基于SIFSA-CNN的CSI室內定位方法研究

摘 要：針對傳統室內定位方法存在的定位精度低及對復雜環境適應性不足的問題，提出了一種基于卷積神經網絡（CNN）的信道狀態信息室內定位方法，以提高定位精度并增強對復雜環境的適應能力。該方法通過立方混沌映射初始化和自適應慣性權重混合優化的火烈鳥搜索算法（SIFSA）對CNN進行優化訓練，在離線階段收集不同位置的CSI特征圖像訓練網絡模型，學習CSI特征與實際位置的映射關系；在線階段使用訓練好的模型預測測試點位置，并結合基于分類概率的定位算法實現精確定位。實驗在會議室和實驗室兩種場景中進行，分別獲得了14.44 cm和41.69 cm的平均定位誤差。與CNN、WOA-CNN、FSA-CNN算法相比，會議室場景中的平均誤差分別優化了66.70%、58.33%、22.49%，實驗室場景中的平均定位誤差分別優化了38.36%、34.99%、11.73%。實驗表明，所提出的基于CNN的CSI室內定位方法相較于其他定位方法顯著提高了定位精度，并在不同場景下均展現出優越的性能。

關鍵詞：室內定位；信道狀態信息；卷積神經網絡；火烈鳥搜索算法；立方混沌映射；自適應慣性權重

中圖分類號：TP39 文獻標識碼：A 文章編號：2095-1302（2025）08-00-06

0 引 言

現代社會，隨著無線傳感器網絡和移動互聯網技術的迅猛發展，基于位置服務（Location Based Service， LBS）的室內環境研究備受關注[1]。相較于室外環境，室內環境更加復雜，墻壁和各種物體等環境因素使得無線信號易受到多徑效應干擾，進而影響定位精度。而基于接收信號強度指示（Received Signal Strength Indicator， RSSI）的定位方法，雖然實施簡便，但其受限于多徑效應引發的信號反射、折射和衍射現象，導致接收到的信號在多個路徑上疊加，使得RSSI值波動，影響定位準確性[2]。因此，更細粒度的信道狀態信息隨著IEEE 802.11n的提出被引入到WiFi協議中[3]，與RSSI相比，CSI（Channel State Information）能夠更好地避免多徑效應的干擾，更準確地反映環境中的散射和功率衰減特性。近年來，基于CSI的定位算法取得了顯著進展，例如，文獻[4]提出了基于廣泛學習系統的CSI定位算法。文獻[5]結合CSI與加權混合回歸方法優化了室內定位。文獻[6]則利用CSI張量分解和偏最小二乘回歸進行位置估計。這些進展表明，CSI在提升室內定位精度方面具有很大潛力。

近年來，深度學習技術，特別是卷積神經網絡（Convolutional Neural Network， CNN）在圖像處理領域取得了顯著成效，已被成功應用于處理CSI數據以提高定位精度。例如，文獻[7]提出一種基于CNN的室內定位方法，結合CSI的幅度差和相位差構成指紋，利用CNN提取特征，實現精準定位。文獻[8]提出一個基于CNN的WiFi室內定位系統，將定位問題看作分類問題，并將多個天線與RGB圖像的三個通道進行比較，以構建CSI特征圖像，進行圖像分類。文獻[9]提出一種基于深度學習和CSI圖像的非視距環境下多AP智能室內定位方案。使用CSI的幅度和相位差構造了一種新型CSI圖像，并將其用作2D-CNN的輸入。

盡管如此，深度學習模型在訓練過程中由于超參數的設置問題而出現欠擬合狀態，影響定位性能。因此，元啟發式智能優化算法被引入到神經網絡的訓練中。文獻[10]結合螢火蟲算法和BP神經網絡，建立了GSO-BP數學模型，實現了一定的工程應用價值。文獻[11]提出了一種結合深度學習與粒子濾波的移動機器人綁架后重定位方法，有效克服了單獨使用粒子濾波在綁架后重定位中的不足。文獻[12]提出了基于鯨魚優化算法（Whale Optimization Algorithm， WOA）和模擬退火算法 （Simulated Annealing， SA）混合優化的BP神經網絡（Back Propagation Neural Network， BPNN）動態稱重模型，利用WOSA-BP模型對實際車輛總重和軸重進行預測，并取得了較好的預測效果。

