基于深度学习的室内定位技术研究
本文研究基于深度学习的室内定位技术,主要解决了室内定位中信道状态信息(CSI)特征提取困难的问题和CSI指纹特征不够丰富的问题。通过提出了一种适用于无设备被动定位的二阶段指纹定位法和基于CSI相幅的改进被动定位方法,提高了室内定位的精度和稳定性。
本文对室内定位技术的研究意义和应用价值进行了探讨。随着无线通信、智能终端和人工智能技术的进步和推广,基于位置服务的需求快速增长。由于卫星导航系统无法在室内提供高精度的位置服务,因此室内定位技术具有重要的研究意义和应用价值。
然后,本文对信道状态信息(CSI)特征提取困难的问题进行了研究。提出了一种适用于无设备被动定位的二阶段指纹定位法。首先在终端采集CSI数据,再结合不同子载波和接收天线以及多时间跨度的CSI数据,设计出特征丰富的定位指纹矩阵,构建定位指纹库。然后引入深度学习,通过向短路连接中添加随机矩阵,随机建立短路连接,增强残差网络的集成能力,设计出一种高效提取CSI指纹定位特征的神经网络ResFi。最后在常见的室内环境中进行对比实验,结果表明ResFi定位方法优于其他常见的定位方法。
此外,本文还对CSI指纹特征不够丰富的问题进行了研究。提出了一种基于CSI相幅的改进被动定位方法。首先使用线性变换法消除相位中的测量误差,得到稳定的相位信息,再将修正过的相位与幅度融合,构建CSI相幅指纹库。考虑到CSI幅度相位指纹中存在复杂的信息,本文基于注意力机制,建立了基于CSI相幅的神经网络模型。
本文对基于深度学习的室内定位技术进行了深入的研究,提出了两种改进的定位方法,提高了室内定位的精度和稳定性,为室内定位技术的发展和应用提供了重要的理论和实践基础。
此外,本文还对室内定位技术的应用前景进行了探讨。随着智能信息处理和物联网技术的发展,室内定位技术将会在智能家居、智能商业、智能交通等领域发挥重要作用,为人们提供更加智能、便捷的生活和工作环境。