摘 要：針對(duì)傳統(tǒng)室內(nèi)定位方法存在的定位精度低及對(duì)復(fù)雜環(huán)境適應(yīng)性不足的問(wèn)題，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的信道狀態(tài)信息室內(nèi)定位方法，以提高定位精度并增強(qiáng)對(duì)復(fù)雜環(huán)境的適應(yīng)能力。該方法通過(guò)立方混沌映射初始化和自適應(yīng)慣性權(quán)重混合優(yōu)化的火烈鳥(niǎo)搜索算法（SIFSA）對(duì)CNN進(jìn)行優(yōu)化訓(xùn)練，在離線階段收集不同位置的CSI特征圖像訓(xùn)練網(wǎng)絡(luò)模型，學(xué)習(xí)CSI特征與實(shí)際位置的映射關(guān)系；在線階段使用訓(xùn)練好的模型預(yù)測(cè)測(cè)試點(diǎn)位置，并結(jié)合基于分類概率的定位算法實(shí)現(xiàn)精確定位。實(shí)驗(yàn)在會(huì)議室和實(shí)驗(yàn)室兩種場(chǎng)景中進(jìn)行，分別獲得了14.44 cm和41.69 cm的平均定位誤差。與CNN、WOA-CNN、FSA-CNN算法相比，會(huì)議室場(chǎng)景中的平均誤差分別優(yōu)化了66.70%、58.33%、22.49%，實(shí)驗(yàn)室場(chǎng)景中的平均定位誤差分別優(yōu)化了38.36%、34.99%、11.73%。實(shí)驗(yàn)表明，所提出的基于CNN的CSI室內(nèi)定位方法相較于其他定位方法顯著提高了定位精度，并在不同場(chǎng)景下均展現(xiàn)出優(yōu)越的性能。

關(guān)鍵詞：室內(nèi)定位；信道狀態(tài)信息；卷積神經(jīng)網(wǎng)絡(luò)；火烈鳥(niǎo)搜索算法；立方混沌映射；自適應(yīng)慣性權(quán)重

中圖分類號(hào)：TP39 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2025）08-00-06

0 引 言

現(xiàn)代社會(huì)，隨著無(wú)線傳感器網(wǎng)絡(luò)和移動(dòng)互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展，基于位置服務(wù)（Location Based Service， LBS）的室內(nèi)環(huán)境研究備受關(guān)注[1]。相較于室外環(huán)境，室內(nèi)環(huán)境更加復(fù)雜，墻壁和各種物體等環(huán)境因素使得無(wú)線信號(hào)易受到多徑效應(yīng)干擾，進(jìn)而影響定位精度。而基于接收信號(hào)強(qiáng)度指示（Received Signal Strength Indicator， RSSI）的定位方法，雖然實(shí)施簡(jiǎn)便，但其受限于多徑效應(yīng)引發(fā)的信號(hào)反射、折射和衍射現(xiàn)象，導(dǎo)致接收到的信號(hào)在多個(gè)路徑上疊加，使得RSSI值波動(dòng)，影響定位準(zhǔn)確性[2]。因此，更細(xì)粒度的信道狀態(tài)信息隨著IEEE 802.11n的提出被引入到WiFi協(xié)議中[3]，與RSSI相比，CSI（Channel State Information）能夠更好地避免多徑效應(yīng)的干擾，更準(zhǔn)確地反映環(huán)境中的散射和功率衰減特性。近年來(lái)，基于CSI的定位算法取得了顯著進(jìn)展，例如，文獻(xiàn)[4]提出了基于廣泛學(xué)習(xí)系統(tǒng)的CSI定位算法。文獻(xiàn)[5]結(jié)合CSI與加權(quán)混合回歸方法優(yōu)化了室內(nèi)定位。文獻(xiàn)[6]則利用CSI張量分解和偏最小二乘回歸進(jìn)行位置估計(jì)。這些進(jìn)展表明，CSI在提升室內(nèi)定位精度方面具有很大潛力。

