基于信道状态信息的定位方法、系统、存储介质及设备

1.本发明涉及无线信号及信息处理技术领域，特别涉及一种基于信道状态信息的定位方法、系统、存储介质及设备。


背景技术：

2.随着环境检测技术研究的发展，csi(channelstationinformation，信道状态信息)成为环境检测的典型应用。csi是描述无线信道状态的信息集合，其中包括子载波信号强度、振幅、相位和信号延迟等信息。与以往基于rssi(receivedsignalstrengthindicator)的环境定位和测距技术相比，采用csi会拥有更高的细粒度，即对目标环境可做出更精细的描述，同时对于外界环境因素的干扰，基于csi的定位和测距技术稳定性也会更好，不会因为受到多径效应而导致精确度不高等问题，具有更好的定位、测距效果和服务能力。
3.应用csi进行环境检测时，由于在csi发射接收过程中存在设备接收时频率不能准确同步等问题，不能直接使用接收到的csi，通过对其进行合理的变换和处理，能够消除接收的csi的信号误差，在环境检测等应用上获得更高的检测精度。
4.但在实际应用中，除去接收的误差，信号在多障碍多路径的复杂环境进行传输过程中，还会受到阻挡、干扰、噪声等因素影响，不仅会造成csi发射和接收存在一定的偏差，同时对于后续的相位校准、建立指纹库、指纹匹配都有着一定的影响。因此，利用直接测量、直接使用接收数据这样的传统方法建立指纹库，在复杂环境下，对移动目标的位置检测的可靠性和准确性会变差。


技术实现要素：

5.基于此，本发明的目的是提供一种基于信道状态信息的定位方法、系统、存储介质及设备，解决背景技术中在复杂环境下，移动目标位置检测的可靠性和准确性会变差的问题。
6.本发明一方面提供一种基于信道状态信息的定位方法，方法包括：将目标位置预先划分为多个位置，获取与多个位置一一对应的多组子载波相位数据，对多组子载波相位数据进行校准，根据校准后的子载波相位数据构建训练集；构建深度神经网络模型，将训练集输入深度神经网络模型中进行训练，得到最优深度神经网络模型及对应目标位置的指纹数据；根据指纹数据建立指纹库，获取移动目标的子载波相位数据，将移动目标的子载波相位数据与指纹库进行匹配，根据匹配结果确定移动目标的位置。
7.本发明中的基于信道状态信息的定位方法，通过构建深度神经网络训练模型和预先划分的多个位置的子载波相位数据，通过深度神经网络训练，得到最优深度神经网络模型，通过深度神经网络训练能够减少子载波相位数据在低信噪比环境中因环境等因素所受到的的影响，再根据训练后校准的子载波相位数据建立对应目标位置的指纹库，将移动目
标的子载波数据与指纹库进行比对，得到移动目标的位置信息，通过深度神经网络训练，提高了接收的子载波相位数据的准确性和可靠性，进而提高了对移动目标位置检测的可靠性和准确性，解决了背景技术中在复杂环境下，移动目标位置检测的可靠性和准确性会变差的问题。
8.另外，根据本发明上述的基于信道状态信息的定位方法，还可以具有如下附加的技术特征：进一步的，深度神经网络模型包括输入层、多个隐藏层和输出层，输入层用于输入多组子载波相位数据建立的输入矩阵，输出层用于输出多组子载波相位数据经多个隐藏层训练后得到的输出矩阵，输出矩阵包括最优深度神经网络模型及对应目标位置的指纹数据。
9.进一步的，构建深度神经网络模型，将训练集输入深度神经网络模型中进行训练，得到最优深度神经网络模型及对应目标位置的指纹数据的步骤包括：构建模型损失函数，基于模型损失函数的深度神经网络模型对训练集进行训练，当模型损失函数输出值达到预设值的网络模型参数，即是深度神经网络模型最优模型参数，输出深度神经网络模型的最优模型参数及对应目标位置的输出指纹数据。
10.进一步的，基于模型损失函数的深度神经网络模型对训练集进行训练的步骤包括：将多组子载波相位数据经输入层后输入隐藏层中，根据对比散度算法对子载波相位数据的每个隐藏层的训练结果进行估计，根据每个隐藏层的训练结果估计不同隐藏层之间的网络模型参数。
11.进一步的，隐藏层包括第一隐藏层、第二隐藏层和第三隐藏层；根据对比散度算法对子载波相位数据的每个隐藏层的训练结果进行估计，根据每个隐藏层的训练结果估计不同隐藏层之间的网络模型参数的步骤包括：将输入层的输入与第一隐藏层的各个神经元的输出状态进行联合概率分布相乘，以估计第一隐藏层的输出；再将第一隐藏层的输出与第二隐藏层的各个神经元的输出状态进行联合概率分布相乘，以估计第二隐藏层的输出；将第二隐藏层的输出与第三隐藏层的各个神经元的输出状态进行联合概率分布相乘，以估计第三隐藏层的输出；根据每个隐藏层的输出反向推算出各个隐藏层的输入，进而根据各个隐藏层的输入得到不同隐藏层之间的网络模型参数。
