基于遷移學(xué)習(xí)提高W iFi室內(nèi)定位中信道狀態(tài)信息指紋庫(kù)的魯棒性

李玉柏 孫 迅

(電子科技大學(xué)信息與通信工程學(xué)院 成都 611731)

1 引言

室內(nèi)定位是當(dāng)今定位研究的熱點(diǎn)內(nèi)容。如何利用現(xiàn)有設(shè)備進(jìn)行高精度定位是全世界研究人員都在進(jìn)行研究的課題。隨著定位技術(shù)的逐漸成熟，可以使用W iFi進(jìn)行室內(nèi)定位。

目前主流的室內(nèi)定位解決方案有很多，Sadruddin等人[1]利用加速度傳感器來(lái)對(duì)行人進(jìn)行室內(nèi)定位，Bai等人[2]利用低功耗藍(lán)牙對(duì)老年人進(jìn)行室內(nèi)定位監(jiān)測(cè)，Chóliz等人[3]提出一種基于超寬帶(U ltra W ide Band,UWB)的室內(nèi)定位算法，Liu等人[4]介紹了基于W iFi的室內(nèi)定位框架，Gan等人[5]提出了一種基于偽衛(wèi)星和UW B的室內(nèi)定位算法等。在室內(nèi)定位算法方面，有基于傳統(tǒng)建模的方法，如文獻(xiàn)[6,7]給出了室內(nèi)空間信道的傳播模型，直接解算室內(nèi)定位結(jié)果。文獻(xiàn)[8,9]則是基于學(xué)習(xí)的解決方案，通過(guò)建立離線指紋數(shù)據(jù)庫(kù)來(lái)進(jìn)行定位。

在利用W iFi的室內(nèi)定位中，近年來(lái)越來(lái)越多的研究人員選擇使用信道狀態(tài)信息(Channel State Information,CSI)數(shù)據(jù)代替接收信號(hào)強(qiáng)度(Received Signal Strength Indicator,RSSI)信號(hào)進(jìn)行室內(nèi)定位。CSI表示正交頻分復(fù)用(Orthogonal Frequency Division M ultiplexing,OFDM)技術(shù)的W iFi信號(hào)體制在信道中的傳播信息，與只能獲取單個(gè)數(shù)據(jù)的RSSI不同，CSI可以獲得各個(gè)不同頻率子載波組成的信息向量，利用CSI數(shù)可以設(shè)計(jì)具有更高定位精度的定位系統(tǒng)。

但是，無(wú)論上述哪種方案，都會(huì)面臨一個(gè)難以解決的問(wèn)題。即隨著時(shí)間的推移，室內(nèi)環(huán)境發(fā)生變化后，這些離線指紋數(shù)據(jù)庫(kù)或建模公式將不再與室內(nèi)環(huán)境完美匹配。測(cè)試數(shù)據(jù)與原始的訓(xùn)練數(shù)據(jù)分布將會(huì)不同，這就會(huì)造成巨大的誤差。如圖1所示，圖1(a)為機(jī)器學(xué)習(xí)訓(xùn)練完成，指紋庫(kù)剛建立時(shí)的定位結(jié)果，誤差很小，圖1(b)為3周后的定位結(jié)果，隨著室內(nèi)環(huán)境的變化，存在很大的誤差。兩圖右側(cè)的紅色點(diǎn)為實(shí)際位置，藍(lán)色點(diǎn)為預(yù)測(cè)位置。為了解決這個(gè)問(wèn)題，本文提出使用遷移學(xué)習(xí)方法來(lái)建立指紋數(shù)據(jù)庫(kù)，以訓(xùn)練數(shù)據(jù)為源域，室內(nèi)環(huán)境變化后的數(shù)據(jù)為目標(biāo)域，然后使用遷移學(xué)習(xí)方法遷移其數(shù)據(jù)分布，以便它們可以映射到相同的分布。實(shí)驗(yàn)證明，本文算法在建立指紋庫(kù)一段時(shí)間后性能只有些微下降，具有較高的魯棒性。而基于傳統(tǒng)深度學(xué)習(xí)的算法在一段時(shí)間后，室內(nèi)環(huán)境發(fā)生變化導(dǎo)致指紋數(shù)據(jù)庫(kù)與當(dāng)前室內(nèi)環(huán)境不匹配，從而致使性能嚴(yán)重下降。

圖1 室內(nèi)環(huán)境變化前后定位誤差

1.1 測(cè)試數(shù)據(jù)

