一种目标免携带设备的快速室内路径跟踪方法

文献发布时间：2023-06-19 19:30:30

技术领域

本发明涉及室内目标定位及轨迹跟踪技术，尤其涉及一种基于最小最大非凸惩罚MCP(Minimax Concave Penalty，简称MCP)稀疏约束和感知矩阵列的相关性正则化的目标免携带设备的快速室内路径跟踪技术，具体是一种目标免携带设备的快速室内路径跟踪方法。

背景技术

古往今来，人们的生产生活都与位置息息相关，古代由于科技和生产水平和的限制，对于位置的描述大多靠经验，因此可能会造成“南辕北辙”的现象，近现代随着人造卫星技术的不断成熟，使精确定位成为可能。无线传感技术提供了一种新的智能定位方法，即无设备定位DFL，它利用网络中无线传播信号的变化实现了对目标位置和其它信息的感知。这种技术的主要优点是可以在不携带电子设备的情况下对目标进行定位和跟踪。这种方便的方法已经产生了一些成熟的技术和在各个领域的应用，如基于深度成像的光学传感器和热释电红外。目前几乎所有的DFL技术都使用基于接收信号强度RSS(Receiving SignalStrength，简称RSS)的模式，具有理想的定位精度。然而，由于多径干扰，链路的RSS变化往往变得越来越不可预测。因此，如何在复杂变化的环境中获得准确的位置信息是一个严峻的问题。随着OFDM技术的广泛应用，我们选择使用对环境更适应的信道状态信息CSI(Channel State Information，简称CSI)。

在DFL的研究技术中，现有的工作一般采取提高算法以及模型的性能来增强定位效果，例如，采取不同的建模方式，或者采用不同的稀疏约束来改善算法性能。常见的稀疏编码算法根据稀疏约束的不同分为三类：基于l

因此，在处理相似度较高的定位数据上，开发更有效的稀疏表示算法应用于无设备定位以获得更好的结果是必要的。

发明内容

本发明的目的是针对现有技术的不足，而提供一种目标免携带设备的快速室内路径跟踪方法。这种方法基于稀疏编码模型，计算复杂度低、定位效率高，能实现快速精确目标定位并获取运动轨迹。

实现本发明目的的技术方案是：

一种目标免携带设备的快速室内路径跟踪方法，包括如下步骤：

2)依据稀疏表示模型得到稀疏向量：因为目标个数总是远远小于网络格点的总个数，因此可以采用稀疏编码的方法来求解稀疏向量，设计一个可以进行对定位数据稀疏重构的模型，将测量到的信号强度建模为字典中几个原子(列)的组合，形式为x＝Dz，该模型采用MCP稀疏正则化作为稀疏约束，MCP正则化可以保证系数矩阵的强稀疏性，同时考虑了约束中感知矩阵列的相关性来实现选择不相关变量的策略，引入一种新的正则化；将步骤1)中的测试信号x，带入步骤2)中的新的稀疏表示模型，得到最终的稀疏系数z；

3)依据稀疏系数向量进行定位并获取运动轨迹：因为定位对应于每个离散网格解决公式(1)中的稀疏表示问题，所以我们通常从噪声条件下的多次试验中获得估计结果。根据运动轨迹位置信息的先后顺序，得到的CSI也具有顺序，所预测目标位置即是稀疏向量最大值所对应的标签位置，连续输出标签位置即为目标轨迹估计。

步骤2)中所述的将步骤1)中的测试信号x，带入步骤2)中的新的稀疏表示模型是指将步骤1)所述的测试集中的接收无线电数据作为信号带入步骤2)中的稀疏表示模型，字典为训练集的接收无线电数据，优化稀疏表示问题，即求出满足MCP稀疏约束和感知矩阵列的相关性正则化项的稀疏系数矩阵，构造的稀疏表示公式如公式(1)所示：

上式中，x为测试信号，加性噪声表示为x＝Dz+v，v是加性高斯白噪声，D是字典，z是稀疏系数矩阵，R代表字典列D

R的表达式，如公式(3)所示：

由于非凸MCP稀疏约束项的存在，采用凸函数的差值DC(Difference of Convex，简称DC)规划技术构建DC方程f(z)，即两个凸函数g

min

其中，

DC算法第一步，

DC算法第二步，求解：z

再运用邻近算子技术求解上式，如公式(8)、公式(9)所示：

[Prox(z)]

再优化{z

现有技术中许多定位方法没有考虑定位数据的高相干性，这可能掩盖了一般稀疏正则化对预测结果的影响。这个问题可以通过合并一个新的正则化来解决，该正则化采用变量选择从输入信号集中选择最具代表性的预测子集，实现选择不相关变量的策略，降低了不同接收天线的相干性导致CSI不独立的问题，对于各个场景的定位数据更具普适性，算法表现出很强的泛化能力。作为对常用稀疏约束的改进，本技术方案采用MCP稀疏正则化，MCP属于非凸稀疏正则化,可实现对系数矩阵的强稀疏性约束，并可以获得近乎无偏的估计量，将含有MCP的部分分成两个凸函数，并将整个问题分成一组关于向量的子函数问题，进而，采用DC算法求解MCP稀疏表示用于精确定位的最小化优化公式，得到问题的最优解，此外，MCP惩罚的最小值很容易通过硬阈值获得，与软阈值不同，它不会低估大分量，应用在定位数据上，有利于提取每个稀疏向量的最大值。

