一种CSI结合CDPM的室内定位方法及系统与流程

一种csi结合cdpm的室内定位方法及系统
技术领域
1.本发明涉及一种csi(channel state information)与cdpm(conditional diffusion probabilistic model)结合的室内定位方法，属于基于深度学习的无线定位技术领域。


背景技术：

2.在基于wi-fi的室内定位系统中，主要利用rssi(received signal strength indicator)和csi两种信道信息进行定位。rssi反映接收信号强度值，易受多径效应与环境因素影响，即使是在稳定的环境中，单个设备接收的rssi也会出现
±
5db左右的波动，rssi获取简单，但蕴含的信息较少，不适用于室内高精度定位。相较而言，csi信息因为ofdm和mimo技术的存在，囊括了不同天线上不同子载波的信道信息，能够更好反映信道中的多径效应，因此更适用于室内高精度定位。
3.主流室内定位算法主要包含基于信道衰减模型的定位方法和基于指纹数据库的定位方法两大类，基于信道衰减模型的定位方法往往需要提前设置与环境有关的信道超参数，将信道信息转化为距离进而利用三边定位等算法进行位置估计，定位误差较大，而基于指纹数据库的定位方法不需要提前知道信道衰减模型，能够利用提取的特征与指纹数据库中数据的匹配度得到估计位置，鲁棒性更强。
4.采集指纹数据集的质量直接关系到定位精度，采集的指纹数据越少，囊括的参考位置分布越稀疏，定位精度就越低，为了扩充指纹数据库，近年来出现了许多基于生成模型的方法，这些方法主要可分为两种类型：基于变分自编码器(vae,variational autoencoder)和基于生成对抗网络(gan,generative adversarial network)的方法。然而，vae的损失函数包含重构损失和潜在损失两部分，由于需要权衡，因此往往会生成较为模糊的数据，gan由于生成器和判别器间博弈机制的存在，训练难度较大且容易出现模式坍塌(mode collapse)现象，导致生成数据的多样性大大下降。
5.因此，如何在生成多样和高质量的csi数据的同时提高室内定位精度具有重要的应用价值。


技术实现要素：

6.本发明所要解决的技术问题是，如何在生成多样和高质量的csi数据的同时提高室内定位精度。
7.为解决上述技术问题，本发明提供一种csi结合cdpm的室内定位方法，包括离线训练阶段和在线定位阶段；
8.在离线训练阶段中，包括以下步骤：
9.步骤1.提取实际采集的csi采样序列中的振幅数据，利用滑动窗口法对连续的csi振幅数据进行切分，将切分后得到的窗口转换为多通道振幅特征图，形成原始数据集；
10.步骤2.利用步骤1中的原始数据集p训练一个cdpm模型，利用训练后的cdpm模型生
成更多模拟多通道振幅特征图，形成模拟多通道振幅特征图数据集；合并数据集p与模拟多通道振幅特征图数据集得到扩充后多通道振幅特征图数据集
11.步骤3.将步骤2中得到的扩充后多通道振幅特征图数据集输入一个基于残差结构的神经网络回归器r进行训练，回归器的损失函数为均方误差函数，利用梯度下降法不断更新回归器r的网络参数直至收敛；
12.在线定位阶段中，提取采集的csi数据中的振幅数据，利用离线训练阶段中步骤1的方法将csi振幅数据转换为多通道振幅特征图，输入训练好的回归器r中得到待测目标的估计位置。
13.一种csi结合cdpm的室内定位系统，其特征在于，包括离线训练模块和在线定位模块；
14.在离线训练模块中，包括以下功能模块：
15.原始数据集生成模块：提取实际采集的csi采样序列中的振幅数据，利用滑动窗口法对连续的csi振幅数据进行切分，将切分后得到的窗口转换为多通道振幅特征图，形成原始数据集；
16.模拟数据集模块：利用原始数据集生成模块中的原始数据集p训练一个cdpm模型，利用训练后的cdpm模型生成更多模拟多通道振幅特征图，形成模拟多通道振幅特征图数据集；合并数据集p与模拟多通道振幅特征图数据集得到扩充后多通道振幅特征图数据集