測(cè)量數(shù)據(jù)源通常包括信號(hào)強(qiáng)度值(RSSI)[10]、到達(dá)角(Angle-O f-A rrival,AOA)[11]、到達(dá)時(shí)差(Time Difference O f A rrival,TDOA)[12]和基于慣性導(dǎo)航的行人航位推算(Pedestrian Dead Reckon ing,PDR)[1]。在W iFi定位中，也有許多研究人員選擇使用CSI信號(hào)進(jìn)行定位，如文獻(xiàn)[13,14]就是使用CSI信號(hào)作為信號(hào)源。

對(duì)于RSSI，距離損失模型被世界各地的學(xué)者廣泛使用，其計(jì)算公式為

其中，PL是路徑損耗，n是平均路徑損耗分量，表示路徑損耗隨距離增加的速度，d0是參考距離，d是收發(fā)距離，[]表示單位。路徑損耗模型提供了一種嚴(yán)格的方法來(lái)量化傳輸距離和環(huán)境參數(shù)對(duì)無(wú)線鏈路信號(hào)強(qiáng)度和容量的影響。然而，現(xiàn)有的模型不能準(zhǔn)確地捕獲復(fù)雜信號(hào)衰減，也不能區(qū)分相鄰位置的RSSI值之間的細(xì)微差異。

信道狀態(tài)信息(CSI)描述通信鏈路的信道特性，尤其是信號(hào)如何從發(fā)射機(jī)傳播到接收機(jī)，并表示散射、衰落和功率隨距離衰減的綜合影響。在窄帶信道中，無(wú)線環(huán)境的聯(lián)合作用產(chǎn)生一個(gè)線性模型，如式(2)所示

其中，Y(f)和X(f)分 別是接收和發(fā)送的信號(hào)，H(f)是復(fù)信道頻率響應(yīng)，N是加性高斯白噪聲。根據(jù)定義，基于OFDM的W iFi系統(tǒng)使用多個(gè)子載波進(jìn)行數(shù)據(jù)傳輸。每個(gè)副載波上的信道特性包括幅度衰減和相位偏移，其可以使用復(fù)數(shù)進(jìn)行標(biāo)識(shí)。在窄帶平坦衰落信道中，頻域OFDM系統(tǒng)可以如式(3)所示

其中，k是子載波的序列號(hào)，‖H k ‖表 示第k個(gè)子載波的振幅，∠H k表示該第k個(gè)子載波的相位。

1.2 定位方法

為了進(jìn)行室內(nèi)定位，來(lái)自世界各地的研究人員使用了多種方法，Ayabakan等人[15]提出了一種基于卡爾曼濾波的定位方法，Silva等人[16]提出了一種基于粒子濾波的定位方法，Jedari等人[6]提出了一種基于信道傳播模型的定位方法，以及Ibrahim等人[17]和Edel等人[18]提出了基于機(jī)器學(xué)習(xí)的定位方法。在這些研究中，也有利用遷移學(xué)習(xí)進(jìn)行定位的，例如，Gao等人[19]使用遷移學(xué)習(xí)來(lái)解決更換路由器后的指紋庫(kù)遷移問(wèn)題，Li等人[20]使用遷移學(xué)習(xí)解決RSSI信道變化問(wèn)題。對(duì)于CSI數(shù)據(jù)，許多研究人員致力于分析其傳播信道，希望完全過(guò)濾環(huán)境噪聲和硬件噪聲，包括多徑、采樣頻率偏移、采樣時(shí)間偏移、包檢測(cè)延遲等。Ibrahim等人[17]在訓(xùn)練后直接使用機(jī)器學(xué)習(xí)算法來(lái)解決測(cè)試數(shù)據(jù)，但針對(duì)環(huán)境變化后的指紋庫(kù)惡化問(wèn)題的研究并未取得實(shí)質(zhì)性進(jìn)展。