12.进一步的，根据对比散度算法对子载波相位数据的每个隐藏层的训练结果进行估计的步骤后还包括：通过比较各个隐藏层输入与输出之间的误差，并利用误差反向传播算法不断调整不同隐藏层之间的网络模型参数，最终得到最优网络模型参数。
13.进一步的，对多组子载波相位数据进行校准的步骤包括：通过对多组子载波相位数据进行线性变换处理，得到校准后与多个位置一一对应的子载波相位数据。
14.本发明另一方面提供一种基于信道状态信息的定位系统，系统包括：
训练集构建模块，用于将目标位置预先划分为多个位置，获取与多个位置一一对应的多组子载波相位数据，对多组子载波相位数据进行校准，根据校准后的子载波相位数据构建训练集；模型训练模块，用于构建深度神经网络模型，将训练集输入深度神经网络模型中进行训练，得到最优深度神经网络模型及对应目标位置的指纹数据；位置计算模块，用于根据指纹数据建立指纹库，获取移动目标的子载波相位数据，将移动目标的子载波相位数据与指纹库进行匹配，根据匹配结果确定移动目标的位置。
15.本发明另一方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述任一项的基于信道状态信息的定位方法。
16.本发明另一方面还提供一种数据处理设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如上述任一项的基于信道状态信息的定位方法。
附图说明
17.图1为本发明第一实施例中基于信道状态信息的定位方法流程图；图2为本发明第二实施例中基于信道状态信息的定位方法流程图；图3为本发明第四实施例中基于信道状态信息的定位系统的系统框图；图4为本发明实施例中通过深度神经网络训练后的建立指纹库的流程示意图；图5为本发明实施例中采用对比散度算法对模型训练时层与层之间关系的示意图；图6为本发明实施例中采用误差反向传播算法调整模型的流程示意图；图7为本发明实施例中25m
×
20m的目标环境下检测移动目标的流程示意图；图8为本发明实施例中基于信道状态信息的定位方法的应用场景示意图；如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
18.为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
19.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
20.本发明主要应用于基于无线信号进行环境检测的场合，如图8所示为本发明的应用场景示意图，包括目标环境、网络设备和定位装置。在目标环境中预先划分出多个不同位置，使网络设备发送的网络信号覆盖整个目标环境，网络设备将接收目标环境中不同位置的子载波信号，并将子载波信号发送至定位装置，定位装置将根据子载波信号进行匹配定位。
21.本发明首先将智能化环境检测问题，分解为训练和在线实时计算两个阶段，在离
线训练阶段中利用带有三层隐藏层的深度神经网络对校准后的子载波相位数据本发明首先将智能化环境检测问题，分解为训练和在线实时计算两个阶段，在离线训练阶段中利用带有三层隐藏层的深度神经网络对校准后的子载波相位数据进行智能化处理，减少在低信噪比环境中因环境等因素的影响，然后，根据深度神经网络处理得到的输出结果建立该环境下的csi指纹库，在在线实时计算阶段中，当移动目标在该环境中实时运动时，将新接收且处理好的子载波信号与csi指纹库中的不同指纹数据做指纹匹配，同时多次积累和对比，最终输出指纹匹配结果，据此确定移动目标在检测环境中的位置信息，并反映移动目标在指纹网络中的位置变化，实现移动目标在该环境下的的运动状态检测。
22.实施例一请参阅图1，所示为本发明第一实施例中的基于信道状态信息的定位方法，包括步骤s11-s13。
23.s11、将目标位置预先划分为多个位置，获取与多个位置一一对应的多组子载波相位数据，对多组子载波相位数据进行校准，根据校准后的子载波相位数据构建训练集。
24.构建训练集：训练集即收集得到并通过线性变换校准后的n组i个子载波相位数据，根据校准后的n组i个子载波相位数据建立输入矩阵h0，输入h0是n
×
i维的矩阵，n表示建立指纹信息的设定位置总数，i表示在某一位置上所输入的i个校准后子载波相位数据，输出结果同样是n
×
i维的指纹输出矩阵，表示在n个不同位置下输出的的i个经过模型训练后获得的指纹信息数据，输入矩阵h0的每一行与指纹输出矩阵的每一行对应。
25.s12、构建深度神经网络模型，将训练集输入深度神经网络模型中进行训练，得到最优深度神经网络模型及对应目标位置的指纹数据。