17.神经网络训练模块：将模拟数据集模块中得到的扩充后多通道振幅特征图数据集输入一个基于残差结构的神经网络回归器r进行训练，回归器的损失函数为均方误差函数，利用梯度下降法不断更新回归器r的网络参数直至收敛；
18.在线定位模块中，提取采集的csi数据中的振幅数据，利用离线训练模块中原始数据集生成模块的方法将csi振幅数据转换为多通道振幅特征图，输入训练好的神经网络回归器r中得到待测目标的估计位置。
19.本发明达到的有益效果是：利用cdpm模拟多维振幅特征图，节省了采集csi数据时所需人力和时间，仅需采集有限csi数据即可提高定位精度；cdpm相比传统生成模型，不存在对抗训练的问题，训练更容易。本发明利用基于残差结构的神经网络分类器和回归器能够在增加网络深度的同时避免梯度消失和梯度爆炸，防止网络退化，提升网络的拟合能力，提高分类准确度和定位精度。
附图说明
20.图1为本发明的整体系统架构图；
21.图2为cdpm正向和反向过程示意图；
22.图3为cdpm正向过程训练条件噪声预测器示意图；
23.图4为cdpm中条件预测器网络结构；
24.图5为cdpm反向过程示意图；
25.图6为cdpm生成结果示意图。
具体实施方式
26.下面结合附图和实施例，对本发明的技术方案做进一步的详细描述。
27.实施例1
28.如图1所示，本发明的一种csi结合cdpm的室内定位方法，包括离线训练阶段和在线定位阶段；
29.在离线训练阶段中，包括以下步骤：
30.步骤1.提取实际采集的csi采样序列中的振幅数据，利用滑动窗口法对连续的csi振幅数据进行切分，将切分后得到的窗口转换为多通道振幅特征图，形成原始数据集；
31.具体包括以下步骤：
32.假设室内定位采用nd个发送天线，nr个接收天线，ns个子载波，每个参考位置采集m个采样周期，nd个发送天线和nr个接收天线可两两组成(nd×
nr)对天线，提取l个不同参考位置实际采集的csi采样序列中的振幅数据，利用滑动窗口法对连续的csi振幅数据进行切分，滑动窗口的大小设为w个采样周期，滑动步长设为s个采样周期，每个参考位置得到m/s个窗口,每个窗口含有nd×
nr×ns
×
w个振幅值；
33.将切分后得到的振幅窗口转换为多通道振幅特征图，多通道振幅特征图的通道数为(nd×
nr)，多通道振幅特征图的长度为ns，宽度为w，多通道振幅特征图记为其中，中，表示第对发送和接收天线上的子载波对应的w个采样周期的振幅数据；
34.将所有多通道振幅特征图与其对应的参考位置组成原始多通道振幅特征图数据集，记为其中ck表示原始数据集p中第k个多通道振幅特征图，lk为多通道振幅特征图ck对应的参考位置，k为原始数据集p中多通道振幅特征图的总数，数量为m/s
×
l。
35.步骤2.利用步骤1中的原始数据集p训练一个cdpm模型，利用训练后的cdpm模型生成更多模拟多通道振幅特征图，形成模拟多通道振幅特征图数据集；合并数据集p与模拟多通道振幅特征图数据集得到扩充后多通道振幅特征图数据集
36.所述cdpm模型包括正向扩散过程、条件噪声预测器和反向去噪过程；
37.所述正向扩散过程，具体步骤为：
38.取原始数据集p中的某一多通道振幅特征图ck作为输入，在依次进行的t步扩散中不断向多通道振幅特征图ck中添加特定的与多通道振幅特征图ck同维的高斯噪声ε
t
，t＝1,2,
…
,t，得到不同扩散步t下的含噪多通道振幅特征图经t步扩散后，清晰的多通道振幅特征图ck变为各向同性的标准高斯分布噪声，其中，添加高斯噪声ε
t
指将多通道振幅特征图中每个通道的振幅特征图的像素值与高斯噪声ε
t
中对应值相加。
39.在正向扩散过程中，不同扩散步t所加的特定高斯噪声ε
t
是一个与多通道振幅特征图ck同维的符合均值为方差为的高斯分布的矩阵，其中α
t
＝1-β
t
，，，为随着扩散步不断变化的噪声系数，通过α
t
累乘计算获得，β
t
为当前扩散步的高斯分布参数，通过γ
t
和f(t)
计算得到，π为圆周率，cos为三角函数，表示将多通道振幅特征图c每个通道的振幅特征图的每个像素值乘上
