本发明公开了一种结合稠密连接网络的CSI矫正定位方法，包括采用孤立森林剔除异常的CSI，构造了一种包含时间、频率和天线对信息的CSI幅值指纹形式，训练改进的CSI定位稠密连接卷积网络以建立CSI与空间位置的对应关系，并使用广义延拓插值法构建了插值指纹库，使用基于神经网络的概率加权位置估计，并采用插值指纹库和结合巴氏系数的改进KNN矫正定位方法，针对最大概率较低的预测结果进行位置矫正。本发明充分利用CSI含有的信息；全面挖掘CSI的潜在特征，让训练过程更加高效；结合巴氏系数的改进KNN矫正定位算法，有效降低了基于神经网络的概率加权定位算法的定位误差，提高了定位系统的稳定性。
1.一种结合稠密连接网络的CSI矫正定位方法，其特征在于，包括如下步骤：
S1:在待定位区域采集训练节点的CSI数据并采用孤立森林去除异常，构造包含时间、频率和天线对信息的CSI幅值指纹，建立训练指纹库；对已有的CSI幅值数据取平均，使用广义延拓插值法进行插值，构建插值指纹库；具体为：S1.1:待定位区域为一个Wi‑Fi的信号覆盖区域，在该区域内的每个训练节点进行CSI数据采集，对于第i个训练节点有P对天线对和K个子载波，共采集n个CSI数据包，得到其中每个数据包如式(1)；i为该训练节点的编号，即类别， 为第i个训练节点的第j个数据包的第p对天线对在第k个子载波的CSI；由N个训练节点构成CSI数据集: li＝(xi,yi)，其中li为第i个训练节点的横纵坐标；
S1.2:使用孤立森林去异常，考虑第i个节点上第p对天线对在第k个子载波的所有样本，以此为一个单位使用孤立森林算法得到异常样本数据包序号，在每一个子载波以及每一天线对都经过异常判断后，将这些异常序号合并再去掉重复序号，确定下来该第i个 节点的异常样本序号集，最终根据该集剔除异常样本，保留下来的样本数为ni；
S1.3:对于每个节点的ni个样本，采用滑动窗依序提取，将W个样本分为一组，将W个样本的第一对天线对CSI幅值按行排列，直到最后一对天线对排列完毕，一枚指纹CSIWP×K,i共有W×P行K列；共组合得到 枚指纹，训练指纹库为 训练指纹充分利用了时间、频率以及不同天线对上的CSI信息，利于神经网络构建CSI与空间位置的对应关系；
S1.4:首先对已有的训练节点做均值处理，得到第i个训练节点的均值向量为其中任一个元素为对所有样本取模求平均，如式(2)；
广义延拓插值法使得单元域Ωe内满足插值条件保证较好的连续性，又结合延拓域Ω′e的数据实现最佳拟合，其数学模型如式(3)；其中U(li)是训练节点i的拟合值，v是延拓域的节点个数，ht(li)为延拓域上的一组基，t＝1,2,…,T，at为其第t个待定系数；经过广义延拓插值的插值指纹库为 lm＝(xm,ym)，共有M个插值指纹，其中lm为第m个插值指纹的坐标；
S2:构建改进的CSI定位稠密连接网络，采用训练指纹库数据对网络进行训练；具体为：
对原有的稠密连接网络进行改进，将激活函数由ReLU替换为能够缓解神经元死亡问题的ELU，另外在网络结构的最后使用了多层全连接层，通过全连接层将网络前部卷积层提取的特征进行整合，而后对输入数据非线性变换最后完成分类，其中最后一层全连接层神经元数量等于训练节点个数，最后第L层全连接层神经元数量等于训练节点个数的L倍，以此类推，依据网络的大小确定全连接层的层数；采用训练指纹库数据对网络进行训练，即网络的输入为训练指纹库FingerCSItrain中的CSI指纹，输出标签为维度等于N的one‑hot位置分类向量Label＝(L1,L2,...,Li,...,LN)；最后输出层由softmax函数计算，如式(4)；
其中(h1,h2,...,hi,...hN)为最后一层隐藏层的输出，损失计算使用交叉熵损失函数，如式(5)；
S3:在待定位区域采集测试节点的CSI数据，构造与训练节点CSI幅值指纹形式相同的多枚指纹，输入到CSI定位稠密连接网络中后得到多个预测结果，每个预测结果含有该测试节点在各个训练节点的概率值，使用概率加权定位算法得到初步定位坐标；针对最大概率大于等于阈值的预测结果数量占比小于阈值的测试节点，采用巴氏系数在插值指纹库中找到近邻训练节点，采用KNN定位算法对网络概率权重定位进行矫正，得到最终的定位坐标。
