(19)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 202211474054.2 (22)申请日 2022.11.23 (71)申请人 南京第三代通信科技有限公司 地址 210000 江苏省南京市 建邺区云龙山 路88号烽火科技大厦 (72)发明人 黄东东　毛斐　强小应　 (74)专利代理 机构 南京中擎科智知识产权代理 事务所(普通 合伙) 32549 专利代理师 黄智明 (51)Int.Cl. H04W 4/33(2018.01) H04W 64/00(2009.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于卷积神经网络的WIFI室内定位方 法 (57)摘要 本发明提供了一种基于卷积神经网络的 WIFI室内定位方法， 包括位置数据采集、 信道数 据采集、 模型训练及位置预测。 通过本发明的方 法， 可以更低的成本、 更快的响应实现用户设备 的更高精度的定位。 权利要求书2页 说明书5页 附图3页 CN 115550863 A 2022.12.30 CN 115550863 A 1.一种基于卷积神经网络的W IFI室内定位方法， 其特 征在于， 所述方法包括如下步骤： S1位置数据采集： 标记UE的室内位置坐标； S2信道数据采集： Smart  Unit从UE接入的AP获取上下行信道矩阵， 合并后组成特征数 据， 打上位置标签后构成一条完整的数据； S3模型训练： 将步骤S1获取的UE位置坐标和步骤S2 获取的信道矩阵作 为训练数据输入 深度学习算法模型中， 通过不断的训练学习， 保存最优 模型； S4位置预测： 将实时采集的信道矩阵数据输入训练后的深度学习算法模型中， 输出用 户的位置信息 。 2.如权利要求1所述的基于卷积神经网络的WIFI室内定位方法， 其特征在于， 所述步骤 S1进一步包括： S11、 将室内空间在3维地图上划分为单 元格； S12、 AP均匀分布在四周或者室内； S13、 根据UE所在的单 元格索引， 标记位置座标。 3.如权利要求1所述的基于卷积神经网络的WIFI室内定位方法， 其特征在于， 所述步骤 S2进一步包括： S21、 在同一时隙内， UE测量周边的AP的下行参考信号， 并将测量的信道矩阵发送给接 入的AP， 由接入的AP发送给Smar t Unit； S22、 在同一时隙内， 周边的AP测量同一个UE的上行参考信号， 并将测量的信道矩阵发 送给接入的AP， 由接入的AP发送给Smar t Unit； S23、 Smart  Unit合并上下行信道矩阵， 组成特征数据， 并打上位置标签， 构成一条完整 数据。 4.如权利要求3所述的基于卷积神经网络的WIFI室内定位方法， 其特征在于， 所述步骤 S21获取下行信道矩阵的步骤进一 步包括： S211服务AP下行信道估计： UE接收到服务AP的pilot后进行下行信道估计， UE通过 report消息将下 行信道矩阵发送给服 务AP； S212非服务AP下行信道估计： UE接收到非服务AP的pilot后进行下行信道估计， UE通过 report消息将下 行信道矩阵发送给服 务AP。 5.如权利要求3所述的基于卷积神经网络的WIFI室内定位方法， 其特征在于， 所述步骤 S22获取上行信道矩阵的步骤进一 步包括： S221服务AP上行信道估计： UE向服务AP发送SRS导频探测信号， 服务AP接收到UE发送的 SRS信号后进行 上行信道估计； S222非服务AP 上行信道估计： 服务AP把UE的ID和SRS配置和AP的ID告知非服务AP， 非服 务AP接收到UE发送的SRS信号后进行上行信道估计， 非服务AP将上行信道矩阵发送给服务 AP。 6.如权利要求1所述的基于卷积神经网络的WIFI室内定位方法， 其特征在于， 所述步骤 S3中的深度学习算法模型为ResNet5 0模型。 7.如权利要求6所述的基于卷积神经网络的WIFI室内定位方法， 其特征在于， 所述步骤 ResNet50模型的超参数为： Learning rate = 0.0001权　利　要　求　书 1/2 页 2 CN 115550863 A 2Optimizer  = adam Dropout = 0.5 batch size = 16。权　利　要　求　书 2/2 页 3 CN 115550863 A 3