Centimeter-Level Indoor Localization using Channel State Information with Recurrent Neural Networks
本论文是基于RNN网络的CSI实现厘米级的室内定位。
摘要：
物联网技术和自动驾驶的现代技术对定位的要求越来越高。经典的定位技术主要适用于室外和场景，但是不能满足室内多路径案例的要求。同时信道状态信息（Channel State Infomation, CSI）作为一种对噪音和时间变换具有鲁棒性的特征。与接收强度指示器（RSSI）相比，具有更加准确的优点。为此，本文提出利用线性天线采集的实际CSI数据，利用神经网络方法估计厘米级室内定位。它利用信道响应的幅值或者相关矩阵作为输入，可以极大的减少数据量，抑制噪声。通过递归神经网络(RNN)和信噪比(SNR)信息，利用用户运动轨迹的一致性，进一步提高估计精度，特别是在小数据学习中。这些贡献有利于神经网络的效率，基于其他经典监督学习方法的结果。
室内定位的两个主要问题是：特征抽取和指纹匹配方法。 CSI对噪声和时变具有鲁棒性，它最近成为一种广泛的技术。
在指纹匹配方面，以往的工作使用K-nearest neighbors 和support-vector machine,这些方法存在过拟合问题，Random forest[随机森林]，但是这种方法在输入是可能丢失中的信息与神经网络相比不够精确。
本文使用一个8*2的天线阵列，OFDM的传输链路是20Mhz的带宽使用1.25Ghz的载波频率有1024个子载波。采集的数据集包括信道响应、相关的位置地面真值信息和信噪比信息。采集的信道响应（channel response）维度是Ndat$\times\(16\)\times\(924；Ndat是测量点的数量，16是天线的数量，924是使用的子载波的数量。信噪比（SNR）的大小是Ndat\)\times$16. Ndat的位置是[x,y,z]但是z是一个常数。
特征提取：
子载波采样和平滑
协方差矩阵（用于估计到达的方向角）：协方差矩阵在同一位置，方阵中的点表示矩阵的对角线
协方差矩阵\(Z_{M \times M}\),接收信号的自积是\(Y_{M \times T}\), \(Z=Y\times Y^H\),M 是天线胡亮，T表示时间步.
基于原理\(Y=H(\mathbf{AS})\)+\(n\)=\(\mathbf{A}H(\mathbf{S})\)+\(n\),\(\mathbf{A}_{M \times K}\)是K目标数量的方向角，\(H(\bullet)\) 是信道模型，\(\mathbf{S}_{K \times T}\)数字信号，n表示白噪声。
\(H(\mathbf{S})\)是 应该CSI的反向傅里转换。
网络流程图：
首先根据需要提取的特征，先将复振幅转换为实振幅，再通过多项式回归对数据进行平滑处理，再对较小的数据集进行降采样。
估计方法的共同原理是指纹匹配方法，这种系统的的基本原理是一对一的映射。本论文中使用CSI估计和协方差矩阵（CM）两种进行估计。协方差矩阵的对角线的值不同表示所有天线的功率是不一样的，一个标签必须与一个独特的特征相关联，即指纹，所以当一个新的特征出现时，我们可以通过参考这些具有最相似特征的邻居来估计标签。
定位估计方法：这里提出了random forest ，XGB, the DNN和RNN 4中方法。
根据给网络结构图：该论文结合的是将基于集成的神经网络应用于DNN和RNN，使用两种神经网络分别估计，基于决策的方法本身具有集成技术。
防止的过拟合方法：Early-stop：提前结束就是从训练集中截取一个验证数据集，用验证数据集对验证每一个epoch的错误率，当神经网络过拟合时，验证错误将从训练错误偏离并且升高，提前结束激活并停止训练。
Dropout也可以解决过拟合问题：为什么说可以解决过拟合的原因（1）取平均值的作用 （2）减少神经元之间复杂的供适应关系（3）Droupout类死于性别在生物进化过程中的角色。
该论文的性能评估：
5层的DNN网络结构，优化函数使用adam，损失函数使用均方差。RNN中的lstm的神经单元使用128个。将RNN和DNN进行集成基于中值作为最后的估计。
探究了小数据集的学习：
在Full CSI 、small CSI, Full CM 、small CM的比较发现的使用整个数据得到的错误率较低。
数据集：https://github.com/yujianyuanhaha/Positioning （好像已经不存在了）
基础知识补充：
CSI就是通信链路的信道属性。它描述了信号每条传输路径上的衰弱因子，即信道状态矩阵中的每一个元素。（包括信号散射，环境衰弱，距离衰减等。）
常见的两个信号指标：信道频率响应(CFR)和信道脉冲响应(CIR).
信道频率响应：信号在不同频率范围内，信号特性的响应，一般包括幅值/频率和相位/频率两种。
信号脉冲响应：信号经过不同时间(不同的传播路径导致传播所需的时间不同)到达接收方的信号能量值。CIR和CFR可以通过傅里叶变换。
信道冲击响应的公式：
\[h(\tau)=\sum_{i=1}^{N}a_{i}e^{-j\theta_{i}}\delta(\tau -\tau_{i}) \]\(a_{i}\)表示第i条路经的幅值衰减，\(\theta_{i}\)表示第i条路径的相位偏移，\(\tau_{i}\)表示时间延迟
信道频率响应的公式：
\[H(k)=||H(k)||e^{j \ang H(k)} \]\(H(k）\)表示信道状态信息的CSI。
\(||H(k)||\)第k个子载波的幅值。
$ \ang H(k)$第k个子载波的相位。
标签：定位,CSI,RNN,室内,矩阵,times,信道,mathbf From： https://www.cnblogs.com/my-recode/p/12312405.html