1.3 遷移學(xué)習(xí)方法

遷移學(xué)習(xí)是指一種學(xué)習(xí)對(duì)另一種學(xué)習(xí)的影響，通過(guò)該方法，可以利用少量標(biāo)記數(shù)據(jù)來(lái)對(duì)其他的無(wú)標(biāo)簽數(shù)據(jù)進(jìn)行分類，并在源域和目標(biāo)域之間遷移。目前主流的遷移學(xué)習(xí)方法包括文獻(xiàn)[21]提出的域?qū)股窠?jīng)網(wǎng)絡(luò)(Domain-Adversarial Neural Networks,DANN)、文獻(xiàn)[22]提出的深度適配網(wǎng)絡(luò)(Deep Adaptation Netow rk,DAN)和文獻(xiàn)[23]提出的深度子領(lǐng)域自適應(yīng)的方法(Deep Subdom ain Adap tation Network,DSAN)等等。世界各地的許多學(xué)者已經(jīng)將遷移學(xué)習(xí)應(yīng)用于許多領(lǐng)域，Sheoran等人[24]使用遷移學(xué)習(xí)進(jìn)行年齡和性別預(yù)測(cè)，Aneja等人[25]將遷移學(xué)習(xí)用于癌癥診斷，Horry等人[26]以及Pathak等人[27]通過(guò)遷移學(xué)習(xí)檢測(cè)covid-19等等。

本文做出的主要貢獻(xiàn)如下：

(1)本文針對(duì)CSI信號(hào)提出一種信號(hào)預(yù)處理方法，包括自動(dòng)增益控制(Automatic Gain Control,AGC)補(bǔ)償、CSI信號(hào)的噪聲過(guò)濾以及數(shù)據(jù)降維等。該算法可以有效地從CSI數(shù)據(jù)中提取定位信息，提高定位精度。

(2)設(shè)計(jì)了一個(gè)遷移學(xué)習(xí)網(wǎng)絡(luò)，包括特征提取器、域鑒別器和位置預(yù)測(cè)器，并將其應(yīng)用于W iFi室內(nèi)定位，取得了良好的定位效果。

(3)對(duì)測(cè)試數(shù)據(jù)進(jìn)行選擇，利用優(yōu)秀的測(cè)試數(shù)據(jù)和信標(biāo)采集的數(shù)據(jù)更新指紋庫(kù)，充分利用現(xiàn)有的數(shù)據(jù)條件，顯著延長(zhǎng)定位系統(tǒng)的生命周期，強(qiáng)化了其魯棒性。

本文將以如下方式展開(kāi)：第1節(jié)概述室內(nèi)定位研究現(xiàn)狀與本文貢獻(xiàn)。第2節(jié)簡(jiǎn)介本文提出的系統(tǒng)模型。第3節(jié)詳細(xì)介紹系統(tǒng)的設(shè)計(jì)和算法，包括數(shù)據(jù)預(yù)處理算法，對(duì)接收到的CSI數(shù)據(jù)進(jìn)行處理以得到合適的指紋數(shù)據(jù)。以及利用遷移學(xué)習(xí)的方法進(jìn)行指紋定位。第4節(jié)利用提出的系統(tǒng)進(jìn)行的實(shí)驗(yàn)以及評(píng)估，包含CSI與RSSI的對(duì)比，數(shù)據(jù)預(yù)處理算法的實(shí)驗(yàn)，以及與傳統(tǒng)深度學(xué)習(xí)方法的對(duì)比。第5節(jié)為對(duì)本文的總結(jié)。

2 系統(tǒng)模型

本節(jié)將介紹基于CSI和遷移學(xué)習(xí)的室內(nèi)定位系統(tǒng)架構(gòu)。定位系統(tǒng)的總體架構(gòu)如圖2所示，包括預(yù)處理模塊、特征提取模塊、域鑒別器模塊、位置預(yù)測(cè)器模塊和更新模塊。

數(shù)據(jù)預(yù)處理：由接收設(shè)備采集的CSI數(shù)據(jù)不能直接用于位置預(yù)測(cè)，因?yàn)閃 iFi芯片的AGC[28]模塊將破壞CSI幅度中的距離信息，從而無(wú)法進(jìn)行位置預(yù)測(cè)。因此，在數(shù)據(jù)預(yù)處理模塊中，本文需要使用RSSI信號(hào)來(lái)消除AGC的影響。然后，由于CSI中存在一些異常數(shù)據(jù)，因此有必要在遷移學(xué)習(xí)之前刪除這些異常數(shù)據(jù)。最后，本文的數(shù)據(jù)維度太高，需要降低維數(shù)以減少數(shù)據(jù)量，并提取出有效的定位信息。

特征提取器：一方面，它可以提取后續(xù)網(wǎng)絡(luò)訓(xùn)練所需的特征，以便于網(wǎng)絡(luò)訓(xùn)練。另一方面，可以將源域樣本和目標(biāo)域樣本混合以映射到一個(gè)相同的分布。

域鑒別器：對(duì)輸入的CSI數(shù)據(jù)進(jìn)行分類，辨別出數(shù)據(jù)來(lái)自源域還是目標(biāo)域，并輸出域間損失Ld作為總損失的一部分。

