刘帅等：一种基于卷积神经网络的CSI指纹室内定位方法 1515 线阶段，提出的基于CNN的CSI指纹定位系统的 位参考点的总个数，M为在线测试阶段随机选择 结构如图1所示，图中，RP为定位参考点，N为定 的定位参考点 Online RP M RP1 Fingerprint construction Offline RP2 CNN training Coordinates Network model Localization algorithm RPN Am-Ph weighting 图1系统结构 Fig.1 System structure 2.1离线训练 考点的指纹数据进行归一化处理. 离线训练阶段首先需要对定位区域进行参考 由于CNN已被证明具有出色的图像特征提取 点的选取，参考点尽量均匀分布且覆盖整个待定 能力，因此本文采用CNN并将CSI的幅度差信息 位区域.分别为每个参考点收集CSI数据并按照 和相位差信息联合应用构建为类似于“RGB”三通 第2节的处理方法进行指纹构建，同时为了加速 道的图片格式进行训练，所采用的CNN网络结构 CNN的训练速度、提高训练的准确度，将每个参 如图2所示 30×30×16 30×30×16 15×15×32 15×15×32 30×30×3 Conv-2D Input Conv-2D Conv-2D Conv-2D FC layer FC layer Flatten 512 1024 7200 图2CNN网络结构 Fig.2 CNN network structure CNN网络由输入层、4个2维卷积层、2个全 通过最后一个卷积核为32的卷积层，padding同样 连接(Fully connected,FC)层和输出层构成，同时为 选择“same”;最后将数据展开并通过两个全连接 每个卷积层和全连接层都进行BatchNormalization 层，以Softmax概率的形式输出，输出神经元的个 加速误差收敛.神经网络的输入为30×30×3的指 数等于参考点的个数Np每层网络的具体参数如 纹数据，首先通过前两个卷积核为16的卷积层， 表1所示，表中参数Conv2D表示所采用的卷积类 由于所构建的指纹维度为30，同图像处理领域相 型为2维卷积，∫表示卷积核的维度，s表示卷积运 比，维度相对较小.因此前两层为了充分提取指纹 算的步长，K表示神经元个数，m表示训练数据的 特征，padding选择“same”,即保证卷积层输人输 个数. 出数据维度相同：然后数据通过第三个卷积核为 通过离线训练，当误差下降到几乎不变时， 32的卷积层时，为了压缩输出数据的维度，padding 停止训练并保存CNN的网络模型，用于在线 选择“valid”,此时数据流的维度变为l5;接着数据 测试线阶段，提出的基于 CNN 的 CSI 指纹定位系统的 结构如图 1 所示，图中，RP 为定位参考点，N 为定 位参考点的总个数，M 为在线测试阶段随机选择 的定位参考点. RP 1... RP 2 RP N Fingerprint construction CNN training Network model Online RP M Am-Ph weighting Localization algorithm Offline Coordinates 图 1    系统结构 Fig.1    System structure 2.1    离线训练 离线训练阶段首先需要对定位区域进行参考 点的选取，参考点尽量均匀分布且覆盖整个待定 位区域. 分别为每个参考点收集 CSI 数据并按照 第 2 节的处理方法进行指纹构建，同时为了加速 CNN 的训练速度、提高训练的准确度，将每个参 考点的指纹数据进行归一化处理. 由于 CNN 已被证明具有出色的图像特征提取 能力，因此本文采用 CNN 并将 CSI 的幅度差信息 和相位差信息联合应用构建为类似于“RGB”三通 道的图片格式进行训练，所采用的 CNN 网络结构 如图 2 所示. Input 1024 7200 512 Nrp 30×30×3 30×30×16 ... ... ... ... Conv-2D 30×30×16 Conv-2D 15×15×32 Conv-2D 15×15×32 Conv-2D Output FC layer FC layer Flatten 图 2    CNN 网络结构 Fig.2    CNN network structure CNN 网络由输入层、4 个 2 维卷积层、2 个全 连接（Fully connected, FC）层和输出层构成，同时为 每个卷积层和全连接层都进行 BatchNormalization 加速误差收敛. 神经网络的输入为 30×30×3 的指 纹数据，首先通过前两个卷积核为 16 的卷积层， 由于所构建的指纹维度为 30，同图像处理领域相 比，维度相对较小. 因此前两层为了充分提取指纹 特征，padding 选择“same”，即保证卷积层输入输 出数据维度相同；然后数据通过第三个卷积核为 32 的卷积层时，为了压缩输出数据的维度，padding 选择“valid”，此时数据流的维度变为 15；接着数据 通过最后一个卷积核为 32 的卷积层，padding 同样 选择“same”；最后将数据展开并通过两个全连接 层，以 Softmax 概率的形式输出，输出神经元的个 数等于参考点的个数 Nrp. 每层网络的具体参数如 表 1 所示，表中参数 Conv 2D 表示所采用的卷积类 型为 2 维卷积，f s 表示卷积核的维度，s 表示卷积运 算的步长，K 表示神经元个数，m 表示训练数据的 个数. 通过离线训练，当误差下降到几乎不变时， 停止训练并保 存 CNN 的网络模型 ，用于在线 测试. 刘    帅等： 一种基于卷积神经网络的 CSI 指纹室内定位方法 · 1515 ·