40.所述cdpm模型的条件噪声预测器为一神经网络，所述神经网络依次由嵌入变换部分、下采样部分、上采样部分和恢复部分组成；嵌入变换部分包含一个二维卷积层和一个嵌入变换模块，嵌入变换模块包含一个sinusoidal嵌入变换层和一个多层感知机分别用于提取扩散步数和参考位置的特征信息；下采样部分采用4个下采样模块，每个下采样模块包含一个残差模块和一个基于最大池化的下采样层，每个下采样层下采样一倍；上采样部分采用4个上采样模块，每个上采样模块包含一个残差模块和一个基于最近邻插值的上采样层，每个上采样层上采样一倍，且在每个上采样层计算时将当前结果与对应分辨率的下采样信息进行并联；恢复部分包含两个残差模块和一个二维卷积层用于将上采样部分结果的分辨率恢复为输入图像的分辨率。上述残差模块包括两个串联的卷积模块，每个卷积模块包括一个二维卷积层、正则化层和silu激活函数。
41.正向扩散过程对cdpm模型中的条件噪声预测器进行训练，训练步骤为：
42.1)取步骤1中原始数据集p中的一组多通道振幅特征图与其参考位置(ck,lk)和一随机扩散步t输入条件噪声预测器，t为整数集合{1,2,
…
,t}中的一个随机整数；
43.2)利用上述正向扩散过程，计算ck在第t步扩散步下所变为的含有噪声的图像
44.3)利用条件噪声预测器的嵌入变换部分对扩散步t和参考位置lk进行嵌入变换，其中，用空标签φ以20％的概率取代参考位置lk；
45.4)对以下损失函数进行运算，利用梯度下降法更新条件噪声预测器的神经网络参数：
[0046][0047]
式中||||2表示l2范式，ε
t
为与原始多通道振幅特征图ck同维的服从n(0,i)的标准高斯矩阵，为参考位置取空标签时条件噪声预测器对原始多通道振幅特征图ck在正向扩散过程中第t个扩散步的所加噪声的预测值，为参考位置为lk时条件噪声预测器对原始多通道振幅特征图ck在正向扩散过程中第t个扩散步的所加噪声的预测值，为加权预测噪声，由上述两个预测噪声加权计算获得；
[0048]
5)循环1)至4)步，迭代k值，更新神经网络参数，更新后的神经网络参数作为下一次循环时条件噪声预测器的神经网络参数，直到损失函数收敛，条件噪声预测器训练完成。
[0049]
在cdpm模型的反向去噪过程中，去噪步的步数和正向扩散过程中的扩散步相同，反向去噪过程中进行t次去噪，处理顺序和扩散过程的处理顺序相反，即t＝t,t-1,
…
,1，记为一标准高斯噪声矩阵，为迭代去噪至第t步时的含噪特征图，若欲生成参考位置为的多维振幅特征图，则将含噪特征图和参考位置输入反向去噪过程，利用条件噪声预测器预测的噪声对含噪特征图进行迭代去噪，去噪公式为
式中t＝t,t-1,...,1，1,...,1，和β
t
由正向扩散过程得到，z为服从n(0,i)的矩阵，利用上述公式不断对含噪特征图迭代去噪得到不含噪声的对应参考位置为的模拟多通道振幅特征图
[0050]
利用训练后的条件噪声预测器和反向去噪过程生成参考位置为的模拟多维振幅特征图，具体步骤为：
[0051]
1)从标准高斯分布中采样得到与原始多通道振幅特征图ck同维的标准高斯噪声矩阵y；
[0052]
2)重复步骤1)，将大量标准高斯噪声矩阵y和所需生成的参考位置组成的集合记为i表示中标准高斯噪声矩阵个数，yi为集合中第i个标准高斯噪声矩阵；
[0053]
3)利用上述cdpm的反向去噪过程，对标准高斯噪声矩阵yi迭代去噪得到模拟多通道振幅特征图
[0054]
4)重复3)，迭代i，直到集合中所有矩阵都经过去噪得到中所有矩阵都经过去噪得到中所有矩阵都经过去噪得到即为对应参考位置的模拟多通道振幅特征图数据集；
[0055]
5)迭代得到所有参考位置的模拟多通道振幅特征图数据集l表示所有参考位置组成的集合。
[0056]
合并数据集p与模拟多通道振幅特征图数据集得到扩充后多通道振幅特征图数据集
[0057]
步骤3.将步骤2中得到的扩充后多通道振幅特征图数据集输入一个基于残差结构的神经网络回归器r进行训练，回归器的损失函数为均方误差函数，利用梯度下降法不断更新回归器r的网络参数直至收敛。