26.构建深度神经网络：该深度神经网络含有一层输入层，三层隐藏层，以及一层输出层。h0表示输入矩阵，即n组i个校准后子载波相位数据，w1、w2、w3表示输入层与第一隐藏层，第一隐藏层与第二隐藏层，第二隐藏层与第三隐藏层之间的网络模型参数。h0通过输入层送入深度神经网络模型中，经过层与层之间的训练，最后由输出层输出结果。
27.其中，收集的子载波数据输入深度神经网络中进行训练时，n组i个子载波相位数据作为输入矩阵输入神经网络中的输入层中，进而在三个隐藏层中依次进行训练，在输出层中得到由训练后的子载波相位数据建立的输出矩阵。
28.训练过程时，为了更好的获取到最优的网络模型参数，使模型训练至更优，构建模型损失函数，模型损失函数如下：其中，h
k-1
、hk分别表示在第k-1层和第k层的输出，h0表示输入数据，h1、h2、h3分别表示输入数据h0在经过模型隐藏层第一层k1，第二层k2，第三层k3的输出结果，b
k-1
、bk分别表示在模型第k-1层和第k层的偏差，b0、b1、b2、b3分别表示在模型输入层，隐藏层第一层k1，第二层k2，第三层k3的偏差。使得上式损失函数输出值达到预设值的网络模型参数w1、w2、w3，即为模型训练所得的最优模型参数。
29.输入矩阵h0在经过具备最优模型参数的深度神经网络训练后，会输出n
×
i维的输出矩阵，即对应n个不同位置下的指纹数据。
30.s13、根据指纹数据建立指纹库，获取移动目标的子载波相位数据，将移动目标的
子载波相位数据与指纹库进行匹配，根据匹配结果确定移动目标的位置。
31.如图4所示，根据经模型训练后得到的指纹数据，已消除因环境因素等而带来的误差，据此将指纹数据形成环境中对应不同位置的子载波相位数据的csi指纹库。通过深度训练后建立的指纹库，该指纹库中的指纹数据经过深度神经网络训练，减少了子载波相位数据在低信噪比环境中因环境等因素所受到的的影响，提高数据的精确度和有效性，能够提高后续的相位校准、指纹匹配的准确性和可靠性。
32.在指纹匹配过程中，因为是在同一收发端和共同信道环境下，所以csi所携带的子载波相位信息中的个数x和其子载波间频率间隔都是确定且相同的，在此条件下，校准后的子载波相位数据中因传播环境误差、时延误差等而造成的时间间隔数据，成为对移动目标进行检测的关键因素，已知不同目标环境下所产生的时间间隔数据的影响是线性的，因此在一定程度上反映了移动目标所在的位置。
33.故在实际的指纹匹配操作中，只需比较校准后的子载波相位数据和指纹库中各位置上的指纹信息的时间间隔即可完成指纹匹配操作。
34.可知，在某一位置下接收移动目标的csi所携带的子载波信息经过校准后，有校准后的子载波相位数据：与已建立指纹库中各位置上的指纹数据：与已建立指纹库中各位置上的指纹数据：两者进行比较匹配：观察上式，根据所得结果可以发现，当两者越接近，即移动目标校准后的子载波相位数据与指纹库中某一位置下的指纹数据越接近时，的值越接近于1，反之，越接近于0。
35.获取移动目标的子载波相位数据，并进行线性变换校准，将接收并处理得到的移动目标校准后的子载波相位数据，通过与指纹库中的不同位置上指纹数据进行比较匹配，可以得到不同的计算结果，这些计算结果可以反映与的匹配程度，为消除环境白噪声对csi接收和匹配结果的干扰，将与进行多次指纹匹配，同时将多次匹配结果累加与所代表的位置信息一一对应，可输出该位置信息下的指纹匹配结果：指纹匹配结果：
上式中：p表示进行p次指纹匹配，n表示白噪声对csi接收和指纹匹配的干扰。
36.在输出的指纹匹配结果中，我们可以得到移动目标csi校准后的子载波相位数据与指纹库中不同位置下的指纹数据进行多次指纹匹配的结果，由此，我们可以获得移动目标在检测环境中的位置信息并估计其在指纹库中的位置。同时，由于不同目标环境下采样的传播环境误差、时延误差等对时间间隔数据的影响是线性的，即目标位置对的影响是有一定线性规律的，故可通过不同组输出的指纹匹配结果对比比较，来估计移动目标在该环境中的位置变化，从而确定移动目标运动的方向、距离和速度，实现对移动目标在目标环境下的运动状态检测。
37.综上，本发明上述实施例当中的基于信道状态信息的定位方法，通过构建深度神经网络训练模型和预先划分的多个位置的子载波相位数据，通过训练深度神经网络，得到最优深度神经网络模型，通过深度神经网络训练，能够减少子载波相位数据在低信噪比环境中因环境等因素所受到的的影响，再根据训练后校准的子载波相位数据建立对应目标位置的指纹库，将移动目标的子载波数据与指纹库进行比对，得到移动目标的位置信息，通过深度神经网络训练，提高了接收的子载波相位数据的准确性和可靠性，进而提高了对移动目标位置检测的可靠性和准确性，解决了背景技术中在复杂环境下，移动目标位置检测的可靠性和准确性会变差的问题。
