性，在精度和鲁棒性上都有很大的提高，相对于传统方法定位算法定位精度上提高了15％。

(2)本发明基于特征值提取的csi-mimo定位系统，实验中使用路由器作为信号发射器，使用装配有intelwifilink5300网卡的电脑作为接收端。利用特征值提取指纹信息，降低了计算复杂度和信息的相关性，定位性能较以往的定位算法大大提高。未来，对于匹配算法的改进是首要任务。再者，使用单天线定位及分析其计算复杂性是具有挑战性的，并且对如何避免室内人流流动的影响也是很有必要的。

附图说明

图1是本发明实施例提供的基于特征值提取的csi-mimo室内定位方法的实现流程图。

图2是本发明实施例提供的位置坐标示意图。

图3是本发明实施例提供的基于特征值提取的csi-mimo室内定位方法的实验场景示意图。

图4是本发明实施例提供的基于特征值提取的csi-mimo室内定位方法的不同k值所得的定位误差柱状图。

图5是本发明实施例提供的基于特征值提取的csi-mimo室内定位方法的一般csi定位与特征值提取过后对比图。

图6是本发明实施例提供的离线模块和在线模块结构示意图；

图中：1、路由器；2、无线接收机；3、电脑。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的结构作详细的描述。

如图1所示，本发明实施例提供的基于特征值提取的csi-mimo室内定位方法，包括以下步骤：

s101：离线阶段，通过无线接收机获取每个参考点的多个无线信号的csi矩阵，且每个矩阵都存有标签，并通过提取每个csi矩阵特征值的方法建立离线指纹数据库；

s102：在线匹配阶段，通过无线接收机获取待定位点的多个无线信号的csi矩阵，且每个矩阵都存有标签，提取待定位点的每个csi矩阵特征值后，分别与离线指纹数据库中每个参考点的对应标签的csi矩阵特征值计算欧氏距离，然后通过基于knn的概率匹配算法计算得到待定位点位置。

下面结合附图对本发明的应用原理作进一步的描述。

1、预备工作，确认csi信道信息状态，包括：

对于采用802.11n传输协议的wifi信号，它使用正交频分复用的调制方式，在ofdm系统中，csi表征了一个传输信道中每个子载波信道从发送端到接收端的信道状态，它由距离、散射、功率衰减、衰落共同决定；各个子载波的信道状态信息可写为：其中y和x分别表示为接收端和发射端的信号，h代表是信道矩阵，单个子载波的信道状态信息可写为：其中，|hk|和θk分别代表第k个子载波对应的信号状态矩阵的幅度和相位。

2、定位系统及方法：

2.1、室内定位系统结构

室内定位系统分为离线和在线阶段，使用路由器作为信号发射器，使用装配有intelwifilink5300网卡的电脑作为接收端。接收端使用csitool软件接收csi。

在离线阶段，搜集实验环境内已知采样点的无线信号的位置指纹信息，以此来建立有参考点信号特征的离线指纹数据库；在在线阶段，通过在线阶段的观测点接收到的信息矩阵并加以处理，再和位置指纹信息库匹配度最高的已知位置来估计当前待测点的位置。

2.2、离线阶段

在定位的离线阶段，在定位区域选取t个参考点。路由器发射天线为3根，intelwifilink5300网卡的接收天线也是3根，故m和n均为3。ieee802.11n中ofdm的子载波数目为30，n＝30。在每个参考点采集的csi数据由m×n×n(即3×3×30)的信息复数矩阵表示，用表示第t个参考点、第k个子载波的复数信道状态矩阵

本发明提取幅度作为指纹信息，将转变成

在以上基础上，本发明提出基于特征值提取的csi定位算法。

具体处理流程如下：

步骤一，中心化求每个参考点的每个信道矩阵中每一列均值ujk(j＝1,2,…,n)，n为的列数，也是接收天线数目，将信道矩阵的每一列的各元素减去该列均值ujk得到矩阵实现中心化；

