本发明属于室内定位，具体涉及一种基于图神经网络的csi室内定位方法及装置。
背景技术：
1、在wifi室内定位领域，随着无线网络的广泛部署和智能设备的普及，各种基于wifi的定位方法已成为研究和应用的热点。接收信号强度指示(received signalstrength indicator，rssi)技术是wifi室内定位中最常用的方法之一。它基于从不同接入点接收到的信号强度来估算用户设备的位置。但是在复杂的室内环境中，其定位精度受物理障碍物和多径效应的影响而显著降低。
2、信道状态信息(channel state information，csi)室内定位技术是一种更为先进的无线定位技术，能够更好地应对多径效应和环境变化，从而实现更高的定位精度。csi包含了无线信号在每个子载波上的详细传播信息，包括幅度衰减和相位偏移。这些信息反映了信号在遇到障碍物时的反射、衍射和散射等多径效应。由于csi能够捕捉到细微的信号变化，因此可以用来感知环境变化，如：室内环境中的用户位置变化。
3、常见的基于csi的室内定位方法是创建一个csi指纹地图，即在室内环境的不同位置采集csi数据。定位时，将实时采集到的csi数据与指纹库中的数据进行匹配，以确定当前位置。
4、公开号为cn110109055a的专利文献公开了一种基于rssi测距的室内定位方法，包括：采用正方形拓扑结构进行子站节点布置，利用zigbee技术组网进行通讯，标签节点进行数据广播，发送标签数据包，通过子站节点解析，再组成子站数据包后发送给基站节点，基站节点提取数据包内的rssi值，计算标签节点与各个子站节点的距离，在通过卡尔曼滤波及迭代法来对距离值进行多次优化，以消除外界干扰对距离值准确度的影响，从而确保定位的精准度。但是该发明采用的rssi受到信号衰减和多径效应的影响较大，可能导致信号强度的不稳定，因此定位精度有限，此外，室内环境中存在许多可能干扰信号的因素，如：墙壁、家具等，这些因素也会影响信号的传播和接收，从而影响rssi定位的准确性。
5、公开号为cn111212379a的专利文献公开了一种基于卷积神经网络的新型csi室内定位方法，包括：获取csi数据，从中提取平均振幅、相位差及cir振幅分布中心矩三类数据特征；将数据特征构建为图像，使用卷积神经网络完成位置信息和特征图像的映射；使用图像和类别标签组成的数据集训练卷积神经网络；使用训练完成的卷积网络进行在线定位，通过一种基于谱聚类的多图像定位算法实现位置估计。但是基于卷积神经网络(convolutional neural network，cnn)的csi室内定位技术没有利用接入点之间的拓扑信息，只是简单地将不同接入点的csi特征拼接成图像，然后输入模型进行训练和预测。这种处理方式导致了接入点拓扑信息的丢失，从而限制了定位精度。
技术实现思路
1、本发明的目的是提供一种基于图神经网络的csi室内定位方法及装置，基于csi进行室内定位，能够在保留接入点拓扑信息的同时，充分利用csi的幅度信息和相位信息，提出的csi-gnn算法能够动态地评估并优化幅度信息和相位信息的相对重要性，使本方法有效适应不同的室内环境条件，从而提升室内定位系统的准确性和稳定性。
2、为实现上述发明目的，本发明提供的技术方案如下：
3、第一方面，本发明提供的一种基于图神经网络的csi室内定位方法，包括以下步骤：
4、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；
5、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；
6、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；
7、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。
8、本发明的技术构思为：构建包含接入点和用户终端位置参考点的室内定位场景；基于csi进行室内定位，当用户终端位于任意一个参考点时，通过用户终端接收来自室内定位场景中所有接入点的发射信号，并从中提取出csi指纹特征，再进行降维处理，分别得到发射信号的幅度信息和相位信息，构建包含这两类信息的特征向量，分别为幅度特征和相位特征，作为对应接入点的节点特征。