38.实施例二请参阅图2，所示为本发明第二实施例中的基于信道状态信息的定位方法，包括步骤s21-s24。
39.s21、将目标位置预先划分为多个位置，获取与多个位置一一对应的多组子载波相位数据，对多组子载波相位数据进行校准，根据校准后的子载波相位数据构建训练集。
40.构建训练集：训练集即收集得到并通过线性变换校准后的n组i个子载波相位数据，根据校准后的n组i个子载波相位数据建立输入矩阵h0，输入h0是n
×
i维的矩阵，n表示建立指纹信息的设定位置总数，i表示在某一位置上所输入的i个校准后子载波相位数据，输出结果同样是n
×
i维的指纹输出矩阵，表示在n个不同位置下输出的的i个经过模型训练后获得的指纹信息数据，输入矩阵h0的每一行与指纹输出矩阵的每一行对应。
41.子载波相位数据校准包括对在环境中不同n个位置下采集到的个子载波相位数据进行线性变换处理，以消除子载波频率偏移和adc采样频率偏移等问题的影响，从而得到校准后的n组i个校准后子载波相位数据，校准公式如下：根据校准后的n组i个子载波相位数据建立输入矩阵h0，输入h0是n
×
i维的矩阵，n表示建立指纹信息的设定位置总数，i表示在某一位置上所输入的i个校准后子载波相位数据，输出结果同样是n
×
i维的指纹输出矩阵，表示在n个不同位置下输出的的i个经过模型训练后获得的指纹信息数据，输入矩阵h0的每一行与指纹输出矩阵的每一行对应。
42.s22、构建深度神经网络模型，将训练集输入深度神经网络模型中，采取对比散度算法对模型进行训练。
43.构建深度神经网络：该深度神经网络含有一层输入层，三层隐藏层，以及一层输出层。h0表示输入矩阵，即n组i个校准后子载波相位数据，w1、w2、w3表示输入层与第一隐藏层，第一隐藏层与第二隐藏层，第二隐藏层与第三隐藏层之间的网络模型参数。h0通过输入层送入深度神经网络模型中，经过层与层之间的训练，最后由输出层输出结果。
44.其中，收集的子载波数据输入深度神经网络中进行训练时，n组i个子载波相位数据作为输入矩阵输入神经网络中的输入层中，进而在三个隐藏层中依次进行训练，在输出层中得到由训练后的子载波相位数据建立的输出矩阵。
45.训练过程时，为了更好的获取到最优的网络模型参数，使模型训练至更优，构建模型损失函数，模型损失函数如下：其中，h
k-1
、hk分别表示在第k-1层和第k层的输出，h0表示输入数据，h1、h2、h3分别表示输入数据h0在经过模型隐藏层第一层k1，第二层k2，第三层k3的输出结果，b
k-1
、bk分别表示在模型第k-1层和第k层的偏差，b0、b1、b2、b3分别表示在模型输入层，隐藏层第一层k1，第二层k2，第三层k3的偏差。使得上式损失函数输出值达到预设值的网络模型参数w1、w2、w3，即为模型训练所得的最优模型参数。
46.现有技术中，通常采取随机梯度下降法来更新网络模型参数对模型进行训练，但随机梯度下降法会造成模型训练复杂度过高，模型训练过慢，训练效率过低等问题，因此，本实施中通过对比散度算法在模型第k-1层和第k层之间进行训练，如图5所示，当第k-1层的输入经过网络训练传递至第k层时，各个神经元之间状态相互独立，训练结果只是在层与层之间的神经元传递，则可利用k-1层的输入h
k-1
经过模型网络模型参数训练后与第k层各神经元输出状态的联合概率分布相乘来对第k层最后的输出进行近似估计：其中，是第k-1层的输入经过第k-1层与第k层的网络的训练并带入sigmoid函数中近似推断的，sigmoid函数是一个在生物学中常见的s型函数，也称为s型生长曲线。在信息科学中，由于其单增以及反函数单增等性质，sigmoid函数常被用作神经网络的阈值函数，将变量映射到0，1之间，通过sigmoid函数对训练过程进行拟合的公式如下：s23、根据误差反向传播算法调整经训练后估计的网络模型参数，得到最优深度神经网络模型及对应目标位置的指纹数据。
47.如图6所示，输入h0在经过模型输入层和第一层k1时，根据由拟合得到的初始网络模型参数b0、b1、w1的值来计算输入层k0和第一层k1中的，可得到k1层所有神经元的概率分布，经过累乘后得到，由此再得到隐藏层第一层k1的输出值h1，按照上式依次在每一层中根据该方法计算最终可以得到隐藏层第一层k1，第二层k2，第三层k2的输
出值h1、h2、h3，同时分布相乘相应层与层之间的网络模型参数并带入sigmoid函数中近似推断的和可反向计算得到h2，h1，h0。
48.根据每一次的训练得到的输出和开始的输入h0之间的误差，利用误差反向传播算法来调整网络不同层之间的网络模型参数，如此反复训练，当误差训练至预设值时，最终可以得到模型参数w1、w2、w3的最优值。
49.其中，
∂
是在模型训练前预先设置好的学习率。