近年來(lái)，深度學(xué)習(xí)技術(shù)，特別是卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN）在圖像處理領(lǐng)域取得了顯著成效，已被成功應(yīng)用于處理CSI數(shù)據(jù)以提高定位精度。例如，文獻(xiàn)[7]提出一種基于CNN的室內(nèi)定位方法，結(jié)合CSI的幅度差和相位差構(gòu)成指紋，利用CNN提取特征，實(shí)現(xiàn)精準(zhǔn)定位。文獻(xiàn)[8]提出一個(gè)基于CNN的WiFi室內(nèi)定位系統(tǒng)，將定位問(wèn)題看作分類問(wèn)題，并將多個(gè)天線與RGB圖像的三個(gè)通道進(jìn)行比較，以構(gòu)建CSI特征圖像，進(jìn)行圖像分類。文獻(xiàn)[9]提出一種基于深度學(xué)習(xí)和CSI圖像的非視距環(huán)境下多AP智能室內(nèi)定位方案。使用CSI的幅度和相位差構(gòu)造了一種新型CSI圖像，并將其用作2D-CNN的輸入。

盡管如此，深度學(xué)習(xí)模型在訓(xùn)練過(guò)程中由于超參數(shù)的設(shè)置問(wèn)題而出現(xiàn)欠擬合狀態(tài)，影響定位性能。因此，元啟發(fā)式智能優(yōu)化算法被引入到神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中。文獻(xiàn)[10]結(jié)合螢火蟲(chóng)算法和BP神經(jīng)網(wǎng)絡(luò)，建立了GSO-BP數(shù)學(xué)模型，實(shí)現(xiàn)了一定的工程應(yīng)用價(jià)值。文獻(xiàn)[11]提出了一種結(jié)合深度學(xué)習(xí)與粒子濾波的移動(dòng)機(jī)器人綁架后重定位方法，有效克服了單獨(dú)使用粒子濾波在綁架后重定位中的不足。文獻(xiàn)[12]提出了基于鯨魚(yú)優(yōu)化算法（Whale Optimization Algorithm， WOA）和模擬退火算法 （Simulated Annealing， SA）混合優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network， BPNN）動(dòng)態(tài)稱重模型，利用WOSA-BP模型對(duì)實(shí)際車輛總重和軸重進(jìn)行預(yù)測(cè)，并取得了較好的預(yù)測(cè)效果。

基于上述問(wèn)題，本文提出了一種基于混沌自適應(yīng)優(yōu)化算法的CNN室內(nèi)定位模型，旨在通過(guò)利用混沌映射策略和自適應(yīng)權(quán)重策略增強(qiáng)火烈鳥(niǎo)搜索算法（Flamingo Search Algorithm， FSA）的初始種群隨機(jī)性及種群行為適應(yīng)性以優(yōu)化CNN網(wǎng)絡(luò)的超參數(shù)，最終提升CSI室內(nèi)定位的精度和穩(wěn)定性。具體而言，通過(guò)研究達(dá)到以下目標(biāo)：

（1）提出一種有效的改進(jìn)火烈鳥(niǎo)搜索算法，以便高效地搜索CNN的最優(yōu)參數(shù)配置；

（2）構(gòu)建并優(yōu)化基于CNN的CSI室內(nèi)定位模型，以提高定位精度和穩(wěn)定性；

（3）通過(guò)實(shí)驗(yàn)驗(yàn)證所提方法的有效性和優(yōu)越性。

1 理論分析

1.1 信道狀態(tài)信息

CSI是在通信系統(tǒng)中用于描述信道特性的信息。在無(wú)線通信中，CSI通常指接收端獲取的關(guān)于信道的狀態(tài)信息，包括信號(hào)的幅度、相位、多徑效應(yīng)等。數(shù)學(xué)上，CSI可以用復(fù)數(shù)表示，其中包括幅度和相位信息。

幅度信息反映了信號(hào)在特定子載波上的強(qiáng)度或大小。相位信息描述了信號(hào)波形在特定時(shí)間點(diǎn)上的位置或狀態(tài)。相位信息在室內(nèi)環(huán)境中相對(duì)穩(wěn)定，不易受到環(huán)境噪聲和干擾的影響。相比之下，幅度信息可能因多徑效應(yīng)、信號(hào)衰減和環(huán)境變化等因素而產(chǎn)生較大的波動(dòng)。因此，在利用信道狀態(tài)信息進(jìn)行室內(nèi)定位時(shí)，主要利用CSI相位信息而不是幅度信息。