[0058]
所述回归器r是一个神经网络，包含初始卷积部分、残差部分和全连接部分，初始卷积部分包含一个二维卷积层和最大池化层，残差部分包含四个相连的残差模块，维度分别为64、128、256、512，全连接部分包含一个平均池化层和全连接层，全连接层的输出维度为2。
[0059]
在线定位阶段中，提取采集的csi数据中的振幅数据，利用离线训练阶段中步骤1的方法将csi振幅数据转换为多通道振幅特征图，输入训练好的回归器r中得到待测目标的估计位置。
[0060]
一种csi结合cdpm的室内定位系统，其特征在于，包括离线训练模块和在线定位模块；
[0061]
在离线训练模块中，包括以下功能模块：
[0062]
原始数据集生成模块：提取实际采集的csi采样序列中的振幅数据，利用滑动窗口法对连续的csi振幅数据进行切分，将切分后得到的窗口转换为多通道振幅特征图，形成原
始数据集；
[0063]
模拟数据集模块：利用原始数据集生成模块中的原始数据集p训练一个cdpm模型，利用训练后的cdpm模型生成更多模拟多通道振幅特征图，形成模拟多通道振幅特征图数据集；合并数据集p与模拟多通道振幅特征图数据集得到扩充后多通道振幅特征图数据集
[0064]
神经网络训练模块：将模拟数据集模块中得到的扩充后多通道振幅特征图数据集输入一个基于残差结构的神经网络回归器r进行训练，回归器的损失函数为均方误差函数，利用梯度下降法不断更新回归器r的网络参数直至收敛；
[0065]
在线定位模块中，提取采集的csi数据中的振幅数据，利用离线训练模块中原始数据集生成模块的方法将csi振幅数据转换为多通道振幅特征图，输入训练好的神经网络回归器r中得到待测目标的估计位置。
[0066]
csi结合cdpm的室内定位系统中各功能模块的工作过程与csi结合cdpm的室内定位方法中相同。
[0067]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0068]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0069]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0070]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0071]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

技术特征：
1.一种csi结合cdpm的室内定位方法，其特征在于，包括离线训练阶段和在线定位阶段；在离线训练阶段中，包括以下步骤：步骤1.提取实际采集的csi采样序列中的振幅数据，利用滑动窗口法对连续的csi振幅数据进行切分，将切分后得到的窗口转换为多通道振幅特征图，形成原始数据集；步骤2.利用步骤1中的原始数据集p训练一个cdpm模型，利用训练后的cdpm模型生成更多模拟多通道振幅特征图，形成模拟多通道振幅特征图数据集；合并数据集p与模拟多通道振幅特征图数据集得到扩充后多通道振幅特征图数据集步骤3.将步骤2中得到的扩充后多通道振幅特征图数据集输入一个基于残差结构的神经网络回归器r进行训练，回归器的损失函数为均方误差函数，利用梯度下降法不断更新回归器r的网络参数直至收敛；在线定位阶段中，提取采集的csi数据中的振幅数据，利用离线训练阶段中步骤1的方法将csi振幅数据转换为多通道振幅特征图，输入训练好的回归器r中得到待测目标的估计位置。2.根据权利要求1所述的一种csi结合cdpm的室内定位方法，其特征在于，在步骤1中，具体包括以下步骤：假设室内定位采用n
d
个发送天线，n
r
个接收天线，n
s
个子载波，每个参考位置采集m个采样周期，n
d
个发送天线和n
r
个接收天线可两两组成(n
d
×
n
r
)对天线，提取l个不同参考位置实际采集的csi采样序列中的振幅数据，利用滑动窗口法对连续的csi振幅数据进行切分，滑动窗口的大小设为w个采样周期，滑动步长设为s个采样周期，每个参考位置得到m/s个窗口,每个窗口含有n
