1.基于小样本CSI指纹的室内终端到达角回归估计方法,其特征在于,所述方法步骤为:步骤1、配置路由器分别作为移动端和接收端,根据到达角原理,以固定路线规则获取待定位区域的所有点位的CSI数据,构成CSI小样本集;
步骤2、提取CSI小样本集中的频域原始相位信息,进行解卷绕处理,在维度方向上拼接全部天线阵列相位信息作为原始CSI相位集合,并选择任意一根天线作为基准天线,计算其余天线与基准天线的相位差,形成CSI小样本指纹库;
步骤3、根据先验地理位置信息标记标签,并将角度数值型标签集合归一化到[0,1]范围内,转化为权值数值型标签集合y;
步骤4、搭建MLP回归器,对所述CSI小样本指纹库进行离线训练;具体为:步骤4-1、通过单向层叠的方式建立MLP回归器网络结构,其中每层的各个神经元之间相互独立,层与层之间以连接方式产生联系,下一层中的每个神经元处理前一层所有神经元的输出,不进行跨层连接;
步骤4-2、MLP回归器以CSI小样本指纹库和标签集合y为输入,更新网络数据状态,直到模型收敛并保存;
步骤4-3、MLP回归器使用迭代器更新网络参数,选择Huber_loss作为回归损失函数进行梯度更新,直到设定的epoch停止;
步骤5、在线预测阶段,移动端向附近的接收端提出位置服务请求,请求通信;接收端通过一维天线阵列接收若干Wi-Fi数据包,并提取CSI数据,同样按照步骤1和步骤2获取到待定位数据的CSI测试集合,使用搭建并训练好的MLP回归器进行方位角回归预测。
2.根据权利要求1所述的基于小样本CSI指纹的室内终端到达角回归估计方法,其特征在于,步骤1具体为:移动端在垂直于接收端法线方向偏移45度角的射线,并且离开固定端2m以上的一条切线上采集集合b,以及在待定位区域的边缘移动若干次采集集合c,通过天线持续向接收端的一维天线阵列发送若干Wi-Fi数据包,重复此步骤,直到接收端采集完所有位置形成CSI小样本集;
由此法采集获取定位区域一个CSI小样本集合,表示为集合
其中,N为总数据包量,代表整数集;以天线阵列共m根天线的一组子载波传输路径,在某时刻t传输得到的独立可提取CSI中的相位数据作为原始CSI相位样本。
3.根据权利要求2所述的基于小样本CSI指纹的室内终端到达角回归估计方法,其特征在于,步骤2中,获得CSI小样本指纹库的具体步骤为:以每一个路径k为单位,其信道冲激响应计算为:
ap、θp、τp分别表示第p条路径的幅度衰减、相位偏移和时间延迟,n为传播路径总数,δ(τ)为狄克拉脉冲函数;
时域对应到频域,采集到的第i个子载波的CSI的频域信息计算为:
H(fr)表示中心频率为fi的子载波的CSI,其中,∥H(fr)∥和∠H(fr)分别代表第r个子载波的幅度和相位;
将相位信息单独取出,共m根天线中任意一根的CSI相位简记作则一维天线阵列任一数据包的CSI相位样本计算为:在以第s根天线为基准时,作差得到CSI单个相位差向量样本:
相位作差时,任一相位差需根据解卷绕进行作差计算,计算方式为:
4.根据权利要求3所述的基于小样本CSI指纹的室内终端到达角回归估计方法,其特征在于,步骤4-1中,构建的MLP回归器具体为:MLP回归器包含输入层,隐含层和输出层;第一层作为输入层,输入为CSI小样本指纹库,输入维度大小为(m-1)×56,m指天线个数;第二层和第三层作为隐含层,隐含层之间按全连接的方式互相连接,隐含层的层内的神经元之间没有连接,隐含层维度大于(m-1)×56;最后一层作为输出层,通过linear线性回归神经元输出高层特征权重的预测值,网络输出即为到达角回归估计结果,最终在在线预测输出移动终端方位。
5.根据权利要求4所述的基于小样本CSI指纹的室内终端到达角回归估计方法,其特征在于,步骤4-2中,更新网络数据状态,直到模型收敛并保存的具体步骤为:首先,CSI小样本指纹库和标签集合y简记为数据集D,则量化计算为:其中,输入样本csi(i)T表示共N个数据包、d个维度属性的小样本CSI指纹集合,d=(m-1)×56;实值向量y(i)T是标签集,为一维向量;其对应矩阵分别表示为CSIN×d,YN;输入层和隐含层之间某一时刻t存在一个权重矩阵:其中,q为隐含层神经元个数,q>d,使得第一层隐含层某一样本的某一序号为h的神经元输入向量某一时刻t样本输入下状态矩阵为:其中表示的转置矩阵;隐含层选择tanh作为激活函数,所以隐含层第一层某一序号为h的神经元输出态根据算法对应的自动神经元阈值γh计算为:最后,同理得到某一时刻t第二隐含层的状态矩阵直到模型收敛并保存,得到由MLP隐含层映射CSI小样本指纹库获得的高维输出权重矩阵Wq以及输出层的输入值矩阵CN、输入向量e(i)T,由输出层的linear线性回归神经元根据自动神经元阈值δ输出向量g(i)T:CN=BN×q·(WT)q
g(i)T=Linear(e(i)T-δ)
其中,(WT)q是Wq的转置矩阵。