9、同时，本发明进一步考虑到室内场景中各个接入点之间的拓扑信息对于定位精度的重要意义，因此，本发明根据接入点之间的拓扑信息得到边权重和邻接矩阵，边权重作为边特征，邻接矩阵用于表示图结构中节点的邻接关系，根据节点特征、边特征以及邻接矩阵构造图结构，并获取对应的图类别标签，该图类别标签用于表征用户终端所在参考点，图结构及其对应的图类别标签的集合为图数据集。
10、接着，采用图数据集训练csi-gnn算法模型，通过交叉熵损失函数的最小化，实现对csi-gnn算法模型的训练；将训练好的csi-gnn算法模型用于实际推理。
11、进一步的，步骤2中，所述的csi指纹特征，用公式表示为：
12、
13、其中，csiap表示某一参考点处获得的来自nap个接入点的csi指纹特征的集合，csij是一个n×m×k的矩阵，表示用户终端位于当前参考点时与第j个接入点之间的csi指纹特征，j＝1,2,...,nap，n表示用户终端的接收天线数量，m表示每个接入点的发射天线数量，k表示子载波数。
14、进一步的，步骤2中，所述的对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，具体为：
15、对csij进行降维处理，得到k维向量，用公式表示为：
16、
17、其中，lj表示第j个节点对应的k维向量，ljt表示lj第t个元素的幅度，θjt表示lj第t个元素的相位；
18、从k维向量中提取得到幅度特征和相位特征，用公式表示为：
19、
20、
21、其中，la表示幅度特征，lp表示相位特征，laj＝[lj1,lj2,...,ljk]，对应csij的幅度信息，lpj＝[θj1,θj2,...,θjk]，对应csij的相位信息。
22、进一步的，步骤2中，所述的根据接入点之间的拓扑信息得到边特征，具体为：
23、所述拓扑信息采用接入点之间的物理距离；
24、根据接入点之间的物理距离得到边权重，用公式表示为：
25、
26、其中，wij表示边权重，dij表示第i个接入点和第j个接入点之间的物理距离；
27、采用边权重作为边特征。
28、进一步的，步骤2中，基于得到的边权重，拓扑信息采用接入点之间的邻接关系，构建邻接矩阵，用公式表示为：
29、
30、其中，a表示邻接矩阵，aij表示从第i个节点到第j个节点的边特征，当i≠j时，aij＝wij，当i＝j时，aij＝aii＝0。
31、进一步的，步骤2中，所述的根据节点特征、边特征以及邻接矩阵构建csi指纹特征对应的图结构，具体为：
32、假设用户终端当前位于某一参考点处，接收到来自室内定位场景中nap个接入点的发射信号，对应有nap个csi指纹特征；
33、以nap个接入点为节点，以接入点对应的幅度特征和相位特征为节点特征，以边权重为边特征，节点的邻接关系由邻接矩阵a表征，得到当前参考点处的所有csi指纹特征对应的图结构。
34、进一步的，步骤2中，所述的图类别标签，具体为：
35、y∈{0,1,...,nrp-1}
36、其中，y表示图类别标签，每个图结构有且仅有一个图类别标签，假设当前用户终端位于第k个参考点，则该参考点处图结构对应的图类别标签为y＝k-1。
37、进一步的，步骤3中，所述的将gnn1和gnn2的输出特征进行拼接后输入mlp，mlp动态调整权重参数，输出预测结果，具体为：
38、gnn1的输出特征为向量r1，gnn2的输出特征为向量r2，向量r1和向量r2分别对应输入gnn1的幅度特征和输入gnn2的相位特征，将向量r1和向量r2拼接后输入mlp；
39、室内定位场景中，基于幅度特征和相位特征受噪声影响程度的不同，mlp动态调整幅度特征对应的向量r1和相位特征对应的向量r2在预测结果中的权重，通过赋予受噪声影响较小的特征对应的向量以较大的权重，输出最终的预测结果。
40、第二方面，为实现上述发明目的，本发明实施例还提供了一种基于图神经网络的csi室内定位装置，包括室内定位场景构建模块、图数据集获取模块、csi-gnn算法模型训练模块、csi-gnn算法模型实际推理模块；
41、所述室内定位场景构建模块用于构建室内定位场景，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；
