• 中文核心期刊要目总览
  • 中国科技核心期刊
  • 中国科学引文数据库(CSCD)
  • 中国科技论文与引文数据库(CSTPCD)
  • 中国学术期刊文摘数据库(CSAD)
  • 中国学术期刊(网络版)(CNKI)
  • 中文科技期刊数据库
  • 万方数据知识服务平台
  • 中国超星期刊域出版平台
  • 国家科技学术期刊开放平台
  • 荷兰文摘与引文数据库(SCOPUS)
  • 日本科学技术振兴机构数据库(JST)

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

微信公众号

基于神经网络的室内单站精确被动定位技术研究

张倩倩 尹成友 李安琪

张倩倩,尹成友,李安琪. 基于神经网络的室内单站精确被动定位技术研究[J]. 电波科学学报,xxxx,x(x): x-xx. DOI: 10.12265/j.cjors.2021164
引用本文: 张倩倩,尹成友,李安琪. 基于神经网络的室内单站精确被动定位技术研究[J]. 电波科学学报,xxxx,x(x): x-xx. DOI: 10.12265/j.cjors.2021164
ZHANG Q Q, YIN C Y, LI A Q. Research on indoor single-station precise passive positioning technology based on neural network[J]. Chinese journal of radio science,xxxx,x(x): x-xx. (in Chinese). DOI: 10.12265/j.cjors.2021164
Citation: ZHANG Q Q, YIN C Y, LI A Q. Research on indoor single-station precise passive positioning technology based on neural network[J]. Chinese journal of radio science,xxxx,x(x): x-xx. (in Chinese). DOI: 10.12265/j.cjors.2021164

基于神经网络的室内单站精确被动定位技术研究

doi: 10.12265/j.cjors.2021164
详细信息
    作者简介:

    张倩倩:(1998—),女,江苏人,国防科技大学电子对抗学院硕博连读研究生,主要研究方向为天线与电波传播

    尹成友:(1964—),男,安徽人,教授,博士,博士生导师,研究方向为电磁场数值计算、电磁辐射与散射、数据融合等

    李安琪:(1997—)女,江苏人,国防科技大学电子对抗学院硕士研究生,研究方向为天线与电波传播

    通讯作者:

    尹成友 E-mail: cyouyin@sina.com

  • 中图分类号: TP183;TN02

Research on indoor single-station precise passive positioning technology based on neural network

  • 摘要: 为了提高室内环境下对目标的定位精度,提出一种室内单站精确定位技术. 该技术利用室内电波传播多径效应构成的复杂信道信息,基于机器学习,构建卷积神经网络架构,通过卷积提取不同位置目标到达接收传感器的多径时延特征信息;然后通过多层全连接层深度神经网络的模型训练,将基于复杂信道的定位问题转化为回归模型的问题,建立信道指纹与位置之间的非线性关系来完成被动定位. 训练和仿真结果表明,在室内复杂电波传播环境下,基于神经网络的室内单站精确定位技术能够实现单接收站情况下对目标的精确定位. 本文主要对3$ \times $3网格大小的金属散射体进行定位,接收站位于室内时,平均定位误差为0.621个网格(12.42 cm);接收站位于室外时,能够分别实现信噪比20 dB、30 dB、40 dB情况下44.09 cm、21.42 cm、20.96 cm的平均定位误差. 本文方法为室内复杂环境下的目标定位提供了一种新的定位方法.
  • 图  1  室内环境示意图

    Fig.  1  Schematic diagram of indoor environment

    图  2  发射信号和接收信号示意图

    Fig.  2  Schematic diagram of transmitted and received signals

    图  3  房间模型参数设置

    Fig.  3  Setting of room model parameter

    图  4  室内场强分布

    Fig.  4  Distribution of indoor electrical field

    图  5  接收信号与不同卷积核的卷积结果.

    Fig.  5  Convolution results of received signals with different convolution kernels

    图  6  神经网络结构

    Fig.  6  Structure of neural network

    图  7  神经网络训练流程

    Fig.  7  The process of neural network training

    图  8  训练和测试均方误差曲线(室内单接收站)

    Fig.  8  Training loss curve and test loss curve (single receiving station inside)

    图  9  训练和测试均方误差曲线(室外单接收站).