基于上述問題，本文提出了一種基于混沌自適應優化算法的CNN室內定位模型，旨在通過利用混沌映射策略和自適應權重策略增強火烈鳥搜索算法（Flamingo Search Algorithm， FSA）的初始種群隨機性及種群行為適應性以優化CNN網絡的超參數，最終提升CSI室內定位的精度和穩定性。具體而言，通過研究達到以下目標：

（1）提出一種有效的改進火烈鳥搜索算法，以便高效地搜索CNN的最優參數配置；

（2）構建并優化基于CNN的CSI室內定位模型，以提高定位精度和穩定性；

（3）通過實驗驗證所提方法的有效性和優越性。

1 理論分析

1.1 信道狀態信息

CSI是在通信系統中用于描述信道特性的信息。在無線通信中，CSI通常指接收端獲取的關于信道的狀態信息，包括信號的幅度、相位、多徑效應等。數學上，CSI可以用復數表示，其中包括幅度和相位信息。

幅度信息反映了信號在特定子載波上的強度或大小。相位信息描述了信號波形在特定時間點上的位置或狀態。相位信息在室內環境中相對穩定，不易受到環境噪聲和干擾的影響。相比之下，幅度信息可能因多徑效應、信號衰減和環境變化等因素而產生較大的波動。因此，在利用信道狀態信息進行室內定位時，主要利用CSI相位信息而不是幅度信息。

1.2 SIFSA算法

火烈鳥搜索算法是文獻[13]于2021年提出的一種受火烈鳥覓食行為及遷徙行為進行模擬等數學模型的一種元啟發式算法。雖然模擬了火烈鳥的覓食行為，但在實際應用中存在一些問題。首先，該算法的種群初始化是隨機的，這可能導致初始種群分布不均，影響搜索效率。其次，由于變異機制受限，算法在迭代過程中可能陷入局部最優。為了解決這些問題，文中使用立方混沌映射和非線性自適應慣性權重來構建一種改進的火烈鳥搜索算法（Self-adaption and Chaos Mapping for Initial Flamingo Search Algorithm， SIFSA）。

1.2.1 立方混沌映射初始化策略

在原始火烈鳥搜索算法中，通過隨機初始化的方式產生火烈鳥的位置可能會導致位置分布不均勻，降低求解精度。為了解決這個問題，使用立方混沌映射[14]來初始化火烈鳥的種群。映射具體公式如下：

1.2.2 非線性自適應慣性權重策略

在傳統的火烈鳥搜索算法中，慣性權重ω通常由一個高斯隨機數決定，即為ω～N（0， 1）。雖然模擬了火烈鳥遷徙的隨機性，但未能充分考慮隨機取值對算法收斂效率和精度的影響。因此，引入非線性自適應慣性權重來改進FSA，以更有效地平衡全局搜索和局部搜索。Sigmoid函數在線性與非線性之間表現出良好的平衡性，且其定義域為[0， 1）。因此，使用Sigmoid函數自適應調整慣性權重可以顯著提升火烈鳥搜索算法的性能[15]。根據Sigmoid函數的特性，算法能夠在全局搜索和局部搜索之間找到更好的平衡，以更精確地探索整個解空間以及潛在的最優解區域。

1.3 SIFSA-CNN的CSI室內定位

構建一個CNN模型，用于學習CSI特征圖像與實際位置之間的映射關系。如圖1所示，該模型由2個卷積層、池化層、全連接層和輸出層構成，每層都配備了激活函數以增加模型的非線性。此外，池化層被用于減少數據的維度和防止過擬合，而全連接層則用于分類。

學習率和卷積核大小是影響CNN模型性能的關鍵超參數。合適的學習率和卷積核大小能夠提高模型的訓練穩定性和效率。為此，引入了SIFSA算法，該算法在參數空間中能夠更有效地搜索全局最優解。在此基礎上，構建了SIFSA-CNN模型，旨在提高模型的訓練效率和預測精度。其參數配置見表1。

定位整體模型架構如圖2所示，在離線訓練階段，使用收集到的CSI特征圖像來訓練模型，使其能夠學習到不同位置的CSI特征與實際位置之間的映射關系。

在線定位階段中，將測試點上的實時CSI特征圖像輸入到訓練好的CNN模型中，輸出測試點位置位于每個參考點的分類概率，將每個測試點下的分類概率與相應的原始坐標進行加權求和，計算獲得預測坐標。預測坐標可以通過以下表達式來計算：