1.2 SIFSA算法

火烈鳥(niǎo)搜索算法是文獻(xiàn)[13]于2021年提出的一種受火烈鳥(niǎo)覓食行為及遷徙行為進(jìn)行模擬等數(shù)學(xué)模型的一種元啟發(fā)式算法。雖然模擬了火烈鳥(niǎo)的覓食行為，但在實(shí)際應(yīng)用中存在一些問(wèn)題。首先，該算法的種群初始化是隨機(jī)的，這可能導(dǎo)致初始種群分布不均，影響搜索效率。其次，由于變異機(jī)制受限，算法在迭代過(guò)程中可能陷入局部最優(yōu)。為了解決這些問(wèn)題，文中使用立方混沌映射和非線性自適應(yīng)慣性權(quán)重來(lái)構(gòu)建一種改進(jìn)的火烈鳥(niǎo)搜索算法（Self-adaption and Chaos Mapping for Initial Flamingo Search Algorithm， SIFSA）。

1.2.1 立方混沌映射初始化策略

在原始火烈鳥(niǎo)搜索算法中，通過(guò)隨機(jī)初始化的方式產(chǎn)生火烈鳥(niǎo)的位置可能會(huì)導(dǎo)致位置分布不均勻，降低求解精度。為了解決這個(gè)問(wèn)題，使用立方混沌映射[14]來(lái)初始化火烈鳥(niǎo)的種群。映射具體公式如下：

1.2.2 非線性自適應(yīng)慣性權(quán)重策略

在傳統(tǒng)的火烈鳥(niǎo)搜索算法中，慣性權(quán)重ω通常由一個(gè)高斯隨機(jī)數(shù)決定，即為ω～N（0， 1）。雖然模擬了火烈鳥(niǎo)遷徙的隨機(jī)性，但未能充分考慮隨機(jī)取值對(duì)算法收斂效率和精度的影響。因此，引入非線性自適應(yīng)慣性權(quán)重來(lái)改進(jìn)FSA，以更有效地平衡全局搜索和局部搜索。Sigmoid函數(shù)在線性與非線性之間表現(xiàn)出良好的平衡性，且其定義域?yàn)閇0， 1）。因此，使用Sigmoid函數(shù)自適應(yīng)調(diào)整慣性權(quán)重可以顯著提升火烈鳥(niǎo)搜索算法的性能[15]。根據(jù)Sigmoid函數(shù)的特性，算法能夠在全局搜索和局部搜索之間找到更好的平衡，以更精確地探索整個(gè)解空間以及潛在的最優(yōu)解區(qū)域。

1.3 SIFSA-CNN的CSI室內(nèi)定位

構(gòu)建一個(gè)CNN模型，用于學(xué)習(xí)CSI特征圖像與實(shí)際位置之間的映射關(guān)系。如圖1所示，該模型由2個(gè)卷積層、池化層、全連接層和輸出層構(gòu)成，每層都配備了激活函數(shù)以增加模型的非線性。此外，池化層被用于減少數(shù)據(jù)的維度和防止過(guò)擬合，而全連接層則用于分類。

學(xué)習(xí)率和卷積核大小是影響CNN模型性能的關(guān)鍵超參數(shù)。合適的學(xué)習(xí)率和卷積核大小能夠提高模型的訓(xùn)練穩(wěn)定性和效率。為此，引入了SIFSA算法，該算法在參數(shù)空間中能夠更有效地搜索全局最優(yōu)解。在此基礎(chǔ)上，構(gòu)建了SIFSA-CNN模型，旨在提高模型的訓(xùn)練效率和預(yù)測(cè)精度。其參數(shù)配置見(jiàn)表1。

定位整體模型架構(gòu)如圖2所示，在離線訓(xùn)練階段，使用收集到的CSI特征圖像來(lái)訓(xùn)練模型，使其能夠?qū)W習(xí)到不同位置的CSI特征與實(shí)際位置之間的映射關(guān)系。

