申请/专利权人：浙江大学金华研究院

申请日：2023-12-28

公开（公告）日：2024-04-26

公开（公告）号：CN117939402A

主分类号：H04W4/029

分类号：H04W4/029;H04W4/33;H04W16/22

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明公开了一种基于图神经网络的CSI室内定位方法及装置，属于室内定位技术领域，包括：在室内定位场景中布置若干个接入点，在定位区域内设置若干个参考点；获取用户终端在不同参考点处与若干个接入点之间的CSI指纹特征，并从中提取幅度特征和相位特征作为节点特征，根据接入点之间的拓扑信息得到边特征和邻接矩阵，完成图结构的构建，进而得到图数据集；使用图数据集离线训练CSI‑GNN，直至损失函数最小化或达到设定的迭代次数；将训练好的CSI‑GNN算法模型用于在线定位，输出用户终端的实时位置。本发明提出的CSI‑GNN算法能够动态评估并优化幅度信息和相位信息的相对重要性，从而提升室内定位的准确性和稳定性。

主权项：1.一种基于图神经网络的CSI室内定位方法，其特征在于，包括以下步骤：步骤1：构建室内定位场景，包括：在室内定位场景中布置若干个用于发射信号的接入点，在室内定位场景中设置定位区域，在定位区域中布置若干个用于表征用户终端位置的参考点；步骤2：用户终端在不同参考点处接收来自若干个接入点的发射信号并分别提取CSI指纹特征，对CSI指纹特征进行降维处理得到节点特征，所述节点特征包含幅度特征和相位特征，根据接入点之间的拓扑信息得到边特征和邻接矩阵，根据节点特征、边特征以及邻接矩阵构建CSI指纹特征对应的图结构并标注图类别标签，图结构及其对应的图类别标签的集合为图数据集；步骤3：利用图数据集离线训练包含GNN1、GNN2以及MLP的CSI-GNN算法模型，包括：将幅度特征输入GNN1，将相位特征输入GNN2，将边特征和邻接矩阵输入GNN1和GNN2，GNN1和GNN2的输出特征拼接后输入MLP，MLP动态调整权重参数，输出预测结果，通过预测结果与图类别标签之间的损失函数最小化，或达到最大迭代次数，得到训练好的CSI-GNN算法模型；步骤4：采用训练好的CSI-GNN算法模型，进行在线定位，输出用户终端的实时位置。

全文数据：

权利要求：

百度查询： 浙江大学金华研究院 一种基于图神经网络的CSI室内定位方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD