[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

说明书

本发明公开了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，旨在利用多维信号特征缓解非视距与多径效应带来的定位误差。该方法首先在离线阶段使用目标设备采集参考点5G观测值，利用3σ原则对异常值进行修正，接着采用滑动窗口方法构建观测值图像并与对应格点的位置坐标合并构建离线图像指纹库，利用指纹库训练得到CNN位置分类模型。在线阶段将目标设备在测试点采集的5G观测值处理后输入CNN位置分类模型，通过概率加权质心法得到测试点定位坐标。本发明对由室内多径效应引起的敏感输入数据有鲁棒性，定位精度得到提升，并且5G定位的发展前景好，本发明有着较大的应用空间和商业价值。

技术领域

本发明涉及5G室内定位领域，具体涉及一种基于卷积神经网络(ConvolutionalNeural Networks,CNN)与高维5G观测特征的室内定位方法。

背景技术

随着物联网技术的飞速发展，基于位置的服务如导航定位正受到广泛关注。全球导航卫星系统(Global Navigation Satellite System，GNSS)在室外定位方面具有高精度，全覆盖等优点。然而在复杂的室内环境下，往往因为信号遮挡和多径效应等导致卫星定位信号衰弱，进而致使定位效果变差，甚至不能正常工作。当前主流的室内定位技术包括超宽带(Ultra Wide Band,UWB)技术，WIFI技术，射频识别(Radio FrequencyIdentification,RFID)技术，蓝牙技术等，这些技术各有利弊。3G、4G网络主要是无源系统，不具备室内定位的能力。少量有源系统带宽小，子载波间隔小，定位精度十几米，很难满足室内定位的应用需求。3G、4G网络架构中也没有定义定位服务器和对外的应用接口，难以推广应用。5G网络的优势在于其具有的更大的带宽和子载波间隔，使得5G室内定位精度提升。

室内定位方法可分为三角测量和指纹识别。三角测量如基于到达时间(Time ofArrival,TOA)，基于到达时间差(Time Difference of Arrival,TDOA)，基于到达角度(Angle of Arrival,AOA)利用三角形的几何特性来估计目标位置。由于室内信号噪声的多径性，三角测量的精度下降，该方法不具有鲁棒性。指纹识别利用场景的特征来估计目标位置，目标设备的位置通常确定为具有最相似特征的参考点或具有相似特征的一组参考点的组合。指纹的准确性在很大程度上取决于数据集的充分性，目前5G基站的大量部署，在室内环境下人们可以很轻易的将移动设备如智能手机接入5G系统，5G信号容易收集，因此将5G指纹识别与机器学习或者深度学习结合成为一种极具吸引力的方法。

机器学习K近邻法(K-Nearest Neighbor,KNN)、决策树、支持向量机(SupportVector Machine,SVM)等需要专业经验来主观地选择和调整滤波器和超参数，时间复杂度高。神经网络可以隐式地从输入中提取特征，避免手动特征选择。深度神经网络(DeepNeural Networks,DNN)缺点在于对输入数据的变化十分敏感，当数据集不够充分时，精度不高。卷积神经网络CNN可以在保持适当复杂度的同时增加神经网络的深度。CNN通过使用滤波器的卷积运算来学习图像的整体拓扑结构，在图像分类上具有令人满意的性能。

发明内容

本发明的目的是针对室内定位信号容易受到非视距和多径效应的影响，提出一种基于卷积神经网络(CNN)与高维5G观测特征的室内定位方法，对由室内多径效应引起的敏感输入数据有鲁棒性，定位精度得到提升，并且5G定位的发展前景好，本发明有着较大的应用空间和商业价值。

本发明的目的是这样实现的：

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，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：