本發(fā)明屬于室內(nèi)定位領(lǐng)域和電子信息科學(xué)領(lǐng)域，特別是小波變換增強(qiáng)射頻指紋。

背景技術(shù)：

1、wi-fi指紋定位因其簡(jiǎn)易可行的定位框架，可以無(wú)需額外部署定位信標(biāo)和信號(hào)接收設(shè)備，常作為室內(nèi)定位的首選方案。然而，在實(shí)際應(yīng)用中wi-fi指紋定位需要事先采集已知位置的指紋作為參考指紋存入指紋庫(kù)中，然后利用實(shí)時(shí)指紋與指紋庫(kù)中指紋比較以確定當(dāng)前位置。構(gòu)建指紋庫(kù)的過(guò)程是一項(xiàng)繁瑣的工作，不僅需要收集指紋，還要測(cè)量收集點(diǎn)的位置信息。當(dāng)前，可以通過(guò)指紋增強(qiáng)減輕指紋收集的負(fù)擔(dān)，主要分為特征提取型和指紋生成型。

2、特征提取型通過(guò)構(gòu)建性能更好的特征提取模型，以提取更深層次的特征，達(dá)到增強(qiáng)指紋的目的。lan?t.等人(lan?t.,wang?x.,chen?z.,et?al,fingerprint?augmentbased?on?super-resolution?for?wifi?fingerprint?based?indoor?localizationz[j].ieee?sensors?journal,22(12):12152–12162,2022.)提出了一種指紋增強(qiáng)框架，將指紋增強(qiáng)問(wèn)題轉(zhuǎn)化為指紋圖像的超分辨率問(wèn)題，然而該增強(qiáng)框架的性能與許多參數(shù)密切相關(guān)，如不同的參考點(diǎn)分布、不同環(huán)境的信道特性等。zhang?b.等人(zhang?b.,sifaou?h.,andli?y.,csi-fingerprinting?indoor?localization?via?attention-augmented?residualconvolutional?neural?network[j].ieee?transactions?on?wireless?communications,22(8):5583–5597,2023.)提出一種新穎的帶有注意力增強(qiáng)殘差的卷積神經(jīng)網(wǎng)絡(luò)來(lái)充分利用信道狀態(tài)信息中的時(shí)空特征，以改善定位網(wǎng)絡(luò)的性能。

3、指紋生成型通過(guò)現(xiàn)有的指紋分布等信息，構(gòu)建新的指紋，以擴(kuò)充指紋庫(kù)。junoh?s.等人(junoh?s.and?pyun?j.,enhancing?indoor?localization?with?semi-crowdsourcedfingerprinting?and?gan-based?data?augmentation[j].ieee?internet?thingsjournal,11(7):11945–11959,2024.)引入了基于生成對(duì)抗神經(jīng)網(wǎng)絡(luò)的方法，增加了每個(gè)參考點(diǎn)收集的訓(xùn)練數(shù)據(jù)量，以豐富原始數(shù)據(jù)集，減少了人力投入。ssekidde?p.等人(ssekidde,p.eyobu?o.,han?d.,et?al.,augmented?cwt?features?for?deep?learning-based?indoor?localization?using?wifi?rssidata[j].applied?sciences,11(4):1806,2021.)提出了使用連續(xù)小波變換提取rssi數(shù)據(jù)的新型特征集，并采用深度學(xué)習(xí)方法進(jìn)行室內(nèi)定位。masato?sugasak提出了一種基于類間學(xué)習(xí)的室內(nèi)定位新數(shù)據(jù)增強(qiáng)方法，在未采樣到的位置上著重于每個(gè)采樣數(shù)據(jù)之間的位置關(guān)系，并通過(guò)稀疏數(shù)據(jù)構(gòu)建每個(gè)接入點(diǎn)的wi-fi信號(hào)的生成模型，然后形成了合成擴(kuò)充指紋數(shù)據(jù)集。numan?p.等人(numan?p.,park?h.,laoudias?c.,et?al,dropout?autoencoder?fingerprint?augmentation?for?enhancedwi-fi?ftm-rss?indoor?localization[j].ieee?communications?letters,27(7):1759–1763,2023.)提出了一種基于隨機(jī)失活自編碼器的指紋增強(qiáng)方法，通過(guò)重建未記錄信號(hào)特征和應(yīng)用深度神經(jīng)網(wǎng)絡(luò)回歸，顯著提高了wi-fi室內(nèi)定位的準(zhǔn)確性。

