刘帅等：一种基于卷积神经网络的CSI指纹室内定位方法 ·1519. 的速度是可调的，因此可以在短时内在参考点附 位的混合指纹，可以将权重a设为0.2~0.3，能够 近采样两次CSL,从而增加数据的多样性，即 达到较好的定位效果 CNNFi combine,AP=l、2分别表示采用单AP、双 1.0 AP进行室内定位 2 Corridor Laboratory 由表2和图8可知，在廊厅区域，CNNFi在 0 combine模式下可以达到0.2473m和0.5755m的 01 平均误差和标准差，均优于其他定位方法，且定位 执行时间在相同的测试数据个数下要优于CFi, 0 这是因为CNNFi兼顾了定位精度与测试时间，采 0 0.3 用每30个接收数据包构成一个训练数据，而 CFi采用了60个数据包构成一个训练数据.本文 0.1 采用的方法在single模式下，大约80%的测试点 0 0 0.10.20.30.4 0.5 的平均误差在Im之内，定位性能要优于DeepFi和 Weight CiFi.当采用combine模式时，大约95%的测试点 图10不同权重的平均误差 的平均误差在1m之内，定位性能相比于single模 Fig.10 Mean error at different weights 式要更加出色 14 Corridor 由表3和图9可知，在实验室区域，存在严重 Laboratory 的多径效应，为了进一步提升实验室场景下的定 位性能，考虑到如今室内通常配置了多个Wi-Fi接 入点，因此在上述定位方法的基础上，采用双AP 联合定位，即提取两个AP的CSI幅度差与相位差 06 共同作为每个参考点的指纹进行训练.CNNFi在 月0.4 combine模式、双AP下可以达到0.4806m和0.8566m 02 的平均误差和标准差，同样优于其他定位方法.由 于双AP下测试数据相较于单AP要增加一倍，所 0.1 02 0.30.4 0.5 Weight 以CNNFi在定位时间上稍有增加，但也仅约为 图11不同权重的标准差 0.5s,即采用双AP是能够在保证定位实时性的前 Fig.11 Standard deviation at different weights 提下实现高精度的.CNNFi在single模式、单AP 下，大约70%的测试点的平均误差在2m之内，在 实验5：不同R值的定位性能 combine模式时，大约85%的测试点的平均误差 R值即为神经网络训练数据的个数，分别将 在2m之内.采用双AP后，约85%的参考点平均 R值设为300、200、100和50，对神经网络进行训 误差在1m以内，定位性能显著提升 练，采用相同的测试数据进行定位测试，得到的定 实验4：不同权重a的定位性能 位误差如图12所示.如图可知，两种场景下采用 为了验证2.2节中的思想，令α作为幅度差信 R=300的定位效果最优，虽然增加R值会增加在线 息所占权重，1-a为相位差信息所占权重，将权重 训练时间，但一方面本文所采用的神经网络结构 a分别设置为[0,0.1,0.2,0.3,0.4,0.5]，进行定位性 较为简单，可以适当降低训练时间：一方面，离线 能的比较，其中实验室采用的是单AP情况下的平 训练时间并不影响实时定位效果，因此本文选择 均误差.不同权重所对应的平均误差与标准差如 R=300进行实验 图10~11所示.可以发现，廊厅场景下，由于近似 实验6：不同幅度相位差的定位性能 于LOS场景，因此随着权重a的增加，定位误差逐 为了比较幅度相位差个数对平均误差的影 渐下降，当权重a=0.2时，平均误差同其他权重相 响，分别给出了两个实验场景下不同幅度相位差 差较小，而标准差最小.实验室场景下，由于存在 个数的平均误差，其中廊厅为单AP,实验室为双 严重的多径效应，当权重02时，误差和标准差 AP,如图13所示，Am-Ph Diff表示幅度相位差.由 达到最小值，定位效果最优.从而验证了上文中的 图可知，在两种实验场景下，采用3个幅度相位差 思想.在此基础上，后面的研究中，对于幅度与相 所达到的定位效果最优，增加训练数据虽然增加的速度是可调的，因此可以在短时内在参考点附 近采样两 次 CSI，从而增加数据的多样性 ， 即 CNNFi combine，AP=1、2 分别表示采用单 AP、双 AP 进行室内定位. 