基于混合特征指纹的无线设备身份识别方法

无线网络利用开放性的无线信道传输数据,因此容易遭受设备假冒攻击和通信数据伪造攻击,而防范此类攻击需要精准的设备识别.基于信道状态信息(channel state information,CSI)指纹的设备识别技术利用无线信道特征来识别设备.由于CSI提供细粒度的信道特征,并且可以从OFDM无线设备中轻松获取,因此该技术受到广泛的关注.但是反映无线信道特征的CSI指纹会随着终端的位置和所处环境的改变而改变,并且现有技术通常将机器学习用于指纹匹配以追求高识别准确率,随之而来的高计算复杂度使其无法在计算能力有限的嵌入式设备中实现.针对上述问题,提出了 一种基于混合特征指纹的设备身份识别方法,包含终端接入时和通信时的设备识别在接入时,引入了与终端外界因素无关的数据包到达时间间隔分布(packet arrival interval distribution,PAID)指纹进行识别,以弥补CSI指纹的缺陷;在通信时,借助CSI可以逐包获取的特点,从每个报文中提取CSI指纹并进行实时识别.同时,提出了一种计算复杂度较低的指纹匹配方案,以保证在计算能力有限的设备中也能快速且准确地识别终端在树莓派上实现了设备识别原型系统并开展了实验,实验表明:该系统在接入时和通信时的识别准确率最高可达98.17％和98.7％,通信时单个数据包的识别时间仅需0.142 ms.     

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。     

基于信道状态信息的安防监控系统

无线网络的信道状态信息（Channel State Information, CSI）是MIMO系统中反映各个子载波信号频谱特性的重要指标,通过在Linux平台上定制Intel 5300网卡驱动,就可在常规的无线网络通信环境下通过编程实现对CSI数据的实时采集。因CSI信息对环境变化十分敏感,因此可用于构建基于CSI的非接触式环境感知系统。本文以CSI为数据载体,详细梳理基于CSI的无线感知应用,建立基于CSI信号的安防监控系统,能够成功检测人员到访事件。系统提取人员到访时间的CSI信号特征〖WTHX〗v〖WTBX〗*t={σ,MaxPt,MinPt,E}并通过实验求得,当其值为〖WTHX〗v〖WTBX〗*t={1×10－3,［1,2］,［1,2］,2.0×10－4}时,系统可获得高达99.07%的检测成功率。     

基于CSI的自适应修正模型定位算法

目前基于无线设备的室内指纹定位技术因为其设备普及且定位准确而受到人们的广泛关注。针对传统室内指纹定位方式中定位阶段特征匹配时没有考虑当前环境相对于基准环境的变化因素这一不足,提出了一个基于CSI(Channel State Information)的自适应修正模型定位算法。该算法通过引入一个衡量当前室内环境变化的指标PEM(Percentage of nonzero Elements)来表示室内人数增加时子载波波动程度的变化;同时又通过设计一个新的修正匹配模型来补偿因多径造成的指纹特征的衰减。实验结果充分证明了该定位方案相比于之前的指纹定位系统FIFS和CSI-MIMO,准确率分别提高了30%和15%。     

基于稀疏表示的CSI室内定位方法

室内精确定位具有重要的应用价值.由于GPS等系统在室内受到多种因素影响无法提供精确定位,如何精确定位室内环境位置成为研究和应用的热点.通过分析无线设备的信道状态信息（CSI）可以实现无需携带设备的精准室内定位方法,并应用于多种情形下的位置追踪和感知.为了解决无线信号多径效应和噪声干扰对室内精确定位的影响,提出了基于稀疏表示的CSI室内定位方法.利用CSI提供的频率分集和多天线提供的空间分集,有效地减轻了多径效应的影响.在此基础上,通过稀疏表示方法进行了一定程度上的指纹噪声消除,提高了算法的鲁棒性和抗噪能力;利用CSI灵敏的相位特征提高了定位准确度.采用路由器作为信号发射器,利用Linux 802.11n CSI-TOOL采集CSI信号,定制清华同方台式电脑和Intel 5300无线网卡驱动搭建实验环境.实验结果表明,该算法能够有效提高室内定位的准确度和精度,平均精度在0.5 m左右,准确度达到了91%.     