2 實驗及分析

2.1 數據集

本研究采用的定位數據來源于文獻[16]，數據內容包含會議室場景和實驗室場景下的CSI數據的相位信息，二者均使用了搭載有Intel 5300網卡和Linux 802.11n的計算機傳輸和接收CSI數據。為了方便實驗，將使用1 500個CSI數據包作為基礎數據。在每個位置構建50 張尺寸為30×30×3的CSI 圖像，數據集的詳細參數見表2。

2.2 實驗環境介紹

在Ubuntu操作系統上，采用了開源的TensorFlow深度學習框架，PyCharm集成開發環境，進行卷積神經網絡（CNN）模型的訓練。為了保證模型的有效性和泛化能力，將所使用的兩種數據集按照8∶2的比例劃分為訓練集和測試集。實驗環境配置見表3。

實驗在實驗室和會議室兩種場景中進行，這兩種場景在信號干擾和多徑效應方面表現出顯著的差異。會議室場景中將桌椅移動到邊緣，確保定位場所沒有任何雜物，進而為實驗提供了一個視距（Line of Sight， LOS）場景。實驗室場景包含各種物體，如實驗室設備、存儲柜、桌子、椅子等會導致顯著的多徑效應，使其成為非視距（Non Line of Sight， NLOS）場景。兩種場景的平面圖分別如圖3和圖4所示。

2.3 評價標準

采用平均定位誤差（Mean Position Error， MPE）、均方根誤差（Root Mean Square Error， RMSE）、定位誤差的標準差（Standard Deviation of Position Error， SDPE）和累積分布函數（Cumulative Distribution Function， CDF）對算法進行定位性能評估，三種誤差的數學表達式如下：

累積分布函數（CDF）用于描述隨機變量小于或等于某一特定取值的概率。在室內定位中，CDF常用于表示定位誤差小于某一誤差標準的測試樣本數占整體測試樣本數的比例。其數學表達式為：

2.4 實驗結果

實驗1：不同模型訓練效果比較

表4詳細地列出了兩種實驗場景下不同模型的性能指標。在LOS場景中，SIFSA-CNN算法的準確率、精確率、召回率和F1值分別為0.976 7、0.977 2、0.976 2和0.976 7。相比之下，CNN算法的對應指標稍低，SIFSA-CNN算法在分類準確率上提高了0.064 8。在NLOS場景中，SIFSA-CNN算法的準確率、精確率、召回率和F1值分別為0.913 2、0.920 9、0.909 4和0.915 1。同樣地，與傳統CNN算法相比，SIFSA-CNN算法在分類準確率上提高了0.031 2。在兩種實驗場景中，SIFSA-CNN算法有效避免了局部最優解問題，顯著提升了模型的訓練精度。

實驗2：不同定位精度比較

表5詳細列出了兩種不同實驗環境下的定位性能數據。在NLOS場景中，SIFSA-CNN算法的平均定位誤差為0.416 9 m，標準誤差為0.715 6 m。然而，在LOS場景中，由于非視距傳輸較少，SIFSA-CNN算法的定位精度有了大幅度提升，平均定位誤差為0.144 4 m，定位誤差的標準差為0.185 1 m。

通過對比分析表中的數據，可以清晰地看到，無論是在NLOS場景中還是在LOS場景中，SIFSA-CNN算法的定位精度顯著優于其他同類算法。

實驗3：不同場景定位誤差比較

圖5表示SIFSA-CNN算法在兩種不同定位場景下的定位誤差圖。在迭代次數較少時，平均定位誤差較大，可能的原因是算法還在嘗試找到最優解的過程中。隨著迭代次數的增加，平均定位誤差將逐漸減小。這表明算法在逐步優化其定位結果，更接近于真實位置。當迭代次數達到80次后，平均定位誤差的變化可能不再明顯。

實驗4：累積分布比較

使用累積分布函數來評估定位誤差，如圖6所示，在會議室場景中，75.84%的定位結果其誤差在0.25 m以內，如圖7所示，在實驗室場景中，62.15%的定位結果其誤差在0.25 m以內。在0～0.25 m的誤差范圍內，兩種場景下的曲線均陡峭上升，表明在較小的誤差范圍內能達到較高的累積概率，即定位精度較高。在同一誤差范圍內，SIFSA-CNN算法的累積概率優于其他算法，說明SIFSA-CNN算法的定位性能更優。在0.25～2 m的誤差范圍內，曲線平穩上升，沒有劇烈的波動，表明SIFSA-CNN算法的穩定性較好。

