基于CNN的超分辨率信道沖激響應室內(nèi)指紋定位算法

羅開文 俞暉

摘 ?要： 針對室內(nèi)環(huán)境中多徑效應影響定位精度的問題，提出了一種基于卷積神經(jīng)網(wǎng)絡（CNN）的室內(nèi)定位（PI-CNN）算法. 以多重信號分類（MUSIC）算法處理后的信道狀態(tài)信息（CSI）作為特征圖像，基于室內(nèi)環(huán)境中不同位置點具有獨特多徑信息的特點，利用各收發(fā)天線間所形成的子信道信息，獲得具有更高時間分辨率的多徑到達時間，將獲取的偽譜信息組成偽譜圖像，生成指紋庫，再利用CNN進行訓練和分類處理. 仿真實驗證明，在室內(nèi)環(huán)境存在輕微擾動的情況下，該算法具有較好的抗干擾能力.

關鍵詞： 深度卷積神經(jīng)網(wǎng)絡（CNN）; 多重信號分類（MUSIC）算法; 信道狀態(tài)信息（CSI）; 指紋定位

中圖分類號： TN 929.5 ?????文獻標志碼： A ????文章編號： 1000-5137（2021）01-0092-09

Abstract： Aiming at the problem that the multipath effect in the indoor environment affected the positioning accuracy，based on a deep convolutional neural network（CNN），pseudo spectral image-CNN（PI-CNN）algorithm was proposed in this paper. Using channel state information processed by multiple signal classification（MUSIC） algorithm as a feature image，based on the unique multipath information of different locations in the indoor environment，the sub-channel information formed between the transceiver antennas was utilized to process the channel state information（CSI） to obtain the multipath arrival time with higher time resolution. The pseudo-spectral information of all antennas at the same sampling point was constructed into pseudo-spectral images to generate a fingerprint library which were used to train the CNN. The simulation experiments showed that the PI-CNN algorithm performed well when dealing with slight disturbance in the indoor environment.

Key words： deep convolutional neural network （CNN）; multiple signal classification（MUSIC） algorithm; channel state information （CSI）; fingerprint location

0 ?引言

5G網(wǎng)絡可以提供更高的數(shù)據(jù)傳輸速度、更小的延遲和設備密度[1].毫米波和大規(guī)模天線技術是5G的候選技術.毫米波通信可在復雜的環(huán)境下實現(xiàn)高數(shù)據(jù)速率傳輸和低延遲通信，這一特性表現(xiàn)為更高的時間分辨率，從而可以帶來更精確的位置信息，但其傳輸距離很短.因此，常常通過部署大規(guī)模天線陣列，以克服這個缺點[2].

在蜂窩網(wǎng)絡定位中，最常使用的定位方法是在得到到達時間（TOA）、到達角度（AOA）和接收信號強度（RSS）的信息后，利用三角定位的方法計算位置信息.YANG等[3]和LIN等[4]利用直射路徑和單跳反射徑的相關信息，但如果對路徑判別出錯，可能會導致較大誤差，且這些方法僅適用于非視距傳輸（NLOS）的情況.為了提高定位精度，指紋定位的方法現(xiàn)已被廣泛應用于室內(nèi)定位.

指紋定位方法中，由于獲取簡單，并且能反映一定的位置信息，RSS經(jīng)常被用作指紋特征.但對于一個固定位置，RSS的大小時常會隨著時間的變化表現(xiàn)出波動性，造成較大誤差.相較于RSS，信道狀態(tài)信息（CSI）提供了每個子載波的信號頻域響應，可以反映多徑信息，并且更加穩(wěn)定.WANG等[5]將3根接收天線分別接收到的30個子載波的幅度信息作為指紋特征，將深度學習的方法用于定位;CHEN等[6]考慮了子載波的幅度信息隨著時間推移表現(xiàn)出的波動性，提出了CSI圖像的概念.ZHANG等[7]考慮到不同時刻所采集的CSI幅度有較大的差異性，改進了定位算法;ZHANG等[8]結合CSI幅度信息和RSS，提高了定位精度.然而，如果定位過程中存在信號被阻擋的情況，例如有人員走動，或者有障礙物阻擋路徑，上述方法的定位精度將受到較大影響.

