✅博主简介：本人擅长建模仿真、数据分析、论文写作与指导，项目与课题经验交流。项目合作可私信或扫描文章底部二维码。

---

随着物联网（IoT）技术的迅猛发展，基于位置的服务（LBS）需求逐渐增多，室内定位作为关键技术之一，受到了广泛关注。室内环境中，无线信号传输易受到多路径效应和非视距(NLOS)的干扰，传统的接收信号强度指示(RSSI)技术在复杂环境下定位精度较差。而基于Wi-Fi信道状态信息（CSI）的室内定位技术通过提取子载波级别的物理层信息，能够更有效地抵抗多路径干扰和NLOS问题，从而提高定位精度。因此，近年来，基于CSI的室内定位技术成为研究热点，并与深度学习技术结合，开辟了新的研究方向。

在CSI室内定位中，深度学习通过自动提取特征和建模复杂非线性关系，使得定位精度和效率进一步提升。本文主要介绍基于高斯混合模型(GMM)和密度聚类(DBC)的CSI定位算法，并讨论一种结合过采样算法与图卷积神经网络（PS-GCN）的改进方法，旨在解决CSI定位过程中精度不足、计算复杂度高和数据不平衡等问题。

一、基于高斯混合模型与密度聚类的CSI室内定位算法

1. 高斯混合模型的引入与初步估计

在室内定位中，贝叶斯定位算法由于其稳健性和理论基础被广泛应用。然而，贝叶斯定位在处理复杂的室内环境时，精度不足且计算复杂度较高。为此，基于CSI信号的特性，提出了高斯混合模型(GMM)和密度聚类(DBC)结合的定位算法。

高斯混合模型是一种概率模型，假设CSI信号的分布可以由多个高斯分布的加权和构成。通过对这些高斯分布的参数进行初步估计，能够有效捕捉CSI信号的变化特征。在初始阶段，我们通过最大似然估计和期望最大化(EM)算法来确定高斯分布的参数，包括均值、协方差矩阵和混合系数。在定位过程中，这些估计值将用于计算CSI数据的误差，从而为后续步骤提供基础。

2. 确定分模型个数的策略与模型更新

在实际应用中，确定高斯混合模型的分布个数对模型的精度有着重要影响。为了减少由于模型误差引发的定位不准确，本文引入了确定分模型个数(DSM)的策略。DSM策略结合误差计算结果，动态调整GMM模型的参数，以优化模型的精度。在每一轮的迭代中，系统会根据当前的误差分布情况，自动更新高斯混合模型的参数，并决定是否需要增减分布个数。这种动态调整机制使得定位模型更加灵活，能够适应复杂多变的室内环境。

3. 基于密度聚类的参考点选择

为了进一步提高定位精度，本文采用了密度聚类(DBC)方法来减少计算复杂度。密度聚类算法通过分析不同参考点的分布特征，识别出CSI数据之间的密集区域。将相互接近且密度较高的参考点划分为同一类，从而有效减少搜索空间。这一过程能够显著降低定位算法的时间复杂度，因为系统不再需要对整个区域进行全面搜索，而是将定位过程限定在聚类区域内。实验表明，这种方法在减少定位时间的同时，能够保持较高的定位精度。

4. 改进的贝叶斯概率权值计算

在完成聚类之后，定位算法将基于分簇结果，利用改进的贝叶斯概率算法进行权值计算。通过分析不同参考点的概率分布情况，结合各类参考点间的相似性，算法能够计算出每个参考点的权重，并根据这些权重最终确定用户位置。这一改进有效提升了定位的精确度，同时减少了计算开销。

通过上述步骤，基于GMM-DBC的CSI室内定位算法在定位精度和效率上均取得了显著提升。仿真实验表明，当定位误差在2.75米以内时，累积概率分布达到93.3%，平均定位时间仅为13.2秒，优于其他常见的CSI定位算法。

二、基于过采样算法与图卷积神经网络的CSI室内定位改进方法

1. 改进的过采样算法

在CSI室内定位的指纹数据库建立过程中，数据维度高且指纹样本不平衡是两个常见问题。高维数据容易导致计算量增加，样本不平衡则会影响定位模型的泛化能力。为了应对这些挑战，本文提出了一种改进的过采样算法，通过降低数据维度并平衡样本分布，提升CSI定位模型的性能。

