一种基于自注意力神经网络的5G无线定位方法与流程与流程

本发明涉及一种基于自注意力神经网络的5g无线定位方法与流程，属于无线定位领域。

背景技术：

1、随着信息技术的快速发展，高精度定位逐渐成为智能制造、智能控制、智慧城市等领域广泛、急迫的需求。无线定位以其灵活、无侵入的特点受到了大量的关注，诸如基于卫星信号的gps、基于无线基站信号的a-gps以及基于wifi信号的无线定位方法在日常生产生活中发挥着重要的作用。随着5g通信技术的快速发展，5g通信基站快速覆盖。5g基站相比于4g基站在覆盖相同区域下基站数量更多，更有利于定位。然而，在诸如工厂、街道等设备、建筑密集的区域，无线电磁波信号容易被障碍物遮挡、反射，存在大量多径传播，路径损耗和阴影衰落现象，影响无线定位的精度，导致传统无线定位方法难以满足高精度的定位要求。因此，亟需一种高效的基于5g基站信号的智能高精度无线定位方法。

技术实现思路

1、本发明面向高精度无线定位需求，提出一种基于自注意力机制的5g无线定位方法，即建立信号采集系统，采集位置坐标及其周边基站的位置和信道单位冲击响应(cir)数据，建立坐标-信道响应数据集，并对信道冲击响应数据进行采样，并采用离散傅里叶变换(dft)预处理；设计包含自注意力机制的神经网络，设计多目标损失函数，在坐标-信道响应数据集上进行训练，得到定位模型；对定位模型，对信道响应数据预处理后作为模型输入，给出定位结果。本发明提出的方法，以数据驱动挖掘基站信道响应与位置的函数映射，以自注意力作为神经网络的主要计算机制，能提供高精度的无线定位结果，并能有效对抗偶发基站故障导致的信道数据缺失，有良好的鲁棒性。

2、本发明为解决其技术问题而采用的技术方案是：

3、一种基于自注意力神经网络的5g无线定位方法与流程，具体步骤如下：

4、a.数据采集：搭建信号采集系统，采集待定位区域的位置坐标以及附近5g基站信道的单位冲击响应数据，进行采样和dft预处理，构建坐标-信道响应数据集；

5、b.数据预处理：为坐标-信道响应数据集添加信道响应幅频特征。同时进行数据增强操作，添加加性高斯随机噪声，并对基站数据进行50％擦除处理；对处理后的数据进行随机划分，其中80％为训练集，20％为验证集；

6、c.构建神经网络：基于自注意力机制构建包含天线注意力、频率注意力的端对端的神经网络架构，以预处理的数据作为网络输入，输出位置坐标；

7、d.模型的训练与优化：采用均方差损失(mse)约束坐标偏差，并以坐标标签针对回归特征构建基于图的流形损失，约束特征的平滑性，将两项损失加权求和作为最终的优化目标，采用梯度下降法进行优化；

8、所述步骤a中对信号的采样为等时间间隔离散化采样，采样256个点，采样后对离散化的信号做dft变换，得到256频点复数结果，分别提取各频点结果的实部和虚部作为各频点对应的信道单位冲击响应数据；对于有m个基站天线的区域，其单个位置坐标的响应数据形状为m×256×2。响应数据与坐标共同构成数据集；

9、所述步骤b中信道响应幅频特征为dft操作后对应频点的幅值与相位信息，由对应复数的模长和辐角主值描述；高斯随机声的均值为0，标准差为1×10-4，高斯随机噪声采用加操作添加到信道响应数据上；随机擦除操作随机选择50％的基站，将对应基站天线的信道响应以数值0替换。对于有m个基站天线的区域，其单个位置坐标对应的信道响应经预处理后的数据形状为m×256×4；采集了n个坐标点的数据集的信道响应部分数据形状为n×m×256×4

10、所述步骤c中神经网络的构建过程为：

11、首先对输入神经网络的数据b×m×256×4交换第1,2数据轴并对最后两维做扁平化处理，之后再次交换第1,2数据轴；处理后数据的形状为b×(m×4)×256，其中b表示批大小；表示每个样本共有m×4项条目，每项的条目的特征为256维；

12、之后对上步产生的数据通过全连接网络做线性变换，将条目的特征维度从256映射到64，并通过非线性激活函数筛选重要特征；

13、进一步，对上步产生的数据采用天线双头自注意力模块处理；采用双头自注意力模块一方面可以提升特征的表示能力，另一方面，在更新条目特征时可以自适应地关注重点条目信息，提升模型的拟合度，提高在信道数据缺失情况下的推理能力；

