基于BP神经网络和CSI的室内指纹定位研究.pdf

摘要

随着移动互联网技术的快速发展，基于室内位置服务的需求日益增长，而

室内定位正是实现位置服务的关键技术之一。由于信号在室内环境中易受多径

效应的影响，采用传统的接收信号强度指示(ReceivedSignalStrengthIndication，

RSSI)作为指纹特征无法准确定位出目标位置，导致定位精度较低。在IEEE

802.11n协议发布后，Wi-Fi采用的正交频分复用技术能够为室内定位提供更加

细粒度的信道状态信息(ChannelStateInformation，CSI)。CSI相比于RSSI具有

稳定性更高和更不易受环境影响的特点，因此本文采用CSI作为指纹特征，结

合BP神经网络进行室内定位研究，具体包括以下研究内容：

（1）针对传统定位方法接收信号不稳定，存在人员不愿携带定位设备或不

便携带定位设备的问题，本文提出一种基于CSI幅值和BP神经网络(CSI

AmplitudeandBPNeuralNetwork，AMP-BPNN)的被动定位方法。使用该方法，

目标人员无需携带任何设备就能够定位出自身位置，主要分为离线阶段和在线

阶段。离线阶段，将采集的CSI幅值作为指纹特征，为了降低噪声对实验结果

的影响，选择卡尔曼滤波进行数据预处理，然后将处理好的数据训练BP神经

网络模型。在线阶段，将采集的CSI幅值预处理后输入到训练好的定位模型中

得到位置估计。实验结果表明，本文提出的AMP-BPNN被动定位方法在人员

处于静止状态时平均定位误差为1.37m，在人员处于原地摆动时平均定位误差

为1.25m。

（2）针对传统定位方法定位精度低，BP神经网络易陷入局部最优的问题，

本文提出一种基于CSI和粒子群算法优化BP神经网络(ParticleSwarm

OptimizationBPNeuralNetwork，PSO-BPNN)的主动定位方法。该方法需要定位

者携带设备，利用CSI的幅值和相位作为联合指纹特征，采用3倍标准差法预

处理数据，并利用粒子群优化算法初始化BP神经网络的权值和阈值，有效解

决BP神经网络收敛速度差且易陷入局部最优的问题。实验结果表明，本文提

出的PSO-BPNN定位方法能够达到令人满意的定位精度，该方法平均定位误差

为1.19m，相比采用快速正交搜索算法和BP神经网络(FastOrthogonalSearch

AlgorithmandBPNeuralNetwork，FOS-BPNN)方法得到的定位误差降低了

39.3%，相比采用CSI相位差矫正和BP神经网络(PhaseDifferenceSanitization

andBPNeuralNetwork，PD-BPNN)方法得到的定位误差降低了16.2%。

关键词：信道状态信息；主动定位；被动定位；BP神经网络；粒子群优化算法

I

Abstract

Withtherapiddevelopmentofmobileinternettechnology,thereisagrowing

demandforindoorlocation-basedservices,andindoorpositioningisoneofthekey

technologiestoachievethis.Asthesignalissusceptibletomultipatheffectsinindoor

environments,thetraditionalReceivedSignalStrengthIndication(RSSI)asa

fingerprintfeaturecannotaccuratelyl