基于信道状态信息的室内人数统计方法

针对传统人数统计方案存在侵犯隐私和成本难以控制无法大规模投入使用的问题,提出一种基于Wi-Fi信道状态信息CSI(channel state information)的幅度和相位作为特征的方法进行人数统计,采集3条交叉收发链路上CSI的幅度和相位数据,对数据进行预先平滑和去噪处理,同时使用幅度和相位提高人数统计的准确性和稳定性。在室内环境下进行实验,使用支持向量机(SVM)、神经网络(NN)和卷积神经网络(CNN)进行人数的统计分类并进行结果对比,对比结果表明,3种机器学习算法分别达到了94%、96%和88%的准确率。     

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。      

基于动态时间规整距离指纹匹配的Wi-Fi网络室内定位算法

Wi-Fi网络中常规的基于指纹匹配室内定位算法面临信号时变现象或人为干扰的影响,导致定位精度不高。为此,提出基于动态时间规整（DTW）距离相似性指纹匹配的Wi-Fi网络室内定位算法。首先,该算法将定位区域的Wi-Fi信号特征按照采样的先后顺序转化为时间序列类型指纹,通过计算Wi-Fi信号指纹动态时间规整距离的大小来获取定位点与样本点的相似性;然后,根据采样区域结构特征,将Wi-Fi信号指纹采集问题划分为三类基本的动态路径采样方式;最后,结合多种动态路径采样方式增加指纹特征信息的准确性和完整性,从而提高指纹匹配的准确性和定位精度。大量实验结果表明,较瞬时指纹匹配定位算法,所提算法误差范围在3m以内定位的累积错误率：路径区域匀速运动提高了10%,变速运动提高了13%;开放区域交叉曲线运动提高了9%,S型曲线运动提高了3%。所提算法在实际室内定位应用中能有效提高指纹匹配的准确性和定位精度。     

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.     

人机共享环境下基于Wi-Fi指纹的室内定位方法

针对服务机器人和行人的室内全局定位问题,提出一种人机共享环境下基于Wi-Fi指纹的室内定位方法.首先,采用核主成分分析法(KPCA)从双频段的Wi-Fi信号中提取一种设备无关的鲁棒位置指纹,用于Wi-Fi指纹定位.然后,为了提高行人定位的稳定性和精确度,结合行人航迹推算(PDR)的定位方法,设计了一种基于选择更新粒子滤波(SUPF)的Wi-Fi/PDR组合定位算法.在该算法中,利用PDR对移动场景下的Wi-Fi定位结果进行了初步校正,并通过定义自适应大小的可信空间对校正后的结果进行评估,从而在数据融合之前剔除不可信的Wi-Fi定位估计.最后,在实际场景下开展了定位实验,Wi-Fi/PDR组合定位的平均定位误差约为2 m,实验结果表明所提出的方法提升了定位系统的精确度和鲁棒性.     

基于K-Means和FCM的增强型Wi-Fi指纹定位策略

研究了通过数据处理算法以提高Wi-Fi指纹库室内定位性能的问题.首先采集Wi-Fi指纹样本,将其放入MySQL数据库中和R工程;其次将Wi-Fi指纹库分成若干个簇,使用K-均值聚类（K-Means）和模糊C-均值聚类（FCM）对待定位的Wi-Fi指纹进行聚类分析;最后,提出增强型的聚类策略（ECS）应用于Wi-Fi指纹匹配定位中.实验结果表明,ECS较仅使用FCM算法,其定位耗时缩短约50%-80%,且定位精度上有所改善;ECS较仅使用K-Means算法,其定位精度提高约20%-40%,且定位稳定性较强并自动更新Wi-Fi指纹库.     

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%.     

基于信道状态信息的Wi-Fi认证方法

为了提升Wi-Fi设备的访问安全性,提出一种基于信道状态信息(Channel State Information,CSI)的Wi-Fi认证方法.该方法能够有效避免非法用户在非限定区域连接Wi-Fi.根据用户在不同位置连接Wi-Fi时能够引起不同CSI多载波分部的特性,在Wi-Fi信号范围内的各区域建立指纹库,采用Hampel滤波器去除CSI数据流中环境因素引起的噪声,利用支持向量机(Support Vector Machine,SVM)进行非限定位置筛选.使用Percentile算法提升RBF核函数选取参数的效率,显著提高认证方法的实时性.实验结果表明,正确认证准确率能够达到95％左右.     

结合位置指纹和行人航迹的室内定位技术

主要对室内定位技术展开研究,首先通过手持智能设备收集指定范围样本点的坐标及wifi热点信息;然后应用位置指纹定位方法进行绝对定位;为了提高行走过程中定位的准确性和实时性,采用行人航迹推算算法,即通过手机传感器采集并经处理的数据进行步频检测、步长估算和方向检测,实现相对位置变化的估算.行人航迹算法克服位置指纹定位的不稳定性,而位置指纹定位算法及时调整行人航迹算法带来的累积误差.实验结果表明两种室内定位技术的结合有效提高了室内定位的准确性,能充分应用到实际生活中.     