位置預(yù)測(cè)器：使用特征提取器提取的信息對(duì)樣本進(jìn)行分類，并輸出預(yù)測(cè)結(jié)果。此外，位置預(yù)測(cè)器可以計(jì)算預(yù)測(cè)損失Lp作為總損失的一部分。

更新模塊：對(duì)優(yōu)良的測(cè)試數(shù)據(jù)進(jìn)行挑選，以及對(duì)信標(biāo)采集的數(shù)據(jù)進(jìn)行挑選，選取出適合訓(xùn)練的數(shù)據(jù)并輸入到網(wǎng)絡(luò)中重新進(jìn)行訓(xùn)練，以提高指紋庫(kù)的魯棒性和生命周期。

3 數(shù)據(jù)預(yù)處理與遷移學(xué)習(xí)算法

3.1 數(shù)據(jù)預(yù)處理算法

由于AGC會(huì)將所有數(shù)據(jù)調(diào)制到同一區(qū)間內(nèi)，丟失CSI幅度數(shù)據(jù)中的距離信息，所以利用原始CSI數(shù)據(jù)無(wú)法進(jìn)行定位。本文利用RSSI數(shù)據(jù)來(lái)對(duì)CSI數(shù)據(jù)進(jìn)行重構(gòu)，使我們重新獲得CSI數(shù)據(jù)中的距離信息從而能進(jìn)行室內(nèi)定位。首先，本文需要通過(guò)RSSI數(shù)據(jù)來(lái)計(jì)算縮放因子s。對(duì)于接收到的CSI和RSSI信號(hào)，由于RSSI反映了所有子載波的聚合功率，因此可以利用RSSI數(shù)據(jù)估計(jì)CSI的實(shí)際幅度。測(cè)得的RSSI信號(hào)以分貝(d Bm)為單位，將其轉(zhuǎn)化為標(biāo)稱功率下后，可以得到如式(4)的關(guān)系式

其中PCSI為C SI的各個(gè)子載波功率之和。第i個(gè)子載波的接收數(shù)據(jù)為c sii=αi+jβi。故可得到縮放因子s的計(jì)算表達(dá)式為

其中，Nsub為 子載波數(shù)，IEEE 802.11n協(xié)議下20 MHz對(duì)應(yīng)的子載波數(shù)為64。然后再利用這個(gè)縮放因子去對(duì)CSI數(shù)據(jù)進(jìn)行還原，并轉(zhuǎn)換為d Bm單位下的幅度值，即可得到包含距離信息的C SI數(shù)據(jù)

其中，CSIraw為原始的CSI數(shù)據(jù)，C SIAGC為經(jīng)過(guò)去除A GC影 響后的C SI數(shù)據(jù)。

其次，對(duì)于測(cè)試數(shù)據(jù)，由于環(huán)境噪聲或硬件問(wèn)題，會(huì)出現(xiàn)一些離群的數(shù)據(jù)，并且誤差相對(duì)較大。使用這些數(shù)據(jù)進(jìn)行訓(xùn)練將會(huì)降低分類器的精度，對(duì)指紋庫(kù)的構(gòu)建具有負(fù)面影響。本文采用具有噪聲的基于密度的聚類方法(Density-Based Spatial Clustering of App lications w ith Noise,DBSCAN)對(duì)這些數(shù)據(jù)進(jìn)行處理，選取聚類結(jié)果中密度最大的一類作為測(cè)試數(shù)據(jù)，濾除其余數(shù)據(jù)，王迪也[29]已證明該聚類算法對(duì)濾除CSI離群幀的有效性。

最后，由于CSI數(shù)據(jù)的維度較高，為了減少計(jì)算量并去除CSI數(shù)據(jù)中包含的與定位無(wú)關(guān)的信息，本文需要在訓(xùn)練之前進(jìn)行降維處理，使得其特征集中到低維空間，降低計(jì)算量的同時(shí)提高精度。首先，對(duì)于IEEE 802.11ac協(xié)議中對(duì)子載波功能的定義中，20 MHz下包含兩端共11個(gè)保護(hù)子載波，以及零號(hào)子載波，這12個(gè)子載波都不是數(shù)據(jù)子載波，故對(duì)這些子載波數(shù)據(jù)可以進(jìn)行刪除。對(duì)于剩下的子載波數(shù)據(jù)，本文使用主成分分析(Principal Component Analysis,PCA)來(lái)對(duì)其進(jìn)行降維。對(duì)于CSIAGC=(csi1,csi2,...,csin)，其數(shù)據(jù)維度為n，假設(shè)需要將其降維到m。先對(duì)其進(jìn)行中心化，即所有子載波上的數(shù)據(jù)減去其均值