實驗5：定位可視化效果評估

為了更加直觀地評估定位測試的效果，用（x， y）散點圖表示參考測試點和預測點的位置，將定位誤差低于各場景平均誤差視為定位正確。圖8表明，在會議室場景中，能夠達到約95.02%的平均準確率。圖9表明，在實驗室場景中，能夠達到約91.13%的平均準確率。

3 結 語

本文提出了一種SIFSA和CNN融合的CSI室內定位方法。通過引入立方混沌映射和自適應慣性權重來優化FSA-CNN，進而顯著提高了定位精度。與現有技術相比，此方法在會議室和實驗室場景中的平均定位誤差分別為0.144 4 m和0.416 9 m，顯示出較高的準確性和魯棒性。盡管如此，當前研究在對復雜環境的適應能力和算法的計算效率上仍存在一定的不足。因此，未來的研究方向可以專注于探索更高效的室內定位算法，如結合注意力機制等先進技術提高模型的定位性能，以及結合更大規模或更復雜室內場景構造基于多特征多維度的室內定位方法等。

參考文獻

[1]王慧強，高凱旋，呂宏武.高精度室內定位研究評述及未來演進展望[J].通信學報，2021，42（7）：198-210.

[2]張天穎，史明泉，崔麗珍，等.基于二維卷積神經網絡的無線局域網室內定位系統[J].科學技術與工程，2023，23（28）：12168- 12174.

[3] HALPERIN D， HU W J， SHETH A， et al. Tool release： gathering 802.11n traces with channel state information [J]. Computer communication review， 2011（1）： 53.

[4] ZHU X Q， QIU T， QU W Y， et al. BLS-location： a wireless fingerprint localization algorithm based on broad learning [J]. IEEE transactions on mobile computing， 2023， 22（1）： 115-128.

[5]李芬芳，汝春瑞，黨小超，等.基于CSI和加權混合回歸的室內定位方法[J].傳感技術學報，2022，35（5）：667-675.

[6]周牧，龍玥辛，蒲巧林，等.基于CSI張量分解的室內WiFi指紋定位方法[J].通信學報，2021，42（11）：159-171.

[7]劉帥，王旭東，吳楠.一種基于卷積神經網絡的CSI指紋室內定位方法[J].工程科學學報，2021，43（11）：1512-1521.

[8] HAO C， ZHANG Y， WEI L， et al. ConFi： Convolutional neural networks based indoor WiFi localization using channel state information [J]. IEEE access， 2017， 5： 18066-18074.

[9] SUN L， WU L， ZHANG Z C， et al. An intelligent indoor localization system in the NLOS environment based on deep learning and CSI images [C]// 2022 14th International Conference on Wireless Communications and Signal Processing （WCSP）. [S.l.]： IEEE， 2022： 455-459.

[10]張紅欣.基于GSO-BP的數控機床進給軸熱誤差補償研究[J].物聯網技術，2021，11（9）：38-40.

[11]楊傲雷，金宏宙，陳靈，等.融合深度學習與粒子濾波的移動機器人重定位方法[J].儀器儀表學報，2021，42（7）：226-233.

[12]袁科，許素安，富雅瓊，等.基于WOSA-BP的車輛動態稱重算法研究[J].傳感技術學報，2024，37（1）：50-57.

[13] WANG Z H， LIU J H. Flamingo search algorithm： a new swarm intelligence optimization algorithm [J]. IEEE access， 2021， 99： 88564-88582.

[14]王奇.基于混沌折射差分進化算法的梯級水庫群蓄水期優化調度研究[D].武漢：華中科技大學，2022.

[15]王生亮， 劉根友.一種非線性動態自適應慣性權重PSO算法[J]. 計算機仿真， 2021， 38（4）：249-253.

[16] ZHU X Q， QU W Y， ZHOU X P， et al. Intelligent fingerprint-based localization scheme using CSI images for internet of things [J]. IEEE transactions on network science and engineering， 2022： 2378-2391.