欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024114696661
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于图同构网络的信道状态信息室内定位方法,其特征在于,所述方法包括如下步骤:(一)离线阶段

步骤1:数据预处理,

对接收到的信道状态信息CSI幅度值进行预处理,用于后续的CSI图像指纹构建,步骤2:CSI图像构建,

利用小波变换方法,将经过预处理后的CSI幅度值转变成CSI图像,步骤3:CSI图像的图结构构建,

步骤3-1:利用SLIC算法对CSI图像实现超像素分割,步骤3-2:根据超像素分割结果,进行图结构的节点选择,步骤3-3:利用节点之间的距离度量,构建图结构的邻接矩阵,步骤3-4:利用节点的位置和颜色信息,构建图结构的特征矩阵,步骤4:分类学习;

搭建图同构网络(GIN)进行分类学习,得到位置估计模型;

(二)在线阶段

步骤1:数据预处理,

利用离线阶段步骤1的方法对获得的CSI幅度值进行预处理,步骤2:CSI图像构建,

利用离线阶段步骤2的方法,利用预处理后的CSI幅度值构建CSI图像,步骤3:CSI图像的图结构构建,

利用离线阶段步骤3的方法,获得CSI图像的图结构,

步骤4:位置估计,

利用离线阶段步骤4得到的位置估计模型,完成位置估计;

离线阶段中,步骤4分类学习包括如下步骤:

步骤4-1:利用三个GIN图卷积层对邻居节点特征向量进行聚合来更新节点特征,并在每个GIN层之后使用ReLU激活函数进行非线性变换,步骤4-2:利用一个Graph Readout层,选择全局加和池化方法对所有节点信息聚合成整个图的全局特征向量表示,并在图池化后面添加L2正则化来防止过拟合,步骤4-3:利用一个MLP多层感知器层对聚合后的特征向量进行非线性映射,并在MLP后面添加Softmax层,用于实现多分类。

2.根据权利要求1所述的基于图同构网络的信道状态信息室内定位方法,其特征在于,离线阶段中步骤1数据预处理包括如下步骤:涉及到的基本概念如下:

(1)两个CSI幅度值之间的距离

d(Ampj,Ampp):表示第j个CSI幅度值到第p个CSI幅度值的距离,(2)第k距离,

distk(Ampj):距离第j个CSI幅度值,按从近到远第k近的CSI幅度值和第j个CSI幅度值之间的距离,称为第j个CSI幅度值的k-邻近距离,(3)第k距离邻域,

Nk(j):第j个CSI幅度值的第k距离邻域,就是第k距离以内的所有CSI幅度值,包括第k距离,(4)可达距离,

reachdistk(Ampj,Ampp):选择两个CSI幅度值之间的直接距离和距离第j个CSI幅度值的第k距离之间最大的作为距离第j个CSI幅度值的可达距离,如果第j个CSI幅度值在第p个CSI幅度值的k-邻近距离外,那么可达距离就是两个CSI幅度值之间的直接距离,如果第j个CSI幅度值在第p个CSI幅度值的k-邻近距离以内,那么可达距离就是第k距离,(5)局部可达密度,

lrdk(j):表示第j个CSI幅度值平均可达距离的倒数,平均可达距离为其k邻域内距离和除以邻域内所有CSI幅度值测量数量,(6)局部离群因子,

LOFk(j):第j个CSI幅度值的第k距离邻域内的所有CSI幅度值的局部可达密度平均值与第j个CSI幅度值的局部可达密度之比,步骤1-2:对CSI幅度测量中每个子载波进行局部离群因子Local Outlier Factor,LOF检测,对于每个子载波下的CSI幅度值,计算它到其他所有CSI幅度值的距离,并找到距离它第k近的CSI幅度值,计算LOF值,如果LOF值越大,说明越异常,反之如果越小,说明越趋于正常,首先计算第i个子载波下的第j个CSI幅度值Ampj到其他幅度值距离,得到第j个CSI幅度值的k-邻近距离如下:distk(Ampj)=d(Ampj,Ampp),

其中,Ampp表示距离第j个CSI幅度值第k近的CSI幅度值,d(Ampj,Ampp)表示第j个CSI幅度值到第p个CSI幅度值的欧氏距离,其次,根据如下公式定义计算Ampj到Ampp的可达距离:reachdistk(Ampj,Ampp)=max{distk(Ampj),d(Ampj,Ampp)},接着根据可达距离计算Ampj的局部可达密度,即第j个CSI幅度值的k邻域内所有CSI幅度值的平均可达距离的倒数,具体公式如下:其中,Nk(j)表示Ampj的k距离邻域,然后计算Ampj的局部离群因子,即第j个CSI幅度值的k邻域内所有CSI幅度值的局部可达密度的平均值与第j个CSI幅度值本身的局部可达密度lrdk(j)的比值,具体公式如下:如果Ampj的LOF值远大于1,那么第j个幅度值的局部密度远小于该子载波在k邻域内所有CSI幅度值的局部可达密度的平均值,就将其确定为异常点,反之则是正常点,步骤1-3:将经过步骤1-2检测为异常点的CSI幅度值进行滤除,步骤1-4:将异常值滤除后的CSI信号进行归一化处理,把所有的值都等比例缩放到区间[0,1]中,归一化操作公式如下:其中Ampi表示第i个子载波的CSI幅度值,Ampmin表示CSI幅度值的最小值,Ampmax表示CSI幅度值的最大值。

