基于CSI信号的被动式室内指纹定位算法研究

基于信道状态信息(CSI)的定位技术在室内场景应用中被广泛关注,为了提高WiFi信号多径效应对接收信号强度指示的室内定位精度和稳定性,提出一种基于CSI信号的被动式室内指纹定位算法。该算法在离线阶段将定位场所划分为同等大小的区域块,在各连接点位置使用方差补偿的自适应卡尔曼滤波（Kalman）算法对原始数据进行滤波。再对滤波后的数据使用二分K均值聚类（K-means）算法进行分类,将处理得到的CSI幅值和相位信息共同作为指纹;在线阶段根据待测点采集的实时数据与指纹库进行匹配识别,被定位对象无需携带任何设备。仿真实验与实地实验表明,该算法利用信道状态信息中的子载波特征进行定位,能够有效减轻信号接收端的多径衰减影响,定位精度有明显提高。      

室内Wi-Fi异步效应下CSI定位误差界估计方法

与传统的基于接收信号强度(received signal strength,RSS)的室内Wi-Fi定位方法相比,信道状态信息(channel state information,CSI)包含了信号传输过程中更细粒度和更多样化的物理层信息(如信道中各个子载波的振幅和相位信息),故基于CSI的室内Wi-Fi定位方法通常具...     

基于穿墙信道状态信息的行为识别方法

Wi-Fi CSI提供的被动式行为识别方法在许多场景得到了应用,但现有系统较少考虑信号穿墙的场景,导致信号穿墙后识别精度急剧下降。为提高系统的适应性,对信号穿墙后的行为识别方法进行研究,提出一种基于信道状态信息（CSI）的穿墙行为识别方法。根据CSI数据变化的特性,在预处理阶段,对CSI数据进行相位校准来证明原始CSI矩阵具有低秩性,并对其进行低秩矩阵分解,消除无用的静态CSI分量,凸显信号穿过墙壁后被掩盖的动态CSI分量。在识别行为阶段,利用时间反演算法解决CSI数据维度过高的问题,并简化计算。实验结果表明,与传统行为识别方法相比,该方法可大幅提升穿墙场景下的行为识别精度,在室内视距、室内非视距、穿墙的场景下平均识别精度分别可达94.1%、92.3%、90.7%。     

基于相控阵的WiFi CSI 定位系统的性能预测

WiFi作为当前最重要的通信方式之一,基于WiFi信号的室内定位系统最有望在日常生活中得到广泛地部署应用.最新研究表明,当采用WiFi通信过程中获取的信道状态信息(CSI)对目标进行定位时,系统可实现亚米级的定位精度.然而,实验场景下的定位精度受到测试样点位置、WiFi设备布局、天线布局等诸多因素的影响.因为目前仍缺少WiFi CSI定位性能预测方法, WiFi定位系统部署后往往难以获得预期的精度.为此,面向多样化场景提出WiFi CSI定位性能的预测模型.首先,从CSI定位的基本物理模型出发,定义天线对的误差微元函数,并通过对定位空间的分析生成误差微元矩阵以及定位性能热度图;其次,对天线对进行拓展,通过引入多天线融合方法、多设备融合方法构建通用的CSI定位性能预测模型;最后,为了将真实场景地图考虑在内,提出将上述热度图与场景地图相融合的方法,从而实现场景定制化的性能预测.在理论分析的基础上,结合2个不同场景下的实验数据验证了定位性能预测模型有效性.实验结果表明,实际定位精度的变化趋势与理论模型相吻合,通过理论模型分析可将定位精度优化32%–37%.     