4、可以看出，盡管有研究人員利用連續(xù)小波變換提取指紋特征，但是連續(xù)小波變換過(guò)程相較于離散小波變換更復(fù)雜。隨著深度學(xué)習(xí)浪潮的到來(lái)，當(dāng)前多數(shù)研究針對(duì)wi-fi指紋增強(qiáng)主要基于深度學(xué)習(xí)等類似方案學(xué)習(xí)指紋分布，以擴(kuò)充指紋庫(kù)。但受限于訓(xùn)練樣本數(shù)量級(jí)質(zhì)量，深度學(xué)習(xí)模型提取的指紋分布也不一定準(zhǔn)確，生成的新指紋可能不利于定位的準(zhǔn)確性。同時(shí)，指紋的特征分布動(dòng)態(tài)變化，僅基于當(dāng)前指紋生成的新樣本，不一定會(huì)適應(yīng)變化后的環(huán)境。另外，深度學(xué)習(xí)方法還有其它缺點(diǎn)，例如訓(xùn)練時(shí)間長(zhǎng)、生成的指紋與實(shí)際指紋差別較大等。因此，設(shè)計(jì)一種輕量級(jí)增強(qiáng)指紋方案，充分利用指紋樣本時(shí)空特征的異同點(diǎn)，以適應(yīng)動(dòng)態(tài)環(huán)境變化，提高定位分類正確率，是現(xiàn)如今待亟需解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、為了解決現(xiàn)有技術(shù)存在的問(wèn)題，本發(fā)明提供了一種基于離散小波變換的多維射頻指紋增強(qiáng)方法。能夠降低定位模型對(duì)標(biāo)簽指紋的依賴，進(jìn)一步提高wi-fi指紋定位分類正確率。

2、本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的。

3、本發(fā)明所述的一種基于離散小波變換的多維射頻指紋增強(qiáng)方法，包括以下步驟：

4、步驟1，利用已知指紋采集參考點(diǎn)的位置和對(duì)應(yīng)參考點(diǎn)接收的rssi(receivedsignal?strength?indication)加權(quán)計(jì)算所有ap(access?point)的位置。若nr個(gè)參考點(diǎn)的位置為{pri|0<i≤nr,i∈n+}，則ap的位置可表示為：

5、

6、其中，為第j個(gè)ap的估計(jì)位置，prk為第k個(gè)已知參考點(diǎn)位置，wjk表示第j個(gè)ap在第k個(gè)參考點(diǎn)prk的加權(quán)值，表示第j個(gè)ap在第m個(gè)參考點(diǎn)的平均接收信號(hào)強(qiáng)度。

7、步驟2，根據(jù)步驟1中得到ap位置信息來(lái)排列收集到的rssi序列，構(gòu)成多維指紋序列，初步增強(qiáng)原始指紋，從而豐富指紋數(shù)據(jù)的空間特征。具體構(gòu)建過(guò)程如下：(1)在定位區(qū)域內(nèi)某參考點(diǎn)接收n個(gè)周期的na個(gè)ap信號(hào)強(qiáng)度，并計(jì)算不同ap單周期平均信號(hào)強(qiáng)度；按照最大、最小、次大、次小……順序交替排序，構(gòu)成定位指紋的1維特征。(2)根據(jù)估計(jì)得到的ap三維位置，分別按照水平方向(left-to-right?direction)、垂直方向(up-and-downdirection)、深度方向(front-to-back?direction)分別對(duì)ap進(jìn)行排序，這樣就可得到指紋的另外3維特征。最終，合并多維特征維度序列得到4×na大小的指紋陣列。