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。     

基于CSI与IMU的室内行人导航定位系统研究

信道状态信息（Channel State Information,CSI）是一种WLAN物理层信息,具有更加细粒度的特征,在WLAN无线指纹定位模型中采用CSI作为指纹向量可以更好地避免多径效应的影响,达到较高的定位精度。但是从商用无线设备中采集的CSI噪声较大,因此提出一种基于离散小波变换的降噪方法对CSI进行预处理,然后建立CSI位置指纹数据库,采用WKNN算法进行在线匹配定位。基于IMU的行人航位推算方法是一种完全自主的导航方法,具有短时精度高的优点,但经过长时间积分运算会导致累积误差,影响定位精度。结合两种方法的定位特点,提出一种基于扩展卡尔曼滤波器的融合定位模型。此外,传统的步态探测模型易出现误探测现象,在峰值法基础上提出一种动态阈值法,有效提高了探测精度。通过实验验证,在办公室内行人行走轨迹的平均定位精度达到0.23m,而且与纯惯性导航解算轨迹相比,融合定位算法解算轨迹与实际行走轨迹匹配度更高。     

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CSI的WLAN认证及攻击定位方案

无线信号的多径效应和时变性使基于接收信号强度指示(RSSI)的测量值波动较大,导致基于RSSI位置指纹的WLAN认证及攻击定位存在较大的误差。为此,提出信道状态信息(CSI)位置指纹的入网认证及攻击检测定位方案。通过正交频分复用技术获取细粒度CSI以描述位置信号特征,采用K-means优化初始聚类点算法处理数据,增强各位置信息间的差异性。在此基础上,构建基于CSI的位置地图,利用CSI位置指纹认证访问WLAN的用户身份,从而对认证失败的用户进行攻击检测和定位。在IEEE 802.11n通信标准测试中的结果表明,该方案的定位正确率高达98.12%。     

基于近似熵子载波选择的人体手势识别方法

针对现有基于商用WiFi设备的人体手势识别方法存在的子载波选择不够优化、动作区间截取不够精确等问题,提出一种基于近似熵子载波选择的人体手势识别(AEGR)方法.利用提出的最小近似熵法构建识别方法待处理的CSI幅值数据,对构建的数据采用小波去噪和中值滤波组合法进行去噪;利用滑动窗极差法精确截取CSI幅值的动作区间,据此提...     

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CSI的手势识别方法研究

针对传统手势识别方法中存在的易受环境光线影响、用户需携带设备、部署代价高等不足,提出基于信道状态信息的手势识别方法(HandFi),以空中手写10个阿拉伯数字的独特书写模式引起CSI波形变换为基础,引入衡量当前室内环境变化的指标,来表征室内人数变化时子载波波动程度的变化,使用巴特沃斯低通滤波和主成分分析去噪,并利用小波...     

一种基于CSI的轻量级行为识别方法

为实现轻量级行为识别,弥补现有基于CSI(Channel State Information)行为识别方法中需要预先训练阶段和仅适用于单人场景的不足之处,对此提出一种新的行为识别方法。该方法以室内信号传播模型中人运动速度与CSI频率间存在的关系为基础,将信号进行移动平均滤波和巴特沃斯低通滤波处理后,利用小波变换提取信号时频域特征并设计识别算法实现了行为识别。现实环境的实验结果证明,在损失少量准确率的情况下,该方法可实现一种无训练、两人场景下的行为识别。     

一种基于CSI相位差的手势识别方法

随着人机交互(HCI)技术的发展,人体行为的感知和分析成为实现更高层次人机交互的重要一环,尤其是实现与位置无关的手势识别。针对目前基于信道状态信息(channel state information,CSI)的手势识别方法局限于中心链路的问题,提出基于CSI相位差的手势识别方法,充分利用多径效应和空间多样性,识别中心链路和非中心链路上的微弱手势信号。由于CSI相位受时钟不同步和硬件缺陷的影响无法反映环境的变化,采用线性变换算法对其进行校准,并借助MIMO(multiple-input multiple-output)技术获得相位差。在此基础上,利用Hampel滤波器和Savitzky-Golay滤波器滤除异常点和环境噪声。由于频率多样性,根据平均绝对偏差(MAD)选择变化最大的子载波,之后利用动态时间规整(DTW)算法对手势进行分类。实验结果表明,该方法能有效识别中心链路和非中心链路上的微弱手势信号,实现了与位置无关的识别;在中心链路和非中心链路上分别以90%和86.5%的准确率识别6种手势,所需样本量小,识别时间短。     

