一种基于轻量级神经网络的FM机会信号定位方法
本发明属于定位导航，特别涉及一种基于轻量级神经网络的fm机会信号定位方法。
背景技术：
1、机会信号定位是一种利用电磁环境中现存信号作为信号源辅助定位的方法。基于fm信号的机会信号定位技术通过分析不同位置接收到的fm广播信号的特征差异来实现定位。传统的卫星信号定位在室内等遮蔽环境中效果不佳，而fm信号具有良好的穿透能力和广泛的覆盖范围，能够弥补这一不足。此外，基于fm信号的定位技术借助现有信号源，能有效降低成本和能耗，为虚拟现实、智能家居和工业物联网等新兴应用提供高效的定位解决方案。因此，这项技术在提升定位系统覆盖范围和精度等方面具有重要意义。
2、传统的fm机会信号定位方法通过分析接收到的fm信号的能量特征，以接收信号的能量值来判定位置。然而，由于fm信号传输信道的复杂性和多变性，接收信号的能量值在不同时间会有较大波动。此外，能量值的颗粒度较大，包含的信息量有限，因此基于fm信号的能量特征的定位方法通常精度较低。基于深度学习的fm机会信号定位方法能够提取fm信号中的高维特征，分析信号的深层表示，更充分地利用fm信号中的信息。现有方法利用深度学习出色的特征提取能力，通过对fm信号的时频表征进行分析，实现了定位精度的显著提升。然而，这些方法需要通过时频变换算法计算时频图，并使用复杂的神经网络解析时频图，导致计算复杂度和参数存储量较高，不利于实际应用部署。在场景切换时，这些方法还需要大量新场景的样本来重新训练网络模型，开销较大。因此，提高fm信号定位性能的同时降低复杂度，并在切换场景时减小开销，同时最大限度地发挥深度学习从原始信号中学习丰富特征的优势，对于fm机会信号定位至关重要。
技术实现思路
1、本发明针对现有基于深度学习的fm机会信号定位方法的局限性，提出一种基于轻量级神经网络的fm机会信号定位方法，称为fm-pnet-lo，以降低复杂度。具体的，首先划分定位场景并建立平面直角坐标系，然后在场景内设定参考点并采集参考点的fm信号。将参考点采集到的信号的iq序列标注坐标标签后进行功率归一化处理，作为网络模型的输入，建立轻量级神经网络，通过最小化损失函数训练网络，获得该场景下的fm信号定位模型，并将待定位点的信号输入网络进行推理定位。在切换场景时，使用迁移学习的方法，冻结源场景定位模型的部分参数，并用少量新场景样本微调模型，以得到新场景的定位模型。
2、一种基于轻量级神经网络的fm机会信号定位方法，包括如下步骤：
3、步骤1、设定定位场景和参考点：
4、将待定位点所在的区域设为定位场景，将该场景抽象成平面并建立笛卡尔坐标系。在整个定位场景范围内，按照需求分辨率，等间隔设置参考点，并根据坐标系标注各个点的二维坐标；
5、步骤2、采集参考点fm信号：
6、在定位场景内设置的各个参考点上按要求采集fm频段内的宽带信号。固定各个参考点采集的信号中心频率、采样率、采集时长以及采集设备天线高度；
7、步骤3、制作参考点样本：
8、将各个参考点采集到的fm机会信号离散化后，对得到的的数字信号提取i路(实部)和q路(虚部)，将i路和q路叠放为二维iq序列，并以n的长度分段制作成fm机会信号的iq样本，即参考点样本；
9、步骤4、参考点样本功率归一化：
10、对参考点样本的功率进行归一化，减轻不同时空下信道实际情况不同而造成功率差异对样本时效性的影响；
11、步骤5、构建参考点定位数据集：
12、将所述所有样本按照一定的比例随机划分成两个集合，作为用于深度学习训练的训练集和验证集，训练集和验证集中各个样本标签为该样本所在参考点的坐标；
13、步骤6、搭建fm信号定位神经网络：
14、搭建用于fm机会信号定位的轻量级神经网络，所述神经网络采用mobilenetv3架构，包括一个改进的输入卷积层、多个瓶颈结构和压缩与激励(squeeze-and-excitation，se)模块。所述的改进的输入卷积层通过调整卷积核的维度以适应输入形状，并且缩小了卷积核的尺寸以降低复杂度。神经网络的输入为fm机会信号的iq样本，该网络将从输入中提取得到的深度特征送入用于分类的全连接层，最后经过softmax输出置信度；
15、步骤7、定位模型训练：
16、利用所述训练集和验证集对所述轻量级神经网络进行训练，损失函数为交叉熵，训练得到基于fm机会信号定位的神经网络模型；
17、步骤8、采集并制作待定位点样本：
18、采集待定位点fm信号，采集方式与步骤2相同。制作机会信号样本，制作方法与步骤3相同；