一种结合稠密连接网络的CSI矫正定位方法
技术领域
[0001] 本发明涉及室内定位技术和数据分析技术领域，具体来说，即一种结合稠密连接网络的CSI矫正定位方法。
背景技术
[0002] 大量的室内场景有基于位置服务的条件与需求，由于Wi‑Fi设备在室内被广泛地运用，已有研究利用了可以由Wi‑Fi获取的信道状态信息(Channel State Information，CSI)进行定位。然而目前基于CSI的室内定位算法没有最大程度上发挥CSI在定位方面的潜力，还存在数据利用不充分、定位算法单一的问题，进而降低了基于CSI的室内定位算法的精确度和鲁棒性。
发明内容
[0003] 本发明针对现有技术的定位稳定性差、定位精度低以及指纹采集工作量大的问题，提出了一种结合稠密连接网络的CSI矫正定位方法，引入了基于孤立森林的CSI异常剔除方法、新的CSI幅值指纹形式、改进的CSI定位稠密连接网络、广义延拓插值法扩充指纹库、结合巴氏系数的改进KNN矫正定位算法等处理方法，降低了定位算法的误差，提高了整体的定位性能与稳定性。
[0004] 本发明的具体技术方案如下：
[0005] S1:在待定位区域采集训练节点的CSI数据并采用孤立森林去除异常，构造包含时间、频率和天线对信息的CSI幅值指纹，建立训练指纹库。对已有的CSI幅值数据取平均，使用广义延拓插值法进行插值，构建插值指纹库；
[0006] S1.1:待定位区域为一个Wi‑Fi的信号覆盖区域，在该区域内的每个训练节点进行CSI数据采集，对于第i个训练节点有P对天线对和K个子载波，共采集n个CSI数据包，得到其中每个数据包如式(1)。i为该训练节点的编号，即类别， 为第i个训练节点的第j个数据包的第p对天线对在第k个子载波的CSI。由N个训练节点构成CSI数据集: li＝(xi,yi)，其中li为第i个训练节点的横纵
坐标。
[0007]
[0008] S1.2:使用孤立森林去异常，考虑第i个节点上第p对天线对在第k个子载波的所有样本，以此为一个单位使用孤立森林算法得到异常样本数据包序号，在每一个子载波以及每一天线对都经过异常判断后，将这些异常序号合并再去掉重复序号，确定下来该第i节点的异常样本序号集，最终根据该集剔除异常样本，保留下来的样本数为ni。
[0009] S1.3:对于每个节点的ni个样本，采用滑动窗依序提取，将W个样本分为一组，将W个样本的第一对天线对CSI幅值按行排列，直到最后一对天线对排列完毕，一枚指纹CSIWP×K ,i共有W× P行K列。共组合得到 枚指纹 ，训练指纹 库为训练指纹充分利用了时间、频率以及不同天线对上的
CSI信息，利于神经网络构建CSI与空间位置的对应关系。
[0010] S1.4:首先对已有的训练节点做均值处理，可以得到第i个训练节点的均值向量为其中任一个元素为对所有样本取模求平均，如式(2)。
[0011]
[0012] 广义延拓插值法使得单元域Ωe内满足插值条件保证较好的连续性，又结合延拓域Ω′e的数据实现最佳拟合，其数学模型如式(3)。其中U(li)是训练节点i的拟合值，v是延拓域的节点个数，ht(li)为延拓域上的一组基，t＝1,2,…,T，at为其第t个待定系数；经过广义延拓插值的插值指纹库为 lm＝(xm,ym)，共有M个插值指纹，其中lm为第m个插值指纹的坐标；
[0013]
[0014] S2:构建改进的CSI定位稠密连接网络，针对CSI数据多簇性与普遍含有噪声的特点，对原有的稠密连接网络进行改进，将激活函数由ReLU(Rectified Linear Unit)替换为能够缓解神经元死亡问题的ELU(Exponential Linear Unit)，另外在网络结构的最后使用了多层全连接层，通过全连接层将网络前部卷积层提取的特征进行整合，而后对输入数据非线性变换最后完成分类，其中最后一层全连接层神经元数量等于训练节点个数，最后第L层全连接层神经元数量等于训练节点个数的L倍，以此类推，依据网络的大小确定全连接层的层数。采用训练指纹库数据对网络进行训练，即网络的输入为训练指纹库FingerCSItrain中的CSI指纹，输出标签为维度等于N的one‑hot位置分类向量Label＝(L1,L2,...,Li,...,LN)。最后输出层由softmax函数计算，如式(4)。