50.输入矩阵h0在经过具备最优模型参数的深度神经网络训练后，会输出n
×
i维的输出矩阵，即对应n个不同位置下的指纹数据。
51.s24、根据指纹数据建立指纹库，获取移动目标的子载波相位数据，将移动目标的子载波相位数据与指纹库进行匹配，根据匹配结果确定移动目标的位置。
52.如图4所示，根据经模型训练后得到的指纹数据，已消除了低信噪比环境中各因素影响带来的误差，据此将指纹数据形成环境中对应不同位置的子载波相位数据的csi指纹库。通过深度训练后建立的指纹库，该指纹库中的指纹数据有着更高的精确度，能够提高后续的相位校准、指纹匹配的准确性和可靠性。
53.在指纹匹配过程中，因为是在同一收发端和共同信道环境下，所以csi所携带的子载波相位信息中的个数x和其子载波间频率间隔都是确定且相同的，在此条件下，校准后的子载波相位数据中因传播环境误差、时延误差等而造成的时间间隔数据，成为对移动目标进行检测的关键因素，已知不同目标环境下传播环境误差、时延误差等对时间间隔数据的影响是线性的，因此在一定程度上反映了移动目标所在的位置。
54.故在实际的指纹匹配操作中，只需比较校准后的子载波相位数据和指纹库中各位置上的指纹信息的时间间隔即可完成指纹匹配操作。
55.可知，在某一位置下接收移动目标的csi所携带的子载波信息经过校准后，有校准后的子载波相位数据：与已建立指纹库中各位置上的指纹数据：两者进行比较匹配：观察上式，根据所得结果可以发现，当两者越接近，即移动目标校准后的子载波相位数据与指纹库中某一位置下的指纹数据越接近时，
的值越接近于1，反之，越接近于0。
56.获取移动目标的子载波相位数据，并进行线性变换校准，将接收并处理得到的移动目标校准后的子载波相位数据，通过与指纹库中的不同位置上指纹数据进行比较匹配，可以得到不同的计算结果，这些计算结果可以反映与的匹配程度，为消除环境白噪声对csi接收和匹配结果的干扰，将与进行多次指纹匹配，同时将多次匹配结果累加与所代表的位置信息一一对应，可输出该位置信息下的指纹匹配结果：指纹匹配结果：上式中：p表示进行p次指纹匹配，n表示白噪声对csi接收和指纹匹配的干扰。
57.在输出的指纹匹配结果中，我们可以得到移动目标csi校准后的子载波相位数据与指纹库中不同位置下的指纹数据进行多次指纹匹配的结果，由此，我们可以获得移动目标在检测环境中的位置信息并估计其在指纹库中的位置。同时，由于不同目标环境下采样的传播环境误差、时延误差等对时间间隔数据的影响是线性的，即目标位置对的影响是有一定线性规律的，故可通过不同组输出的指纹匹配结果对比比较，来估计移动目标在该环境中的位置变化，从而确定移动目标运动的方向、距离和速度，实现移动目标在目标环境中的运行状态检测。
58.综上，本发明上述实施例当中的基于信道状态信息的定位方法，通过构建深度神经网络训练模型和预先划分的多个位置的子载波相位数据，通过训练深度神经网络，得到最优深度神经网络模型，通过深度神经网络训练，能够减少子载波相位数据在低信噪比环境中因环境等因素所受到的的影响，再根据训练后校准的子载波相位数据建立对应目标位置的指纹库，将移动目标的子载波相位数据与指纹库进行比对，得到移动目标的位置信息，通过深度神经网络训练，提高了接收的子载波相位数据的准确性和可靠性，进而提高了对移动目标位置检测的可靠性和准确性，解决了背景技术中在复杂环境下，移动目标位置检测的可靠性和准确性会变差的问题。
59.实施例三如图7所示，本实施例中还提供一种根据上述步骤s21-s24的方法对25m
×
20m的目标环境中移动目标检测方法。
60.s31：在25m
×
20m的目标环境下，确定n=2000个不同训练位置0.5m
×
0.5m且利用设备采集每个位置上的i=90个子载波相位数据，经过线性处理后，可得到每个位置上校准后的i=90个校准后子载波相位数据，共n=2000组i=90个校准后子载波相位数据：
s32：可知每个位置可以用一组i=90个校准后子载波相位数据建立指纹库，据此，构建训练集为2000
×
90维的输入h0，每一行对应不同位置下i=90个校准后子载波相位数据，在经过构建好的深度神经网络训练后，会输出n=2000维的指纹输出矩阵，每一行对应不同位置下指纹数据，同时输入h0的每一行与指纹输出矩阵的每一行对应。
61.s33：采用在输入层k0带有90个输入节点，在第一隐藏层k1带有60个节点，在第二隐藏层k2带有30个节点，在第三隐藏层k3带有15个节点，在输出层带有6个输出节点的深度神经网络，将输入数据的每一行的数据对应输入到每一个输入节点，输入数据在经过模型不同层时会对应输出不同数据，每进行一次完整的训练，会根据输入h0和输出的误差，利用误差反向传播算法来调整层与层之间的网络模型参数，在训练前设置学习率，当经过反复训练后，误差达到最小或在精度范围内可获得最终的网络模型参数，输出层的6个输出节点会输出每个训练位置下对应的指纹数据，当n=2000个训练位置下的指纹数据都生成后，会输出2000
