[发明专利]一种用于分布式大规模多天线系统的半监督学习定位方法

权利要求书

1.一种用于分布式大规模多天线系统的半监督学习定位方法，其特征在于，包括以下步骤：

S1：生成两个不同的数据集，包括训练数据集和坐标隶属度集；

S2：利用半监督学习算法估计高斯混合模型GMM参数，根据训练数据集对GMM进行初始化；所述高斯混合模型GMM的架构具体为：

给定训练数据集R＝{r₁,r₂,…,r_N}，对n∈{1,2,…,N}，N为位置已知的先验信息数量，由于r_n是基于不同位置上发送的正交导频信号的对应接收信号，因此认为训练数据r_n是相互独立的；对于任意坐标轴Ψ，Ψ∈{x,y,z}来表示x、y、z坐标轴，分别将每个坐标轴分为L个区间，假设{r₁,r₂,…,r_N}由式(7)中的GMM产生：

其中，α_Ψl为GMM系数，0≤α_Ψl≤1且μ_Ψ和Σ_Ψ分别为GMM的均值和协方差矩阵；基于式(7)，GMM可分为L个高斯混合成分，其中第l个GMC的均值和协方差矩阵分别为μ_Ψl和Σ_Ψl，P(r_n|μ_Ψl,Σ_Ψl)为高斯分布概率密度函数，如式(8)所示：

留意到，式(8)中的高斯分布可用任意分布替换来生成特定的混合模型；

基于GMM的特性，假设训练数据{r₁,r₂,…,r_N}由下面过程产生：

首先，基于概率α_Ψl选择第l个GMC，其均值为μ_Ψl，协方差矩阵为Σ_Ψl；

其次，根据第l个GMC的概率分布，生成数据r_n；

对于任意坐标轴Ψ，定义为数据r_n由第l个GMC产生的概率，它是基于GMM的系统参数估计的一个目标参数，表示第n个数据对第l个区间的高斯隶属度；表示为：

由GMM参数集Ω_Ψ＝{(α_Ψ1,μ_Ψ1,Σ_Ψ1),(α_Ψ2,μ_Ψ2,Σ_Ψ2),…,(α_ΨL,μ_ΨL,Σ_ΨL)}决定，其中Ω_Ψ通过EM算法进行迭代估计；其中，最简单的的形式为：

S3：基于半监督期望极大EM算法对GMM参数进行迭代估计，完成GMM的训练；其步骤包括：

基于前述的初始化参数，利用现有的EM算法估计参数Ω_Ψ＝{(α_Ψ1,μ_Ψ1,Σ_Ψ1),(α_Ψ2,μ_Ψ2,Σ_Ψ2),…,(α_ΨL,μ_ΨL,Σ_ΨL)}；具体地，定义第l个GMC的参数为Ω_Ψl＝(α_Ψl,μ_Ψl,Σ_Ψl)，令φ(r_n|Ω_Ψl)＝P(r_n|μ_Ψl,Σ_Ψl)，则迭代估计过程表示为：

初始化：令t＝0，获得

E步：基于当前参数其中l∈{1,…,L}，计算高斯隶属度

M步：令t＝t+1，基于更新参数：

重复E步和M步直到满足：

其中l∈{1,2,…,L}，ε为一个小的正数；最后输出参数估计结果：

S4：根据训练完成的GMM和坐标隶属度集，完成对目标接收信号强度RSS数据对应的位置信息的估计；其步骤包括：

基于训练得到的GMM，估计出目标RSS数据对应的位置坐标信息，即利用GMM求出待估计对应位置坐标信息的RSS向量的高斯隶属度，再通过搜索坐标隶属度集，从而得到测试位置的估计结果，具体为：

假设有Q个待估计对应位置坐标信息的RSS数据{s₁,s₂,…,s_Q}，依据来估计测试位置信息，其中l∈{1,2,…,L}，q∈{1,2，…,Q}；根据式(15)，s_q对第l个GMC的高斯隶属度表示为：

进一步地，根据和式(21)，定义目标函数

其中，为第v_Ψ个坐标样本对第l个区间的坐标隶属度，则为最接近s_q的高斯隶属度的样本点；对于Ψ轴，设第q个测试用户在Ψ轴上的真实坐标为Ψ_q，若该用户在Ψ轴上的估计坐标为用坐标隶属度集采样坐标表示为通过均方根误差RMSE R来衡量该系统的定位性能，表示如下：

至此，完成对目标接收信号强度RSS数据对应的位置信息的估计。