[发明专利]一种基于深度学习的毫米波室内定位方法

说明书

本发明提供的一种基于深度学习的毫米波室内定位方法，包括：离线收集采样点的真实位置坐标和来自多个无线接入点AP的接收信号，获取训练数据集；对训练数据集进行预处理，将预处理后的接收信号作为深度神经网络DNN模型的输入，真实位置坐标为DNN模型的目标输出，对DNN模型进行离线训练；在线实时采集并预处理接收信号，输入训练完成的DNN模型中，输出实时的位置坐标，完成毫米波的室内定位。本发明提供的毫米波室内定位方法，充分利用了多个AP的接收信号，通过训练深度神经网络，在具有噪声的环境下实现了较高精度的室内定位；同时，该定位方法只需在毫米波通信系统的接收机上增设归一化处理和一个DNN模块便可实现定位功能，设备成本低，便于推广使用。

技术领域

本发明涉及室内定位技术领域，更具体的，涉及一种基于深度学习的毫米波室内定位方法。

背景技术

随着通信事业尤其是个人移动通信的高速发展，无线电频谱的低端频率已趋饱和，因而无线通信向更高频段发展是必然的趋势。毫米波由于其频率高、频带宽，可以有效地解决高速宽带无线接入面临的许多问题，因而在短距离通信中有着广泛的应用前景。在众多的毫米波无线系统中，由于具有免执照即可使用的频谱资源、支持易小型化和集成化的元器件和高用户密度[1]，在60GHz频段运行的无线局域网(Wireless Local AreaNetwork，WLAN)越来越受到关注，成为未来无线通信技术中最具潜力的技术之一。

毫米波除了用于通信，也可以提供室内定位服务[2]。这里提到的室内定位是指在室内环境中实现位置定位。当室内环境无法使用卫星定位时，使用室内定位技术作为卫星定位的辅助定位，可以解决卫星信号到达地面时较弱、不能穿透建筑物的问题。

目前对于毫米波室内定位系统常用的定位方法有：基于接收信号强度的(Received Signal Strength Indication，RSSI)定位方法、基于到达时间(Time ofArrival，TOA)的定位方法、基于到达时间差(Time Difference of Arrival，TDOA)定位方法等[3,4]。但这些方法通常难以利用通信信号进行定位且需要使用专门的设备，如基于TOA、TDOA的定位方法需要发射机和接收机都有精确的同步时钟，或者由于易受噪声影响而导致定位精度不高，如原始RSS数据带有很多噪声。

发明内容

本发明为克服现有的室内定位方法，存在需要专门的设备、易受噪声影响而导致定位精度不高的技术缺陷，提供一种基于深度学习的毫米波室内定位方法。

为解决上述技术问题，本发明的技术方案如下：

一种基于深度学习的毫米波室内定位方法，包括以下步骤：

S1：离线收集采样点的真实位置坐标和来自多个无线接入点(Access Point，AP)的接收信号，获取训练数据集；

S2：对训练数据集进行预处理，得到预处理后的训练数据集；

S3：将预处理后的接收信号作为深度神经网络DNN模型的输入，真实位置坐标为DNN模型的目标输出，对DNN模型进行离线训练；

S4：在线实时采集接收信号，进行数据预处理后输入训练完成的DNN模型中，输出实时的位置坐标，完成毫米波的室内定位。

上述方案中，本发明充分利用了多个无线接入点AP的接收信号，通过训练具有强大学习能力的深度神经网络，在具有噪声的环境下实现了较高精度的室内定位；同时，该定位方法只需在毫米波通信系统的接收机上增设归一化处理和一个DNN模块便可实现定位功能，设备成本低，便于推广使用。

其中，所述步骤S1具体为：

在需要定位的室内区域部署N个AP，这些AP通过时分复用或频分复用的方式进行工作，通过接收时间或频率不同区分不同AP发出的信号；