由 表 2 和 图 8 可知 ，在廊厅区域 ， CNNFi 在 combine 模式下可以达到 0.2473 m 和 0.5755 m 的 平均误差和标准差，均优于其他定位方法，且定位 执行时间在相同的测试数据个数下要优于 CiFi， 这是因为 CNNFi 兼顾了定位精度与测试时间，采 用 每 30 个接收数据包构成一个训练数据 ， 而 CiFi 采用了 60 个数据包构成一个训练数据. 本文 采用的方法在 single 模式下，大约 80% 的测试点 的平均误差在 1 m 之内，定位性能要优于 DeepFi 和 CiFi. 当采用 combine 模式时，大约 95% 的测试点 的平均误差在 1 m 之内，定位性能相比于 single 模 式要更加出色. 由表 3 和图 9 可知，在实验室区域，存在严重 的多径效应，为了进一步提升实验室场景下的定 位性能，考虑到如今室内通常配置了多个 Wi-Fi 接 入点，因此在上述定位方法的基础上，采用双 AP 联合定位，即提取两个 AP 的 CSI 幅度差与相位差 共同作为每个参考点的指纹进行训练. CNNFi 在 combine 模式、双AP 下可以达到0.4806m 和0.8566m 的平均误差和标准差，同样优于其他定位方法. 由 于双 AP 下测试数据相较于单 AP 要增加一倍，所 以 CNNFi 在定位时间上稍有增加，但也仅约为 0.5 s，即采用双 AP 是能够在保证定位实时性的前 提下实现高精度的. CNNFi 在 single 模式、单 AP 下，大约 70% 的测试点的平均误差在 2 m 之内，在 combine 模式时，大约 85% 的测试点的平均误差 在 2 m 之内. 采用双 AP 后，约 85% 的参考点平均 误差在 1 m 以内，定位性能显著提升. 实验 4：不同权重 a 的定位性能. 为了验证 2.2 节中的思想，令 a 作为幅度差信 息所占权重，1−a 为相位差信息所占权重，将权重 a 分别设置为 [0, 0.1, 0.2, 0.3, 0.4, 0.5]，进行定位性 能的比较，其中实验室采用的是单 AP 情况下的平 均误差. 不同权重所对应的平均误差与标准差如 图 10～11 所示. 可以发现，廊厅场景下，由于近似 于 LOS 场景，因此随着权重 a 的增加，定位误差逐 渐下降，当权重 a=0.2 时，平均误差同其他权重相 差较小，而标准差最小. 实验室场景下，由于存在 严重的多径效应，当权重 a=0.2 时，误差和标准差 达到最小值，定位效果最优. 从而验证了上文中的 思想. 在此基础上，后面的研究中，对于幅度与相 位的混合指纹，可以将权重 a 设为 0.2～0.3，能够 达到较好的定位效果. 0 0.1 0.2 0.3 0.4 0.5 Weight 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 Mean error/m Corridor Laboratory 图 10    不同权重的平均误差 Fig.10    Mean error at different weights 0 0.1 0.2 0.3 0.4 0.5 Weight Corridor Laboratory 0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 Standard deviation/m 图 11    不同权重的标准差 Fig.11    Standard deviation at different weights 实验 5：不同 R 值的定位性能. R 值即为神经网络训练数据的个数，分别将 R 值设为 300、200、100 和 50，对神经网络进行训 练，采用相同的测试数据进行定位测试，得到的定 位误差如图 12 所示. 如图可知，两种场景下采用 R=300 的定位效果最优，虽然增加 R 值会增加在线 训练时间，但一方面本文所采用的神经网络结构 较为简单，可以适当降低训练时间；一方面，离线 训练时间并不影响实时定位效果，因此本文选择 R=300 进行实验. 实验 6：不同幅度相位差的定位性能. 为了比较幅度相位差个数对平均误差的影 响，分别给出了两个实验场景下不同幅度相位差 个数的平均误差，其中廊厅为单 AP，实验室为双 AP，如图 13 所示，Am-Ph Diff 表示幅度相位差. 由 图可知，在两种实验场景下，采用 3 个幅度相位差 所达到的定位效果最优，增加训练数据虽然增加 刘    帅等： 一种基于卷积神经网络的 CSI 指纹室内定位方法 · 1519 ·