[发明专利]一种面向噪声环境下的室内无线定位方法及装置

权利要求书

1.一种面向噪声环境下的室内无线定位方法，其特征在于，包括以下步骤：

1)部署无线信号接收模块，获取无线信号数据；

2)对无线信号数据进行量测噪声和过程噪声的自适应估计，得到信号的特征数据；

3)对特征数据进行归一化处理，将信道状态信息数据转化成特征图数据；

4)将特征图数据输入到若干个多层的残差神经网络中，分别获得一个输出向量；

5)对各个残差神经网络的输出向量做平均操作，并从中找出响应最大值，响应最大值经过数据还原后得到预测的最终位置；

步骤2)中量测噪声的自适应估计过程包括：

2.1)对k时刻的状态估计、状态误差协方差、自由度参数和逆范矩阵进行初始化；

2.2)设置N次循环；

2.3)计算量测与状态估计的差值，差值与其转置相乘后计算得到中间量；

2.4)利用中间量，更新自由度参数和逆范矩阵；

2.5)利用更新后的自由度参数和逆范矩阵，计算出更新后的k时刻量测噪声；

2.6)利用量测噪声，更新一步预测状态误差协方差矩阵；

2.7)利用状态误差协方差矩阵，更新k时刻卡尔曼滤波增益；

2.8)利用卡尔曼滤波增益，更新k时刻状态误差协方差矩阵；

2.9)利用状态误差协方差矩阵，更新k时刻的状态估计；

2.10)重复步骤2.2)-2.9)，直至循环完成后退出。

2.根据权利要求1所述的方法，其特征在于，对步骤1)获取的无线信号数据进行预处理，包括：选取中间时间段数据作为主要的处理对象，去除开始和末尾段可能存在因为人为操作产生的噪声。

3.根据权利要求1所述的方法，其特征在于，步骤2)中过程噪声的自适应估计过程包括：

2.1]初始化：获得k时刻的量测噪声协方差矩阵，k时刻和k-1时刻的量测噪声；

2.2]利用量测噪声协方差矩阵获得中间量M；

2.3]利用中间量M、状态转移矩阵、k-1时刻和k时刻的量测噪声得到随机变量ξ；

2.4]利用中间量M、状态转移矩阵、k-1时刻和k时刻的量测噪声得到相应于随机变量ξ的量测噪声；

2.5]计算得到随机变量ξ的协方差矩阵Cov(ξ)；

2.6]利用k时刻的量测噪声协方差矩阵和k-1时刻的量测噪声协方差矩阵获得随机变量ξ的量测噪声协方差矩阵Cov(V)；

2.7]Cov(ξ)与Cov(V)的差值为k时刻的过程噪声协方差。

4.根据权利要求1所述的方法，其特征在于，步骤3)将信道状态信息数据转化成30*30的特征图数据。

5.根据权利要求1或4所述的方法，其特征在于，步骤3)包括：

3.1)对中间一段时间内的去噪声处理后的信道状态信息进行遍历，将数据的绝对值即信号的幅值从小到大排序，为了避免一些极值点的存在，取5％处的值作为A_min和95％处的值作为A_max；

3.2)将小于A_min的值置为0，大于A_max的值置为1，同时将其区间内的其他值x按比例缩放归一化到[0，1]区间；

3.3)将经过步骤3.2)处理后的数据按照时间顺序按照30×30的方式进行切割，获得连续的30×30的输入方阵，自此，信道状态数据在时间域上的连续数据被转化成30×30的特征图数据。

6.根据权利要求5所述的方法，其特征在于，步骤3)还包括对接收天线所在的位置坐标做如下的归一化处理：

3.1]对于接收天线所在的位置坐标(x,y)采集到的信道状态信息，将采集区域的左下角作为参考点(0,0)，得到区域范围内坐标值最大的点(x_max，y_max)；

3.2]根据最大坐标值，对区域内的点同样做比例缩放归一化处理。

7.根据权利要求1所述的方法，其特征在于，步骤4)中的每个残差神经网络有两层的全连接层，其中Loss函数为L2函数，即最小平方误差函数。