本發明涉及射頻指紋定位技術和深度學習領域，尤其涉及基于自監督預訓練模型的射頻指紋定位方法。

背景技術：

1、隨著6g網絡的發展，基于深度學習的射頻指紋定位技術已成為提供高質量智能位置服務(location-based?services,lbs)的關鍵技術，廣泛應用于室內定位、工業互聯網和定位導航等領域，目前基于深度學習的射頻指紋定位技術，是最具大規模應用潛力的關鍵技術之一，通過設計深度神經網絡(deep?neural?networks，dnn)學習信號特征與位置信息的內蘊關系，有效提高了復雜環境下指紋特征的表征能力和定位精度，然而，復雜多變的定位環境下無線信號傳播極易受到外界因素影響，對射頻指紋定位中高效提取普適、魯棒、精確的指紋特征產生了嚴重的阻礙作用。

2、基于深度學習的指紋定位方法在商業應用中尚不成熟。復雜多變的定位環境對射頻指紋特征的質量提出了極高要求。為了實現高精度定位，需要在實際應用場景中收集大量帶有精確位置信息的無線指紋，訓練深度神經網絡學習適用的深度指紋特征。傳統方法構建指紋數據庫耗時費力，導致高昂的系統部署成本。甚至，由于現有算法對時空特征變化敏感，微小的時間變化和環境改變可能導致指紋數據庫失效，需要定時人工重新采集新環境的指紋，從而進一步增加指紋數據庫的維護成本。這些問題嚴重限制了其在實際系統中的應用。

3、針對上述挑戰，特別是商業應用中基于指紋特征表征能力不足，以及大規模數據采集和高效訓練的難題，設計一種基于自監督預訓練模型的射頻指紋定位方法。該方法具有高精度、高魯棒性和強泛化能力，能夠更好地應對復雜多變的定位環境。

技術實現思路

1、為了克服商業應用中基于指紋特征表征能力不足，以及大規模數據采集和高效訓練的難題，可以設計新的解決方案。

2、本發明的技術方案為：基于自監督預訓練模型的射頻指紋定位方法，步驟如下：

3、射頻圖像生成：

4、首先，在每個采樣位置采集物理層信道狀態信息(channel?state?information,csi)，來收集無標射頻數據，然后，利用大量的多天線、多子載波的信號幅值，設計數據幀生成射頻圖像；

5、自監督預訓練模型：

6、基于自監督預訓練范式，采用動量對比學習(momentum?contrastive?learning)算法，設計了孿生卷積網絡提取信號特征，提出了靈活的動態信道字典查找機制，學習表征復雜動態環境下無線傳播特性，采用動量更新網絡模型參數，從而顯著提高了信號特征表征的質量；

7、下游定位任務：

8、在具體場景中，直接遷移預訓練模型中編碼器網絡，利用小樣本射頻指紋訓練位置預測網絡，從而獲得精確的位置估計。

9、作為優選，射頻圖像的生成過程如圖2所示，將10個csi數據包中單根天線的多子載波csi幅值向量按行拼接，形成射頻子圖，然后將商用wifi設備集成三根天線所獲得的三組射頻子圖按行拼接，最終得到射頻圖像。

10、作為優選，本發明采用自監督預訓練范式學習射頻指紋數據內蘊的信號特征表示，提出了靈活的動態信道字典查找機制優化網絡模型，顯著提升了室內指紋定位系統的定位精度、魯棒性及普適性；

11、自監督預訓練模型的特征編碼器采用卷積神經網絡架構，使用大規模無標射頻圖像設計特征編碼器f，提取其特征向量：

12、h＝f(x)＝cnn(x)

13、其中cnn代表卷積神經網絡，x是輸入的射頻圖像，h表示特征編碼器f輸出的特征表示向量。

14、作為優選，自監督預訓練模型的映射網絡采用多層感知機設計特征映射網絡g，將特征向量映射到特征表示空間，從而提高信號特征表示的質量：

15、z＝g(h)＝g(f(x))