基于贝叶斯过滤法的CSI室内定位方法

无线信号多径效应导致基于接收信号强度指示（RSSI）的室内定位方法的精度和稳定性下降。为解决这一问题,提出基于贝叶斯过滤法的信道状态信息（CSI）室内定位方法（BCL ）。将物理层的CSI结合RSSI作为参考信息,减轻信号接收端的多径衰减影响;在此基础上,采用贝叶斯过滤法进行数据处理,降低接收信号的时变性。实验结果表明,相比现有的典型室内定位方法, BC L有效提高了定位准确度和稳定性。     

基于信道状态信息的被动式目标轨迹跟踪方法

针对目前的被动式目标人员轨迹跟踪方法计算开销大,算法复杂度高等问题,提出了一种基于信道状态信息CSI(Channel State Information)的被动式目标人员跟踪方法。该方法在离线阶段采集细粒度的CSI数据,建立离线指纹数据库;在线阶段,将实时数据与离线数据库中的数据利用融合了卡尔曼滤波的KNN位置指纹算法进行匹配,实现目标人员轨迹跟踪。实验结果表明该方法可以更精确的跟踪目标人员的轨迹,跟踪可靠性更高。     

基于CSI的日常行为识别方法

针对现有依靠穿戴设备、雷达和视频图像人体行为感知的方法对环境要求高,成本高,且不利于保护隐私等问题,提出一种基于信道状态信息无设备且低成本的日常行为识别方法.通过商用WiFi设备采集原始CSI数据,在无需信号进行去噪处理的情况下通过提取原始CSI最大程度能提高识别精度的三阶累积量特征,应用基于互信息的特征选择算法(MI...     

基于CSI的改进KNN室内定位方法

为了解决基于接收信号强度指示(RSSI)的室内定位方法定位精度低和稳定性差等问题,提出了一种基于信道状态信息(CSI)的无源室内定位算法。该算法使用卡尔曼滤波处理原始CSI信号,结合高斯径向基核函数加权的K邻近算法(RBF-KNN)与置信度空间进行室内定位。实验结果表明:该方法精度高于其他算法。     

深度残差收缩网络下的定位与行为联合识别

基于WiFi信道状态信息（channel state information,CSI）的人体感知方法在许多物联网场景得到了应用,但现有大部分基于CSI人体感知的系统仅进行定位或行为识别其中一项工作,而物联网的发展对两者能同时识别提出了新的要求。针对这一问题,提出一种基于深度残差收缩网络的定位与行为联合识别方法。通过普通商用WiFi设备获取两种场景（暗室、会议室和走廊）的CSI数据,将预处理后的数据输入结合了深度残差收缩网络的学习模型,进行12个位置与和6种日常行为（站起、坐下、跳跃、深蹲、跌倒、捡起）的联合任务识别。实验结果显示,针对在暗室、会议室和走廊三种场景下的室内定位的平均识别率达到97.29%,行为识别的平均识别率达到90.02%。能够实现定位与行为的高精度联合识别。     

基于CSI与SVM回归的室内定位方法

为研究室内定位技术在复杂环境中的应用,以楼梯和实验室为实验场景,提出了一种基于信道状态信息（CSI）与SVM回归的室内定位方法。该方法通过基于密度的空间聚类方法（DBSCAN）去除信号噪声,并用主成分分析法（PCA）提取贡献最大的指纹特征,同时降低CSI指纹的维度。通过SVM回归建立CSI指纹与目标位置之间的非线性关系,从而达到根据测得的CSI指纹估计目标位置的目的。实验结果表明,在多径效应较强的楼梯复杂环境中,该定位系统可以在90%以上的概率下达到1 m的定位精度,实验室环境中可以在82%的概率下达到0.8 m的定位精度, 这表明基于CSI与SVM回归的室内定位方法具有高效性和可行性。     

基于WiFi信号的入侵检测机理及实验研究

室内安全关乎人们的生命财产安全,通过室内入侵检测可以达到预警、避免损失的目的。与常见的入侵检测方法不同,利用了无线通信信号WiFi的信道状态信息(Channel Status Information,CSI)与人体行为的关联,可以达到入侵检测的目的。研究了信道冲击响应与信道频率响应及CSI的关系,并利用CSI数据集EHUCOUNT和机器学习方法仿真验证了CSI与人行为的关联,结果表明6种典型场景下SVM (Support Vector Machine)入侵检测准确率为93. 35%～99. 23%; CNN (Convolutional Neural Network)入侵检测准确率为89. 17%～99. 14%。通过研制的专用谱传感节点采集WiFi信号进行实际场景测试,证明入侵检测准确率为98%,这表明基于WiFi信号的入侵检测具有应用价值。     

