刘帅等：一种基于卷积神经网络的C$I指纹室内定位方法 1517 P=mean(Xui)=(P1,P2,…,PxNp） (17) 3实验分析 其中，mean()为取列均值计算.则估计的位置坐 分别在两个代表性的场景种进行实验，两个 标如下式所示： 场景分别为空旷的廊厅和放置了若干计算机以及 Nrp L(x.y)=>L(x.y);Pi (18) 隔断书桌的实验室，分别可以视为视距(Line of sight,.LOS)与非视距(Non line of sight,NLOS)区 其中，L(,y)为估计坐标，(x,y):为每个参考点的真 域，相邻参考点之间的距离均为1.2m,如图4、图5 实坐标，P,为每个参考点所对应的概率 所示 (b) 0 10.2m 图4廊厅场景.(a)实景图：(b)简化图 Fig.4 Corridor:(a)real scenario;(b)simplified scenario (a (b) ● 6.5m 图5实验室场景.(a)实景图：(b)简化图 Fig.5 Laboratory:(a)real scenario;(b)simplified scenario 采用monitor模式接收Wi-FiAP无线信道数 为了比较采用幅度信息和幅度差信息的定位 据，用两台配备了Intel5300网卡的笔记本电脑分 性能，在两个实验场景下分别采用幅度与幅度差 别作为发射端和接收端，选择165号信道，即5GHz 作为指纹，其他参数均相同，利用神经网络进行训 频段，信道带宽为20MHz,接收包间隔时间为1ms. 练，得到的平均定位误差如图6所示，其中Am表 对于每个参考位置，在该位置的附近分别接收 示幅度，Am Diff表示幅度差.由图可知，采用幅度 10次数据，每次数据收集9000个数据包，选择其 差信息代替幅度信息作为指纹，可以降低定位误 中的5次数据作为训练数据，另外5次作为测试数 差，这是因为利用相邻子载波之间幅度的差值，可 据.训练数据采用所有数据包，测试时由于不同方 以降低幅度信息的浮动程度，从而加速神经网络 法指纹构成的不同，无法保证使用相同的数据包， 的收敛速度，提高神经网络的学习能力 但可以选择采用相同个数的测试数据，本文选择 实验2：神经网络收敛性比较 40个测试数据.为了验证所提出方法的性能，将 采用GPU为NVIDIA96Om的笔记本电脑以 文献[15]和文献[1刀的指纹定位方法分别用相同 及Keras框架，分别利用在两个实验场景所采集构 的训练数据和测试数据进行比较，从而保证实验 建的指纹进行神经网络的训练，两个实验场景的 结果的公平性 训练误差如图7所示 实验1：幅度差定位性能比较 图7中，epoch为神经网络迭代的次数，loss为P = mean(Xout) = ( P1,P2,··· ,PNrp ) （17） 其中，mean(·) 为取列均值计算. 则估计的位置坐 标如下式所示： Lˆ (x, y) = ∑ Nrp i=1 L(x, y) iPi （18） Lˆ (x, y) L(x, y) 其中， 为估计坐标， i 为每个参考点的真 实坐标，Pi 为每个参考点所对应的概率. 3    实验分析 分别在两个代表性的场景种进行实验，两个 场景分别为空旷的廊厅和放置了若干计算机以及 隔断书桌的实验室，分别可以视为视距（Line of sight, LOS）与非视距（ Non line of sight, NLOS）区 域，相邻参考点之间的距离均为 1.2 m，如图 4、图 5 所示. AP RP (a) (b) 5.4 m 10.2 m 图 4    廊厅场景. （a）实景图；（b）简化图 Fig.4    Corridor: (a) real scenario; (b) simplified scenario 5.0 m (a) (b) 6.5 m 图 5    实验室场景. （a）实景图；（b）简化图 Fig.5    Laboratory: (a) real scenario; (b) simplified scenario 采用 monitor 模式接收 Wi-Fi AP 无线信道数 据，用两台配备了 Intel 5300 网卡的笔记本电脑分 别作为发射端和接收端，选择 165 号信道，即 5 GHz 频段，信道带宽为 20 MHz，接收包间隔时间为 1 ms. 对于每个参考位置 ，在该位置的附近分别接收 10 次数据，每次数据收集 9000 个数据包，选择其 中的 5 次数据作为训练数据，另外 5 次作为测试数 据. 训练数据采用所有数据包，测试时由于不同方 法指纹构成的不同，无法保证使用相同的数据包， 但可以选择采用相同个数的测试数据，本文选择 40 个测试数据. 为了验证所提出方法的性能，将 文献 [15] 和文献 [17] 的指纹定位方法分别用相同 的训练数据和测试数据进行比较，从而保证实验 结果的公平性. 实验 1：幅度差定位性能比较. 为了比较采用幅度信息和幅度差信息的定位 性能，在两个实验场景下分别采用幅度与幅度差 作为指纹，其他参数均相同，利用神经网络进行训 练，得到的平均定位误差如图 6 所示，其中 Am 表 示幅度，Am Diff 表示幅度差. 由图可知，采用幅度 差信息代替幅度信息作为指纹，可以降低定位误 差，这是因为利用相邻子载波之间幅度的差值，可 以降低幅度信息的浮动程度，从而加速神经网络 的收敛速度，提高神经网络的学习能力. 实验 2：神经网络收敛性比较. 采用 GPU 为 NVIDIA 960m 的笔记本电脑以 及 Keras 框架，分别利用在两个实验场景所采集构 建的指纹进行神经网络的训练，两个实验场景的 训练误差如图 7 所示. 图 7 中，epoch 为神经网络迭代的次数，loss 为 刘    帅等： 一种基于卷积神经网络的 CSI 指纹室内定位方法 · 1517 ·