局部证据RBF人体行为高层特征自相似融合识别研究

针对传统人体动作识别算法,往往重点解决某一类行为识别,不具有通用性的问题,提出一种局部证据RBF人体行为高层特征自相似融合识别算法。首先,借用随时间变化的广义自相似性概念,利用时空兴趣点光流场局部特征提取方法,构建基于自相似矩阵的人体行为局部特征描述;其次,在使用SVM算法进行独立个体行为识别后,利用所提出的证据理论RBF（Radial Basis Function）高层特征融合,实现分类结构优化,从而提高分类准确度;仿真实验表明,所提方案能够明显提高人体行为识别算法效率和识别准确率。     

基于三维残差稠密网络的人体行为识别算法

针对现有的人体行为识别算法不能充分利用网络多层次时空信息的问题,提出了一种基于三维残差稠密网络的人体行为识别算法。首先,所提算法使用三维残差稠密块作为网络的基础模块,模块通过稠密连接的卷积层提取人体行为的层级特征;其次,经过局部特征聚合自适应方法来学习人体行为的局部稠密特征;然后,应用残差连接模块来促进特征信息流动以及减轻训练的难度;最后,通过级联多个三维残差稠密块实现网络多层局部特征提取,并使用全局特征聚合自适应方法学习所有网络层的特征用以实现人体行为识别。设计的网络算法在结构上增强了对网络多层次时空特征的提取,充分利用局部和全局特征聚合学习到更具辨识力的特征,增强了模型的表达能力。在基准数据集KTH和UCF-101上的大量实验结果表明,所提算法的识别率（top-1精度）分别达到了93.52％和57.35％,与三维卷积神经网络（C3D）算法相比分别提升了3.93和13.91个百分点。所提算法框架有较好的鲁棒性和迁移学习能力,能够有效地处理多种视频行为识别任务。     

基于聚类关联网络的群组行为识别

目前群组行为识别方法没有充分利用群组关联信息而导致群组识别精度无法有效提升,针对这个问题,提出了基于近邻传播算法（AP）的层次关联模块的深度神经网络模型,命名为聚类关联网络（CRN）。首先,利用卷积神经网络（CNN）提取场景特征,再利用区域特征聚集提取场景中的人物特征。然后,利用AP的层次关联网络模块提取群组关联信息。最后,利用长短期记忆网络（LSTM）融合个体特征序列与群组关联信息,并得到最终的群组识别结果。与多流卷积神经网络（MSCNN）方法相比,CRN方法在Volleyball数据集与Collective Activity数据集上的识别准确率分别提升了5.39与3.33个百分点。与置信度能量循环网络（CERN）方法相比,CRN方法在Volleyball数据集与Collective Activity数据集上的识别准确率分别提升了8.7与3.14个百分点。实验结果表明,CRN方法在群体行为识别任务中拥有更高的识别准确精度。     

一种基于CSI的高鲁棒性步态识别方法

针对目前的室内人员步态识别方法存在计算量大、设备成本高、鲁棒性低等问题,提出一种基于信道状态信息的高鲁棒性室内人员步态识别方法WiKown。通过快速傅里叶变换设置能量指示器监测人员行走行为,将采集的CSI步态数据经滤波与降噪处理后以滑动窗口的方式提取特征值,得到人员步态的CSI信息后建立观测序列,最后通过高斯分布叠加拟合后引入隐马尔科夫模型计算观测序列概率,生成步态参数模型。在走廊、实验室和大厅真实多人环境中,WiKown方法对单人步态的平均识别率达到92.71%。实验结果表明,与决策树、动态时间规整和长短时记忆网络方法相比较,该方法能有效地识别出人员的步态信息,提升了识别精度和鲁棒性。