本发明属于室内定位技术领域，尤其是涉及基于csi与众包迁移自校准更新的位置指纹定位方法。
背景技术：
随着人们对于基于位置的服务需求日益增大，以及无线通信技术的快速发展，无线定位技术成为了一个研究热点。人们在室外广泛使用gnss定位，但是在复杂的室内环境中，这些技术的定位精度不高，不满足室内定位的需求，故室内定位需要采用新技术。目前，可用于室内定位的技术有很多，包括蓝牙低能耗技术、3gpplte/5g技术和wifi技术等。wifi技术由于其可以利用现有基础设施，部署成本低，覆盖范围非常广，定位精度较高等特点，受到了学术圈和工业界的广泛关注。
常见的基于wifi的室内定位技术一般有三角定位法和位置指纹法等，虽然位置指纹法定位一般需要消耗一定的人力来构建指纹库，但是定位精度相对较高，因此本发明采用了被广泛研究和采用的位置指纹法。位置指纹可以是多种类型的，任何“位置独特”的特征都能被用来做为一个位置指纹，比如接收的信号强度指示(rssi)、参考信号接收功率(rsrp)、信道状态信息(csi)。其中csi具有的多维特性，从而可以大幅改善定位精度。位置指纹定位一般按照训练(离线)阶段到定位(在线)阶段的步骤进行，在训练阶段，我们需要通过算法建立位置指纹定位csi和室内参考点(rp)之间的映射关系，常见的算法主要有k近邻法(knn)，贝叶斯分类器和深度学习算法等。
如图1所示，现有技术一提供的一种基于csi信息区域化标注的室内定位方法，其先通过预先收集室内各个区域的csi数据作为离线指纹库用于深度神经网络训练，并采用训练后的深度神经网络对待测试的csi数据进行识别，通过基于概率向量的用户位置测试方法实现室内精确定位。
现有技术一存在的问题是：其将数据训练预载入的模型实现指纹与位置之间的关系重建，通常情况下，目标域样本是缺少的，并且源域样本和目标域样本概率分布不同，就是数据整体相似，但是具体到每个类里，都不太相似。
如图2所示，现有技术二提供的一种基于lifs的室内定位系统，其在离线阶段建立位置指纹库，之后分为三个步骤：(1)平面图通过mds转换为stress-free平面图；(2)未加工的rss数据通过mds转换为指纹空间；(3)将指纹映射到真实位置，于在线测试阶段通过传统knn算法计算用户的实时位置。
现有技术二存在的问题是：其基于众包可自动生成平面图，但由于未能提供精确的平面图而不能提供令人满意的定位精度；传统knn算法是无监督学习并且网络不具备自动提取特征的能力，在线测试时间与指纹维度、离线指纹数据库的大小呈线性增长关系，当位置指纹库较大时，在线测试速度很慢。
如图3所示，现有技术三提供的引入gpr、pdr和mpeg的基于指纹的ips室内定位系统，具体的，在离线阶段，首先进行一个轻量级现场勘测，以收集有限数量的指纹；然后，基于gpr，可以生成粗粒度无线电地图；于在线阶段，只要向服务器发送包括当前rss测量值位置搜索，就会执行指纹匹配算法，例如knn算法，根据无线电地图确定并返回一个最可能的位置。与传统的基于指纹的ipss不同，该方案利用参与者在在线阶段众包指纹，当参与者遍历目标空间时，会获得附近aps的一组rss测量值，并连同基于当前基于指纹的ips和pdr信息确定的初始位置估计值一起发送到服务器；然后，服务器将运行mpeg，通过使用这些众包指纹，以在线方式更新无线电地图。现有技术三存在和现有技术二同样的问题，即当位置指纹库较大时，在线测试速度很慢。
技术实现要素：
有鉴于此，本发明的目的在于提供基于csi与众包迁移自校准更新的位置指纹定位方法，提供模型的泛化性能，进而提高定位精度。
为实现上述目的，本发明采用以下内容：
基于csi与众包迁移自校准更新的位置指纹定位方法，所述位置指纹定位方法利用一种众包系统，该众包系统包括众包参与者、中央服务器和用户，众包参与者将各自的位置信息和csi数据发送到中央服务器，中央服务器更新位置指纹库和定位模型，于在线测试阶段，向中央服务器发送包括当前的csi测量值，中央服务器中就会输入已经训练完成的网络并返回预测位置，上述过程包括下列步骤：
步骤1、位置指纹库的初始化：
位置指纹库存储的csi数据来自nr个栅格区域，对于栅格区域可表示为
整个位置指纹库的初始化函数如下：
步骤2、位置信息及csi数据的获取：
假定有
对所收集的imu传感器数据应用离线的pdr算法，极短时间内的pdr位移的计算公式为
通过对目标函数
步骤3、位置指纹库的更新：
用ωi(am)表示栅格区域am的位置集合，目标函数
tn 1的位置指纹库
步骤4、网络的训练：
深度迁移学习网络的结构包括深度卷积神经网络cnn、全连接层fc和平均池化层，由于全连接层fc不可迁移，故在其上使用mk-mmd方法以减小领域差异性，mk-mmd的定义如下：