16、根據以上步驟，設計特征映射網絡gq、gk，并設計對比學習訓練策略，其中，fq和gq代表特征編碼器和映射網絡，fk、gk表示動量編碼器和動量映射網絡。

17、作為優選，基于自監督預訓練模型的動量對比學習框架，本方法設計了動態信道字典查找機制，學習表征射頻數據內蘊特征，對于任意生成射頻圖像，來自同一位置的數據構成正樣本對，與信道字典中的其他數據組成負樣本對，其大小為k，對于任意射頻圖像xq，設計特征映射網絡gq、gk將其映射至信號表示空間：

18、zq＝gq(hq)＝gq(fq(xq))

19、zk＝gk(hk)＝gk(fk(xq))

20、嵌入向量zk存儲至大小為k的信道字典{z1,z2,z3,…,zk}，并隨模型訓練過程，不斷存入新嵌入向量，并剔除舊嵌入向量，動態地更新字典，有效保持了信道字典的一致性，從而提高了信號特征表示向量的質量；

21、本方法采用對比損失優化自監督預訓練模型，其表達式如下：

22、

23、

24、其中，l為自監督預訓練模型的損失函數，τ表示為溫度參數，控制不同編碼嵌入之間相似性度量的敏感性，z0為xq經過fq、gq映射得到特征嵌入，zk表示信道字典中的嵌入向量，k表示射頻字典大小

25、作為優選，自監督預訓練模型的動量更新機制采用對比損失函數l，進行自監督學習優化網絡模型，通過反向傳播更新fq、gq的網絡參數，同時通過動量機制更新fk、gk的網絡參數，動量機制的實現如下：

26、本方法采用動量機制，基于滑動平均更新模型參數：

27、θk←mθk+(1_m)θq

28、其中m∈[0,1)表示動量機制更新的權重，θq、θk分別是特征編碼器fq和動量編碼器fk的可學習參數，θq通過反向傳播優化模型參數，而θk則通過動量機制進行更新；

29、同時，映射網絡的參數也以同樣的機制進行更新：

30、

31、其中φq和φk分別代表映射網絡gq和gk的可學習參數，φq將通過反向傳播被更新，而將通過動量機制被更新。

32、作為優選，對于下游定位任務的具體場景，本方法直接遷移特征編碼器，獲取高質量、高魯棒性和強泛化性的特征表示向量：

33、h＝fq(x)

34、本方法進而利用預訓練模型產生的高質量信號特征表示向量，進行位置預測；

35、具體的，本方法先使用少量標記的小樣本射頻指紋訓練下游位置預測器：

36、pi＝softmax(mlp(fq(xi)))

37、

38、其中mlp代表多層感知機，lp為softmax分類器的損失函數，lce代表交叉熵損失函數，yi為yi對應的獨熱向量；

39、在定位階段，通過用戶提供的信道狀態信息生成射頻圖像x，并利用預訓練的特征編碼器獲取高質量特征向量h＝fq(x)，然后，計算下游位置預測器的后驗概率：

40、

41、再計算位置估計為

42、

43、其中ly是參考位置點的位置坐標，y是其對應位置標簽。

44、本發明的有益效果：

45、本發明提出“基于自監督預訓練模型的射頻指紋定位方法”，采用自監督預訓練范式學習大量無標射頻數據內蘊的特征表示，基于動量對比學習提出了靈活的動態信道字典查找機制，構建了無線預訓練模型，其具有的優點如下：

46、本發明在復雜動態環境下深度指紋定位任務中表現優異，通過大量無標射頻數據訓練特征編碼器，基于自監督對比學習表征信號傳播特性，獲取具有高質量、強區分性和全場景普適性的信號特征，這一特性顯著提升了室內指紋定位系統的定位精度、魯棒性及普適性；

47、本發明基于小樣本射頻指紋實現高精度深度指紋定位技術，顯著減少了構建指紋數據庫的高昂代價，同時，該方法具備較強的魯棒性和泛化性，無需定期更新和維護射頻指紋數據庫，從而大幅降低了定位系統的部署與維護成本。