(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 202210786196.6 (22)申请日 2022.07.04 (71)申请人 南京邮电大 学 地址 210023 江苏省南京市 鼓楼区新模范 马路66号 (72)发明人 颜俊　孙卫　曹艳华　 (74)专利代理 机构 南京苏科专利代理有限责任 公司 32102 专利代理师 姚姣阳 (51)Int.Cl. G06V 40/20(2022.01) G06T 7/73(2017.01) G06V 10/80(2022.01) G06K 9/00(2022.01) G06V 10/764(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 信道状态信息的动作和位置的联合估计方 法 (57)摘要 本发明提供了一种信道状态信息的动作和 位置的联合估计方法， 主要包括以下步骤： 提取 CSI信号的幅值信息； 去除CSI信号的异常值并平 滑去噪； 构建多个训练样本矩阵并通过图像渲染 技术转成RGB图像； 得到多个位置估计模型和多 个动作识别模 型； 构建多个测试样 本矩阵并通过 图像渲染技术转成RGB图像； 将RGB图像分别输入 到多个位置估计模型和多个动作识别模型中， 分 别得到多个位置估计预测结果和动作识别预测 结果， 通过决策融合得到位置估计最终预测结果 和最终预测结果。 本发明过分布式训练加快训练 速度和模型收敛速度， 通过决策融合的方式将不 同的位置估计模型和动作识别模型的输出结果 加权融合， 大大提高了位置和动作识别的分类效 果。 权利要求书2页 说明书6页 附图2页 CN 115171211 A 2022.10.11 CN 115171211 A 1.一种信道状态信息的动作和位置的联合估计方法， 其特 征在于， 主 要包括以下步骤： 步骤1、 设置多个接收端并分别测量CSI信号， 提取CSI信号的幅值信息； 步骤2、 通过Hamp el滤波和Gauss滤波进行数据预处理， 去除CSI信号的异常值并平滑去 噪； 步骤3、 构建多个训练样本矩阵并通过图像渲染技 术转成RGB图像； 步骤4、 将RGB图像通过CNN网络在多个GPU上进行分布式训练， 得到多个位置估计模型 和多个动作识别模型； 步骤5、 在多个接收端分别测量CSI信号， 提取CSI信号的幅值信息； 步骤6、 通过Hamp el滤波和Gauss滤波进行数据预处理， 去除CSI信号的异常值并平滑去 噪； 步骤7、 构建多个测试样本矩阵并通过图像渲染技 术转成RGB图像； 步骤8、 将步骤7得到的RGB图像分别输入到多个位置估计模型和多个动作识别 模型中， 分别得到多个位置估计预测结果和多个动作识别预测结果， 将多个位置估计预测结果通过 决策融合得到位置估计最 终预测结果， 将多个动作 识别预测结果通过决策融合得到动作识 别最终预测结果。 2.根据权利要求1所述的信道状态信 息的动作和位置的联合估计方法， 其特征在于： 包 括离线阶段和在线阶段， 其中步骤1 ‑步骤4在离线阶段完成， 步骤5 ‑步骤8在在线阶段完成。 3.根据权利要求1所述的信道状态信 息的动作和位置的联合估计方法， 其特征在于， 步 骤1具体包括以下步骤： 步骤11、 在发射端和接收端分别设置3根发射天线和3根接收天线， 在5GHz频段下采集 CSI信号； 步骤12、 选择15个位置作 为位置估计的参考点， 以及在每个位置下设置6个不同的动作 作为动作识别的参考动作， 接收端的采样频率为200HZ， 即每秒接收200个CSI信号数据包， 每个位置的每 个动作下分别采集10s。 4.根据权利要求1所述的信道状态信 息的动作和位置的联合估计方法， 其特征在于， 步 骤2具体包括以下步骤： 步骤21、 通过Hampel滤波器滤除CSI信号的尖锐异常值； 步骤22、 通过Guas s滤波器对CSI信号进行平 滑去噪处 理。 5.根据权利要求1所述的信道状态信 息的动作和位置的联合估计方法， 其特征在于， 步 骤3具体包括以下步骤： 步骤31、 构建多个训练样本矩阵； 步骤32、 使用(0 ‑1)归一化消除奇异样本数据； 步骤33、 利用jet函数将归一化后的训练样本矩阵渲染成RGB图片， 渲染过后的RGB图片 的尺寸为30*30。 6.根据权利要求5所述的信道状态信 息的动作和位置的联合估计方法， 其特征在于， 步 骤31具体包括以下步骤： 步骤311、 采用单天线收发CSI信号， 在不同位置的同一个动作下都采集2000个CSI信号 数据包作为 一个csi.dat文件； 步骤312、 对每个CSI信号数据包的30个CSI子载波提取幅度得到一个1*30的矩阵形式权　利　要　求　书 1/2 页 2 CN 115171211 A 2的CSI幅度数据， 每3 0个数据包的数据构成一个样本矩阵， 样本矩阵的大小为3 0*30。 7.根据权利要求1所述的信道状态信 息的动作和位置的联合估计方法， 其特征在于： 步 骤4具体包括以下步骤： 步骤41、 将训练样本矩阵分成多个batc h， 通过CN N网络进行模型训练； 步骤42、 在多个GPU上分别保留一份模型的副本， 每 个batch在不同的GPU上分别训练； 步骤43、 利用梯度同步 技术对每个GPU上的l oss进行参数 更新。 8.根据权利要求7所述的信道状态信 息的动作和位置的联合估计方法， 其特征在于： 步 骤41中， CN N网络的第i层特 征矩阵s(i， j)为 其中， X为卷积神经网络的输入， n为输入矩阵的个数以及张量的最后一维的维数， Xk代 表第k个输入矩阵， Wk代表卷积核的第k个子卷积核矩阵， s(i， j)代表卷积核W对应的输出矩 阵的对应位置元 素的值， b表示第i层的偏移量矩阵。 9.根据权利要求7所述的信道状态信 息的动作和位置的联合估计方法， 其特征在于， 所 述梯度同步 技术采用同步SGD算法： 其中， D代表一个样本集合， θ表示所有参数的集合， φ表示学习率， Loss(X， y)表示所有 loss的平均值。 10.根据权利要求1所述的信道状态信息的动作和位置的联合估计方法， 其特征在于： 步骤8具体包括以下步骤： 步骤81、 分别计算多个位置估计模型和动作识别模型在Softmax层的输出； 步骤82、 通过网格搜索法选取不同的权重w对不同的位置估计模型和动作识别模型的 Softmax的输出进行加权融合， 得到位置估计最终预测结果和动作识别最终预测结果。权　利　要　求　书 2/2 页 3 CN 115171211 A 3