基于深度迁移学习网络的结构，设计出具有五个卷积层和一个平均池化层的神经网络结构以获取特征向量，考虑到交叉熵损失函数和自适应损失mk-mmd，通过最小化损失函数来调整网络中的参数，对于损失函数可表示为：
步骤5、在线阶段位置的预测：
于在线测试阶段，用户通过向中央服务器报告自身的实时csi数据来得出他们的位置信息，训练后的网络输出nr维概率向量，根据输出来获得他们最终的估计位置，相应的目标函数为：
优选的是，关于步骤1中的位置指纹库初始化，将每个栅格区域am中心位置
优选的是，所述步骤4中，在训练阶段，利用adam优化器对深度卷积神经网络cnn的参数进行训练，以使得损失函数最小化。
本发明提出的一种基于csi与众包迁移自校准更新的位置指纹定位方法，众包参与者可实现频繁地更新有位置标签的位置指纹，在此基础上，中央服务器通过基于深度迁移学习的算法重建指纹与位置之间的关系，即更新神经网络的参数，而更新的参数在在线测试阶段可实现更为精确的定位精度。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1是现有技术一的定位方法示意图；
图2是现有技术二定位系统的系统架构图；
图3是现有技术三室内定位系统的结构框图；
图4是本发明众包系统的模型示意图；
图5是本发明深度迁移学习网络的结构示意图；
图6是本发明实施例的实验环境示意图；
图7是不同算法的定位距离误差的cdf图；
图8是新收集数据占不同百分比的定位误差的cdf图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例对本发明做进一步的说明。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
本发明提出的基于csi与众包迁移自校准更新的位置指纹定位方法，该位置指纹定位方法利用到一种众包系统，如图4所示，该众包系统包括众包参与者、中央服务器和用户，众包参与者将各自的位置信息和csi数据发送到中央服务器，中央服务器更新位置指纹库和定位模型，于在线测试阶段，向中央服务器发送包括当前的csi测量值，中央服务器中就会输入已经训练完成的网络并返回预测位置，上述过程包括下列步骤：
步骤1、位置指纹库的初始化：
位置指纹库存储的csi数据来自nr个栅格区域，对于栅格区域可表示为
整个位置指纹库的初始化函数如下：
在实际应用中，通常很难得到整个栅格区域的信道响应，因此，关于步骤1中的位置指纹库初始化，本发明将每个栅格区域am中心位置
步骤2、位置信息及csi数据的获取：
假定有
对所收集的imu传感器数据应用离线的pdr算法，极短时间内的pdr位移的计算公式为
通过对目标函数
对于室内定位而言，室内gps信号通常被认为太弱，但事实上，现如今的智能手机经常会接收到很强的gps信号，并在一些非封闭的地方获得精确的定位坐标，比如窗边的位置，通过这种方法，可利用gps定位对新采集的指纹进行标注，而为了确保接收到的信号足够强，便于提供准确的位置，通过设备来帮助评估信号质量，只有在多次测试中信号质量满足要求时，才记录下初始位置l0。
步骤3、位置指纹库的更新：
用ωi(am)表示栅格区域am的位置集合，目标函数
tn 1的位置指纹库
步骤4、网络的训练：
如图5所示，深度迁移学习网络的结构包括深度卷积神经网络cnn、全连接层fc和平均池化层，深度卷积神经网络用于完成复杂信号特征的提取和降维任务，由于全连接层fc不可迁移，故在其上使用mk-mmd方法以减小领域差异性，mk-mmd的定义如下：
其中，λ，μ∈[0,1]，且λ μ＝1；
基于深度迁移学习网络的结构，本发明设计出具有五个卷积层和一个平均池化层的神经网络结构以获取特征向量，使用具有softmax输出的fc层来提供归一化概率，所提出神经网络的详细配置和参数见表1(表1是参照常用的迁移神经网络设计的)，同时在神经网络设计中，本发明还提出使用联合损失，考虑到交叉熵损失函数和自适应损失mk-mmd，通过最小化损失函数来调整网络中的参数，对于损失函数可表示为：
其中，在训练阶段，利用adam优化器对深度卷积神经网络cnn的参数进行训练，以使得损失函数最小化。
表1：网络配置和参数的概述
步骤5、在线阶段位置的预测：
于在线测试阶段，用户通过向中央服务器报告自身的实时csi数据来得出他们的位置信息，训练后的网络输出nr维概率向量，根据输出来获得他们最终的估计位置，相应的目标函数为：
实施例
本实施例的实验环境包括：作为接收机的访问接入点tp-link无线路由器、作为发射机的移动设备nexus＝5，其中：ap和移动设备都配有无线网卡，且接收机的无线网卡具有m根天线，发射机的无线网卡具有n根天线与发射机构成m×n的收发天线对。