14、其中，所述天线双头注意力模块的处理过程如下：首先，对条目特征等长度拆分为两部分，之后对于每部分采用对应的注意力头处理，对于单头而言，通过三个不同的全连接网络征前向传播得到qi，ki，vi∈r(m×4)×32矩阵，分别表示查询、键、以及变换后的待关注特征。接下来进行attention计算，计算过程可以表示为矩阵乘积的形式：

15、

16、各头attention计算完成后拼接各头结果，表示为h＝mlp(h0||h1)其中，||表示按照特征在最后一个维度上的拼接操作，mlp表示输出维度为64的全连接网络。最后，将网络的输出结果与上一步的结果做残差连接计算，并对残差计算结果做层归一化得到最终的双头注意力模块计算结果。

17、进一步，交换上一步处理结果的第1,2数据轴，得64个条目，每个条目特征维度为(m×4)，通过全连接网络做线性变换，将条目的特征维度映射到128维，并通过非线性激活函数筛选重要特征；计算完后的数据维度为(b×64×128)。

18、进一步，采用频率双头注意力模块处理上步结果，不同的是，qi,ki,vi替换为[128×64]维的矩阵，mlp替换为输出维度为128的全连接网络。attention的计算过程可以表示为矩阵乘积的形式：

19、hi＝softmax(1/8qkt)v

20、将网络的输出结果与上一步骤的结果做残差连接计算，并对残差计算结果做层归一化得到频率的双头注意力模块计算结果。

21、进一步，将上步结果采用输出维度为8的全连接网络做线性特征映射，并做扁平化处理，扁平化后数据的维度为b×512，将扁平化的数据通过非线性激活函数处理，作为定位特征f。

22、进一步，通过维度为512×s的全连接网络计算，作为线性回归模块，得到空间位置的预测位置对于二维问题，s＝2，对于三维问题，s＝3。

23、所述步骤d中模型的训练与优化过程为：

24、首先计算用于训练网络的损失。该损失分为均方差损失和流形损失两部分的加权和，其中，均方差损失表示为：

25、

26、y表示真实坐标，tr表示矩阵的迹。

27、此外，流形损失的构建基于近邻图。近邻图的构建通过真实位置标签，以坐标位置点为图节点，对于一个图节点而言，在空间真实坐标上位于该图节点k近邻集合的节点连接图边，以其边长度对应的高斯核函数值作为图边权重。图边权重表示为:

28、wij＝exp(-σ||yi-yj||2)

29、其中，σ为高斯核函数超参数，

30、对应的归一化后的图的拉普拉斯矩阵表示为：

31、l＝i-d-1/2wd-1/2,

32、其中d表示以wij为元素的矩阵w的行和的对角矩阵。

33、基于此，流形损失表示为：

34、loss_mani＝1/b2×tr(ftlf)

35、用于优化的目标损失为上述均方差损失和流形损失的加权和，其中均方差损失约束网络预测的结果与真实结果相吻合，而流行损失约束在空间上近邻的位置，其定位特征也相近。最终待优化的损失表示为：

36、loss＝α×loss_mse+β×loss_mani

37、其中，α，β为损失权重，是超参数；

38、之后，采用反向传播计算模型参数梯度，并采用adam优化器进行优化，直到模型收敛。

39、与现有技术相比，本发明的优点是：

40、1.本发明将基于自注意力机制的神经网络引入到无线定位领域，并针对无线电磁波信号容易被环境干扰，影响无线定位精度的问题，设计了一种基于自注意力神经网络的无线定位的方法和流程。为提高方法在基站故障导致信号缺失的条件下定位的鲁棒性，构建基于注意力机制的神经网络模型，经过两次注意力网络分别对天线数据和频率数据进行基于注意力的计算，可以提取具有判别力的定位特征。通过对数据经过随机擦除基站数据、添加高斯随机噪声措施的增强，正则了网络的学习，提高了模型的泛化能力。同时，引入基于均方差损失和流行损失的多目标损失函数，即约束网络定位精度的同时兼顾定位特征的平滑性，提升了定位的准确性；

41、2.本方法构建的神经网络模型小于5mb，在gpu和cpu上的在线单次定位推理耗时可达数毫秒级，满足实时推理的要求。同时，本方法定位精度高，定位误差可达厘米级。在实际工程应用中，本方法具有较高的实用性和有效性。