×
90维的指纹输出矩阵，据此形成该环境下的指纹库。
62.s34：当移动目标在已建立好的指纹库中进行移动时，接收设备可以获知其csi所携带的子载波信息，并将其与指纹库各位置上的指纹信息进行比较匹配：为了消除环境白噪声n对csi接收和匹配结果的影响，在同一段时间内，由接收设备得到的一组移动目标csi所携带的子载波信息，可以与指纹库各位置上的指纹信息进行多次比较匹配，将与指纹库中每个位置下的进行p=20次指纹匹配，且将与同一位置上的比较匹配结果进行累加：位置上的比较匹配结果进行累加：最终输出的2000个不同位置下20次累加后的指纹匹配结果s35：每隔
△
t=1s，接收设备可以获知移动目标的一组csi所携带的子载波信息，将其与指纹库中不同位置下的指纹信息进行比较匹配，在一段时间t(t＞1)内，经过多组匹配结果比较后，若指纹匹配结果并无明显变化，则说明在该时间内，移动目标静止，即在目标环境中并未移动；若相邻两组匹配之间，指纹匹配结果发生变化，则对应指纹库中位置变化可确定移动目标在该时间内的运动方向和轨迹，进而计算其运动速度，实现在该环境中移动目标的运动检测。
63.综上，本发明上述实施例当中的基于信道状态信息的定位方法，通过构建深度神经网络训练模型和预先划分的多个位置的子载波相位数据，通过训练深度神经网络，得到
最优深度神经网络模型，通过深度神经网络训练，能够减少子载波相位数据在低信噪比环境中因环境等因素所受到的的影响，再根据训练后校准的子载波相位数据建立对应目标位置的指纹库，将移动目标的子载波数据与指纹库进行比对，得到移动目标的位置信息，通过深度神经网络训练，提高了接收的子载波相位数据的准确性和可靠性，进而提高了对移动目标位置检测的可靠性和准确性，解决了背景技术中在复杂环境下，移动目标位置检测的可靠性和准确性会变差的问题。
64.实施例四本发明另一方面还提供一种基于信道状态信息的定位系统，请参阅图3，所示本发明申请第三实施例中的基于信道状态信息的定位系统，所述系统包括：训练集构建模块，用于将目标位置预先划分为多个位置，获取与多个位置一一对应的多组子载波相位数据，对所述多组子载波相位数据进行校准，根据校准后的子载波相位数据构建训练集；模型训练模块，用于构建深度神经网络模型，将所述训练集输入所述深度神经网络模型中进行训练，得到最优深度神经网络模型及对应目标位置的指纹数据；位置计算模块，用于根据所述指纹数据建立指纹库，获取移动目标的子载波相位数据，将所述移动目标的子载波相位数据与所述指纹库进行匹配，根据匹配结果确定所述移动目标的位置。
65.进一步的，在一些其他可选实施例中，所述模型构建模块包括：深度神经网络单元，包括输入层、多个隐藏层和输出层，所述输入层用于输入所述多组子载波相位数据建立的输入矩阵，所述输出层用于输出所述多组子载波相位数据经所述多个隐藏层训练后得到的输出矩阵，所述输出矩阵包括最优深度神经网络模型及对应目标位置的指纹数据。
66.进一步的，在一些其他可选实施例中，所述模型训练模块包括：损失函数构建单元，用于基于所述模型损失函数的深度神经网络模型对所述训练集进行训练，当所述模型损失函数输出值达到预设值的网络模型参数，即是所述深度神经网络模型最优模型参数，输出所述深度神经网络模型的最优模型参数及对应目标位置的输出指纹数据。
67.进一步的，在一些其他可选实施例中，所述损失函数构建单元包括：对比散度算法子单元，用于将所述多组子载波相位数据经所述输入层后输入所述隐藏层中，根据对比散度算法对所述子载波相位数据的每个隐藏层的训练结果进行估计，根据每个隐藏层的训练结果估计不同隐藏层之间的网络模型参数。
68.进一步的，在一些其他可选实施例中，所述隐藏层包括第一隐藏层、第二隐藏层和第三隐藏层；所述对比散度算法子单元包括：联合概率分布相乘子单元，用于将所述输入层的输入与所述第一隐藏层的各个神经元的输出状态进行联合概率分布相乘，以估计所述第一隐藏层的输出；再将所述第一隐藏层的输出与所述第二隐藏层的各个神经元的输出状态进行联合概率分布相乘，以估计所述第二隐藏层的输出；将所述第二隐藏层的输出与所述第三隐藏层的各个神经元的输出状态进行联合概率分布相乘，以估计所述第三隐藏层的输出；
根据每个隐藏层的输出反向推算出各个隐藏层的输入，进而根据各个隐藏层的输入得到不同隐藏层之间的网络模型参数。
69.进一步的，在一些其他可选实施例中，所述损失函数构建单元还包括：误差反向传播算法子单元，用于通过比较各个隐藏层输入与输出之间的误差，并利用误差反向传播算法不断调整不同隐藏层之间的网络模型参数，最终得到最优网络模型参数。