帶寬有限的情況下，基于信道沖激響應（CIR）和基于信道頻率響應（CFR）特性的穩(wěn)健性不同.由于單條路徑在時域內(nèi)基本上是獨立的，CIR對路徑的變化不太敏感;相反，如果路徑在頻域內(nèi)被扭曲，將使整個CFR發(fā)生巨大變化[9].JIN等[10]利用傅里葉變換對接收到的CIR進行估算，實驗結果表明當實時環(huán)境發(fā)生變化時，也能保持較高的定位精度;LI等[11]利用多重信號分類（MUSIC）算法計算CFR的偽譜信息，將偽譜信息第一個峰值對應的時間信息估算TOA，進行三角定位.LIN等[12]利用同一位置接收機接收到的CFR信息估算接收機的個數(shù)，并分別計算不同路徑的延遲量，通過統(tǒng)計不同位置的偽譜和RSS分布信息的相似性實現(xiàn)定位.

傳統(tǒng)方法僅利用不同接收天線所采集的信號，忽略信號的來源.本文作者關注到不同采樣時刻同一收發(fā)天線對的偽譜信息具有相似性，提出一種新型偽譜圖像，由四層子偽譜圖組成一張偽譜圖，分別展現(xiàn)了不同子信道在時域和空間域上的特異性和關聯(lián)性.

為了降低硬件設備成本和軟件實現(xiàn)復雜度，本文作者采用MUSIC算法獲得不同路徑的到達時間，將MUSIC算法處理后的CSI信息作為特征圖像，提出一種基于CNN的室內(nèi)定位（PI-CNN）算法，充分利用不同的接收天線和發(fā)射天線對形成的子信道信息，獲得較高精度的室內(nèi)定位結果.

1 ?定位模型

1.1 信道模型

3 ?基于CNN的定位

與傳統(tǒng)的全連接神經(jīng)網(wǎng)絡相比，CNN具有稀疏交互和參數(shù)共享的特點，因此在實際應用中減少了運行時間和參數(shù)個數(shù)，該方法被廣泛應用于計算機視覺領域的各個方面.

相較于傳統(tǒng)的人工神經(jīng)網(wǎng)絡，CNN更能捕捉CSI偽譜圖像在時域和空間域上的變化和關聯(lián)性.本研究中，將定位問題轉化為分類問題，主要分為兩個階段：訓練階段和離線定位階段.在訓練階段，從不同的RP采集獲取CSI偽譜圖，利用CNN網(wǎng)絡進行訓練;在離線定位階段，采集各測試點CSI信息，采用同樣的方法獲得偽譜圖，按照訓練后的CNN網(wǎng)絡進行分類，選取分類器輸出概率較高的RP值，利用加權質心的方法求取位置坐標.

增加CNN的深度在一定程度上可提取更豐富的特征信息，提高分類的精度，但也可能造成準確率突然降低的問題，而且也對硬件設備提出了一定的要求.因此，基于偽譜圖的結構特征，提出一個15層網(wǎng)絡結構，分別由5個卷積層、5個歸一化層、3個池化層和2個全連接層組成，如表1所示.為了去除掉一些異常樣本造成的影響，采用最大池化層保持最顯著的特征.在每一層卷積層后加入歸一化層進行非線性處理，以防止梯度彌散，加快網(wǎng)絡的訓練，每一個歸一化層均放在卷積層的后面.同時，在全連接層中，為了避免過擬合的問題，在兩個全連接層中都使用了50%的Dropout處理，如圖3所示，省略了歸一化層的結構.

4 ?仿真及評估

4.1 仿真設置

改進MATLAB中Scattering MIMO channel的模型，發(fā)射機和接收機的天線均為均勻直線天線陣列，天線數(shù)均為4.實驗場景如圖4所示，在一個5 m×6 m×3 m的室內(nèi)環(huán)境中，部署1臺發(fā)射機（圓形符號）置于房間的一側，12個接收機均勻排布作為參考點（叉形符號），其中相鄰的2個參考點間隔1 m，與基站最近的參考點距離為3 m，所有的參考點和基站處于同一水平高度，待測點用星形符號標記.通過調(diào)整室內(nèi)環(huán)境中障礙物的數(shù)量，可改變無線傳播環(huán)境，從而改變室內(nèi)傳播的多徑信道模型.