[0015]
[0016] 其中(h1,h2,...,hi,...hN)为最后一层隐藏层的输出，损失计算使用交叉熵损失函数，如式(5)。
[0017]
[0018] S3:在待定位区域采集测试节点的CSI数据，构造与训练节点CSI幅值指纹形式相同的多枚指纹，输入到CSI定位稠密连接网络中后得到多个预测结果，每个预测结果含有该测试节点在各个训练节点的概率值，使用概率加权定位算法得到初步定位坐标；针对最大概率大于等于阈值的预测结果数量占比小于占比阈值的测试节点，采用巴氏系数在插值指纹库中找到近邻训练节点，采用KNN定位算法对网络概率权重定位进行矫正，得到最终的定位坐标。
[0019] S3.1:在一个测试节点位置连续采样得到的C个测试指纹输入到改进的CSI定位稠密连接网络中，得到C个预测结果，对于第c个预测结果共有N个概率值 分别代表该测试指纹在各个训练节点的概率。将每个训练节点的位置坐标乘上相应的概率权重，求和后得到的坐标可认为是第c个测试指纹的估计位置，对于C个测试指纹，计算其平均值作为定位结果，如式(6)。
[0020]
[0021] S3.2:通过神经网络预测得到的结果可以分为两种情况，当各个预测结果的最大概率值pmax普遍较大时，可以认为网络对于当前输入的输出有较高的可信度，设C个最大概率值中概率大于等于阈值ρ的占比为R(pmax≥ρ)，一般阈值ρ取大于等于0.5的值，此时可以使用 作为估计位置；而在pmax普遍较小的情况下，认为网络对于当前指纹的预测结果可信度不高，考虑采用其他定位算法纠正预测结果，此处使用K近邻算法(K Nearest Neighbor，KNN)，故可以得到矫正定位算法如式(7)。
[0022]
[0023] 经过广义延拓插值的插值指纹库CSIinsert与测试节点的指纹进行相似度计算，从而获得按相似度降序排序的各节点位置 相似度函数基于巴氏系数，设待检验的两个指纹分别为X和Y，两者的相似度计算如式(8)。
[0024]
[0025] 本发明与现有技术相比有如下优点：
[0026] 1.本发明构造了包含时间、频率和天线对信息的CSI幅值指纹形式，并采用基于孤立森林的CSI异常剔除方法对采集的数据进行预处理，在减少干扰的前提下充分利用CSI含有的信息，保证同一位置的指纹特征有极高相似性的同时增加不同位置间指纹的相异性，使得指纹法定位中CSI与空间位置的对应关系模型构建更加鲁棒。
[0027] 2.本发明通过改进的CSI定位稠密连接网络，适应CSI数据的特征，采用跨层的通道维连结使得神经网络能更进一步全面挖掘CSI的潜在特征，也让训练过程更加高效，有效降低了基于神经网络的概率加权定位算法的定位误差，提高了该定位算法的定位性能。
[0028] 3.本发明提出了结合巴氏系数的改进KNN矫正定位算法，首先通过广义延拓插值法构建插值指纹库，在减小人工采集成本和保证较高精度的同时提高了指纹库的密度；采用基于巴氏系数的相似度函数从另一个角度解析CSI指纹数据，在这两项的基础上使用KNN定位算法，对在基于神经网络的概率加权定位算法可信度较差时的定位结果进行矫正，融合多种定位算法充分利用CSI进行定位，提高了定位系统的精确度，增强了定位方法的鲁棒性。
附图说明
[0029] 图1是结合稠密连接网络的CSI矫正定位算法流程图；
[0030] 图2是两个训练节点在不同时间的指纹特征图像示意图；
[0031] 图3是走廊环境平面图与训练测试节点分布示意图；
[0032] 图4是多种定位算法误差的累积概率分布对比图。
具体实施方式