8、步驟3，將步驟2中的多維指紋序列數(shù)值歸一化到0-255之間，并保存為灰度圖，如圖1所示。然后將灰度圖進(jìn)行離散小波分解，如圖2所示。

9、若灰度圖f(x,y)維度為m×n，則對(duì)應(yīng)的離散小波分解表達(dá)式為：

10、

11、其中，ca(j0,m,n)為近似系數(shù)，cdl(j,m,n)為細(xì)節(jié)系數(shù)，l∈{h,v,d}，j0為分解開(kāi)始的尺度，本發(fā)明選擇j0＝0；指紋的大小為4×na，因此m＝4，n＝na；j＝0,1,…min(1,log2na-1)，m＝n＝0,1,…,2j-1。

12、為二維尺度函數(shù)：

13、

14、為二維小波函數(shù)：

15、

16、ψd(x,y)＝ψ(x)ψ(y)

17、其中，為尺度函數(shù)，ψ(x)為小波函數(shù)。

18、步驟4，交換屬于同一參考點(diǎn)范圍內(nèi)不同位置或不同時(shí)段收集的指紋灰度圖的細(xì)節(jié)系數(shù)。若指紋分解后細(xì)節(jié)系數(shù)構(gòu)成的集合為：

19、cd＝[cdh,cdv,cdd]

20、則整個(gè)系數(shù)集合可以表示為：

21、sc＝[cd,ca]。

22、(1)不同時(shí)段指紋灰度圖細(xì)節(jié)系數(shù)交換：

23、假設(shè)同一參考點(diǎn)范圍內(nèi)不同時(shí)刻t1和t2采集指紋系數(shù)集合分別為：

24、

25、則進(jìn)行細(xì)節(jié)系數(shù)互換：

26、

27、其中，表示中細(xì)節(jié)系數(shù)被替換為

28、(2)同一參考點(diǎn)范圍內(nèi)不同位置指紋灰度圖細(xì)節(jié)系數(shù)交換：

29、

30、其中，表示p1位置指紋細(xì)節(jié)系數(shù)被p2位置的指紋細(xì)節(jié)系數(shù)互換后的系數(shù)集合。

31、步驟5，將步驟4中交換后的細(xì)節(jié)系數(shù)集合sc通過(guò)離散小波逆變換得到最終增強(qiáng)的指紋灰度圖，如圖3所示。

32、離散小波逆變換：

33、

34、其中，fr(x,y)表示最終得到的增強(qiáng)指紋灰度圖，為替換后的二維細(xì)節(jié)系數(shù)，l∈{h,v,d}，其余符號(hào)與小波正變換相同。

35、本發(fā)明提供了一種基于小波變換的指紋增強(qiáng)方法，首先利用wi-fi?ap虛擬位置將空間信息嵌入到指紋序列中，將一維指紋序列擴(kuò)展成多維指紋灰度圖；然后基于離散小波變換進(jìn)行同一類別中不同時(shí)空細(xì)節(jié)系數(shù)交換，從而拓展指紋庫(kù)。本發(fā)明所提出的基于小波變換的wi-fi指紋增強(qiáng)方案，在時(shí)間復(fù)雜度沒(méi)有明顯增加的情況下，能夠有效減少標(biāo)簽指紋的依賴程度，適用于動(dòng)態(tài)環(huán)境，提高定位精度。本發(fā)明設(shè)計(jì)簡(jiǎn)單，降低了定位模型對(duì)標(biāo)簽指紋數(shù)量的依賴，提高了定位分類正確率，增強(qiáng)了定位模型的魯棒性，具有靈活實(shí)用價(jià)值和現(xiàn)實(shí)推廣意義。