在線定位階段中，將測(cè)試點(diǎn)上的實(shí)時(shí)CSI特征圖像輸入到訓(xùn)練好的CNN模型中，輸出測(cè)試點(diǎn)位置位于每個(gè)參考點(diǎn)的分類概率，將每個(gè)測(cè)試點(diǎn)下的分類概率與相應(yīng)的原始坐標(biāo)進(jìn)行加權(quán)求和，計(jì)算獲得預(yù)測(cè)坐標(biāo)。預(yù)測(cè)坐標(biāo)可以通過(guò)以下表達(dá)式來(lái)計(jì)算：

2 實(shí)驗(yàn)及分析

2.1 數(shù)據(jù)集

本研究采用的定位數(shù)據(jù)來(lái)源于文獻(xiàn)[16]，數(shù)據(jù)內(nèi)容包含會(huì)議室場(chǎng)景和實(shí)驗(yàn)室場(chǎng)景下的CSI數(shù)據(jù)的相位信息，二者均使用了搭載有Intel 5300網(wǎng)卡和Linux 802.11n的計(jì)算機(jī)傳輸和接收CSI數(shù)據(jù)。為了方便實(shí)驗(yàn)，將使用1 500個(gè)CSI數(shù)據(jù)包作為基礎(chǔ)數(shù)據(jù)。在每個(gè)位置構(gòu)建50 張尺寸為30×30×3的CSI 圖像，數(shù)據(jù)集的詳細(xì)參數(shù)見(jiàn)表2。

2.2 實(shí)驗(yàn)環(huán)境介紹

在Ubuntu操作系統(tǒng)上，采用了開(kāi)源的TensorFlow深度學(xué)習(xí)框架，PyCharm集成開(kāi)發(fā)環(huán)境，進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型的訓(xùn)練。為了保證模型的有效性和泛化能力，將所使用的兩種數(shù)據(jù)集按照8∶2的比例劃分為訓(xùn)練集和測(cè)試集。實(shí)驗(yàn)環(huán)境配置見(jiàn)表3。

實(shí)驗(yàn)在實(shí)驗(yàn)室和會(huì)議室兩種場(chǎng)景中進(jìn)行，這兩種場(chǎng)景在信號(hào)干擾和多徑效應(yīng)方面表現(xiàn)出顯著的差異。會(huì)議室場(chǎng)景中將桌椅移動(dòng)到邊緣，確保定位場(chǎng)所沒(méi)有任何雜物，進(jìn)而為實(shí)驗(yàn)提供了一個(gè)視距（Line of Sight， LOS）場(chǎng)景。實(shí)驗(yàn)室場(chǎng)景包含各種物體，如實(shí)驗(yàn)室設(shè)備、存儲(chǔ)柜、桌子、椅子等會(huì)導(dǎo)致顯著的多徑效應(yīng)，使其成為非視距（Non Line of Sight， NLOS）場(chǎng)景。兩種場(chǎng)景的平面圖分別如圖3和圖4所示。

2.3 評(píng)價(jià)標(biāo)準(zhǔn)

采用平均定位誤差（Mean Position Error， MPE）、均方根誤差（Root Mean Square Error， RMSE）、定位誤差的標(biāo)準(zhǔn)差（Standard Deviation of Position Error， SDPE）和累積分布函數(shù)（Cumulative Distribution Function， CDF）對(duì)算法進(jìn)行定位性能評(píng)估，三種誤差的數(shù)學(xué)表達(dá)式如下：

累積分布函數(shù)（CDF）用于描述隨機(jī)變量小于或等于某一特定取值的概率。在室內(nèi)定位中，CDF常用于表示定位誤差小于某一誤差標(biāo)準(zhǔn)的測(cè)試樣本數(shù)占整體測(cè)試樣本數(shù)的比例。其數(shù)學(xué)表達(dá)式為：

2.4 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)1：不同模型訓(xùn)練效果比較

表4詳細(xì)地列出了兩種實(shí)驗(yàn)場(chǎng)景下不同模型的性能指標(biāo)。在LOS場(chǎng)景中，SIFSA-CNN算法的準(zhǔn)確率、精確率、召回率和F1值分別為0.976 7、0.977 2、0.976 2和0.976 7。相比之下，CNN算法的對(duì)應(yīng)指標(biāo)稍低，SIFSA-CNN算法在分類準(zhǔn)確率上提高了0.064 8。在NLOS場(chǎng)景中，SIFSA-CNN算法的準(zhǔn)確率、精確率、召回率和F1值分別為0.913 2、0.920 9、0.909 4和0.915 1。同樣地，與傳統(tǒng)CNN算法相比，SIFSA-CNN算法在分類準(zhǔn)確率上提高了0.031 2。在兩種實(shí)驗(yàn)場(chǎng)景中，SIFSA-CNN算法有效避免了局部最優(yōu)解問(wèn)題，顯著提升了模型的訓(xùn)練精度。