3.根据权利要求1所述的基于图同构网络的信道状态信息室内定位方法,其特征在于,离线阶段中,步骤2CSI图像构建包括如下步骤:步骤2-1:选择Morlet小波函数,计算小波变换系数的表达式如下式:其中,Amp表示CSI幅度测量向量,表示经过尺度缩放和平移后的小波函数,它是母小波ψ(t)通过操作得到的子小波,a*表示尺度参数,它控制小波函数的伸缩,尺度a*通常与频率成反比,b*表示平移参数,它控制小波函数的位置,通过改变b*的大小,在不同的时间点分析信号,步骤2-2:构建二维图像,按照步骤2-1中缩放尺度a*和平移参数b*分别对应频率和时间参数映射到二维平面上,形成时间-频率矩阵,最终得到信号的时频图,其中图像的横轴表示时间,纵轴表示频率,步骤2-3:使用matplotlib库中的colormap颜色映射viridis将二维矩阵数值映射到不同的颜色空间,它是一种连续的颜色渐变,它从蓝色开始,逐渐过渡到绿色,最后渐变到黄色,这种颜色映射将最小值映射为蓝色,中间值映射为绿色,最大值映射为黄色,并且在蓝色、绿色和黄色之间提供了平滑的过渡,从而细致地展现数据的细节和层次。

4.根据权利要求1所述的基于图同构网络的信道状态信息室内定位方法,其特征在于,离线阶段中步骤3CSI图结构构建包括如下步骤:步骤3-1:利用SLIC算法对CSI图像实现超像素分割,(1)初始化中心点即聚类中心:对上述经离线阶段步骤2处理得到的时频图,从RGB空间转换为LAB空间,将像素数目为N图像分隔为K个超像素块,每个超像素块范围大小包含个像素,令为每个像素块的长度值,初始化每个像素块的中心点(2)梯度计算与中心点调整:利用差分方式进行梯度计算,重新调整中心点,遍历初始像素块中心点的8领域像素点,计算获得最小梯度值的像素点,并将其作为新的中心点,差分计算梯度的公式如下:Gradient(x,y)=dx(i,j)+dy(i,j);

dx(i,j)=I(i+1,j)-I(i,j);

dy(i,j)=I(i,j+1)-I(i,j);

其中,(x,y)表示初始的像素中心点坐标,而(i,j)用于表示在梯度计算过程中遍历的像素点的位置索引,dx(i,j)表示在像素点(i,j)处沿x轴方向的梯度值,dy(i,j)表示在像素点(i,j)处沿y轴方向的梯度值,I(i,j)表示图像在像素点(i,j)处RGB三个通道的加权平均灰度值,(3)像素点聚类与聚类中心迭代:遍历每个超像素块中心点的2S*2S邻域内的像素点,计算其到每个超像素块中心点的距离,借助K-means聚类算法对像素点进行归类,通过变换的欧氏聚距离公式进行距离度量,距离度量包括颜色距离和空间距离,公式如下:其中,li,ai,bi,xi,yi表示每个超像素块中心点的LAB颜色空间值和位置,lj,aj,bj,xj,yj表示2S*2S邻域内的像素点LAB颜色空间值和位置,dc代表颜色距离,ds代表空间距离,Ns是聚类内最大空间距离,取Nc是聚类内最大的颜色距离,取Nc=m,固定常数m为LAB空间的距离最大值,最终的距离度量D'如下:根据2S*2S邻域内的像素点到每个像素块中心的距离将像素划分进距离最近的聚类,并将新的聚类内所有像素进行平均计算得到新的聚类中心,最后按照上述步骤重新进行迭代直到误差收敛,(4)增强连通性:针对迭代完成的聚类出现多连通情况、超像素尺寸过小,单个超像素被切割成多个不连续超像素等问题进行连通性的控制,主要思路是新建一张标记表,表内元素均为-1,按照“Z”型走向即从左到右,从上到下顺序将不连续的超像素、尺寸过小超像素重新分配给邻近的超像素,遍历过的像素点分配给相应的标签,直到所有点遍历完毕为止,步骤3-2:根据超像素分割结果,进行图结构的节点选择,将经过SLIC算法处理后每个聚类即超像素块的中心点作为节点,步骤3-3:利用节点之间的距离度量,构建图结构的邻接矩阵,(1)对步骤3-2中的每个节点计算其与其他节点之间的欧几里得距离,具体如下:其中,Eij表示两个节点之间的欧几里得距离,r’,g’,b’分别表示节点在RGB色彩空间三个通道中每个像素的颜色值,(2)根据计算得到的欧几里得距离使用k-NN算法,为每个节点找到其k个最近邻节点,并在该节点与这k个近邻节点之间建立一条边,(3)根据图结构的邻边关系构建二维的邻接矩阵,其行和列分别对应图中的各个节点,矩阵中的元素表示节点之间是否存在边或连接,如果节点之间存在边,相应的矩阵元素设置为1,否则为0,步骤3-4:利用节点的位置和颜色信息,构建图结构的特征矩阵,(1)节点的位置特征:经过SLIC算法处理后得到的超像素块中心位置的坐标作为图结构中节点的位置特征,(2)节点的颜色特征:计算每个超像素块内的所有像素的LAB值的平均值作为节点的颜色特征,(3)节点融合特征:将每个节点的位置特征和颜色特征进行合并,形成节点的融合特征矩阵。