基于坐标相关性深度网络和高阶独立基特征的复杂室内环境无源定位研究

In different complex indoor environments, the fixed models and fixed statistical features are difficult to describe this relationship between the target positions and the changes of received signal strength(RSS) of the links in radio frequency sensor network. The device-free wireless localization approaches based on machine learning need to set the coordinates in the monitoring areas for the labels of the RSS training samples in model training phase and the coordinates can not be infinitely intensive. In the actual positioning test phase, the target position may be between two coordinates or deviates from a certain coordinate. In this case, the changes of RSS links of the network are obvious than target at the coordinate point because of the complexity of the environment, therefore the RSS test samples collected will be misclassified by the model as an unknown type samples or error samples. The project will use the regional time-sharing scanning strategy and treat the RSS data matrix as 'picture'. Firstly, we use the Weight Principal Component Analysis and Fast Independent Component Analysis based on the negative entropy to obtain the regional high-order feature samples of the independent basis to solve the problem of fixed model and fixed statistical features. Secondly, we build a targeted depth of the neural network(DNN) architecture. And propose the coordinate correlation training method of the DNN and coordinate calibration method to solve the problem that the model classification is not ideal when target is not in the calibrated coordinates. Finally， this project will produce a set of effective device-free localization methods in different complex indoor environments.

不同复杂室内环境下，目标在不同位置引起的无线传感网络链路RSS变动难以用固定特征或固定模型描述。而基于机器学习的定位方式，需要采集带位置标签的RSS训练样本供离线学习，因此需对监测区域进行坐标标定，但坐标不可能无限密集。而在测试阶段，当目标处于非标定坐标处，即两个标定坐标之间或偏离坐标位置时，由于环境复杂，RSS的大小可能与目标在标定坐标处相比产生明显变化，这种情况下采集的RSS测试样本易被训练完的模型当作未知类型或错误样本进行错误分类（定位）。因此本项目将采用区域性分时扫描策略，将RSS数据矩阵看成“图”，首先利用WPCA和基于负熵最大化FastICA获取区域性高阶独立基特征样本，解决固定特征固定模型问题；再搭建针对性深度神经网络架构，提出并利用基于坐标相关性的深度神经网络训练模式和样本标签标定方式，来解决目标处于非标定坐标处分类不理想的问题。最终形成面向复杂室内环境的有效定位方法。

本项目面向复杂室内环境下的人员目标无源定位进行研究，着重于研究神经网络、机器学习和特征优化方法对定位过程进行改善对接收信号强度数据（Receive Signal Stength-RSS）进行优化和增强。首先，研究了RSS数据优化问题。分为射频节点排布拓扑、通信方式研究，和RSS数据质量分析及优化方法研究。实现了两种组网方式，升级了射频模块的软硬件。除了研究RSS数据去冗余以及高阶独立基特征映射之外，还研究了其波动原因及噪声构成，研究了一种二维双相关小波滤波方法进行数据优化。其次，研究了一种集成学习定位模型，改善了复杂环境下固定单一模型不能很好表达RSS样本特征与目标位置对应关系的问题。再次，针对真实环境经常发生动态变化而重采样RSS数据会大大增加人工和时间成本的问题，研究了一种基于迁移聚类思想的新环境下RSS样本采集和标签标定方法，使环境变动下的重采样重训练成为可能。最后，对于新环境下采集的样本数量较少特征表达不充分的问题，还研究一种基于坐标融合的变分自编码器RSS数据增强方法，丰富了样本的数量和质量提高了定位模型泛化能力。综合多次不同复杂场景下的实验表明，本项目研究的RSS数据优化方法和相应定位模型能够实现87%-95%的定位准确率。在环境变动时，通过迁移训练和数据增强手段仍能够保持87%左右的平均定位准确率，平均定位精度（RMSE）保持在0.3-0.4m。 此外，项目研究过程中，还尝试了与粒子滤波等目标跟踪手段的结合，探讨了算法硬件上实现的可行性。综合上述研究结果，本项目为复杂室内环境下的人员目标定位提供了新的研究基础，拓展了新的研究思路和研究范围，进一步推进了该研究领域在真实场景下的实际应用。发表项目相关论文4篇，SCI两篇，EI一篇，中文核心一篇，相关专利2个。项目经费21万元，支出17.33万元，剩余费用将用于项目的后续研究支持。项目相关研究生4名，以本项目为主要研究课题的1名并已硕士毕业。