论文部分内容阅读
随着物联网的发展,社会需求的各个方面对基于位置的服务提出了更宽更深层次的要求。在室内环境中,由于现代化建筑中大量的钢筋混凝土结构框架,导致信号传输路径受损,GPS定位系统在室内环境中无法发挥作用。WIFI信号作为一种无线电信号,在传播的过程中很容易受到多种环境因素的干扰,导致信号具有严重的不稳定性。5G作为新的移动通信技术,具备布点多,安全可靠的特点。本文将5G技术与深度神经网络（Deep Neural Networks,DNN）以及卷积神经网络（Convolutional Neural Networks,CNN）相结合,提出了基于5GNR参数的室内定位方案。主要包括三个内容:（1）构建5G位置指纹库,在室内环境中对5GNR信号进行采集,对采集到的5G NR信号SS-RSRP、SS-SINR、SS-RSRQ进行预处理,并且将其与位置标签相对应,实现位置指纹库的构建。（2）构建深度神经网络和卷积神经网络的定位模型,完成定位算法模型的训练,确定深度神经网络与卷积神经网络的网络结构以及模型训练的模型参数与优化方式。（3）对建立好的5G指纹数据库,使用神经网络模型进行定位的实验与分析。使用DNN和CNN实现5G的室内定位,用PRF值即Precision（精确率）、Recall（召回率）、micro F1-score（微平均）与crossentropy loss（交叉熵损失）以及真实数据与测试数据的平均误差的参数的对比研究,完成本方案的测试。测试结果表明,DNN模型的定位精度逐步收敛于92%左右,CNN模型的定位精度逐步收敛于96%。DNN模型和CNN模型数据的平均误差分别为1.62m和1.33m。DNN和CNN基于5G的室内定位算法实验方案合理,功能稳定,且定位精确度高,卷积神经网络训练模型在一定程度上优于深度神经网络训练模型。该方案整体使用的数据量和计算复杂度相对较小,且定位精度较高。