70.进一步的，在一些其他可选实施例中，所述训练集构建模块包括：线性变换单元，用于通过对所述多组子载波相位数据进行线性变换处理，得到校准后与所述多个位置一一对应的子载波相位数据。
71.上述各模块、单元被执行时所实现的功能或操作步骤与上述方法实施例大体相同，在此不再赘述。
72.综上，本发明上述实施例当中的基于信道状态信息的定位系统，通过构建深度神经网络训练模型和预先划分的多个位置的子载波相位数据，通过训练深度神经网络，得到最优深度神经网络模型，通过深度神经网络训练，能够减少子载波相位数据在低信噪比环境中因环境等因素所受到的的影响，再根据训练后校准的子载波相位数据建立对应目标位置的指纹库，将移动目标的子载波数据与指纹库进行比对，得到移动目标的位置信息，通过深度神经网络训练，提高了接收的子载波相位数据的准确性和可靠性，进而提高了对移动目标位置检测的可靠性和准确性，解决了背景技术中在复杂环境下，移动目标位置检测的可靠性和准确性会变差的问题。
73.本发明实施例还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例中的基于信道状态信息的定位方法的步骤。
74.实施例五本发明另一方面还提出一种设备，所述系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例中基于信道状态信息的定位方法。其中，处理器在一些实施例中可以是电子控制单元(electroniccontrolunit，简称ecu，又称行车电脑)、中央处理器(centralprocessingunit，cpu)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器中存储的程序代码或处理数据，例如执行访问限制程序等。
75.其中，存储器至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、磁性存储器、磁盘、光盘等。存储器在一些实施例中可以是设备的内部存储单元，例如该设备的硬盘。存储器在另一些实施例中也可以是设备的外部存储装置，例如设备上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。进一步地，存储器还可以既包括设备的内部存储单元也包括外部存储装置。存储器不仅可以用于存储安装于设备的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
76.综上，本发明上述实施例当中的设备，通过构建深度神经网络训练模型和预先划分的多个位置的子载波相位数据，通过训练深度神经网络，得到最优深度神经网络模型，通过深度神经网络训练，能够减少子载波相位数据在低信噪比环境中因环境等因素所受到的
的影响，再根据训练后校准的子载波相位数据建立对应目标位置的指纹库，将移动目标的子载波数据与指纹库进行比对，得到移动目标的位置信息，通过深度神经网络训练，提高了接收的子载波相位数据的准确性和可靠性，进而提高了对移动目标位置检测的可靠性和准确性，解决了背景技术中在复杂环境下，移动目标位置检测的可靠性和准确性会变差的问题。
77.在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
78.计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（ram），只读存储器（rom），可擦除可编辑只读存储器（eprom或闪速存储器），光纤装置，以及便携式光盘只读存储器（cdrom）。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
79.应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（pga），现场可编程门阵列（fpga）等。
80.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
81.以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

技术特征：