d
×
n
r
×
n
s
×
w个振幅值；将切分后得到的振幅窗口转换为多通道振幅特征图，多通道振幅特征图的通道数为(n
d
×
n
r
)，多通道振幅特征图的长度为n
s
，宽度为w，多通道振幅特征图记为其中，其中，表示第对发送和接收天线上的子载波对应的w个采样周期的振幅数据；将所有多通道振幅特征图与其对应的参考位置组成原始多通道振幅特征图数据集，记为其中c
k
表示原始数据集p中第k个多通道振幅特征图，l
k
为多通道振幅特征图c
k
对应的参考位置，k为原始数据集p中多通道振幅特征图的总数，数量为m/s
×
l。3.根据权利要求1所述的一种csi结合cdpm的室内定位方法，其特征在于，在步骤2中，所述cdpm模型包括正向扩散过程、条件噪声预测器和反向去噪过程；所述正向扩散过程，具体步骤为：取原始数据集p中的某一多通道振幅特征图c
k
作为输入，在依次进行的t步扩散中不断向多通道振幅特征图c
k
中添加特定的与多通道振幅特征图c
k
同维的高斯噪声ε
t
，t＝1,2,
…
,t，得到不同扩散步t下的含噪多通道振幅特征图经t步扩散后，清晰的多通道振幅特征图c
k
变为各向同性的标准高斯分布噪声，其中，添加高斯噪声ε
t
指将多通道振幅特征图中每个通道的振幅特征图的像素值与高斯噪声ε
t
中对应值相加。4.根据权利要求3所述的一种csi结合cdpm的室内定位方法，其特征在于：在正向扩散
过程中，不同扩散步t所加的特定高斯噪声ε
t
是一个与多通道振幅特征图c
k
同维的符合均值为方差为1-α
t
的高斯分布的矩阵，其中α
t
＝1-β
t
，，为随着扩散步不断变化的噪声系数，通过α
t
累乘计算获得，β
t
为当前扩散步的高斯分布参数，通过γ
t
和f(t)计算得到，π为圆周率，cos为三角函数，表示将多通道振幅特征图c每个通道的振幅特征图的每个像素值乘上5.根据权利要求4所述的一种csi结合cdpm的室内定位方法，其特征在于，所述cdpm模型的条件噪声预测器为一神经网络，所述神经网络依次由嵌入变换部分、下采样部分、上采样部分和恢复部分组成；嵌入变换部分包含一个二维卷积层和一个嵌入变换模块，嵌入变换模块包含一个sinusoidal嵌入变换层和一个多层感知机分别用于提取扩散步数和参考位置的特征信息；下采样部分采用4个下采样模块，每个下采样模块包含一个残差模块和一个基于最大池化的下采样层，每个下采样层下采样一倍；上采样部分采用4个上采样模块，每个上采样模块包含一个残差模块和一个基于最近邻插值的上采样层，每个上采样层上采样一倍，且在每个上采样层计算时将当前结果与对应分辨率的下采样信息进行并联；恢复部分包含两个残差模块和一个二维卷积层用于将上采样部分结果的分辨率恢复为输入图像的分辨率，所述残差模块包括两个串联的卷积模块，每个卷积模块包括一个二维卷积层、正则化层和silu激活函数。6.根据权利要求4所述的一种csi结合cdpm的室内定位方法，其特征在于，正向扩散过程对cdpm模型中的条件噪声预测器进行训练，训练步骤为：1)取步骤1中原始数据集p中的一组多通道振幅特征图与其参考位置(c
k
,l
k
)和一随机扩散步t输入条件噪声预测器，t为整数集合{1,2,
…
,t}中的一个随机整数；2)利用上述正向扩散过程，计算c
k
在第t步扩散步下所变为的含有噪声的图像3)利用条件噪声预测器的嵌入变换部分对扩散步t和参考位置l
k
进行嵌入变换；4)对以下损失函数进行运算，利用梯度下降法更新条件噪声预测器的神经网络参数：式中2表示l2范式，ε
t
为与原始多通道振幅特征图c
k
同维的服从n(0,i)的标准高斯矩阵，为参考位置取空标签时条件噪声预测器对原始多通道振幅特征图c
k
在正向扩散过程中第t个扩散步的所加噪声的预测值，为参考位置为l
k
时条件噪声预测器对原始多通道振幅特征图c
k