本技术方案基于最小最大非凸惩罚MCP稀疏约束和相关性正则化的稀疏编码的目标免携带设备室内路径跟踪方法，该定位方法采用新颖的传感矩阵列的相关性约束来有效应对实际信道状态信息CSI数据的高相关性特征，这不仅克服了因室内环境中大量的相干信号导致的接收信号不独立问题，对于各个场景的定位数据更具普适性，可实现快速精确的室内目标免携带定位，而且使提出的算法避免了过拟合，并识别出信息变量，提供可解释的结果。同时，将MCP作为稀疏约束，以获得强稀疏性和精确估计，使用凸函数的差值DC(Difference of Convex，简称DC)算法和近端梯度法来求解所建立的非凸目标方程。

与现有技术相比，本技术方案优点如下：

1.考虑室内环境存在大量相干信号，导致采集到的CSI数据具有高度和稳定的相关性：考虑了约束中感知矩阵列的相关性来实现选择不相关变量的策略，构建了新的相关性正则化，可以有效地降低相关性对模型的影响，获得稳定准确的定位性能，对于定位数据具有更好的普适性及迁移性；

2.算法采用MCP作为稀疏约束，强化了稀疏性且得到偏差更小的估计值：针对含有MCP稀疏约束的最小化模型，在稀疏编码阶段针对含有稀疏约束的非凸优化问题，在稀疏编码阶段，采用DC规划技术把非凸MCP稀疏约束项转换成两个凸函数之差的形式，并用DC算法求解，最后，用临近算子法高效求解出稀疏系数的解析解，用于实现快速精确的定位。

这种方法基于稀疏编码模型，计算复杂度低、定位效率高，能实现快速精确目标定位并获取运动轨迹。

附图说明

图1为实施例中装置的部署示意图，其中，方框表示网格位置，T表示发射器，R表示接收器，实线表示受影响的无线链路，虚线表示其他潜在链路；

图2为实施例中稀疏编码阶段的工作流程示意图；

图3为实施例的方法流程示意图。

具体实施方式

下面结合附图及实施例对本发明的内容作进一步的阐述，但不是对本发明的限定。

实施例：

如图3所示，一种目标免携带设备的快速室内路径跟踪方法，包括如下步骤：

1)部署室内定位区域获取定位数据并划分数据集：目标位于室内无线传感器网络的假定起始位置，针对目标移动，接收器连续接收不同预定位置的CSI作为可用数据，并将网格位置信息对应取作标签位置，另外收集目标在所有网格位置的CSI，对所有CSI振幅数据进行快速傅里叶变换处理，得到稳定强特征性的数据，再对数据进行划分，得到观测测试信号x和训练集作为字典D，本例中，将室内定位场景划分为N×N即6×6个相同大小的方形网格，选择其中一个位置为测试目标的初始位置，假设目标运动是连续的，采用预定义路径进行试验，其中包括部署区域的4个位置，网格坐标顺序为(1，2)、(3，2)、(4，4)、(5，4)，目标位于一个固定位置时的数据采集方案是发射天线在一个位置发射，6根接收天线连续接收30次，发射天线开始移动，在下一个位置继续发射，依次遍历10个位置后停止接收；

2)依据稀疏表示模型得到稀疏向量：因为目标个数总是远远小于网络格点的总个数，因此可以采用稀疏编码的方法来求解稀疏向量，设计一个可以进行对定位数据稀疏重构的模型，设计一个可以进行对定位数据稀疏重构的模型，将测量到的信号强度建模为字典中几个原子(列)的组合，形式为x＝Dz，该模型采用MCP稀疏正则化作为稀疏约束，MCP正则化可以保证系数矩阵的强稀疏性，同时考虑了约束中感知矩阵列的相关性来实现选择不相关变量的策略，引入一种新的正则化；将步骤1)的测试信号x，带入步骤2)的新的稀疏表示模型，得到最终的稀疏系数z；本例中，数据处理方案是获取第一、第二个、第三个子载波的振幅数据，计算三个振幅数据的平均值，得到一固定目标位置的一组CSI振幅。将数据处理成一个列向量，将所有轨迹位置按列拼接为一个测试矩阵，将36个网格位置的数据处理成一个列向量，按列拼接构成感知字典；

3)依据稀疏系数向量进行定位并获取运动轨迹：因为定位对应于为每个离散网格解决公式(1)中的稀疏表示问题，本例从噪声条件下的多次试验中获得估计结果，根据运动轨迹位置信息的先后顺序，得到的CSI也具有顺序，所预测目标位置即是稀疏向量最大值所对应的标签位置，连续输出标签位置即为目标轨迹估计。

如图2所示，将步骤1)中所述的测试集中的接收无线电数据作为信号带入步骤2)中的稀疏表示模型，字典为训练集的接收无线电数据，优化稀疏表示问题，即求出满足MCP稀疏约束和感知矩阵列的相关性正则化项的稀疏系数矩阵，构造的稀疏表示公式如公式(1)所示：