[发明专利]一种基于深度学习的毫米波室内定位方法

权利要求书

1.一种基于深度学习的毫米波室内定位方法，其特征在于，包括以下步骤：

S1：离线收集采样点的真实位置坐标和来自多个无线接入点AP的接收信号，获取训练数据集；

S2：对训练数据集进行预处理，得到预处理后的训练数据集；

S3：将预处理后的接收信号作为深度神经网络DNN模型的输入，真实位置坐标为DNN模型的目标输出，对DNN模型进行离线训练；

S4：在线实时采集接收信号，进行数据预处理后输入训练完成的DNN模型中，输出实时的位置坐标，完成毫米波的室内定位。

2.根据权利要求1所述的一种基于深度学习的毫米波室内定位方法，其特征在于，所述步骤S1具体为：

在需要定位的室内区域部署N个AP，这些AP通过时分复用或频分复用的方式进行工作，通过接收时间或频率不同区分不同AP发出的信号；

在毫米波接收机所在平面上均匀地选取采样点，得到采样点的真实位置坐标；通过采样点收集来自各个AP的接收信号，完成训练数据集的获取。

3.根据权利要求2所述的一种基于深度学习的毫米波室内定位方法，其特征在于，所述步骤S2具体为：对来自各个AP的接收信号进行拆分实部虚部处理和归一化处理，在第i个采样点上，收集在该位置上接收到的来自于不同AP的经过归一化和拆分实部虚部处理的信号(Y_i,1,Y_i,2,Λ,Y_i,N)以及该采样点位置(m_i,n_i)，对所有采样点都进行该采集操作，得到预处理后的训练数据集。

4.根据权利要求3所述的一种基于深度学习的毫米波室内定位方法，其特征在于，所述步骤S3具体为：将采集到的接收信号表示为X，X＝[x₁,x₂,...,x_k]作为DNN模型的输入，则DNN模型全连接层的输出为：

h_W,b(X)＝W^TX+b

其中，W和b分别为DNN模型的权值参数和阈值参数；所述DNN模型训练目标是最小化损失函数，即真实位置坐标和估计位置坐标之间的平均和误差MSE函数最小化，具体计算公式为：

其中，J为训练样本，第i个训练样本的定位误差为DNN模型的输出，即DNN估计的第i个训练样本的位置坐标，(m_i,n_i)为期望的DNN模型的输出，即真实的第i个训练样本的位置坐标；

DNN模型的训练采用反向误差传播算法，在反向误差传播算法中，对于每一个训练样本，先随机初始化权值和阈值参数，然后将归一化后的来自多个AP的接收信号提供给输入层神经元，并一层一层将信号向前传递，直到输出层产生输出值即DNN模型估计的位置坐标；再计算输出值和真实的位置坐标之间的误差，而后将误差逆向传播到隐藏层的神经元，最终根据隐藏层神经元计算得来的误差来调整权值和阈值参数；反向误差传播算法不断地迭代循环执行上述步骤，直到达到训练停止的条件，完成DNN模型的训练。

5.根据权利要求4所述的一种基于深度学习的毫米波室内定位方法，其特征在于，所述的DNN模型的隐藏层由五个模块连接而成；第一、第二、第三模块均有一个全连接层和激活函数组成，而第四、第五模块仅由一个全连接层，不使用任何激活函数。

6.根据权利要求5所述的一种基于深度学习的毫米波室内定位方法，其特征在于，所述步骤S4具体为：在待定位点处，收集部署各个AP经过FFT处理的接收信号并进行拆分实部虚部处理、归一化处理，将处理后的接收信号输入训练完成的DNN模型中，实时输出待定位点的位置坐标。