實(shí)驗(yàn)2：不同定位精度比較

表5詳細(xì)列出了兩種不同實(shí)驗(yàn)環(huán)境下的定位性能數(shù)據(jù)。在NLOS場(chǎng)景中，SIFSA-CNN算法的平均定位誤差為0.416 9 m，標(biāo)準(zhǔn)誤差為0.715 6 m。然而，在LOS場(chǎng)景中，由于非視距傳輸較少，SIFSA-CNN算法的定位精度有了大幅度提升，平均定位誤差為0.144 4 m，定位誤差的標(biāo)準(zhǔn)差為0.185 1 m。

通過(guò)對(duì)比分析表中的數(shù)據(jù)，可以清晰地看到，無(wú)論是在NLOS場(chǎng)景中還是在LOS場(chǎng)景中，SIFSA-CNN算法的定位精度顯著優(yōu)于其他同類算法。

實(shí)驗(yàn)3：不同場(chǎng)景定位誤差比較

圖5表示SIFSA-CNN算法在兩種不同定位場(chǎng)景下的定位誤差圖。在迭代次數(shù)較少時(shí)，平均定位誤差較大，可能的原因是算法還在嘗試找到最優(yōu)解的過(guò)程中。隨著迭代次數(shù)的增加，平均定位誤差將逐漸減小。這表明算法在逐步優(yōu)化其定位結(jié)果，更接近于真實(shí)位置。當(dāng)?shù)螖?shù)達(dá)到80次后，平均定位誤差的變化可能不再明顯。

實(shí)驗(yàn)4：累積分布比較

使用累積分布函數(shù)來(lái)評(píng)估定位誤差，如圖6所示，在會(huì)議室場(chǎng)景中，75.84%的定位結(jié)果其誤差在0.25 m以內(nèi)，如圖7所示，在實(shí)驗(yàn)室場(chǎng)景中，62.15%的定位結(jié)果其誤差在0.25 m以內(nèi)。在0～0.25 m的誤差范圍內(nèi)，兩種場(chǎng)景下的曲線均陡峭上升，表明在較小的誤差范圍內(nèi)能達(dá)到較高的累積概率，即定位精度較高。在同一誤差范圍內(nèi)，SIFSA-CNN算法的累積概率優(yōu)于其他算法，說(shuō)明SIFSA-CNN算法的定位性能更優(yōu)。在0.25～2 m的誤差范圍內(nèi)，曲線平穩(wěn)上升，沒(méi)有劇烈的波動(dòng)，表明SIFSA-CNN算法的穩(wěn)定性較好。

實(shí)驗(yàn)5：定位可視化效果評(píng)估

為了更加直觀地評(píng)估定位測(cè)試的效果，用（x， y）散點(diǎn)圖表示參考測(cè)試點(diǎn)和預(yù)測(cè)點(diǎn)的位置，將定位誤差低于各場(chǎng)景平均誤差視為定位正確。圖8表明，在會(huì)議室場(chǎng)景中，能夠達(dá)到約95.02%的平均準(zhǔn)確率。圖9表明，在實(shí)驗(yàn)室場(chǎng)景中，能夠達(dá)到約91.13%的平均準(zhǔn)確率。

3 結(jié) 語(yǔ)

