(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111601839.7 (22)申请日 2021.12.24 (71)申请人 南京邮电大 学 地址 210023 江苏省南京市栖霞区文苑路9 号 (72)发明人 徐友云　宋万达　威力　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 代理人 董建林 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06F 119/02(2020.01) (54)发明名称 用于室内定位的AOA和TOF联合估计方法、 装 置及存储介质 (57)摘要 本发明公开了用于室内定位的AOA和TOF联 合估计方法、 装置及存储介质， 所述方法包括对 获取的CSI数据进行预处理， 获得处理后的数据； 将处理后的数据输入预先训练好的联合估计模 型， 得到处理后的数据所对应的AOA和TOF； 所述 联合估计模 型通过深度卷积神经网络训练得到， 所述深度卷积神经网络采用不同大小卷积核并 联。 本发明通过基于不同大小卷积核并联构建的 深度卷积神经网络,训练得到联合估计模型， 提 高了估计结果的精确度、 分辨 率和抗噪声能力。 权利要求书1页 说明书5页 附图5页 CN 114386321 A 2022.04.22 CN 114386321 A 1.用于室内定位的AOA和TOF 联合估计方法， 其特 征在于， 所述方法包括： 对获取的CSI数据进行 预处理， 获得处 理后的数据； 将处理后的数据输入预先训练好的联合估计模型， 得到处理后的数据所对应的AOA和 TOF； 所述联合估计模型通过深度 卷积神经网络训练得到， 所述深度 卷积神经网络采用不同 大小卷积核并联。 2.根据权利 要求1所述的用于室内定位的AOA和TOF联合估计方法， 其特征在于， 所述获 取的CSI数据表示 为复数数据矩阵 图像， 所述处 理后的数据表示 为实数矩阵 图像。 3.根据权利 要求2所述的用于室内定位的AOA和TOF联合估计方法， 其特征在于， 所述处 理后的数据表示 为三通道实数矩阵 图像。 4.根据权利 要求3所述的用于室内定位的AOA和TOF联合估计方法， 其特征在于， 所述三 通道实数矩阵 图像的获取包括： 将获取的CSI数据的复数数据矩阵及其共轭矩阵， 按实部和虚部分成四个子矩阵并进 行重组， 获得重组矩阵； 通过滑动步长为2、 4和6的滑动窗口， 分别对所述重组矩阵进行移位截取， 分别得到若 干个子矩阵， 再将分别得到的若干个子矩阵拼接， 获得三个矩阵， 所述三个矩阵组成即获取 的三通道实数矩阵 图像。 5.根据权利 要求1所述的用于室内定位的AOA和TOF联合估计方法， 其特征在于， 所述深 度卷积神经网络包括输入层、 7*7卷积层、 最大池化层、 1*1的卷积层、 3*3卷积层、 池化层、 2 个Inception结构、 最大池化层、 3个Inception结构、 最大池化层、 2个Inception结构、 平均 池化层、 全连接层、 输出层。 6.根据权利要求5所述的用于室内定位的AOA和TOF联合估计方法， 其特征在于， 所述 Inception结构包括四层： 第一层为输入层， 第二层为1*1卷积层、 1*1卷积层、 3*3最大池化 层和1*1卷积层， 第三层为3 *3卷积层、 5 *5卷积层和1*1卷积层， 第四层为输出层。 7.根据权利 要求1所述的用于室内定位的AOA和TOF联合估计方法， 其特征在于， 所述联 合估计模型的训练包括： 获取历史CSI数据以及CSI数据对应的AOA和TOF， 构建数据集； 对所述数据集进行 预处理， 构建训练集； 将训练集 通过深度卷积神经网络进行训练， 得到联合估计模型。 8.一种装置， 其特 征在于， 包括处 理器及存 储介质； 所述存储介质用于存 储指令； 所述处理器用于根据所述指令进行操作以执行根据权利要求1至7任一项所述方法的 步骤。 9.一种存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序被处理器执行 时实现权利要求1至7任一项所述方法的步骤。权　利　要　求　书 1/1 页 2 CN 114386321 A 2用于室内定位的AOA和T OF联合估计方 法、 装置及存储介质 技术领域 [0001]本发明涉及用于室内定位 的AOA和TOF联合估计方法、 装置及存储介质， 属于无线 信号处理技术领域。 背景技术 [0002]无线信号广泛应用于日常生活各领域， 在健康感知， 消防定位救援和基于增强现 实的导航等领域， 精确地估计无线信号每条路径的到达方向(AOA)和到达时间(TOF)至 关重 要， 但是， 在无线信号多径传播过程中， 室内AP与 移动客户端附近的物体会对无线信号造成 反射， 导致到达方向(AOA)和到 达时间(TOF)的估计精度不高。 [0003]目前， 大多研究是通过构建数学模型并结合信号处理相关算法来得到从接收信号 到AOA的一种对应关系， 但是， 在模型建立和求解过程中会做出大量近似， 而近似操作会损 失部分信息， 对AOA的准确估计有一定的阻碍 。 发明内容 [0004]本发明的目的在 于克服现有技术中的不足， 提供了用于室 内定位的AOA和T OF联合 估计方法、 装置及存 储介质。 [0005]第一方面， 本发明提供了用于室内定位的AOA和TOF 联合估计方法， 所述方法包括： [0006]对获取的CSI数据进行 预处理， 获得处 理后的数据； [0007]将处理后的数据输入预先训练好的联合估计模型， 得到处理后的数据所对应的 AOA和TOF； [0008]所述联合估计模型通过深度卷积神经网络训练得到， 所述深度卷积神经网络采用 不同大小卷积核并联。 [0009]进一步的， 所述获取的CS I数据表示为复数数据矩阵图像， 所述 处理后的数据表示 为实数矩阵 图像。 [0010]进一步的， 所述处 理后的数据表示 为三通道实数矩阵 图像。 [0011]进一步的， 所述 三通道实数矩阵 图像的获取包括： [0012]将获取的CSI数据的复数数据矩阵及其共轭矩阵， 按实部和虚部分成四个子矩阵 并进行重组， 获得重组矩阵； [0013]通过滑动步长为2、 4和6的滑动窗口， 分别对所述重组矩阵进行移位截取， 分别得 到若干个子矩阵， 再将分别得到的若干个子矩阵拼接， 获得三个矩阵， 所述三个矩阵组成即 获取的三 通道实数矩阵 图像。 [0014]进一步的， 所述深度卷积神 经网络包括输入层、 7*7卷积层、 最大池化层、 1*1的卷 积层、 3*3卷积层、 池化层、 2个Inception结构、 最大池化层、 3个Inception结构、 最大池化 层、 2个Inception结构、 平均池化层、 全连接层、 输出层。 [0015]进一步的， 所述Inception结构包括四层： 第一层为输入层， 第二层为1*1卷积层、 1*1卷积层、 3*3最大池化层和1*1卷积层， 第三层为3*3卷积层、 5*5卷积层和1*1卷积层， 第说　明　书 1/5 页 3 CN 114386321 A 3