在OFDM子載波中，采用正交相移鍵控（QPSK）方式調(diào)制，對每一個時隙中的信道狀態(tài)信息參考信號（CSI-RS）進行資源映射.

經(jīng)過信道模型后，加入高斯白噪聲，在接收端按照文獻[15]中的標準進行配置，利用CSI-RS進行信道估計獲得CSI，經(jīng)解調(diào)后，所采集到的數(shù)據(jù)維數(shù)是300×14×4×4，子載波的個數(shù)為300個，共有14個符號.

圖4 實驗模型布局

4.2 實驗參數(shù)的影響

4.2.1 無線傳播環(huán)境的影響

為了評估無線傳播環(huán)境的影響，在不改變其他因素的前提下，對室內(nèi)環(huán)境中的障礙物數(shù)量進行了調(diào)整.總共進行了3組實驗，障礙物的數(shù)量分別是20，30和40，分別對應不同的多徑傳播環(huán)境.當障礙物數(shù)量較少時，每一個參考點的多徑數(shù)量較少;相反地，障礙物增多時，室內(nèi)傳播環(huán)境變得更加復雜.

圖5展示了不同的障礙物情況下的累計定位誤差分布圖，定位誤差通過計算待測點的真實位置坐標與預測值之間的絕對距離求得.通過實驗結果可以看出，當室內(nèi)的障礙物數(shù)量為40時，定位精度較低;當障礙物數(shù)量為20時，且室內(nèi)傳播環(huán)境簡單，定位精度良好;當障礙物數(shù)量為30時，定位精度最高.這也就說明，當室內(nèi)多徑數(shù)量較少時，由于不同參考點之間的距離比較近，多徑信息具有一定的相似性;當多徑數(shù)量適當增加時，每個位置的多徑信息的獨特性逐步顯現(xiàn).

4.2.2 信噪比（SNR）的影響

在室內(nèi)無線傳播環(huán)境良好的情況下，總共進行了3組實驗，SNR的值分別是30，40和50 dB，分別對應了不同程度的噪聲干擾.

圖6展示了不同的SNR情況下，累計定位誤差分布圖.通過實驗結果分析可以看出，SNR值越大，定位精度越高.當信噪比為30 dB時，平均定位誤差為0.23 m，這也說明即使在噪聲干擾較大的情況下，本方法仍能獲得較好的定位效果.

4.2.3 候選位置K的影響

采用加權質心方法計算待測點的位置坐標.為了探究候選位置點的個數(shù)對實驗結果的影響，設置了不同的K值進行對比實驗.在具體實驗時，發(fā)現(xiàn)大多數(shù)的正確結果集中在前4個輸出位置，將K的值分別設置為2，3和4.

4.2.4 不同方法的性能比較

為了驗證PI-CNN算法的性能，在相同的實驗模型下，分別與Confi算法[6]和SFP-I算法[12]進行比較.Confi算法將CSI信息類比為圖像，利用神經(jīng)網(wǎng)絡的方法解決定位的問題;SFP-I算法是將每個位置點上的偽譜信息和RSS值作為該位置的指紋特征，通過比較待測點和不同參考點間指紋特征的相似性進行定位.

圖8展示了3種定位方法的定位誤差分布圖的平均定位誤差.由圖8可以看出，PI-CNN平均定位精度為0.18 m，Confi算法的平均定位精度為0.28 m，SFP-I算法的平均定位精度為0.65 m.這是因為在線定位階段，PI-CNN算法適當調(diào)整了部分測試集障礙物的數(shù)量，保持了原室內(nèi)障礙物的分布情況，隨機增加了少量障礙物的數(shù)量，以模仿真實場景中由于人員擾動帶來的影響.通過對實驗結果的數(shù)值分析可得，本算法定位精度在0.4 m以內(nèi)，達到了90%，而另外兩種方法分別只達到了72%和26%.PI-CNN和Confi算法都表現(xiàn)出了比較好的定位效果，這也說明了CNN具有較好的泛化能力，可較好地捕捉數(shù)據(jù)的特征，實現(xiàn)高精度定位.PI-CNN算法的定位效果最好，說明利用經(jīng)MUSIC算法處理后生成的偽譜圖信息，可較好反映地理位置特征，同時對環(huán)境中的擾動具有良好的抗干擾特性.

