李新春，黄朝晖

(1.辽宁工程技术大学 电子与信息工程学院，辽宁 葫芦岛 125105；2.辽宁工程技术大学 研究生院，辽宁 葫芦岛 125105)

0 引 言

便携设备的发展在当前新兴领域的增长中扮演着重要的角色，如基于位置服务(location based services，LBS)[1]和物联网应用(Internet of things applications，IOTA)[2-3]。在室外场景下，全球定位系统(global positioning system，GPS)基本满足了LBS和IOTA的需求，而室内环境中尚无法满足。于是基于无线局域网(wireless local area network，WLAN)的室内定位技术由于具有设备简单、覆盖范围广、普适性强等特点从中脱颖而出[4]。

目前，大多基于WLAN的定位方案使用接收信号强度(received signal strength，RSS)作为位置指纹[1-2,5]。然而，复杂室内环境中RSS的稳定性和可靠性受到多径衰落和时间动态的制约[6]，若将其作为信号特征并应用于定位中，则需大量的接入点 (access point，AP)以及复杂的数据处理工作来避免误匹配的问题。相比之下，作为物理层的细粒度信息的信道状态信息 (channel state information，CSI)可以表征该位置的多径特性，体现在对噪声干扰的强大鲁棒性上，因而选择CSI作参量的定位方法在定位精度上大多优于RSS。

文献[7]结合CSI频率和空间上的数值并求其均值代替RSS作为指纹，验证了定位精度优于传统的RSS识别方法。文献[8]利用多输入多输出(multiple-input multiple-out-put，MIMO)技术对多载波多天线的CSI进行聚合，并分别使用K近邻和概率贝叶斯得到目标位置的估计值。以上2种方法均使用所有样本的平均值，而均值方法并不能充分地反映出位置的多径信息。文献[9]将深度学习应用于CSI指纹训练，提出了DeepFi系统，利用贪心算法训练多重数据包以重构指纹，通过径向基函数(radial basis function，RBF)的概率方法估计位置，其中利用反向传播算法对权值微调，很容易陷入局部最优，多次训练会影响收敛速度。……