基于CSI相位差值矫正的室内定位算法

针对现有基于信道状态信息的室内无源指纹定位方法在复杂场景中多数存在相位误差偏移、指纹噪声大、样本分类精度低的问题,提出一种基于相位差值矫正的室内指纹定位算法。在离线阶段通过计算相位差值矫正通信链路中的相位误差和偏移,建立鲁棒的指纹数据库,使用BP神经网络对指纹特征数据进行训练,得到指纹特征信息与物理位置的映射关系模型。在线阶段相位采样值经过差值矫正后作为模型的输入,计算得到最终的精确定位结果。实验结果表明,与现有基于指纹的定位方法相比,该方法具有去噪效果显著、定位精度高的优点。     

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...     

基于Wi-Fi感知的人员计数方法研究

人员计数是对指定区域内人口数量进行统计或准确估计的一种方法,在许多应用中都发挥了重要作用,例如公共安全、人群控制和营销分析等.传统的基于视频流、电子标签的人员计数方法硬件成本过高,并且基于视频流的人员计数方法在光线不足或有遮挡物的情况下精度低、可靠性差.提出一种基于Wi-Fi感知的人员计数方法,该方法对Wi-Fi中信道状态信息（channel state information,简称CSI）进行重构,多子载波的CSI有效减少了多径效应的影响,利用解卷相位与线性变换的方法重构CSI,使得相位信息能以簇的形式集中,避免了原始相位分布范围过大、随机性过高的问题,基于Hampel滤波器去除了载波振幅的奇异数据,减少了环境噪声因素对于人员数量特征造成的干扰,保证了利用无线信号进行人员计数的精度和稳定性,最后利用SVM分类进行人员计数.实验结果表明,该方法的计数准确度达到了约95.8%,能够在室内环境下准确地识别出人员的数量.     

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。     

基于半监督学习的室内定位算法

收集带有位置信息的经验样本即标定样本是一个花费昂贵的工作,限制了基于机器学习方法的实际应用。针对该问题,提出一种基于流形正则化的室内定位算法LocMR,该算法使用少量的标定样本和充足的未标定样本学习得出信号空间到位置空间的映射关系。在实际IEEE 802.11Wi-Fi环境中采集的数据集上进行验证,结果表明,LocMR在达到较高定位精确度的同时,能大幅减少定位系统的工作量,增强了其实际应用能力。     

一种基于视距路径识别的设备无关室内定位算法

Wi-Fi技术的广泛应用和部署催生了许多基于Wi-Fi的室内定位技术。近年来,基于Wi-Fi的设备无关定位算法引起了研究人员的广泛注意。设备无关定位算法不需要目标对象携带无线传输设备,而是通过测量目标对象对无线信号传输的影响来反向推断目标对象的位置。由于不需要目标对象携带相关设备,因此可以广泛应用于多种场合,如老人健康护理等。已有的设备无关定位技术通常需要事先采集训练数据,因此容易受室内复杂多变的环境干扰,导致定位精度下降。 提出一种基于视距路径检测的设备无关定位算法。利用物理层信道状态信息CSI,可以判断一对无线收发设备之间的路径是否是视距LoS路径。在此基础上,提出一个新的设备无关定位算法,该算法在监测区域部署一组Wi Fi收发装置,对任意一对无线设备,通过识别它们之间是否存在视距路径来判断目标对象是否在这对设备的菲涅耳区域内。此外,还提出一种基于投票的方法来获得目标对象的最可能位置。在实际设备上的实验结果表明,该定位算法可以达到0.5 m左右的精度,并且不需事先训练,具有较高的实时性。     

基于隐状态排序的半异构无线定位方法

针对室内Wi-Fi环境的信号缺失问题,提出一种基于隐状态排序的半异构无线定位方法。介绍隐马尔可夫模型、隐状态排序方法,设计包含离线训练阶段和在线定位阶段的定位方法。实验结果表明,该方法在1 m误差范围内准确率达96.3%,能解决半异构特征向量的信号缺失问题,提高实际应用能力。     

基于智能手机无线信号和图像距离感知融合的室内定位算法

针对于目前面向个人使用的手机室内定位精度低、效果差,且成本较高难以拓展的问题,提出了一种利用普通智能手机作为硬件设备,融合Wi-Fi无线信号和图像数据,通过双层过滤的方式对用户进行高精度室内定位的算法。算法分为线下阶段和线上阶段。在线下阶段,对目标场地建立坐标系,在坐标系多个目标位置进行Wi-Fi采样并建立指纹库,同时对环境进行拍照取样并抽取图像特征。在线上阶段,通过实时获取的Wi-Fi信息进行第一层过滤,以确定当前用户可能的位置区间;然后,结合提出的一种距离补偿算法对用户手机当前捕获的图像进行特征提取,在第一层过滤的基础上,确定用户的精准位置。在实际场地进行的实验表明,相比传统Wi-Fi及二维图像定位方法,该算法能够在探测接入点（AP）数量较少及室内场景相似的情况下提高室内定位精度,可以应用于一般室内定位应用或结合基于位置的服务（LBS）应用。