利用 CSI 双模特征的多视图判别学习室内定位方法

随着基于位置服务的发展，室内定位因有助于实现泛在环境而备受关注。具体而言，利用无线信号的无设备定位正获得越来越多的关注，其通过人体对周围无线信号的影响来估计人的位置，而无需被测对象携带任何主动设备。本文提出 MuDLoc，一种利用来自多个 AP 的信道状态信息（CSI）的幅度与相位双模特征、面向无设备室内定位的多视图判别学习方法。多视图学习是机器学习中的新兴技术，通过利用不同视图数据的多样性来提升性能。在 MuDLoc 中，定位被建模为模式匹配问题，基于未知位置与训练位置的 CSI 特征相似度度量来预测目标位置。MuDLoc 实现了广义视图间与视图内判别相关分析（GI$^{2}$DCA），一种利用多视图 CSI 的判别特征提取方法。它在最大化多视图数据集间成对相关性的同时，纳入视图间与视图内的类关联。通过相似度度量寻找最佳匹配以实现对象定位。来自两个杂乱环境的实验结果表明，MuDLoc 能以高精度估计位置，优于其他基准方法。