1.一种基于信道状态信息的定位方法，其特征在于，所述方法包括：将目标位置预先划分为多个位置，获取与多个位置一一对应的多组子载波相位数据，对所述多组子载波相位数据进行校准，根据校准后的子载波相位数据构建训练集；构建深度神经网络模型，将所述训练集输入所述深度神经网络模型中进行训练，得到最优深度神经网络模型及对应目标位置的指纹数据；根据所述指纹数据建立指纹库，获取移动目标的子载波相位数据，将所述移动目标的子载波相位数据与所述指纹库进行匹配，根据匹配结果确定所述移动目标的位置。2.根据权利要求1所述的基于信道状态信息的定位方法，其特征在于，所述深度神经网络模型包括输入层、多个隐藏层和输出层，所述输入层用于输入所述多组子载波相位数据建立的输入矩阵，所述输出层用于输出所述多组子载波相位数据经所述多个隐藏层训练后得到的输出矩阵，所述输出矩阵包括最优深度神经网络模型及对应目标位置的指纹数据。3.根据权利要求2所述的基于信道状态信息的定位方法，其特征在于，所述构建深度神经网络模型，将所述训练集输入所述深度神经网络模型中进行训练，得到最优深度神经网络模型及对应目标位置的指纹数据的步骤包括：构建模型损失函数，基于所述模型损失函数的深度神经网络模型对所述训练集进行训练，当所述模型损失函数输出值达到预设值的网络模型参数，即是所述深度神经网络模型最优模型参数，输出所述深度神经网络模型的最优模型参数及对应目标位置的输出指纹数据。4.根据权利要求3所述的基于信道状态信息的定位方法，其特征在于，所述基于所述模型损失函数的深度神经网络模型对所述训练集进行训练的步骤包括：将所述多组子载波相位数据经所述输入层后输入所述隐藏层中，根据对比散度算法对所述子载波相位数据的每个隐藏层的训练结果进行估计，根据每个隐藏层的训练结果估计不同隐藏层之间的网络模型参数。5.根据权利要求4所述的基于信道状态信息的定位方法，其特征在于，所述隐藏层包括第一隐藏层、第二隐藏层和第三隐藏层；所述根据对比散度算法对所述子载波相位数据的每个隐藏层的训练结果进行估计，根据每个隐藏层的训练结果估计不同隐藏层之间的网络模型参数的步骤包括：将所述输入层的输入与所述第一隐藏层的各个神经元的输出状态进行联合概率分布相乘，以估计所述第一隐藏层的输出；再将所述第一隐藏层的输出与所述第二隐藏层的各个神经元的输出状态进行联合概率分布相乘，以估计所述第二隐藏层的输出；将所述第二隐藏层的输出与所述第三隐藏层的各个神经元的输出状态进行联合概率分布相乘，以估计所述第三隐藏层的输出；根据每个隐藏层的输出反向推算出各个隐藏层的输入，进而根据各个隐藏层的输入得到不同隐藏层之间的网络模型参数。6.根据权利要求5所述的基于信道状态信息的定位方法，其特征在于，所述根据对比散度算法对所述子载波相位数据的每个隐藏层的训练结果进行估计的步骤后还包括：通过比较各个隐藏层输入与输出之间的误差，并利用误差反向传播算法不断调整不同隐藏层之间的网络模型参数，最终得到最优网络模型参数。
7.根据权利要求1所述的基于信道状态信息的定位方法，其特征在于，所述对所述多组子载波相位数据进行校准的步骤包括：通过对所述多组子载波相位数据进行线性变换处理，得到校准后与所述多个位置一一对应的子载波相位数据。8.一种基于信道状态信息的定位系统，其特征在于，所述系统包括：训练集构建模块，用于将目标位置预先划分为多个位置，获取与多个位置一一对应的多组子载波相位数据，对所述多组子载波相位数据进行校准，根据校准后的子载波相位数据构建训练集；模型训练模块，用于构建深度神经网络模型，将所述训练集输入所述深度神经网络模型中进行训练，得到最优深度神经网络模型及对应目标位置的指纹数据；位置计算模块，用于根据所述指纹数据建立指纹库，获取移动目标的子载波相位数据，将所述移动目标的子载波相位数据与所述指纹库进行匹配，根据匹配结果确定所述移动目标的位置。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1－7任一所述的基于信道状态信息的定位方法。10.一种数据处理设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1－7任一所述的基于信道状态信息的定位方法。

技术总结
本发明提供一种基于信道状态信息的定位方法、系统、存储介质及设备，包括获取与多个位置一一对应的多组子载波相位数据，根据校准后的子载波相位数据构建训练集；将训练集输入深度神经网络模型中进行训练，得到最优深度神经网络模型及对应目标位置的指纹数据，根据指纹数据建立指纹库；将移动目标的子载波相位数据与指纹库进行匹配，确定移动目标的位置。本发明中的基于信道状态信息的定位方法、系统、存储介质及设备，通过深度神经网络训练减少子载波相位数据在低信噪比环境中因环境等因素所受到的的影响，提高了子载波相位数据用于目标位置检测的准确性和可靠性。位置检测的准确性和可靠性。位置检测的准确性和可靠性。


技术研发人员：陈远风 王正海 初林栩 陈志新 曾宪桢 李沛雨
受保护的技术使用者：南昌大学
技术研发日：2022.04.24
技术公布日：2022/5/25