該算法流程圖如圖3所示。

數(shù)據(jù)預(yù)處理部分具體算法如算法1所示。

3.2 遷移學(xué)習(xí)算法

在經(jīng)過(guò)3.1節(jié)的數(shù)據(jù)預(yù)處理之后，可以獲得指紋定位所需的指紋特征數(shù)據(jù)。接下來(lái)，將使用遷移學(xué)習(xí)對(duì)其進(jìn)行訓(xùn)練，從而建立指紋數(shù)據(jù)庫(kù)。遷移學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 遷移學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)

3.2.1特征提取器

對(duì)于已經(jīng)數(shù)據(jù)預(yù)處理后的數(shù)據(jù)C SIi，將其作為1維的指紋輸入進(jìn)一個(gè)全連接神經(jīng)網(wǎng)絡(luò)，來(lái)提取其特征。此處對(duì)于一個(gè)訓(xùn)練優(yōu)秀的特征提取器而言，輸出的數(shù)據(jù)理應(yīng)無(wú)法辨別來(lái)源于源域還是目標(biāo)域，能夠?qū)⒎植疾煌脑从驍?shù)據(jù)與目標(biāo)域數(shù)據(jù)映射到相同的分布空間中。前向計(jì)算過(guò)程如式(8)所示

其中，ME為一個(gè)多層全連接神經(jīng)網(wǎng)絡(luò)，ΘME為ME的參數(shù)，Zi為特征提取器輸出向量，R eLU為激活函數(shù)。

3.2.2位置預(yù)測(cè)器

這里將進(jìn)行定位的預(yù)測(cè)輸出，對(duì)于位置預(yù)測(cè)器的輸入數(shù)據(jù)Z i，經(jīng)過(guò)長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(Long Short Term M emory,LSTM)后得到

其中，MP為一個(gè)L STM網(wǎng)絡(luò)，譬如Zhang等人[30]就提出了一種利用LSTM網(wǎng)絡(luò)進(jìn)行CSI定位的室內(nèi)定位系統(tǒng)。ΘMP為MP的參數(shù)，為MP的輸出。然后把LSTM網(wǎng)絡(luò)的輸出通過(guò)一個(gè)激活函數(shù)為Softm ax的輸出層，這樣就可以直接得到位置預(yù)測(cè)器在某個(gè)位置的預(yù)測(cè)概率

其中n S和nT分別表示在MMD計(jì)算中源域數(shù)據(jù)向量的個(gè)數(shù)和目標(biāo)域數(shù)據(jù)向量的個(gè)數(shù)。κ(·)代表核函數(shù)：f(u)·f(v)=κ(u,v)。本文使用徑向基函數(shù)作為MMD的核函數(shù)，其表達(dá)式為

這樣就可以得到域間距離作為域間分布損失L d=MMD(S,T)，當(dāng)源域數(shù)據(jù)S與目標(biāo)域數(shù)據(jù)T分布完全相同時(shí)，Ld=0。

遷移學(xué)習(xí)訓(xùn)練算法如算法2所示。

3.2.4可靠數(shù)據(jù)挑選和網(wǎng)絡(luò)更新

在指紋數(shù)據(jù)庫(kù)的更新中，需要找到新的數(shù)據(jù)作為目標(biāo)域數(shù)據(jù)，以完成遷移學(xué)習(xí)，實(shí)現(xiàn)指紋數(shù)據(jù)庫(kù)更新的目標(biāo)。這些新的數(shù)據(jù)來(lái)源主要分為兩類：測(cè)試數(shù)據(jù)中的優(yōu)良數(shù)據(jù)，以及信標(biāo)采集的數(shù)據(jù)。

對(duì)于測(cè)試數(shù)據(jù)，本文選擇滿足條件D(CSIi)＜δ且不包含異常值的數(shù)據(jù)作為新的數(shù)據(jù)來(lái)源，此類數(shù)據(jù)的數(shù)據(jù)集大小不確定，會(huì)隨接入用戶密集程度發(fā)生改變，且各個(gè)定位點(diǎn)出現(xiàn)概率不同。而對(duì)于信標(biāo)采集的數(shù)據(jù)，對(duì)其進(jìn)行3.1節(jié)的數(shù)據(jù)預(yù)處理算法后也作為新的數(shù)據(jù)來(lái)源，此類數(shù)據(jù)的數(shù)據(jù)集大小較為固定，同時(shí)各個(gè)定位分類點(diǎn)的數(shù)據(jù)量會(huì)較為均衡。