42、所述图数据集获取模块用于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；
43、所述csi-gnn算法模型训练模块用于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；
44、所述csi-gnn算法模型实际推理模块用于采用训练好的csi-gnn算法模型，进行在线定位，输出用户终端的实时位置。
45、第三方面，为实现上述发明目的，本发明实施例还提供了一种基于图神经网络的csi室内定位设备，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于当执行所述计算机程序时，实现第一方面本发明实施例提供的基于图神经网络的csi室内定位方法。
46、本发明的有益效果如下：
47、(1)本发明提出的csi-gnn算法模型基于csi进行室内定位，相较于rssi，csi具备许多显著优势。首先csi提供了关于无线信道的更详细的信息，包括信号的幅度和相位变化。这些信息能够更精准地描绘信号在复杂室内环境中的传播路径。例如，相位信息可以用来识别和区分多径，这是rssi无法实现的。因为rssi仅提供了信号强度的总体衡量，无法细致反映信号和环境的交互作用。其次，csi的高维度特性使其在处理多径传播和非视距条件下的信号时更为有效。此外，csi提供的信息更为全面，这使得它在基于机器学习和深度学习的室内定位系统中发挥更出色的效果，这些系统能够利用csi的细节信息进行更复杂的特征提取和环境理解。
48、(2)本发明提出的csi-gnn算法模型展现出优秀的自适应能力，具体而言，当幅度特征或相位特征受到较大的噪声干扰时，csi-gnn算法模型通过动态调整mlp的权重参数，优先使用受噪声影响较小的特征，不仅提升了定位系统的准确性和稳定性，而且增强了csi-gnn算法模型在面对多变环境和复杂噪声时的鲁棒性。
49、(3)csi-gnn算法模型从图的角度对室内定位问题进行处理，充分利用了接入点之间的拓扑信息。根据无线通信理论，当用户终端位置固定时，如果两个接入点的距离越近，这两个接入点和用户终端之间的csi会越相似。这种相似信息被转化为了图的边权重。图卷积层利用边权重对节点特征进行聚合，从而使相邻的节点具有更加相似的特征。相较于传统的cnn算法，csi-gnn在充分利用csi信息的同时，避免了接入点之间的拓扑信息的丢失，从而进一步提高了室内定位的精度。
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：
2.根据权利要求1所述的基于图神经网络的csi室内定位方法，其特征在于，步骤2中，所述的csi指纹特征，用公式表示为：
3.根据权利要求2所述的基于图神经网络的csi室内定位方法，其特征在于，步骤2中，所述的对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，具体为：
4.根据权利要求1所述的基于图神经网络的csi室内定位方法，其特征在于，步骤2中，所述的根据接入点之间的拓扑信息得到边特征，具体为：
5.根据权利要求4所述的基于图神经网络的csi室内定位方法，其特征在于，步骤2中，基于得到的边权重，拓扑信息采用接入点之间的邻接关系，构建邻接矩阵，用公式表示为：
6.根据权利要求3或4或5所述的基于图神经网络的csi室内定位方法，其特征在于，步骤2中，所述的根据节点特征、边特征以及邻接矩阵构建csi指纹特征对应的图结构，具体为：
7.根据权利要求1所述的基于图神经网络的csi室内定位方法，其特征在于，步骤2中，所述的图类别标签，具体为：
8.根据权利要求7所述的基于图神经网络的csi室内定位方法，其特征在于，步骤3中，所述的将gnn1和gnn2的输出特征进行拼接后输入mlp，mlp动态调整权重参数，输出预测结果，具体为：
9.一种基于图神经网络的csi室内定位装置，其特征在于，包括室内定位场景构建模块、图数据集获取模块、csi-gnn算法模型训练模块、csi-gnn算法模型实际推理模块；
10.一种基于图神经网络的csi室内定位设备，包括存储器和处理器，所述存储器用于存储计算机程序，其特征在于，所述处理器用于当执行所述计算机程序时，实现权利要求1-8任一项所述的基于图神经网络的csi室内定位方法。
