[发明专利]基于复数神经网络的大规模MIMO指纹定位方法

权利要求书

1.一种基于复数神经网络的大规模MIMO指纹定位方法，其特征在于，该指纹定位方法主要包括离线阶段和在线阶段两个部分，离线阶段获得训练的复数神经网络用于在线阶段用户的定位，包括以下步骤：

离线阶段：

步骤1、首先在定位区域均匀划分样本点，基站端收集用户在各个样本点的上行导频信号进行信道估计，获得用户在各样本点上行链路的CFR矩阵H，其中第k个样本点处的CFR矩阵记为H_k，利用稀疏域变换重构得到该样本点处的角度时延域矩阵即位置指纹G_k；并通过一般的位置测量系统记录该样本点对应二维位置坐标p_k＝(x_k,y_k)，其中x_k,y_k分别为该样本点位置的横纵坐标值；将用户在第k个样本点处的位置指纹G_k和对应的二维位置坐标p_k组成指纹对pair_k＝{G_k,p_k}，所有样本点的指纹对集合构成位置指纹数据库；

步骤2、将各样本点的位置指纹作为复数神经网络的输入数据，对应位置坐标作为复数神经网络的输出标签，构建复数神经网络模型；

步骤3、利用位置指纹数据库存储的样本训练复数神经网络；

步骤4、测试复数神经网络的定位性能；

在线阶段：

步骤5、将离线阶段训练完成的复数神经网络搭载到基站端；基站实时接收用户信号导频信息，估计上行链路的CFR矩阵，其中第k个用户的CFR矩阵为H_k，对其进行稀疏域重构为角度时延域矩阵即位置指纹G_k，用作复数神经网络的输入，最后通过复数神经网络计算得到该用户的位置坐标预测值

所述步骤2中复数神经网络模型共包含两部分：第一部分为卷积网络，第二部分为全连接网络；将位置指纹G_k作为卷积网络的输入，得到降维和展平后的一维特征向量s；将卷积网络输出的一维向量s作为全连接网络的输入，通过全连接网络输出得到用户二维位置坐标预测值；

所述卷积网络包含三个卷积块，每个卷积块由四个拥有相同尺寸和个数卷积核的复数卷积层、一个复数归一化层和一个池化层组成；其中前两个卷积块中的池化层为平均池化层，最后一个卷积块中的池化层为最大池化层；

卷积块中的复数卷积层通过将输入矩阵各通道拆分成实部和虚部，并设计相对应的卷积核模拟复数运算来实现，第一个复数卷积层的实现过程为：输入为复数位置指纹G_k＝x+iy，x、y分别为位置指纹G_k的实部分量和虚部分量，卷积核矩阵对应为W＝A+iB，其中A、B为复数卷积核的实部和虚部，则通过卷积核对输入进行运算后得到的输出为：

W*G_k＝(A*x-B*y)+i(B*x+A*y)

转换成符合卷积核运算的矩阵形式可得：

其中(W*G_k)_real、(W*G_k)_imag分别表示(W*G_k)的实部分量和虚部分量；

构建复数神经网络中的卷积网络时，每一卷积层设定的卷积核个数为实部A或虚部B卷积核的个数，因此总的卷积核个数等于设定值的两倍；

卷积层的激活函数选择CReLU函数：

ReLU(x)＝max(0,x)

CReLU(z)＝ReLU(z_real)+iReLU(z_imag)

其中x为实数输入值，max为取最大值函数，z为复数输入值，z_real、z_imag分别表示z的实部和虚部；

复数批量归一化层通过对二维复数向量进行白化处理来实现，即通过输入信号主成分分量的平方根来缩放数据，具体的计算实现过程如下：

其中x为复数批量归一化层输入，对应第一个卷积块中G_k通过4层卷积核提取的特征，为归一化后的输出，E[x]为输入的期望值，V为输入的二阶协方差矩阵，其具体表达式为：

其中x_real、x_imag分别表示x实部和虚部，Cov(x,y)为x,y的协方差值；

所述全连接网络包含三个复数全连接层和一个复数归一化层，第一、二个全连接层采用CReLU激活函数，复数归一化层位于第一、二个全连接层之间，其中最后一个全连接层作为网络的输出层，直接计算得到用户二维的位置坐标输出；

复数全连接层的实现方式与复数卷积层相同，通过拆分复数向量并模拟复数运算实现；

最后在全连接网络的输出端得到二维位置坐标预测值：其中分别为网络预测的用户当前位置的横纵坐标；

所述步骤3中训练复数神经网络的具体过程为：输入的位置指纹G_k通过前向传播到达输出层得到位置坐标预测值之后利用均方误差损失函数计算位置坐标预测值和真实值p的误差，再通过误差反向传递方法更新网络每一层的权重和偏置，最终得到符合定位要求的复数神经网络；

所述均方误差损失函数MSE的具体计算公式为：

其中p_i为第i个样本点位置的真实值，x_i、y_i为该位置真实横纵坐标值，为复数神经网络通过该点处的位置指纹获得的用户位置坐标的预测值，为该位置预测的横纵坐标值，n为每批次训练的样本总数；

所述步骤4中定位性能采用平均定位误差MPE作为评价指标，具体的计算公式如下: