一种深度学习驱动的基于信道状态信息的用户定位方法

技术领域

本发明涉及无线通信领域，尤其涉及一种深度学习驱动的基于信道状态信息的用户定位方法。

背景技术

随着众多基于定位的服务被广泛应用于现代生活，比如移动导航、轨迹记录、交通调度，对及时准确地用户定位的需求愈发迫切。尽管GPS系统已经可以为用户提供实时的位置信息，但在GPS系统往往会有数米的定位误差，且在复杂的城市环境中会受建筑物遮挡而出现的显著的性能下降。这些不足使得研究者仍然希望继续探索有着更高精度、更适合城市环境的定位方法。

事实上，基于城市环境中密集部署的无线通信系统，同样可以实现实时的用户定位。具体来说，用户与基站之间的无线通信信道中就蕴含着丰富的位置相关特征，这些特征也可以被用于对用户位置进行推断。尤其是在B5G和6G系统中计划部署的多天线技术，使得基站端获得了极高的角度(空间)分辨率，将会大大提升定位的准确度。而且，多天线技术还使得多径传播可以得到有效的分离，有效地解决城市环境的建筑遮挡等GPS技术难以克服的难题。因此，基于多天线CSI的用户定位得到了广泛的关注和研究。

近年来，深度学习方法被广泛应用于CSI定位任务，取得了相比于传统的信号处理方法更好的性能。当前深度学习驱动的CSI定位方法主要是基于卷积神经网络(CNN)或多层感知机(MLP)来学习从CSI到位置的映射。然而，由于CSI本身与图像的特性不完全相同，针对图像性质设计的CNN方法在对CSI进行模式识别时在拟合能力上有欠缺，且鲁棒性较差。另一方面，MLP方法尽管拟合能力和鲁棒性出色，但由于缺乏充分的先验和正则，很容易出现严重的过拟合问题，限制了网络的最终性能。因此，当前的深度学习方法仍然存在着一些瓶颈，使得深度学习技术在当前任务上的潜力不能够得到充分发挥。更为棘手的是，在频分多址(FDMA)模式下，每个用户只会被分配通信系统中若干个子载波进行通信，此时用户的CSI只是通信系统中分配给该用户的若干个子载波上的CSI，而且不同用户的CSI往往来源于不同子载波上的CSI。这些情况使得输入定位神经网络的CSI的维度不再固定，且频域性质变得更加复杂，对定位神经网络提出了适应变长输入的结构需求，并增大了定位神经网络的学习和泛化难度。由于缺乏针对性设计，目前的CNN和MLP方法均不能很好地适应FDMA模式下的定位任务，在FDMA模式下会出现相较于全载波CSI定位较为显著的性能下降。如何设计更有效的深度学习方法来学习从CSI到用户位置的映射这一任务，尤其是在FDMA模式下的CSI到位置映射任务，成为了当前MIMO系统用户定位上的重要问题。

发明内容

本发明的目的是提出一种更高效的基于CSI的用户定位方法，以更好地完成基于CSI的用户定位任务。

本发明所采用的具体技术方案如下：一种深度学习驱动的基于CSI的用户定位方法，包括如下步骤：

S1、基站端收集用户的CSI和对应的用户位置数据，作为神经网络的训练数据；

S2、基站端搭建多频累积定位神经网络，并随机初始化神经网络参数；所述多频累积定位神经网络由一个循环神经网络和一组参数共享的全连接神经网络组成；其中每个全连接神经网络都与循环神经网络中的一个单元对应，并级联于该单元之后；

S3、基站端利用S1收集的CSI和对应的位置信息数据来训练S2中的多频累积定位神经网络，并使用多频定位误差的加权累积作为损失函数，通过梯度下降方法不断训练多频累积定位神经网络的参数直至收敛；

S4、基站端将用户的CSI输入S3中训练完成的多频累积定位神经网络，通过网络计算累积输出，并基于此获得用户位置。

进一步地，S2中搭建多频累积定位神经网络的循环神经网络为LSTM网络，且多频累积定位神经网络的计算流程如下：

将多天线多载波CSI划分为各个子载波上的CSI组成的序列

进一步地，S3所述的使用多频定位误差的加权累积作为损失函数表示为：

其中,Θ

其中，i∈[1,2,...,n]。

进一步地，S4中所述的网络计算输出流程如下：

将用户CSI按照2.b中方式输入训练完成的多频累积定位神经网络，选择输出序列的最后一个元素作为网络推断的用户位置，得到输出序列[x

本发明具有的有益效果是：本发明提出的基于MFCNet的CSI定位方法，可以高精度地完成对用户位置的推断，很好地解决了当前其他基于深度学习的CSI定位方法中因拟合能力不足或过拟合等问题带来的性能限制。同时，MFCNet可以满足变长输入的需求，因此可以被直接部署于FDMA模式中。且本方案的计算复杂度与子载波数N

附图说明

图1是MFCNet的具体结构示意图。

图2是将本发明的基于MFCNet的CSI定位方法与其他常用的基于深度学习的CSI定位方法比较时的平均定位误差图。

图3是将本发明的基于MFCNet的CSI定位方法与其他常用的基于深度学习的CSI定位方法比较时的定位误差的分布图。

图4是将本发明的基于MFCNet的CSI定位方法部署于FDMA模式时，与其他常用的基于深度学习的CSI定位方法比较的平均定位误差图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

实施例1：本实施例中，大规模接入系统的基站安装64根天线，每个用户终端配置1根天线，基站使用有64个子载波的OFDM模式服务用户。

本实施例提供了一种深度学习驱动的基于信道状态信息的用户定位方法，其包括如下步骤：

S1、基站端从历史通信数据中收集40000个CSI数据及对应的用户位置信息，作为神经网络的训练数据；

S2、基站按照图1所示结构搭建多频累积定位神经网络(MFCNet)，并随机初始化神经网络参数；

S2.1、MFCNet的具体网络结构如图1所示如下，MFCNet由一个两层LSTM网络和一组参数共享的三层MLP网络组成。LSTM网络的每个cell中使用sigmoid函数(σ)和Tanh函数来计算权值，用以加权融合相邻cell之间的信息传递。其中每个MLP网络都与LSTM中的一个cell对应，并级联于该cell之后。LSTM网络的隐藏层维度为256；MLP网络的维度维256-256-2，激活函数为LeakyReLu(·)函数。

S2.2、MFCNet的计算流程如下，将多天线多载波CSI划分为各个子载波上的CSI组成的序列

S3、基站利用步骤S1收集的CSI和对应的位置信息数据来训练步骤2)中的神经网络，通过梯度下降方法不断训练MFCNet的参数直至收敛；

S3.1、神经网络的损失函数(Loss)定义如下：

其中,Θ

S3.2、[w

其中，i∈[1,2,...,n]，n＝64。

S3.3、神经网络的训练基于Adam优化器进行。优化器通过对损失函数求导并反向传播至神经网络的每个参数，并在各个参数上进行梯度下降优化直至收敛。学习率设置为0.001，训练500次循环，并且在第200次训练循环后每100个循环学习率衰减为之前的1/5。

S4、将用户CSI按照S2.2中方式输入训练完成的MFCNet，得到输出[x

通过计算机仿真可以看出：如图2所示，本发明所提出的基于MFCNet的CSI定位方案，相较于基于CNN、AD_CNN、MLP的定位方案在Averaged Positioning Error(平均定位误差)上有显著的降低。同时如图3中所示，基于MFCNet的CSI方位方案的CumulativeProbability Drstibution(累积概率分布)在定位误差0.1m左右时便趋于1，因此本方案定位误差都稳定于一个较小的范围内，离群值很少，在实际应用中不会在某些位置上出现严重的定位偏离，能够十分稳定地为用户提供高精度的定位服务。因此，本发明所提出的基于MFCNet的CSI定位方案为MIMO系统提供了一种十分有效的CSI定位方案。

实施例2：本实施例中，大规模接入系统的基站安装64根天线，每个用户终端配置1根天线，基站使用有64个子载波的OFDM模式划分通信频段，并使用频分多址的方式服务通信场景中的多个用户。用户被分配的频址是随机的，可能被12、16、20、24个子载波进行通信。

本实施例提供了一种深度学习驱动的基于信道状态信息的用户定位方法，其包括如下步骤：

S1、基站端从历史通信数据中收集40000个CSI数据及对应的用户位置信息，作为神经网络的训练数据；

S2、基站按照图1所示结构搭建多频累积定位神经网络(MFCNet)，并随机初始化神经网络参数；

S2.1、MFCNet的具体网络结构如下，MFCNet由一个两层LSTM网络和一组参数共享的三层MLP网络组成。其中每个MLP网络都与LSTM中的一个cell对应，并级联于该cell之后。LSTM网络的隐藏层维度为256；MLP网络的维度维256-256-2，激活函数为LeakyReLu(·)函数。

S2.2、MFCNet的计算流程如下，将多天线多载波CSI划分为各个子载波上的CSI组成的序列

S3、基站利用步骤1)收集的CSI和对应的位置信息数据来训练步骤S2中的神经网络，通过梯度下降方法不断训练MFCNet的参数直至收敛；

S3.1、神经网络的损失函数(Loss)定义如下：

其中,Θ

S3.2、[w

其中，i∈[1,2,...,n]，n＝12、16、20、24。

S3.3、神经网络的训练基于Adam优化器进行。优化器通过对损失函数求导并反向传播至神经网络的每个参数，并在各个参数上进行梯度下降优化直至收敛。学习率设置为0.001，训练500次循环，并且在第200次训练循环后每100个循环学习率衰减为之前的1/5。

S4、将用户CSI按照S2.2中方式输入训练完成的MFCNet，得到输出[x

通过计算机仿真可以看出：如图4所示，本发明所提出的基于MFCNet的CSI定位方案，在FDMA模式下，相较于基于CNN、MLP的定位方案在定位精度上都有着显著的提高。因此，本发明所提出的基于MFCNet的CSI定位方案为FDMA模式提供了一种十分有效的CSI定位方案。

以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。