本文提出了一種SIFSA和CNN融合的CSI室內(nèi)定位方法。通過(guò)引入立方混沌映射和自適應(yīng)慣性權(quán)重來(lái)優(yōu)化FSA-CNN，進(jìn)而顯著提高了定位精度。與現(xiàn)有技術(shù)相比，此方法在會(huì)議室和實(shí)驗(yàn)室場(chǎng)景中的平均定位誤差分別為0.144 4 m和0.416 9 m，顯示出較高的準(zhǔn)確性和魯棒性。盡管如此，當(dāng)前研究在對(duì)復(fù)雜環(huán)境的適應(yīng)能力和算法的計(jì)算效率上仍存在一定的不足。因此，未來(lái)的研究方向可以專注于探索更高效的室內(nèi)定位算法，如結(jié)合注意力機(jī)制等先進(jìn)技術(shù)提高模型的定位性能，以及結(jié)合更大規(guī)?；蚋鼜?fù)雜室內(nèi)場(chǎng)景構(gòu)造基于多特征多維度的室內(nèi)定位方法等。

參考文獻(xiàn)

[1]王慧強(qiáng)，高凱旋，呂宏武.高精度室內(nèi)定位研究評(píng)述及未來(lái)演進(jìn)展望[J].通信學(xué)報(bào)，2021，42（7）：198-210.

[2]張?zhí)旆f，史明泉，崔麗珍，等.基于二維卷積神經(jīng)網(wǎng)絡(luò)的無(wú)線局域網(wǎng)室內(nèi)定位系統(tǒng)[J].科學(xué)技術(shù)與工程，2023，23（28）：12168- 12174.

[3] HALPERIN D， HU W J， SHETH A， et al. Tool release： gathering 802.11n traces with channel state information [J]. Computer communication review， 2011（1）： 53.

[4] ZHU X Q， QIU T， QU W Y， et al. BLS-location： a wireless fingerprint localization algorithm based on broad learning [J]. IEEE transactions on mobile computing， 2023， 22（1）： 115-128.

[5]李芬芳，汝春瑞，黨小超，等.基于CSI和加權(quán)混合回歸的室內(nèi)定位方法[J].傳感技術(shù)學(xué)報(bào)，2022，35（5）：667-675.

[6]周牧，龍玥辛，蒲巧林，等.基于CSI張量分解的室內(nèi)WiFi指紋定位方法[J].通信學(xué)報(bào)，2021，42（11）：159-171.

[7]劉帥，王旭東，吳楠.一種基于卷積神經(jīng)網(wǎng)絡(luò)的CSI指紋室內(nèi)定位方法[J].工程科學(xué)學(xué)報(bào)，2021，43（11）：1512-1521.

[8] HAO C， ZHANG Y， WEI L， et al. ConFi： Convolutional neural networks based indoor WiFi localization using channel state information [J]. IEEE access， 2017， 5： 18066-18074.

[9] SUN L， WU L， ZHANG Z C， et al. An intelligent indoor localization system in the NLOS environment based on deep learning and CSI images [C]// 2022 14th International Conference on Wireless Communications and Signal Processing （WCSP）. [S.l.]： IEEE， 2022： 455-459.

[10]張紅欣.基于GSO-BP的數(shù)控機(jī)床進(jìn)給軸熱誤差補(bǔ)償研究[J].物聯(lián)網(wǎng)技術(shù)，2021，11（9）：38-40.

[11]楊傲雷，金宏宙，陳靈，等.融合深度學(xué)習(xí)與粒子濾波的移動(dòng)機(jī)器人重定位方法[J].儀器儀表學(xué)報(bào)，2021，42（7）：226-233.

[12]袁科，許素安，富雅瓊，等.基于WOSA-BP的車輛動(dòng)態(tài)稱重算法研究[J].傳感技術(shù)學(xué)報(bào)，2024，37（1）：50-57.

[13] WANG Z H， LIU J H. Flamingo search algorithm： a new swarm intelligence optimization algorithm [J]. IEEE access， 2021， 99： 88564-88582.

[14]王奇.基于混沌折射差分進(jìn)化算法的梯級(jí)水庫(kù)群蓄水期優(yōu)化調(diào)度研究[D].武漢：華中科技大學(xué)，2022.

[15]王生亮， 劉根友.一種非線性動(dòng)態(tài)自適應(yīng)慣性權(quán)重PSO算法[J]. 計(jì)算機(jī)仿真， 2021， 38（4）：249-253.

[16] ZHU X Q， QU W Y， ZHOU X P， et al. Intelligent fingerprint-based localization scheme using CSI images for internet of things [J]. IEEE transactions on network science and engineering， 2022： 2378-2391.