1.一种基于子载波选择的信道状态信息室内定位方法,包含离线训练阶段和在线定位阶段两个阶段,其特征在于:离线训练阶段包括:
步骤1:采集离线训练用的离线信道状态信息,离线信道状态信息包括离线信道状态幅度信息;
步骤2:对采集的离线信道状态幅度信息进行预处理,得到训练信道状态幅度信息,预处理包括利用方差过滤法对得到的离线信道状态幅度信息进行降维处理,选择出离线信道状态幅度信息中用于定位的离线定位子载波;
步骤3:从步骤2离线定位子载波中选择用于粗定位的离线粗定位子载波和用于精定位的离线精定位子载波;
步骤4:对离线粗定位子载波利用第一卷积神经网络进行分类学习,得到区域分类模型;
步骤5:对离线精定位子载波利用第二卷积神经网络进行回归学习,得到位置估计模型;
在线定位阶段包括:
步骤6:采集在线定位用的在线信道状态信息,在线信道状态信息包括在线信道状态幅度信息;
步骤7:对步骤6的在线信道状态幅度信息进行预处理,得到定位信道状态幅度信息,预处理包括利用方差过滤法对得到的在线信道状态幅度信息进行降维处理,选择出在线信道状态幅度信息中用于定位的在线定位子载波;
步骤8:根据步骤3选择的结果,将用于粗定位的在线定位子载波的在线粗定位子载波经过特征拼接后送入步骤4得到的区域分类模型,得到粗定位结果;
步骤9:根据步骤3选择的结果,将用于精定位的在线定位子载波的在线精定位子载波经过特征拆分形成在线信道状态矩阵,渲染形成在线信道信息彩色图像后送入步骤5得到的位置估计模型,得到精定位结果。
2.根据权利要求1的基于子载波选择的信道状态信息室内定位方法,其特征在于:步骤1具体为在定位环境下,将定位环境分成若干的定位子区域,采集目标位于不同参考点时接收设备得到的离线信道状态信息,得到离线信道状态信息中的离线信道状态幅度信息用于定位。
3.根据权利要求1的基于子载波选择的信道状态信息室内定位方法,其特征在于,步骤2中利用方差过滤法对得到的离线信道状态幅度信息进行降维处理具体包括:步骤21:在定位环境中,计算离线信道状态信息中每个子载波的幅度的方差;
步骤22:设定阈值,去除方差小于等于阈值的子载波,得到离线信道状态幅度信息中的离线定位子载波。
4.根据权利要求1的基于子载波选择的信道状态信息室内定位方法,其特征在于,步骤2还包括:步骤23:利用hampel滤波,去除离线定位子载波中的异常值;
步骤24:利用高斯滤波去除离线定位子载波中的测量噪声。
5.根据权利要求1的基于子载波选择的信道状态信息室内定位方法,其特征在于,步骤3具体包括:步骤31:根据每个定位子区域对离线定位子载波打上标签;
步骤32:设置评分函数,对离线定位子载波中的每个子载波分别计算方差分析中的F值(组间均方/组内均方),得到离线定位子载波中每个子载波的重要性;
步骤33:根据粗定位需要选择的子载波数目为M,选择离线定位子载波中前M个大F值对应的子载波作为离线粗定位子载波用于粗定位训练;
步骤34:根据精定位需要的子载波数目为N,选择离线定位子载波中前N个大F值对应的子载波作为离线精定位子载波用于精定位训练。
6.根据权利要求1的基于子载波选择的信道状态信息室内定位方法,其特征在于,步骤4具体为:步骤41:对用于粗定位的离线粗定位子载波的子载波幅度信息进行数据归一化处理,对每个区域的标签进行独热编码标记;
步骤42:将步骤41得到的训练数据送入第一卷积神经网络进行分类学习,得到区域分类模型。
7.根据权利要求1的基于子载波选择的信道状态信息室内定位方法,其特征在于:步骤4中,第一卷积神经网络为一维卷积神经网络,至少包括输入层、卷积层、池化层,flatten层及全连接层。
8.根据权利要求1的基于子载波选择的信道状态信息室内定位方法,其特征在于,步骤5具体包括:步骤51:将离线精定位子载波进行特征拆分,按行排列,形成离线信道信息幅度矩阵,然后将离线信道信息幅度矩阵中元素进行数据归一化到[0,64],利用图像渲染技术将离线信道信息幅度矩阵渲染成离线信道信息彩色图像;
步骤52:将步骤51离线信道信息彩色图像和对应的位置坐标送入第二卷积神经网络进行回归学习,得到位置回归模型。
9.根据权利要求8的基于子载波选择的信道状态信息室内定位方法,其特征在于,步骤51中进行数据归一化的公式具体为:式中的x
10.根据权利要求8的基于子载波选择的信道状态信息室内定位方法,其特征在于:步骤5中第二卷积神经网络为多维卷积神经网络,输入渲染后的所述离线信道信息彩色图像。