[发明专利]基于卷积神经网络与高维5G观测特征的室内定位方法

权利要求书

1.一种基于卷积神经网络与高维5G观测特征的室内定位方法，其特征在于，该方法包括以下具体步骤：

步骤1：离线阶段进行数据采集与模型训练，具体步骤如下：

步骤1.1：对待定位区域进行二维矩形网格划分，得到参考点，将目标设备放置于每个参考点进行观测，收集由5G基站发送到目标设备的5G观测值矩阵V并进行存储，同时记录对应参考点的位置坐标(x_i,y_i)；

步骤1.2：对观测值矩阵V数据预处理，剔除观测值矩阵V中存在缺失值的行，采用3σ原则处理观测值矩阵V中的异常值，得到观测值矩阵V’；

步骤1.3：对数据预处理后的观测值矩阵V’使用滑动窗口方法构建观测值图像I；

步骤1.4：将观测值图像I与对应参考点的位置坐标(x_i,y_i)合并，构建离线图像指纹库F；

步骤1.5：将离线图像指纹库F作为卷积神经网络CNN的输入，训练得到CNN位置分类模型；

步骤2：在线阶段进行数据采集与目标设备定位，具体步骤如下：

步骤2.1：在待定位区域中选择测试点，将目标设备放置于测试点进行观测，收集由5G基站发送到目标设备的5G观测值矩阵U并进行存储；

步骤2.2：对观测值矩阵U数据预处理，剔除观测值矩阵U中存在缺失值的行，采用3σ原则处理观测值矩阵U中的异常值，得到观测值矩阵U’；

步骤2.3：对数据预处理后的观测值矩阵U’使用滑动窗口方法构建观测值图像R；

步骤2.4：将观测值图像R输入步骤1.5的CNN位置分类模型，进行在线匹配，得到测试点属于各参考点的概率p_k；

步骤2.5：根据步骤2.4得到的概率p_k，使用概率加权质心法得到测试点的定位坐标L。

2.根据权利要求1所述的基于卷积神经网络与高维5G观测特征的室内定位方法，其特征在于，所述观测值矩阵V和观测值矩阵U均由5G信号的十维观测值SS-RSRP Ant0、SS-RSRPAnt1、NR WB CQI、NR PUSCH TxPower、NR PUSCH PathLoss、NR PUCCH TxPower、NR PUCCHPathLoss、SS-SINR、SS-RSSI及SS-RSRQ构成，观测值矩阵V中的十维观测值依次记录为V₁,V₂,V₃,...,V_n,n＝10，观测值矩阵U中的十维观测值依次记录为U₁,U₂,U₃,...,U_n,n＝10；所述SS-RSRP Ant0为天线0的5G同步信号参考信号接收功率；SS-RSRP Ant1为天线1的5G同步信号参考信号接收功率；NR WB CQI为信道质量指示；NR PUSCH TxPower为PUSCH信道发送功率；NR PUSCH PathLoss为PUSCH信道路径损耗；NR PUCCH TxPower为PUCCH信道发送功率；NR PUCCH PathLoss为PUCCH信道路径损耗；SS-SINR为5G同步信号信噪比；SS-RSSI为5G接收信号强度指示；SS-RSRQ为5G参考信号接收质量。

3.根据权利要求1所述的基于卷积神经网络与高维5G观测特征的室内定位方法，其特征在于，所述数据预处理包括缺失值处理与异常值处理：

1)观测值矩阵V或U中的一行表示目标设备接收到的一个数据包，每个数据包包含5G信号十维观测值，当某个数据包中一个或多个观测值V_j或U_j,(j＝1,2,3,...,10)为空值时，将该数据包剔除，即剔除观测值矩阵中存在缺失值的行；

2)3σ原则是建立在正态分布的等精度重复测量基础上的，在正态分布中σ代表标准差；如果数据包中某个观测值与其均值之差的绝对值大于3倍的标准差，则判断该观测值为异常值，并用均值代替该观测值：

其中，和分别代表V_j和U_j的均值，和分别代表V_j和U_j的标准差。