[发明专利]一种信道状态信息数据降维方法及智能室内定位方法

权利要求书

1.一种信道状态信息数据降维方法，其特征在于：包括以下步骤：

步骤1：根据目标函数，建立如下基于局部线性嵌入和低秩的降维模型；

Q＝(I-O)^T(I-O) (2)

式中，Y表示降维后的样本数据，X表示输入的样本数据，W表示投影矩阵，F表示矩阵的Frobenius范数，α和β是平衡参数，||W||_*表示投影矩阵W的核范数，tr(.)表示矩阵的秩，C和D表示对W进行奇异值分解后得到的奇异值向量进行截断后的向量形式，T表示转置运算，I表示单位矩阵，O为局部线性嵌入的权重矩阵；

步骤2：将公式(1)转化为下式，采用增广拉格朗日交替迭代法求解W：

s.t.W＝J，W＝G (4)

具体求解方法如下：

首先把上式有约束的表达式利用增广拉格朗日函数去掉约束项：

其中，λ＞0是惩罚参数，η和ξ表示拉格朗日算子；

然后，固定J，G，η和ξ，计算W：

W＝(2X^TX+2βX^TQX+2λI_d)^-1(2X^TΥ+λJ+λG-η-ξ) (6)

接着，固定W，G，η和ξ，计算J：

上式可以通过奇异值阈值法来计算。接着，固定W，J，η和ξ，计算G：

直至达到最大迭代次数，得到优化后的投影矩阵W；

步骤3：基于投影矩阵W，将待降维的高维信道状态信息数据投影到低维子空间中，得到对应的低维信道状态信息数据。

2.根据权利要求1所述的一种信道状态信息数据降维方法，其特征在于：所述的X＝[X₁，X₂，...，X_s]＝[x₁，x₂，...，x_c]∈R^c×d，其中，表示第i类样本数据集，s表示样本数据集总的类数，表示第i类样本展开成的向量形式，D_i表示每类具有的样本个数，c表示输入的样本数据中样本的个数，d表示输入的样本数据的样本维度，

3.一种智能室内定位方法，其特征在于：包括以下步骤：

S100：获取信道状态信息测量值，构建用于定位的指纹样本；

S200：采用如权利要求1至2任意一项所述的一种信道状态信息数据降维方法，对指纹样本进行降维，得到低维指纹样本，将低维指纹样本分为训练集和测试集；

S300：计算训练集中每个位置点处样本的方差和每个位置点处样本的均值；

S400：基于S300的计算结果，将测试集中的低维指纹样本输入至朴素贝叶斯分类器进行识别分类，得到定位结果。

4.根据权利要求3所述的一种智能室内定位方法，其特征在于：所述S100具体包括以下子步骤：

S110：获取信道状态信息测量值，并提取信道状态信息测量值的幅度，构建一个m×n测量值幅度矩阵：

式中，|H|是信道状态信息测量值的幅度矩阵，i是MIMO信道中天线对的索引，n是信道状态信息含有的子载波的数量，m是选取的CSI数据包的个数；

S120：将所有天线对的幅度矩阵进行组合，得到式(10)；

式中，g为MIMO信道中天线对的个数；

S130：将所有天线对的幅度矩阵转化为1维向量形式，得到用于定位的指纹样本，表示为：

5.根据权利要求4所述的一种智能室内定位方法，其特征在于：在S400中，所述朴素贝叶斯分类器表示为：

Lc←argmaxP(Lc_i|Ft)＝argmaxP(Ft|Lc_i)； (13)

式中，Lc为目标的位置，Lc_i表示第i个位置点，Ft表示测试集的特征，P(Lc_i|Ft)表示在第i个位置点条件下测试集的特征的概率，P(Ft|Lc_i)表示在测试集的特征条件下第i个位置点的概率。

6.根据权利要求5所述的一种智能室内定位方法，其特征在于：采用对数正态分布函数计算P(Ft|Lc_i)进行计算，表示为：

式中，(STD)²表示训练集里每个位置点处样本的方差，exp[.]表示指数函数，μ表示训练集里每个位置点处样本的均值。