[发明专利]基于CSI的双循环神经网络的船载环境室内定位方法

权利要求书

1.一种基于CSI的双循环神经网络的船载环境室内定位方法，其特征在于，该方法包括离线训练阶段与在线定位阶段；

离线训练阶段包括以下步骤：

A、分别在船舶室内环境和普通室内环境中，在设备部署和人行走路线相同的情况下，采集人行走时的CSI数据；具体包括以下步骤：

A1、分别在船舶室内环境和普通室内环境中部署实验设备，具体方法如下：

建立坐标系xoy，发射机有一根天线，布置于原点(0，0)处，接收机有三根天线，布置于(x_r，y_r)处，且三根天线在同一直线上，接收机线性天线阵列的方向与x轴的夹角为ψ_r，发射机天线与接收机天线的视线路径长度为length，定位跟踪区域位于坐标系xoy第一象限；每根天线都连接有一个装有Intel 5300无线网卡的计算机，使用Linux CSI工具，在接收端上采集CSI数据；

A2、分别在船舶室内环境和普通室内环境中，让一位志愿者在定位跟踪区域内按相同路线行走，同时，采集无线网卡物理层的信道状态信息数据，分别用和来表示，的幅相向量为的幅相向量为此外，通过摄像机录像，得到t时刻人的真实位置l_t；

B、将船舶室内环境下采集的CSI数据输入到基于LSTM的CSI去噪循环神经网络；具体包括以下步骤：

将的幅相向量作为LSTM单元的输入x_t，则在t时刻：

遗忘门向量f_t为：

输入门向量i_t为：

候选单元信息为：

更新单元信息C_t为：

输出门向量O_t为：

最终得到LSTM单元输出为：h_t＝O_t*tanh(C_t)；

其中，σ(·)是sigmoid激活函数，tanh(·)是tanh激活函数，是第一个循环神经网络的权重参数，是第一个循环神经网络的偏置参数；

将LSTM单元的输出h_t输入第一个回归层：

x′_t＝V₁h_t；

其中，V₁为第一个回归层的参数矩阵；

此时输出是用循环神经网络去除了船舶环境巨大噪声后CSI的幅度和相位，将x′_t中的幅度和相位组合成复数，得到的即是去噪之后的CSI数据；

C、将去噪后的船舶室内环境CSI数据输入到CSI清洗模块，利用共轭相乘法消除数据中存在的采样时间偏移和载波频率偏移，并使用一个带通滤波器消除静态多径的影响；具体包括以下步骤：

将第1根天线上的CSI作为参考，取它的共轭复数，得到CSI^*，并将CSI^*的幅值减去CSI^*中幅度最小值β，将第i根天线的CSI的幅值加上一个适当的正数γ，将经过幅度处理的CSI^*与三根天线上采集的CSI相乘，得到乘积C，将乘积C输入到一个截断频率为2Hz和80Hz的Butterworth滤波器，得到输出，记录为p；

D、将步骤C处理后的CSI数据输入到CSI参数估计模型，得到各路径信道参数；具体包括以下步骤：

D1、将上一次迭代估计出的各个路径信道参数，代入到CSI参数模型中，得到各个路径上的理想CSI数据P′_l，其中，各个路径信道参数初始化都赋值为0；

CSI参数模型为：

其中，P表示CSI数据，m＝(i，j，k)，τ为信号飞行时间，φ为信号到达角，为多普勒频移，L为信号路径数，α_l为复衰减，Δf_j为第j个子载波与第1个子载波的频率差，f_c为载波中心频率，Δd_k为第k个天线和第1个天线的距离差，c为光速，Δt_i为第i个数据包与第1个数据包的时间差，N为高斯白噪声；

D2、将步骤C得到的p输入到SAGE算法的期望步，分别得到第l条路径上的实际CSI数据即：

其中，为上一次迭代中估计出的路径信道参数，P′_l为将路径信道参数代入到CSI参数模型得到的理想CSI数据，为估计的第l条路径上的噪声，β_l为控制算法收敛速度的系数，p为消除了静态多径的CSI数据；

D3、将上一步估计出的每条路径上的CSI数据输入到SAGE算法的最大化步，得到每条路径上的信道参数：

其中，分别为当前迭代中估计的信号飞行时间、信号到达角、多普勒频移、复衰减，分别为上一次迭代中估计的信号到达角、多普勒频移，T、F、A分别为上一次估计中数据包的数量、子载波的个数、天线个数；

若满足下式，则停止迭代，得到最终各路径信道参数

其中，分别为上一次迭代中估计的信号飞行时间、复衰减，ε₁、ε₂、ε₃、ε₄分别为信号飞行时间、信号到达角、多普勒频移、复衰减的分辨率；

若不满足上式，则将代回步骤D1，继续循环迭代，直到满足上式；

E、将各路径信道参数输入到基于LSTM的参数匹配循环神经网络中；具体包括以下步骤：

E1、对于时刻t，采用一个长度为2s的滑动时间窗口，对T＜＜t时刻的路径信道参数进行取样，假设时间窗口内，有n个时刻的路径信道参数Θ，则这n个Θ组成一个三维张量X＝[Θ₁，Θ₂...Θ_n]，Θ＝[θ₁，θ₂...θ_L]，若t＜2s，则时刻0之前的参数用0填充；

E2、将张量X输入到第二个基于LSTM的循环神经网络中，其中，是第二个循环神经网络的权重参数，是第二个循环神经网络的偏置参数；

对第二个基于LSTM循环神经网络的输出h_t，输入到下面的第二个回归层中，得到由人反射的信号的路径信道参数

θ_rfl＝V₂h_t；

其中，V₂为第二个回归层的参数矩阵；

F、将步骤E得到的由人反射的信号的路径信道参数输入到定位算法模型，得到人的实时位置；

在线定位阶段包括以下步骤：

在船舶室内环境下，按照步骤A部署设备，人在定位跟踪区域内行走时，采集CSI数据，并将CSI数据依次输入步骤B、步骤C、步骤D、步骤E、步骤F，即可实现实时定位的目的。