在正向扩散过程中第t个扩散步的所加噪声的预测值，为加权预测噪声，由上述两个预测噪声加权计算获得；5)循环1)至4)步，迭代k值，更新神经网络参数，更新后的神经网络参数作为下一次循环时条件噪声预测器的神经网络参数，直到损失函数收敛，条件噪声预测器训练完成。
7.根据权利要求6所述的一种csi结合cdpm的室内定位方法，其特征在于，在cdpm模型的反向去噪过程中，去噪步的步数和正向扩散过程中的扩散步相同，反向去噪过程中进行t次去噪，处理顺序和扩散过程的处理顺序相反，即t＝t,t-1,
…
,1，记为一标准高斯噪声矩阵，为迭代去噪至第t步时的含噪特征图，若欲生成参考位置为的多维振幅特征图，则将含噪特征图和参考位置输入反向去噪过程，利用条件噪声预测器预测的噪声对含噪特征图进行迭代去噪，去噪公式为式中t＝t,t-1,...,1，和β
t
由正向扩散过程得到，z为服从n(0,i)的矩阵，利用上述公式不断对含噪特征图迭代去噪得到不含噪声的对应参考位置为的模拟多通道振幅特征图8.根据权利要求7所述的一种csi结合cdpm的室内定位方法，其特征在于，利用训练后的条件噪声预测器和反向去噪过程生成参考位置为的模拟多维振幅特征图，具体步骤为：1)从标准高斯分布中采样得到与原始多通道振幅特征图c
k
同维的标准高斯噪声矩阵y；2)重复步骤1)，将标准高斯噪声矩阵y和所需生成的参考位置组成的集合记为i表示中标准高斯噪声矩阵个数，y
i
为集合中第i个标准高斯噪声矩阵；3)利用cdpm的反向去噪过程，对标准高斯噪声矩阵y
i
迭代去噪得到模拟多通道振幅特征图4)重复3)，迭代i，直到集合中所有矩阵都经过去噪得到中所有矩阵都经过去噪得到即为对应参考位置的模拟多通道振幅特征图数据集；5)迭代得到所有参考位置的模拟多通道振幅特征图数据集l表示所有参考位置组成的集合。9.根据权利要求1所述的一种csi结合cdpm的室内定位方法，其特征在于：步骤3中，所述回归器r是一个神经网络，包含初始卷积部分、残差部分和全连接部分，初始卷积部分包含一个二维卷积层和最大池化层，残差部分包含四个相连的残差模块，维度分别为64、128、256、512，全连接部分包含一个平均池化层和全连接层，全连接层的输出维度为2。10.一种csi结合cdpm的室内定位系统，其特征在于，包括离线训练模块和在线定位模块；在离线训练模块中，包括以下功能模块：原始数据集生成模块：提取实际采集的csi采样序列中的振幅数据，利用滑动窗口法对连续的csi振幅数据进行切分，将切分后得到的窗口转换为多通道振幅特征图，形成原始数据集；模拟数据集模块：利用原始数据集生成模块中的原始数据集p训练一个cdpm模型，利用
训练后的cdpm模型生成更多模拟多通道振幅特征图，形成模拟多通道振幅特征图数据集；合并数据集p与模拟多通道振幅特征图数据集得到扩充后多通道振幅特征图数据集神经网络训练模块：将模拟数据集模块中得到的扩充后多通道振幅特征图数据集输入一个基于残差结构的神经网络回归器r进行训练，回归器的损失函数为均方误差函数，利用梯度下降法不断更新回归器r的网络参数直至收敛；在线定位模块中，提取采集的csi数据中的振幅数据，利用离线训练模块中原始数据集生成模块的方法将csi振幅数据转换为多通道振幅特征图，输入训练好的神经网络回归器r中得到待测目标的估计位置。

技术总结
本发明公开了一种CSI结合CDPM的室内定位方法及系统，方法中，首先将实际采集的CSI数据转换成多通道振幅特征图并与其对应参考位置组成原始多通道振幅特征图数据集P，将原始数据集P输入CDPM，通过CDPM的正向扩散过程训练一个条件噪声预测器；利用训练好的条件噪声预测器和CDPM模型的反向去噪过程对符合标准高斯分布的大数据集Q迭代去噪，生成模拟多通道振幅特征图数据集将原始数据集P与模拟数据集合并，训练一个基于残差结构的神经网络回归器，用于室内定位。利用上述CSI数据集扩充方法，仅需采集有限的CSI数据即可提高室内定位精度，大大节省采集CSI数据所需的人力和时间。间。间。


技术研发人员：张登银 郭丁旭 陈小星
受保护的技术使用者：江苏亿通高科技股份有限公司
技术研发日：2023.02.14
技术公布日：2023/8/14