[0033] 稠密连接网络是一种通过将网络之前层的输出与当前层的输入在通道维上堆叠来缓解梯度消失问题的卷积神经网络。一方面，网络的稠密连接不仅改善了梯度消失和模型退化问题，这种连接方式也加强了特征的重用，利于信道状态信息在各层间的传递；另一方面，稠密连接网络需要的参数数量明显少于传统的卷积网络，具有更高的参数效率。利用神经网络提取CSI特征并使用概率加权定位的方法存在预测概率低时定位误差大、定位系统鲁棒性差的问题，而使用结合巴氏系数的改进KNN矫正定位算法可以从另一角度解析CSI，有效提高基于CSI的室内定位方法的定位性能。
[0034] 由此，本发明提出了一种结合稠密连接网络的CSI矫正定位方法，定位流程如图1所示，所需实验设备有一部固定位置的Wi‑Fi、一台装有IWL 5300NIC的笔记本电脑，具体定位流程包括如下步骤：
[0035] 步骤S1，待定位区域为室内走廊5m×6m的区域，在该区域内的间隔0.6m取一个训练节点并进行CSI数据采集，如图2所示，采集频率为100Hz，图2中一个圆点即训练节点共采集1000个CSI数据包，由于Wi‑Fi与笔记本均有两根天线，故对于一个CSI数据包有4对天线对和30个子载波，则第i个训练节点可以得到 其中每个数据包如下所示：。
[0036]
[0037] 由35个训练节点构成CSI数据集: li＝(xi,yi)，其中li为第i个训练节点的横纵坐标。
[0038] 使用孤立森林去异常，考虑第i个节点上第p对天线对在第k个子载波的所有样本，以此为一个单位使用孤立森林算法得到异常样本数据包序号，在每一个子载波以及每一天线对都经过异常判断后，将这些异常序号合并再去掉重复序号，确定下来该第i节点的异常样本序号集，最终根据该集剔除异常样本，保留下来的样本数为ni。
[0039] 构造CSI幅值指纹，对于第i个训练节点的ni个样本，采用滑动窗依序提取，将8个样本分为一组，将8个样本的第一对天线对CSI幅值按行排列，直到最后一对天线对排列完毕，一枚指纹CSI32×30,i共有32行30列，如图2所示，为两个训练节点的三枚指纹。对所有训练节点数据进行处理，构建训练指纹库。
[0040] 对已有的训练节点做均值处理，可以得到第i个训练节点的均值向量为其中任一个元素 为对所有样本所有天线对取模求平均。采用广义延拓插值法对上述均值指纹库进行扩充，取节点间隔为0.3m，从而获得插值指纹库。
[0041] 步骤S2，构建改进的CSI定位稠密连接网络，具体来说，实验所用的网络构造如表1所示。
[0042]
[0043]
[0044] 表1
[0045] 采用训练指纹库数据对网络进行训练，输出标签为维度等于35的one‑hot位置分类向量，输出层由softmax函数计算，损失计算使用交叉熵损失函数，网络训练过程采用Adam(Adaptive Moment Estimation)算法和反向传播算法来优化网络，直至训练误差小于等于阈值。
[0046] 步骤S3，在待定位区域采集测试节点的CSI数据，测试节点位置如图3中三角形节点所示，在一个测试节点位置连续采样得到的200个测试指纹输入到改进的CSI定位稠密连接网络中，得到200个预测结果，对于每个预测结果共有35个代表该测试指纹在各个训练节点概率的值。将每个训练节点的位置坐标乘上相应的概率权重，求和后得到的坐标，对于200个测试指纹，计算其坐标平均值作为定位结果A。
[0047] 当200个最大概率值中概率大于等于0.5的占比大于等于0.8时，可以使用A作为估计位置；而在小于0.8的情况下，测试节点的指纹与插值指纹库CSIinsert进行基于巴氏系数的相似度计算，获得按相似度降序排序的各节点位置，将A与2个最近邻训练节点采用K近邻算法获得矫正后的定位结果。对DeepFi定位算法、基于神经网络的概率加权定位算法以及结合稠密连接网络的CSI矫正定位算法进行比较，从图4和表2可以看出，基于神经网络的概率加权定位算法优于DeepFi定位算法，而结合稠密连接网络的CSI矫正定位算法进一步减小了定位误差，对于误差较大的定位点进行了矫正，有效解决了神经网络定位性能较差时定位误差过大的问题，提高了定位算法的稳定性。
[0048]
[0049] 表2
[0050] 以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
