基于CSI与众包迁移自校准更新的位置指纹定位方法与流程

技术特征：
1.一种基于csi与众包迁移自校准更新的位置指纹定位方法，其特征在于，通过众包参与者频繁地更新有位置标签的位置指纹，由服务器通过基于深度迁移学习的算法重建指纹与位置之间的关系，即更新神经网络的参数，通过更新后的神经网络在在线测试阶段实现更为精确的定位精度；所述的众包参与者频繁地更新有位置标签的位置指纹，通过栅格区域a
m
内对采集到的csi数据进行平均来更新位置指纹h(a
m
，t
n 1
)，从而消除随机测量误差。2.根据权利要求1所述的基于csi与众包迁移自校准更新的位置指纹定位方法，其特征是，所述的神经网络，包括五个卷积层和一个平均池化层，该神经网络使用具有softmax输出的fc层来提供归一化概率。3.根据权利要求1或2所述的基于csi与众包迁移自校准更新的位置指纹定位方法，其特征是，具体包括：步骤1、初始化位置指纹库：初始化的位置指纹库存储的csi数据来自n
r
个栅格区域，即：其中：为在初始时刻t0在栅格区域a
m
具有n
sc
个子载波和n
s
个ofdm符号的信道响应，则整个位置指纹库的初始化为：个ofdm符号的信道响应，则整个位置指纹库的初始化为：步骤2、获取位置信息和csi数据：当个众包参与者将各自的位置信息和csi数据通过wi
‑
fi，gps接收器和imu传感器发送至服务器以获得准确的位置信息并由获得众包参与者的位置和csi数据其中其中步骤3、更新位置指纹库：用ω
i
(a
m
)表示栅格区域a
m
的位置集合，的位置集合，通过栅格区域a
m
内对采集到的csi数据进行平均来更新位置指纹h(a
m
，t
n 1
)，从而消除随机测量误差，具体为：其中：t
n 1
的位置指纹库为步骤4、训练指纹自适应的深度迁移学习网络深度适配网络并在线阶段精确定位：用户向服务器发送其实时csi，根据步骤4训练后的神经网络基于实时csi输出n
r
维概率向量，进而得到最终的估计位置：4.根据权利要求3所述的基于csi与众包迁移自校准更新的位置指纹定位方法，其特征是，将每个栅格区域中心位置的csi数据视为区域的csi数据，其中：参考点l
m
的csi数据h(l
m
，t0)通过标准的mmse信道估计算法获得。5.根据权利要求3所述的基于csi与众包迁移自校准更新的位置指纹定位方法，其特征是，通过gps信号检测器来帮助评估信号质量，具体为：当所有检测到的卫星的gps信号的平均snr超过26dbm时，gps信号给出相对精确的定位结果；当检测到的卫星数量少于3个，则认为定位结果不准确并重复检测，直至多次测试中信
号质量满足要求时，记录下初始位置l0。6.根据权利要求3所述的基于csi与众包迁移自校准更新的位置指纹定位方法，其特征是，对所收集的imu传感器数据应用离线的行人航迹推算(pdr)算法获得准确的位置信息，具体为：极短时间内的pdr位移为其中：n
l
为步数，l
k
为众包参与者的第k个步长，α
k
为第k个航向。7.根据权利要求6所述的基于csi与众包迁移自校准更新的位置指纹定位方法，其特征是，利用粒子滤波来减少imu的距离误差，具体为：基于蒙特卡洛方法，使用粒子集表示概率，经过初始化、预测、粒子权重更新、重采样的过程后再重复的预测、更新、重采样，使得粒子逐渐向真实位置聚集。8.根据权利要求1或2或3所述的基于csi与众包迁移自校准更新的位置指纹定位方法，其特征是，所述的神经网络dan具体计算过程为：其特征是，所述的神经网络dan具体计算过程为：其中：n
r
为参考点数量，λ，μ∈[0，1]表示数据相似性的微调系数且λ μ＝1，φ()是映射用于把原变量映射到再生希尔伯特空间中；所述的神经网络dan使用联合损失，考虑交叉熵损失函数和自适应损失mk
‑
mmd，通过最小化损失函数来调整网络中的参数，具体为：小化损失函数来调整网络中的参数，具体为：其中：n
r
为参考点数量，为交叉损失函数，d
mk
‑
mmd
(db
n
，db
n 1
)为自适应损失mk
‑
mmd；并在训练阶段，利用adam优化器对深度神经网络的参数进行训练，使上述损失函数最小化。9.一种实现上述任一权利要求所述位置指纹定位方法的众包系统，其特征在于，包括：位置指纹库初始化单元、位置指纹库更新单元、网络训练单元以及在线阶段位置预测单元，其中：位置指纹库初始化单元与服务器相连并传输初始位置指纹库，位置指纹库更新单元与服务器相连并传输更新的位置指纹库，网络训练单元与服务器相连并传输网络参数信息，在线阶段位置预测单元与用户设备相连并传输定位结果。

技术总结
一种基于CSI与众包迁移自校准更新的位置指纹定位方法，通过众包参与者频繁地更新有位置标签的位置指纹，由服务器通过基于深度迁移学习的算法重建指纹与位置之间的关系，即更新神经网络的参数，通过更新后的神经网络在在线测试阶段实现更为精确的定位精度。本发明通过算法建立位置指纹定CSI和室内参考点(RP)之间的映射关系，利用相邻时间收集的CSI数据的相似性，基于迁移学习算法将在旧领域学习过的模型应用于新领域。提高模型的泛化性能，从而提高定位精度。高定位精度。高定位精度。


技术研发人员：唐斯宇 向晨路 张舜卿 徐树公
受保护的技术使用者：上海大学
技术研发日：2021.04.22
技术公布日：2021/10/19