基于CSI的室内定位算法研究

扫码查看

原文链接

NETL

中文摘要：随着物联网技术的不断发展，对基于位置服务的需求也在不断增加。其中基于Wi-Fi的信道状态信息(CSI)室内定位充分利用现有的基础设施，有效降低了非视距对定位产生的影响，使信号更加稳定。同时深度学习的持续发展为室内定位研究开拓出了很多新的研究方向。因此本文主要针对CSI和深度学习进行室内定位的研究。针对贝叶斯室内定位技术存在定位精度低及时间复杂度高的问题，提出了一种基于高斯混合模型和密度聚类(GMM-DBC)的信道状态信息定位算法。首先，通过对分模型参数的初次估计构建GMM概率分布模型并进行误差计算；其次，引入确定分模型个数(DSM)策略，结合误差计算结果更新GMM模型参数，减小由模型精度引起的定位误差；然后，基于不同参考点的分布特征，判断参考点间紧密程度，将紧密相连的参考点划为一类，减小搜索范围，降低时间复杂度；最后，根据分簇结果，利用改进的贝叶斯概率算法进行权值计算，得到最终定位结果。仿真实验结果表明，所提算法在定位误差为2.75m以内时，累积概率分布可以达到93.3%，平均定位时间达到13.2s，优于其他对比算法。为了提高CSI室内定位中的特征提取能力和定位精度的同时降低定位时间，提出了一种结合改进过采样算法和图卷积神经网络(PS-GCN)的CSI室内定位算法。首先，在CSI指纹数据库建立过程中，为了解决数据维度过高、样本不足、指纹数据库中数据缺失等问题，提出了一种改进的过采样算法，用于降低数据维度，解决数据不平衡问题；其次，为了解决由于CSI的相位扭曲而造成的提取多个场景中的有效位置特征困难的问题，引入GCN提取处于非欧氏空间中具有多重相关性的新特征，提高特征提取能力；最后，通过余弦距离建立子载波之间的邻接矩阵，尽可能多的挖掘子载波之间的关系，并通过图卷积聚合节点向量，应用端到端的监督训练来获得有效特征。仿真实验结果表明，所提算法在定位误差为2.75m以内时，累积概率分布可以达到93.8%，平均定位时间达到1.04s，优于其他对比算法。

作者：

李莹

展开 >

关键词：

信道状态信息深度学习室内定位 Wi-Fi GMM-DBC

授予学位：

硕士

学科专业：

电子信息

导师：

李新春

学位年度：

2023

学位授予单位：

辽宁工程技术大学

语种：

中文

中图分类号：