然后將這兩種數(shù)據(jù)都作為目標(biāo)域數(shù)據(jù)放入遷移學(xué)習(xí)網(wǎng)絡(luò)中，以更新我們的網(wǎng)絡(luò)參數(shù)，使指紋數(shù)據(jù)庫(kù)盡可能跟蹤環(huán)境的變化，從而可以最大限度地利用已有的資源來(lái)延長(zhǎng)網(wǎng)絡(luò)的使用壽命。

網(wǎng)絡(luò)更新算法如算法3所示。

算法2 遷移學(xué)習(xí)訓(xùn)練與位置預(yù)測(cè)

4 實(shí)驗(yàn)評(píng)估

在本文的實(shí)驗(yàn)評(píng)估中，使用nexus 6p作為接收設(shè)備，其芯片為bcm4358，利用開(kāi)源固件nexmon[32,33]可以接收并導(dǎo)出CSI數(shù)據(jù)以及RSSI數(shù)據(jù)。實(shí)驗(yàn)在5 GHz接收頻率、20 M Hz帶寬上接收CSI信號(hào)。CSI數(shù)據(jù)的每個(gè)幀包含64個(gè)子載波，本文使用幅度作為輸入數(shù)據(jù)。發(fā)送端路由器包括3個(gè)型號(hào)不同的路由器，分別為ASUSRT-AC86U,TL-WAR1200L以及TL-W DR 6300。每秒將接收10個(gè)CSI數(shù)據(jù)幀，每次從3個(gè)路由器接收CSI數(shù)據(jù)，然后進(jìn)行數(shù)據(jù)拼接，即每次接收3×64維CSI數(shù)據(jù)。數(shù)據(jù)拼接過(guò)程如圖5所示。

圖5 CSI數(shù)據(jù)拼接

室內(nèi)環(huán)境測(cè)試如圖6所示。進(jìn)行測(cè)試的實(shí)驗(yàn)室長(zhǎng)16.5m、寬8m。圖6的紅點(diǎn)表示室內(nèi)定位接收端的測(cè)試位置。相鄰測(cè)試點(diǎn)之間的橫向間距為1.5m，縱向間距為0.8 m。本文在3個(gè)不同的位置擺放了3臺(tái)路由器，它們將連續(xù)向接收設(shè)備發(fā)送數(shù)據(jù)。實(shí)驗(yàn)室每周有1節(jié)課，所以室內(nèi)環(huán)境變化很大，主要是桌椅位置的變化。綜上，本實(shí)驗(yàn)中的主要環(huán)境變化包括室內(nèi)物理環(huán)境變化、電壓變化引起的路由器功率變化以及不同天氣引起的空氣溫濕度變化，可以作為一個(gè)典型的室內(nèi)環(huán)境變化的室內(nèi)定位場(chǎng)景使用。

圖6 室內(nèi)環(huán)境

本文的評(píng)估實(shí)驗(yàn)使用python語(yǔ)言完成，并基于pytorch搭建了神經(jīng)網(wǎng)絡(luò)，包括本文的遷移學(xué)習(xí)網(wǎng)絡(luò)以及4.3節(jié)進(jìn)行對(duì)比的CNN,DNN,LSTM等網(wǎng)絡(luò)。特征提取器包含兩個(gè)隱藏層，神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)都為100，第1個(gè)隱藏層的輸入維度為數(shù)據(jù)預(yù)處理算法進(jìn)行降維后的CSI數(shù)據(jù)維度：nn.Linear(m,100)，第2個(gè)隱藏層的輸入維度則為第1個(gè)隱藏層的輸出維度：nn.Linear(100,100)。位置預(yù)測(cè)器的網(wǎng)絡(luò)結(jié)構(gòu)為nn.LSTM(100,35)，35指的是圖6中測(cè)試點(diǎn)的個(gè)數(shù)，輸入為特征提取器的輸出。本文使用RMSprop(Root M ean Square p rop)算法作為優(yōu)化器算法，以對(duì)步長(zhǎng)因子進(jìn)行優(yōu)化。

