(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211147360.5 (22)申请日 2022.09.19 (71)申请人 南京邮电大 学 地址 210023 江苏省南京市栖霞区亚 东新 城文苑路9号 (72)发明人 章丁祥　杜金锴　 (74)专利代理 机构 南京正联知识产权代理有限 公司 32243 专利代理师 姜梦翔 (51)Int.Cl. G06N 3/08(2006.01) G06N 3/06(2006.01) G06F 17/18(2006.01) G06F 17/16(2006.01) (54)发明名称 基于小样 本CSI指纹的室内终端到达角回归 估计方法 (57)摘要 本发明公开了一种基于小样 本CSI指纹的室 内终端到达角回归估计方法， 在多发多收(MIMO) 双端通信系统中， 调整小样本CSI指纹库特征参 照： 以一定路径规划下， 天线之间CSI相位差在不 同角度下的特征作为数据媒介， 并根据实际角度 建立权值标签与指纹建立样本集合； 搭建多层感 知机(MultilayerPerceptron， MLP)回归器进行 回归分析提取高维特征映射， 联合角度标签进行 线性回归预测输出未知样本到达角， 以减少数据 预采集工作量和资源消耗， 具有较高估计精度和 较低定位成本 。 权利要求书3页 说明书7页 附图2页 CN 115456172 A 2022.12.09 CN 115456172 A 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； 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：权　利　要　求　书 1/3 页 2 CN 115456172 A 2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4中， 构建MLP回归器， 进行离线训练的具体步骤为： 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epoc h停止。 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 ‑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。 6.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：权　利　要　求　书 2/3 页 3 CN 115456172 A 3