一种基于CSI和RSSI的混合指纹定位方法

针对现有的基于WiFi的位置指纹定位方法精度低、计算复杂度高的问题,提出了一种基于 CSI和RSSI的混合位置指纹定位方法MixedFi(A Mixed Fingerprint Localization Based on CSI and RSSI)。该方法在离线阶段结合了传统的接收信号强度RSSI(Received Signal Strength Indication)与细粒度的信道状态信息CSI(Channel State Information)并将其作为原始位置指纹,有效利用各个接入点AP(Access Point)的信号特征信息,在线阶段引入空间聚类划分的思想对RSSI指纹地图进行合理划分,降低指纹空间的搜索时间。再通过主成分分析法PCA(Principal Component Analysis)提取CSI指纹特征,最后利用Kendall阶次相关系数自主选择近邻进行加权估计得到最终节点定位结果,解决了传统K近邻KNN(K Nearest Neighbors)方法定位精度低的问题。实验表明,与现有的基于单一指纹的定位方法相比,本文提出的方法有效降低了计算的复杂度?提高了定位精度。     

一种RSS和CSI融合的二阶段室内定位方法

针对基于接收信号强度RSS(Received Signal Strength)或信道状态信息CSI(Channel State Information)的室内定位方法在现实环境中定位精度低的问题,提出一种RSS和CSI融合的二阶段室内定位方法.离线训练时采集数据构建指纹库;在线测试时首先利用RSS和改进的k最近邻kNN(k-NearestNeighbor)算法进行位置粗略估计,然后根据粗略估计结果筛选参考点构建子指纹库,最后使用高斯核函数改进的k最近邻算法进行位置精确估计.将该定位方法在室内复杂环境和空旷环境两种环境中进行实验验证,定位精度分别达到72.4％和75.9％,并将本文方法与两种现有的经典定位方法DeepFi和Horus在同一环境中进行比较,实验结果表明该方法能够有效地减小定位误差、提高定位精度.     

一种基于CSI的参数无关接入点定位方法

随着基于位置的服务的流行,室内定位系统也受到越来越多的关注。基于WiFi的室内定位因其开放访问和低成本的属性而吸引了大量研究人员的目光。通过采用细粒度的信道状态信息CSI代替粗粒度的接收信号强度RSSI可以减少室内多径效应的影响。采用一种与传播模型参数无关的定位方法——PILM来对接入点进行空间定位。通过有效CSI值与距离关系模型的公式变换,将问题转换为求满足最小向量二范数条件的点的坐标,即用最小二乘方法求解。通过在两种典型室内环境的实验验证了系统性能。     

基于WiFi信道状态信息的人员活动持续时间估计

针对传统人员活动持续时间估计系统隐私性及灵活性较差的问题，分析信道状态信息（CSI）的幅度变化，提出了一个基于WiFi信道状态信息的人员活动持续时间估计系统。该系统重点将连续复杂的人员活动持续时间估计问题转化为离散简单的人员检测问题。首先，采集CSI信息并滤除异常值和噪声；其次，利用主成分分析法（PCA）进行子载波降维，获取主成分以及相应的特征向量；随后计算主成分方差和特征向量一阶差分均值，并将两者比值作为特征值训练反向传输神经网络（BPNN）模型；然后，利用训练好的BPNN模型进行人员检测，并当检测出有人员活动时，进一步对CSI数据进行等宽分割；最后，针对所有分割后的CSI数据实现人员检测，并依据符合人员检测结果的数据来估计人员活动的持续时间。在真实室内环境中对系统进行实验评估，人员检测平均准确率可达到97%，活动持续时间误差不超过10%。实验结果表明，该系统能够有效估计出人员活动的持续时间。     