算法3 網(wǎng)絡(luò)更新算法

4.1 數(shù)據(jù)預(yù)處理算法評(píng)估

首先來(lái)看數(shù)據(jù)預(yù)處理各部分的重要性，本文將對(duì)比不進(jìn)行數(shù)據(jù)預(yù)處理、僅對(duì)AGC進(jìn)行補(bǔ)償、不進(jìn)行降維、不對(duì)誤差幀進(jìn)行濾除以及進(jìn)行完整的數(shù)據(jù)預(yù)處理算法進(jìn)行實(shí)驗(yàn)對(duì)比。

圖7中“原始CSI”指的是由接收機(jī)接收到的CSI數(shù)據(jù)，“AGC補(bǔ)償”指的是針對(duì)AGC進(jìn)行補(bǔ)償后的CSI數(shù)據(jù)。由于不去除AGC的影響對(duì)定位精度的影響太大，所以其他3組都已經(jīng)過(guò)了“AGC補(bǔ)償”算法。“幀過(guò)濾”指的是利用聚類算法去除掉離群數(shù)據(jù)或者異常幀后的數(shù)據(jù)。“數(shù)據(jù)降維”指的是經(jīng)過(guò)了刪除非數(shù)據(jù)子載波，以及PCA算法降維后的數(shù)據(jù)，“CSI_pre”指的是經(jīng)過(guò)了全部數(shù)據(jù)預(yù)處理算法后的數(shù)據(jù)。從圖7可以看出，數(shù)據(jù)預(yù)處理對(duì)于利用CSI進(jìn)行室內(nèi)定位的系統(tǒng)而言是必不可少的。由于AGC破壞了幅度中的距離信息，所以在利用原始的CSI數(shù)據(jù)進(jìn)行室內(nèi)定位時(shí)定位效果較差。對(duì)比“原始CSI”和“AGC補(bǔ)償”可以看出，去除AGC影響后定位系統(tǒng)的性能將顯著上升。

圖7 CSI數(shù)據(jù)預(yù)處理算法比較

對(duì)比“AGC補(bǔ)償”和“幀過(guò)濾”，以及對(duì)比和“CSI_pre”可以看出，過(guò)濾異常幀對(duì)于提升定位系統(tǒng)的性能也有幫助。對(duì)比“AGC補(bǔ)償”和“數(shù)據(jù)降維”，以及對(duì)比“幀過(guò)濾”和“CSI_pre”可以看出，對(duì)CSI數(shù)據(jù)進(jìn)行降維對(duì)性能的提升是顯著的，可以通過(guò)表中的數(shù)據(jù)了解：數(shù)據(jù)降維對(duì)性能的提升在第1周、第2周、第3周都要大于46%，所以在對(duì)CSI數(shù)據(jù)進(jìn)行預(yù)處理時(shí)，進(jìn)行降維是不可或缺的一步。

至此，證明了本文所提數(shù)據(jù)預(yù)處理算法的有效性，AGC補(bǔ)償、幀過(guò)濾以及數(shù)據(jù)降維在CSI數(shù)據(jù)的預(yù)處理算法中都是有著關(guān)鍵作用的。

4.2 CSI和RSSI數(shù)據(jù)評(píng)估

接下來(lái)將對(duì)CSI和RSSI之間的訓(xùn)練情況進(jìn)行對(duì)比，包含CSI降維到10,15,30,40維以及RSSI的定位系統(tǒng)的評(píng)估對(duì)比。評(píng)估結(jié)果如圖8所示。

圖8 對(duì)比RSSI與各維度下的CSI數(shù)據(jù)

從圖8可以看出，CSI數(shù)據(jù)在降維到不同的維數(shù)時(shí)會(huì)有不同的定位精度表現(xiàn)，這也意味著，降維帶來(lái)的定位信息數(shù)據(jù)特征的集中與降維帶來(lái)的信息損失會(huì)存在一個(gè)最佳點(diǎn)，既不會(huì)因?yàn)檫^(guò)度降維而損失有效信息，也不會(huì)因?yàn)榫S度過(guò)高而導(dǎo)致信息分布散亂。本次實(shí)驗(yàn)中，維度為30的時(shí)候是一個(gè)理想的目標(biāo)維度。當(dāng)維度較低時(shí)，利用CSI進(jìn)行定位就會(huì)接近于RSSI的效果。當(dāng)維度較高時(shí)，可以參考圖6中的“幀過(guò)濾”，定位系統(tǒng)的表現(xiàn)也不夠好。

至此，本文設(shè)計(jì)實(shí)驗(yàn)評(píng)估對(duì)比了CSI與RSSI在室內(nèi)定位方面的表現(xiàn)，我們可以得出結(jié)論，CSI相比于RSSI，可以攜帶更多的信息，利用CSI能夠有效提高室內(nèi)定位的精度。