其中式中，m为行数；为第k个矩阵中第i行，第j列元素的幅度值；且m和n分别为发射和接收天线的个数；

步骤二，计算每个参考点的每个矩阵的协方差矩阵

此处，式中[]^t代表矩阵的转置操作；

步骤三，对每个参考点的每个协方差矩阵进行特征值分解，求得每个参考点的每个协方差矩阵对应的特征值j＝1,2,…,n，并将所有特征值构成一维向量存入离线指纹数据库；

图2中将空间设置了t个参考点，本发明中t＝24，参考点中间距为1.6米×1.6米，每个参考点设置一个标签标号为t，每个参考点将测试g＝100次，得到100组将这100组的平均值作为参考指纹，存入离线数据库。

其中，矩阵的每一行对应一个参考位置，每行数据均为该参考位置采集计算100组的平均值。

2.3、在线匹配算法

在定位的在线阶段，和离线阶段相同的方法提取发射和接收天线对的指纹信息：

式中，矩阵元素为信道响应的幅度值。

将测试点接收到的csi进行相同的特征值提取，得到：

h'λ＝[λ′11,λ′21,λ′31,λ′12,λ′22,λ′32，…λ′1k，λ′2k,λ′3k,…,λ′1(30),λ′2(30),λ′3(30)]；

然后与离线阶段建立的指纹数据库中已知标签的子载波进行欧式距离的计算：

在得到测试点和参考点的欧式距离之后，进行k最邻近算法。

在线阶段对待测点测试q次，定位到第t个参考点的次数为qt次，则定位到第t个参考点的概率为pt，再用概率加权knn分类点，则待测点位置坐标估计为：

如图6所示，离线模块和在线模块包括：路由器1、无线接收机2、电脑3、离线指纹数据库。

离线模块用于使用无线接收机获取每个参考点的多个无线信号的csi矩阵，且每个矩阵都存有标签，并通过提取每个csi矩阵特征值的方法建立离线指纹数据库；

在线模块用于使用无线接收机获取待定位点的多个无线信号的csi矩阵，且每个矩阵都存有标签，提取每个待定位点的csi矩阵特征值后，与离线指纹数据库中每个参考点的每个csi矩阵对应标签的特征值计算欧氏距离，然后通过基于knn的概率匹配算法计算得到待定位点位置。

路由器1与无线接收机2无线连接，无线接收机2与电脑3无线连接，电脑3上搭载有离线数据库。

路由器1用于发射无线信号；

无线接收机2用于在每个参考点和待定位点接收无线信号的csi矩阵及标签，并发送至电脑3；

电脑3用于提取参考点csi矩阵的特征值，获取指纹信息并存储到离线指纹数据库中；还用于提取待定位点的csi矩阵的特征值，并分别将待定位点的csi矩阵的特征值与离线指纹数据库中每个参考点的对应标签的csi矩阵特征值计算欧氏距离，然后通过基于knn的概率匹配算法计算得到待定位点位置。

下面结合实验对本发明的应用效果作详细的描述。

实验环境是如图3所示的食堂，面积为5×9平方米，选取4×6个测试点(红色)，测试点之间的间距约为1.6米，实验中使用路由器作为信号发射器，使用装配有intelwifilink5300网卡的电脑作为接收端。接收端使用csitool软件接受csi。离线阶段，在参考点接收500个csi数据包，在在线定位阶段，在测试点接收100个csi数据包。

确定knn算法的k值的选取，k值的选取不一样，也能够获得不同的定位精度，选取好的k值，可以增强了定位性能的鲁棒性如图4。取k＝1时定位精度提高最高，并且可知在提取特征值过后定位精度的提高更明显。

单纯的基于csi的室内定位算法和基于特征值提取的csi室内定位算法，经过特征值提取的定位精度是有所提高的。如图5所示，90％的定位点经过特征值提取过后的定位误差为2.1米，同样一般csi-mimo定位系统的定位误差有2.6米，可知，在一般的csi-mimo系统基础上提高约15％。此外，基于特征值提取的平均误差为1.1米，一般的csi-mimo系统的定位误差为1.4米，可以利用细粒子载波的信息并且可以得到理想的精度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。