如图6所示，在实验室场景下，约30m2的实验室被分为15个参考点区域，每个参考点区域的大小为1.2m×1.2m，接收机被固定在图6所示的位置，发射机在tn的每个标签区域内发射100个数据包，在tn 1的每个标签区域内发射50个数据包，每两个包之间的时间是4ms，发射机在发射过程中在该区域内走动，以确保能收集区域内各个位置的位置指纹。发射机与接收机之间有2×3的收发天线对，每一对收发天线可以获得30个子载波的csi，所以在tn每个标签区域可以采集2×3×30×100个csi指纹信息，在tn 1每个标签区域可以采集2×3×30×50个csi指纹信息。
在tn数据全部展开变成一个长度为1×1×1×180的向量，在tn 1数据全部展开变成一个长度为1×1×1×180的向量，两个向量作为输入张量，输入dnn网络，那么dnn网络源域拥有1500个输入张量，目标域拥有750个输入张量。
本发明的有益效果主要有以下五点：
一、具有更高的精确度和更好的系统鲁棒性
如图7所示，深度迁移dan平均定位误差为1.08m，而非深度迁移jda的平均定位误差为1.37，在近似大小的实验区域下，根据本发明的位置指纹定位方法所达到的定位精度要明显优于其他室内定位方法。
二、较少的新收集的数据
如图8所示，新收集数据占70％的平均定位误差为0.85m，新收集数据占50％的平均定位误差为1.08m，新收集数据占30％的平均定位误差为1.36，基于以上结果，若新采集的数据能够更新一般的指纹数据库，众包定位系统还可提供大约一米的准确率。
三、计算的复杂度较低
如表2所示，基于knn的方案不论数据量的多少，其所花费的时间最少，是由于仅进行匹配和分类处理，不进行复杂的指纹迁移处理；基于jda的方案不论数据量的多少，其所花费的时间最多，是由于大部分的计算时间用于完成迭代过程以找到合适的矩阵；而采用本发明提供的位置指纹方法，不仅具有较低的计算复杂度，而且定位精度也能保持较高程度，这减少了定位系统的计算过载。
表2：不同方法总运行时间的比较
四、在线测试速度快
不同于现有的机器学习算法无监督学习并且不具备自动提取特征的能力，在线测试时间与指纹维度、离线指纹数据库的大小呈线性增长关系，当指纹数据库较大时，在线测试速度很慢；不同于mpeg在线更新，花费很长时间，甚至耗尽计算机的内存。
本发明利用深度学习方法，离线数据库的大小只会影响离线训练的训练时间，当网络结构，即网络层数每层神经元个数确定时，在线测试时间确定，更新数据库在离线阶段进行，不占用在线测试时间，在线测试阶段只需要将实时的csi信息输入训练好的神经网络，即可得到用户的实时位置，计算复杂度低，计算速度快，用户可以获得无缝的定位服务。
五、成本低、适用范围广
本发明技术基于现有技术的补充，仅需要一个wifi节点即可部署，可应用于目前的数量众多的住宅、办公室场景。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
1.基于csi与众包迁移自校准更新的位置指纹定位方法，其特征在于，所述位置指纹定位方法利用一种众包系统，该众包系统包括众包参与者、中央服务器和用户，众包参与者将各自的位置信息和csi数据发送到中央服务器，中央服务器更新位置指纹库和定位模型，于在线测试阶段，向中央服务器发送包括当前的csi测量值，中央服务器中就会输入已经训练完成的网络并返回预测位置，上述过程包括下列步骤：
步骤1、位置指纹库的初始化：
位置指纹库存储的csi数据来自nr个栅格区域，对于栅格区域可表示为
整个位置指纹库的初始化函数如下：
步骤2、位置信息及csi数据的获取：
假定有
对所收集的imu传感器数据应用离线的pdr算法，极短时间内的pdr位移的计算公式为
通过对目标函数
步骤3、位置指纹库的更新：
用ωi(am)表示栅格区域am的位置集合，目标函数
tn 1的位置指纹库
步骤4、网络的训练：
深度迁移学习网络的结构包括深度卷积神经网络cnn、全连接层fc和平均池化层，由于全连接层fc不可迁移，故在其上使用mk-mmd方法以减小领域差异性，mk-mmd的定义如下：
基于深度迁移学习网络的结构，设计出具有五个卷积层和一个平均池化层的神经网络结构以获取特征向量，考虑到交叉熵损失函数和自适应损失mk-mmd，通过最小化损失函数来调整网络中的参数，对于损失函数可表示为：
步骤5、在线阶段位置的预测：
于在线测试阶段，用户通过向中央服务器报告自身的实时csi数据来得出他们的位置信息，训练后的网络输出nr维概率向量，根据输出来获得他们最终的估计位置，相应的目标函数为：
2.根据权利要求1所述的基于csi与众包迁移自校准更新的位置指纹定位方法，其特征在于，关于步骤1中的位置指纹库初始化，将每个栅格区域am中心位置
3.根据权利要求1所述的基于csi与众包迁移自校准更新的位置指纹定位方法，其特征在于，所述步骤4中，在训练阶段，利用adam优化器对深度卷积神经网络cnn的参数进行训练，以使得损失函数最小化。
技术总结