5 ?結論

本文作者提出了一種基于CNN，將MUSIC算法處理后的重組CSI信息作為特征圖像的室內(nèi)定位算法——PI-CNN算法.解調(diào)不同的收發(fā)天線對的子信道CSI信號，利用MUSIC算法獲得偽譜信息，形成子偽譜圖，將同一個位置點的子偽譜圖組合成偽譜圖像集，利用CNN對其進行訓練和分類.選取合適的參數(shù)信息進行對比實驗，在本文的實驗模型中最終達到了0.18 m的平均定位精度.與Confi和SFP-I算法比較，當環(huán)境中存在擾動信息時，PI-CNN算法表現(xiàn)出了較好的抗干擾特性.

參考論文：

[1] KOIVISTO M，COSTA M，HAKKARAINEN A，et al.Joint 3D positioning and network synchronization in 5G ultra-dense networks using UKF and EKF [C]//2016 IEEE Globecom Workshops （GC Wkshps）.Washington，DC：IEEE，2017：1-7.

[2] LIU Y，SHI X，HE S，et al.Prospective positioning architecture and technologies in 5G networks [J].IEEE Network，2017，31（6）：12-18.

[3] JIA Y，TIAN H，F(xiàn)AN S S，et al.Motion feature and millimeter wave multi-path AoA-ToA based 3D indoor positioning [C]//29th Annual International Symposium on Personal，Indoor and Mobile Radio Communications （PIMRC）.Bologna：IEEE，2018：1-7.

[4] LIN Z P，LYU T J，MATHIOPOULOS P T.3-D indoor positioning for millimeter-wave massive MIMO systems [J].IEEE Transactions on Communications，2018，66（6）：2472-2486.

[5] WANG X，GAO L，MAO S，et al.CSI-based fingerprinting for indoor localization：a deep learning approach [J].IEEE Transactions on Vehicular Technology，2017，66（1）：763-776.

[6] CHEN H，ZHANG Y F，LI W，et al.ConFi：convolutional neural networks based indoor Wi-Fi localization using channel state information [J].IEEE Access，2017，5：18066-18074.

[7] ZHANG H，ZHANG Z C，ZHANG S Q，et al.Fingerprint-based localization using commercial LTE signals：a field-trial study [C]//90th Vehicular Technology Conference （VTC2019-Fall）.Honolulu：IEEE，2019：1-5.

[8] ZHANG H，DU H，YE Q，et al.Utilizing CSI and RSSI to achieve high-precision outdoor positioning：a deep learning approach [C]//IEEE International Conference on Communications （ICC）.Shanghai：IEEE，2019：1-6.

[9] YANG Z，ZHOU Z，LIU Y.From RSSI to CSI：indoor localization via channel response [J].ACM Computing Surveys，2013，46（2）：1-32.

[10] JIN Y Y，SOH W S，WONG W C.Indoor localization with channel impulse response based fingerprint and nonparametric regression [J].IEEE Transactions on Wireless Communications，2010，9（3）：1120-1127.

[11] LI X R，PAHLAVAN K.Super-resolution TOA estimation with diversity for indoor geolocation [J].IEEE Transactions on Wireless Communications，2004，3（1）：224-234.

[12] LIN Y，TSENG P H，CHAN Y，et al.A super-resolution-assisted fingerprinting method based on channel impulse response measurement for indoor positioning [J].IEEE Transactions on Mobile Computing，2019，18（12）：2740-2753.

[13] WAX M，KAILATH T.Detection of signals by information theoretic criteria [J].IEEE Transactions on Acoustics，Speech，and Signal Processing，1985，33（2）：387-392.

[14] AKAIKE H T.A new look at the statistical model identification [J].IEEE Transactions on Automatic Control，1974，19（6）：716-723.

[15] 3GPP.Physical channels and modulations [S].3GPP：Valbonne，2020.

（責任編輯：包震宇）