19、步骤9、待定位点样本功率归一化：
20、对制作好的待定位点样本进行功率归一化；
21、步骤10、神经网络推理定位：
22、依次将归一化后的定位点样本输入训练好的轻量级神经网络，分类判别该待定位点与参考点的位置关系，根据置信度推理，推理得到待定位点在定位场景坐标系内的二维坐标。
23、步骤11、定位场景迁移：
24、在切换定位场景时，采用迁移学习方法，将原定位场景训练好的定位模型的部分特征提取层冻结，并修改输出的全连接层，以更低的学习率对所有未冻结的参数进行微调。
25、通过该方式辅助新场景定位模型的训练，可以显著减少新场景定位模型的训练复杂度和所需样本量。
26、与现有技术相比，本发明至少可以实现如下有益效果：
27、1、本发明直接利用fm信号原始iq数据作为网络的输入，而不经过人工提取特征，深度神经网络直接从原始数据中学习支撑fm机会信号定位的深度特征，在降低算法复杂度的同时能维持定位性能。
28、2、本发明以mobilenetv3结构为原型搭建了轻量级神经网络，极大降低了网络的训练复杂度和参数存储量，更易于实际应用部署。
29、3、本发明结合了迁移学习的方法，在切换定位场景时极大减少了新场景样本的需求量，和新场景定位模型的训练复杂度。
30、本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
技术特征：
1.一种基于轻量级神经网络的fm机会信号定位方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于轻量级神经网络的fm机会信号定位方法，其特征在于，设定定位场景和参考点具体方法如下：
3.根据权利要求1所述的一种基于轻量级神经网络的fm机会信号定位方法，其特征在于，采集参考点fm信号具体方法如下：
4.根据权利要求1所述的一种基于轻量级神经网络的fm机会信号定位方法，其特征在于，所述制作fm机会信号的iq样本的方法为：
5.根据权利要求4所述的一种基于轻量级神经网络的fm机会信号定位方法，其特征在于，所述功率归一化方法为：
6.根据权利要求1所述的一种基于轻量级神经网络的fm机会信号定位方法，其特征在于，所述轻量级神经网络包含了一系列卷积层和瓶颈结构，用于高效地提取特征；在瓶颈结构中，使用了深度卷积和se模块，以减少计算量和参数量；每个瓶颈结构中，包含一个逐点卷积，一个深度卷积，以及另一个逐点卷积；在某些瓶颈结构中，se模块通过全局平均池化和激活函数来调整通道权重；网络中的激活函数主要采用了激活函数；最后，采用全局平均池化层将深度特征转换为固定形状，然后通过全连接层进行分类输出。
7.根据权利要求1-6任意一项所述的一种基于轻量级神经网络的fm机会信号定位方法，其特征在于，利用所述训练集和验证集对所述轻量级神经网络进行训练，训练过程中使用的初始学习率为0.01，训练轮数上限为20轮，每次迭代使用的小批量数据大小为128；学习率每5轮降至当前的0.5倍；使用的优化算法是adam算法，训练得到基于fm机会信号定位的神经网络模型；
8.根据权利要求7所述的一种基于轻量级神经网络的fm机会信号定位方法，其特征在于，对待定位点进行定位推理时包括如下步骤：
9.根据权利要求7所述的一种基于轻量级神经网络的fm机会信号定位方法，其特征在于，步骤11具体方法如下：
10.根据权利要求9所述的一种基于轻量级神经网络的fm机会信号定位方法，其特征在于，在切换定位场景时，采用迁移学习方法，将原定位场景训练好的定位模型的部分特征提取层冻结，并修改输出的全连接层，以更低的学习率对所有未冻结的参数进行微调；
技术总结
本发明公开了一种基于轻量级神经网络的FM机会信号定位方法。首先划分定位场景并建立平面直角坐标系，然后在场景内设定参考点并采集参考点的FM信号。将信号的IQ序列标注坐标标签后进行功率归一化处理，作为网络模型的输入，建立轻量级神经网络，通过最小化损失函数训练网络，获得该场景下的FM信号定位模型，并将待定位点的信号输入网络进行推理定位。在切换场景时，使用迁移学习的方法，以得到新场景的定位模型。本方法简单易部署，且能极大降低定位系统复杂度。同时，在场景切换时使用迁移学习方法，减轻了新场景模型训练负担，减少对新场景参考点样本量的需求，极大降低了场景切换造成的开销。
技术研发人员：胡嘉成,赵知劲
受保护的技术使用者：杭州电子科技大学
技术研发日：
技术公布日：2024/9/23