基于多模指纹匹配的室内定位系统设计与实现

通过分析近年来基于WiFi信号强度检测的室内定位技术研究成果,提出了一种基于WiFi和运营商基站信号(GSM、CDMA2000、WCDMA)等多模信号指纹匹配的室内定位系统.该系统采集WiFi和基站等无线多模信号,经过归一化、平滑化过滤生成与室内定位点相匹配的多模指纹数据库,通过移动终端实时获取的多模指纹信号与多模指纹数据库匹配,从而实现精确的室内定位.实验结果表明,系统能够实现室内精准定位,并对于WiFi信号的变化有较强的适应性.     

基于信道状态信息的室内人群计数方法

人群计数对于室内空间公共安全管理、建筑节能优化等都具有重大的价值,商场也可以根据人数信息进行商品推荐和流量调控。传统基于视觉图像的方法部署成本高,受视线遮挡严重,而且容易造成隐私问题。采用商用WiFi的信道状态信息(CSI)来进行室内人群计数。首先对原始信号数据进行预处理,最小化噪声并降低数据复杂度;然后,通过滑动窗口将无线时间序列信号转换为热图图像,并设计了一个卷积神经网络CNN对热图进行特征提取,用以映射相应环境下的不同人数。实验设计了一种人员位置相对静态的模拟办公场景和另一种人员走动的模拟商业场景进行验证,结果表明所提方法在静态和动态条件下的准确率分别达到了98%和89%,相比传统算法均取得了更优效果,证明了该方法的有效性。     

基于无线信道状态相位信息优化的定位算法

随着位置服务需求的增长,基于Wi-Fi接收信号的室内定位技术一直是研究热点之一.通过检测环境变化对Wi-Fi无线信道状态信息CSI的影响,从而实现对室内人员的定位具有通用性强、部署成本低等优点.针对大多系统仅使用CSI中幅度信息所带来准确性和稳定性不足的问题,设计并实现了一种基于CSI相位信息优化的定位算法,该方法通过采集幅度和相位参数相结合作为位置指纹特征,并对特征数据进行预先平滑去噪后进行指纹库的构建,然后通过机器学习方法进行人员位置的分类识别.由于相位和幅度信息可以相互补充,弥补了某些易混淆位置的分类错误,从而解决了采用单一特征的定位准确性和稳定性问题.实验进行了两种不同多径场景下的实验,比较了不同指纹特征选取、数据预处理方法以及三种机器学习算法对定位准确度的影响,其结果表明采用本文所提出算法总体上可以在仅使用CSI幅度特征的基础上提高13%.     

基于并行空时深度学习网络的无设备身份识别方法

针对现有人员身份识别方法存在灵活性差、特征提取不足的问题,分析人体步态对信道状态信息(CSI)幅值产生的影响,提出一种基于Wi-Fi信道状态信息的无设备人员身份识别方法.将CSI幅值矩阵的每列子载波作为样本,利用小波变换获取样本中代表人员活动的低频信息.通过并行深度学习模型WiD(Wi-Fi identificatio...     

一种基于WiFi的室内重点区域监测方法

针对无设备的室内重点区域监测问题,本文提出一种Wi-KAM方法,通过获取室内人员的实时位置信息,判断重点区域内部的人员存在情况和区域边界的入侵情况.本方法使用高斯低通滤波算法和主成分分析(PCA)法对提取出的信道状态信息(CSI)进行预处理,并提取位置特征信息.结合最小二乘支持向量机(LSSVM),对样本集进行离线训练和在线分类,获取人员实时位置,实现对重点区域内部及周边人员位置情况的监测.实验表明,本方法可以更精确地进行重点区域内人员入侵检测和位置判别,并提高了室内人员定位的准确性.