首先，过采样算法通过生成额外的虚拟样本来扩充数据集中的少数类数据，以解决数据不平衡的问题。通过引入随机扰动和插值技术，该算法能够生成与原始样本相似但不完全相同的新数据点，从而丰富指纹数据库。其次，改进后的过采样算法还引入了数据降维技术，采用主成分分析(PCA)等方法，减少CSI数据的维度，同时保留重要的数据信息。这一过程在减小计算复杂度的同时，确保了数据的有效性。

2. 图卷积神经网络（GCN）的引入

传统的深度学习方法在处理CSI数据时，容易受到信号相位扭曲的影响，导致难以提取有效的空间特征。为了解决这一问题，本文引入了图卷积神经网络（GCN），通过捕捉CSI数据的非欧氏空间结构，提高特征提取能力。

GCN通过构建邻接矩阵，将CSI信号的多个子载波之间的关系表示为图结构。相较于传统的卷积神经网络(CNN)，GCN能够处理节点之间的复杂关联，并通过图卷积层聚合节点信息，生成具有全局特征的表示。在本算法中，CSI信号的子载波之间具有显著的相关性，通过GCN能够有效挖掘这些潜在关系，从而提高定位精度。

3. 子载波关系的建模与余弦距离

为了进一步优化CSI数据的特征提取，本文基于余弦距离构建了子载波之间的邻接矩阵。通过计算子载波之间的相似度，能够发现和利用子载波间的内在关系。邻接矩阵不仅能够反映子载波之间的直接关系，还能通过图卷积操作聚合不同子载波的信息，形成更加丰富的特征表示。这种方法有效弥补了传统CNN在处理多子载波数据时的局限性，使得CSI数据在高维空间中的特征更加清晰。

4. 端到端的监督学习与特征提取

在PS-GCN算法中，采用端到端的监督学习方式，通过图卷积神经网络直接从原始CSI数据中提取有效特征，并进行定位。监督学习的目标函数结合了定位精度和特征提取的有效性，通过反向传播不断调整模型参数。最终，系统能够自动学习到最优的特征表示，并将其用于精确的室内定位。

仿真实验表明，基于过采样算法和图卷积神经网络的PS-GCN定位算法在定位误差小于2.75米时，累积概率分布达到93.8%，平均定位时间为1.04秒，显著优于其他常规CSI定位方法。

import numpy as np
from sklearn.mixture import GaussianMixture
from sklearn.cluster import DBSCAN
import networkx as nx
from sklearn.metrics.pairwise import cosine_similarity

# GMM模型参数估计
def fit_gmm(data, n_components):
    gmm = GaussianMixture(n_components=n_components)
    gmm.fit(data)
    return gmm

# 密度聚类算法
def density_clustering(data, eps=0.5, min_samples=5):
    clustering = DBSCAN(eps=eps, min_samples=min_samples).fit(data)
    return clustering.labels_

# 构建子载波的邻接矩阵
def build_adj_matrix(subcarriers):
    similarity_matrix = cosine_similarity(subcarriers)
    return similarity_matrix

# GCN层定义
import torch
import torch.nn as nn

class GraphConvolutionLayer(nn.Module):
    def __init__(self, in_features, out_features):
        super(GraphConvolutionLayer, self).__init__()
        self.linear = nn.Linear(in_features, out_features)
    
    def forward(self, adjacency_matrix, features):
        output = torch.matmul(adjacency_matrix, features)
        output = self.linear(output)
        return output

# 图卷积神经网络定义
class GCN(nn.Module):
    def __init__(self, n_features, n_hidden, n_output):
        super(GCN, self).__init__()
        self.gc1 = GraphConvolutionLayer(n_features, n_hidden)
        self.gc2 = GraphConvolutionLayer(n_hidden, n_output)
    
    def forward(self, adjacency_matrix, features):
        x = torch.relu(self.gc1(adjacency_matrix, features))
        x = self.gc2(adjacency_matrix, x)
        return x

# 示例数据
data = np.random.rand(100, 30)  # 100个样本，每个样本30维CSI数据
adj_matrix = build_adj_matrix(data)

# 初始化GCN
model = GCN(n_features=30, n_hidden=16, n_output=2)

# GCN前向传播
features = torch.FloatTensor(data)
adjacency_matrix = torch.FloatTensor(adj_matrix)
output = model(adjacency_matrix, features)

print("GCN输出结果: ", output)