4.3 不同定位算法評(píng)估

最后將本文提出的算法與非遷移學(xué)習(xí)的方法進(jìn)行對(duì)比，包括LSTM,DNN,SVM,CNN等。本次實(shí)驗(yàn)評(píng)估的CSI數(shù)據(jù)已通過(guò)3.1節(jié)提出的數(shù)據(jù)預(yù)處理算法進(jìn)行了處理，且降維到30維進(jìn)行。對(duì)于非遷移學(xué)習(xí)方法構(gòu)建的室內(nèi)定位系統(tǒng)，本文對(duì)其亦進(jìn)行了數(shù)據(jù)庫(kù)的更新操作，具體方法為在已訓(xùn)練好的網(wǎng)絡(luò)中混入優(yōu)良的測(cè)試數(shù)據(jù)與信標(biāo)采集的數(shù)據(jù)，數(shù)據(jù)集與遷移學(xué)習(xí)算法中相同，然后對(duì)這些非遷移學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行再訓(xùn)練，更新網(wǎng)絡(luò)參數(shù)，使其對(duì)新的環(huán)境具有適配性，如此能保證在室內(nèi)環(huán)境發(fā)生較大變化后不會(huì)產(chǎn)生指紋庫(kù)完全失效的情況，也能提高非遷移學(xué)習(xí)算法對(duì)應(yīng)指紋庫(kù)的魯棒性，這樣也能保證實(shí)驗(yàn)對(duì)比的公平性，更加精確地論證本文所提算法的有效性。實(shí)驗(yàn)結(jié)果如圖9所示。

圖9 室內(nèi)定位中的不同方法

從圖9可以看到，在第1周各種算法剛建立指紋庫(kù)時(shí)，各個(gè)定位系統(tǒng)的預(yù)測(cè)位置的準(zhǔn)確率都很高。但是隨著室內(nèi)環(huán)境變化，不論是LSTM,CNN,DNN這樣的深度神經(jīng)網(wǎng)絡(luò)算法，還是SVM這樣的傳統(tǒng)機(jī)器學(xué)習(xí)算法，性能上都會(huì)嚴(yán)重下降。1周后的數(shù)據(jù)測(cè)試就只有LSTM的準(zhǔn)確率高于90%，兩周后LSTM,CNN,SVM,DNN等非遷移學(xué)習(xí)算法的準(zhǔn)確率都有了更為明顯的下降，降低到90%以下，其中SVM和DNN已經(jīng)不高于80%，而本文提出的DANN在一段時(shí)間后性能只有些微下降，1周后的準(zhǔn)確率在98%，兩周后的準(zhǔn)確率在97%，相比于其他的非遷移學(xué)習(xí)定位系統(tǒng)，對(duì)抗室內(nèi)環(huán)境變化的優(yōu)勢(shì)很明顯。需要指出的是，本文遷移學(xué)習(xí)算法的位置預(yù)測(cè)器中的LSTM網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)，與實(shí)驗(yàn)對(duì)比中LSTM的網(wǎng)絡(luò)結(jié)構(gòu)是相同的。兩者的實(shí)驗(yàn)結(jié)果對(duì)比也可以看出，特征提取器與域鑒別器對(duì)數(shù)據(jù)的映射訓(xùn)練是有效的。

5 結(jié)束語(yǔ)

本文利用遷移學(xué)習(xí)的方式進(jìn)行室內(nèi)定位，通過(guò)實(shí)驗(yàn)評(píng)估對(duì)比，相較于其他的機(jī)器學(xué)習(xí)算法，本文所提算法在時(shí)間變化以及室內(nèi)環(huán)境變化上的抗性更強(qiáng)，在同樣代價(jià)的情況下?lián)碛斜绕渌惴ǜ志玫挠行?。同時(shí)也設(shè)計(jì)實(shí)驗(yàn)證明了本文所提數(shù)據(jù)預(yù)處理算法的有效性以及必要性。在時(shí)間過(guò)去1周后本文所提算法依然擁有98%的預(yù)測(cè)準(zhǔn)確率，兩周后擁有97%的預(yù)測(cè)準(zhǔn)確率，明顯超過(guò)傳統(tǒng)的深度學(xué)習(xí)方法。未來(lái)的工作將會(huì)聚焦在更長(zhǎng)時(shí)間的數(shù)據(jù)遷移以及更復(fù)雜場(chǎng)景下的室內(nèi)定位中。