    Fig.  9  Training loss curve and test loss curve (single receiving station outside).

    图  10  对任意目标位置的定位分布图

    Fig.  10  The location distribution of targets at any position

    图  11  室内场景示意图(有金属柜)

    Fig.  11  Setting of room model parameter with a metal cabinet

    表  1  两种神经网络的测试结果

    Tab.  1  Results of the two neural networks

    神经网络K训练
    均方
    误差
    测试
    均方
    误差
    平均测试距离误差
    误差/网格误差/cm
    CNN2030.0460.3590.62112.42
    Dense2030.90112.2833.87377.46
    16370.0080.0700.2855.70
    下载: 导出CSV

    表  2  不同信噪比下的测试结果

    Tab.  2  Results of different SNRs

    信噪比/dB训练均方误差测试均方误差平均测试距离误差
    误差/网格误差/cm
    201.224.9942.20444.09
    300.3271.1421.07121.42
    400.2750.9991.04820.96
    下载: 导出CSV
  • [1] SEGURA M, CHEEIN F A, TOIBERO J, et al. Ultra Wide-band localization and SLAM: a comparative study for mobile robot navigation[J]. Sensors,2011,11(2):2035-2055.
    [2] CHE F, AHMED A, AHMED Q Z, et al. Machine learning based approach for indoor localization using ultra-wide bandwidth (UWB) system for industrial internet of things (IIoT). [C]// The 5th International Conference on the UK-China emerging technologies (UCET), 2020. DOI: 10.1109/UCET51115.2020.9205352
    [3] HOEFER W J R. Computational time reversal: a frontier in electromagnetic structure synthesis and design[J]. IEEE transactions on microwave theory techniques,2015,63(1):3-10.
    [4] HOEFER W J R. Superresolution imaging by computational time reversal in scattering media[C]// IEEE International Symposium on Antennas and Propagation & USNC/URSI National Radio Science Meeting. Vancouver: IEEE, 19-24 July, 2015.
    [5] 刘召伟, 徐凤燕, 王宗欣. 基于参数拟合的室内多用户定位算法[J]. 电波科学学报,2008,23(6):1090-1105.

    LIU Z W, XU F Y, WANG Z X. A new multi-user indoor location algorithm based on difference distance-loss model with parameter fitting[J]. Chinese journal of radio science,2008,23(6):1090-1105. (in Chinese)
    [6] 李若南, 李金宝. 一种无源被动室内区域定位方法的研究[J]. 计算机研究与发展,2020,57(7):1381-1392.

    LI R N, LI J B. Research on a device-free passive indoor regional localization method[J]. Journal of computer research and development,2020,57(7):1381-1392. (in Chinese)
    [7] WU K, XIAO J, YI Y, et al. CSI-based indoor localization[J]. IEEE transactions on parallel and distributed systems,2013,24(7):1300-1309.
    [8] XIAO J, WU K, YI Y, et al. FIFS: fine-grained indoor fingerprinting system[C]// The 21st International Conference on Computer Communications and Networks (ICCCN). Munich: IEEE, 30 July-2 August, 2012.
    [9] WU K, XIAO J, YI Y, et al. FILA: Fine-grained indoor localization[C]// Proceedings IEEE INFOCOM. Orlando, March 25-30, 2012.
    [10] WANG X, GAO L, MAO S. CSI Phase fingerprinting for indoor localization with a deep learning approach[J]. IEEE internet of things journal,2016,3(6):1113-1123.
    [11] WANG X, GAO L, MAO S, et al. CSI-based fingerprinting for indoor localization: a deep learning approach[J]. IEEE transactions on vehicular technology,2017,66(5):763-776.
    [12] ZHANG H Y, TONG G X, XIONG N X. Fine-grained CSI fingerprinting for indoor localisation using convolutional neural network[J]. IET communications,2020,14(18):3266-3275.
    [13] 葛德彪, 闫玉波. 电磁波时域有限差分方法[M]. 西安: 西安电子科技大学出版社, 2011: 10.
  • 加载中
图(11) / 表(2)
计量
  • 文章访问数:  219
  • HTML全文浏览量:  46
  • PDF下载量:  15
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-06-15
  • 网络出版日期:  2021-09-23

目录

    /

    返回文章
    返回