一种基于信道状态信息的室内环境下视距路径识别方法与流程

文档序号：12501101阅读：635来源：国知局

本发明属于无线通信网络的定位用户或终端的情景感知领域，具体涉及一种适用于室内环境下的视距路径识别方法，以识别室内动态与静态下的视距路径。

背景技术：

当前，随着无线通信技术的快速发展，尤其是在移动智能终端流行趋势的推动下，无线局域网(Wireless Local Area Network,WLAN)变得非常普及，在家庭、商城、机场等场所，WLAN信号随处可见。这些大量的已经安装部署好的WLAN基础设施，为WiFi情景感知的研究奠定了物理基础。

基于WiFi信号的感知技术主要包括室内定位、人员检测、动作识别和穿墙识别等。目前已有大量基于WLAN的感知技术研究，其主要利用接收信号指示强度信息(Received Signal Strength Indicator,RSSI)感知环境特征实现应用。然而在室内环境中，RSSI会因信号多径传播引起的小尺度阴影衰落而不再随传播距离增加单调递减，且静止状态下幅度也会产生波动。最近研究人员通过修改固件，使得在普通WiFi设备上也能以物理层信道状态信息(Channel State Information,CSI)的形式获取一个采样版本的信道频率响应(Channel Frequency Response,CFR)。与RSSI相比，CSI将单值的RSSI扩展至频域，并且附加了相位信息，从频域上为无线感知提供了更为丰富和细粒度的信道状态信息。CSI也使得普通WiFi设备在一定程度上能够从时域上粗略地区分传播路径，从而为基于视距路径的应用奠定了基础。

利用CSI信息，WiFi环境感知技术可以实现更精确的室内定位，还可以实现被动式人员检测与活动识别等。其中进行视距(Line-Of-Sight,LOS)路径识别为以上功能的实现奠定了基础。目前，视距路径识别技术存在的问题是识别过程复杂。如公开号为CN104168650A、名称为“基于动态无线接入点的室内定位方法”的发明公开的基于动态无线接入点的室内定位方法中，待定位节点将信息进行调制形成已调信号波后通过无线信道传输至附近的静态无线接入点和动态无线接入点；静态无线接入点和动态无线接入点根据接收到的已调信号波计算其与待定位节点之间的无线信道的信道状态信息，并发送至定位服务器；动态无线接入点将当前位置信息发送至定位服务器；定位服务器根据无线接入点的位置信息和接收到的信道状态信息，对任意两个无线接入点进行相对临近位置检测，并根据相对临近位置检测结果利用空间分割法获取待定位节点的位置区域。该发明可以一定程度优化无线局域网的室内定位问题，提高定位精度，消除复杂室内环境多径和非视距带来的定位误差，但识别过程复杂。此外，已有视距路径识别方法主要是基于信号接收强度，但其存在环境干扰等因素，识别鲁棒性差。因此，有必要对室内环境下的视距路径识别技术展开深入研究，寻找更好的视距路径识别方法，以获得更为精准的室内定位及感知性能。

技术实现要素：

本发明要解决的技术问题是提供一种过程简单、适应性强，适用于室内环境下的视距路径的识别方法。

为此，本发明提出一种适用于室内环境下的视距路径识别方法，该方法包含以下步骤：

一、CSI信号特征提取及预处理：

步骤1)CSI信号数据采集：针对特定的信号发射源AP与信号接收机RT组成的链路，利用CSI检测工具采集传输信道状态信息，并进行保存为信包文件；

步骤2)读取上述信包文件，提取相应的CSI的一定数量的子载波的幅度和相位信息；

二、静态的视距路径识别方案：

步骤3)针对室内静态场景，首先采集静态场景下的CSI幅度信息，对步骤2中提取的子载波振幅的相关特征，建立特征簇，特征包括Rician K因子等；

步骤4)将上述预采集的特征簇作为训练集，结合预定义的标签作为输出，通过BP神经网络的算法生成网络；

步骤5)采集静止点的CSI振幅并提取特征，输入神经网络中，通过输出判定为视距范围还是非视距范围；

三、动态的视距路径识别方案：

步骤6)针对室内动态场景，通过对预先采集的LOS/NLOS样本进行计算，确定出实时的K-Mean阀值Kth，使用基于每个子载波振幅的Rician分布，计算出CSI样本中每个信道的Rician K因子的均值，然后利用K-Mean因子法，通过假设检验的方法来实现动态场景下视距与非视距路径识别。

作为优选，步骤1中所述CSI检测工具为virtual CSI以及CSI Tool。

步骤2中所述一定数量优选为30个。

步骤3中所述特征簇还包括均值、方差、标准差、变异系数、偏斜度、峰态、矩。

与现有技术相比，本发明的有益效果包括：

1.简便性

本发明采用物理层信息CSI作为室内环境下人员检测评价因子，CSI能够从普通商用WiFi设备上提取出来，加上WiFi基础设施的广泛部署，这使得获得CSI信息变得简单可行。并且没对CSI进行处理，采用原始CSI数据，减少了相关的计算与实际的开销。

2.适应性

本发明采用CSI代替传统的RSSI，克服了RSSI粒度粗和时间稳定性差的缺陷，CSI能够获得更为细粒度的信息并且能够区分多条路径，能适用于更多的室内应用场景。

3.功能性

本发明进一步考虑全面的室内视距路径识别方案，将视距路径识别场景划分为静态与动态两个场景，并且针对每种场景设计了不同的视距路径识别方法，相比较于传统的视距检测，功能更为强大，效果更好。

4.可优化性

本发明仅仅考虑了CSI信号的幅度信息，通过考虑结合CSI信号的相位信息、角度信息等能够获得更为优越的视距检测效果，同时为室内定位、手势识别等精确度更高的应用提供了先行条件。

附图说明

图1是室内环境下视距与非视距示意图。

图2是基于CSI的室内视距路径识别方案流程图。

具体实施方式

现结合附图对本发明的具体实施方式做进一步详细的说明。

图1是室内环境下视距路径和非视距路径的示意图，其中在RT处对应其与AP1为视距路径，在RT’处对应与AP1为非视距路径；图2给出了基于CSI的室内视距路径识别方案的流程图。现结合附图对本发明的具体实施方式做进一步详细的说明。本发明的目的是实现在室内动态与静态环境中的视距与非视距的识别。工作原理是利用物理层信道状态信息(CSI)代替传统的接收信号指示强度信息(RSSI)，利用CSI信息时间稳定性好、对动态环境干扰抵抗力强、对链路周围人员存在敏感性强等优势，通过在室内环境下搭载基于Intel 5300系列网卡的功控机，在动态与静态两种场景中，分别采用不同特征簇的神经网络方法与动态莱斯K因子法，实现了室内动态与静态环境下的精确视距路径识别。

本发明是一种适用于室内环境下的视距路径识别方案，针对传统基于RSSI的室内人员检测方案存在粒度粗、时间稳定性差以及不能区分多条路径信息等缺陷，该方案利用物理层信道状态信息(CSI)代替RSSI，利用CSI信息时间稳定性好、对动态环境干扰抵抗力强、对链路周围人员存在敏感性强等优势，通过在室内环境下搭载基于Intel 5300系列网卡的功控机，采用不同特征簇的神经网络方法与动态莱斯K因子法，实现了室内动态与静态环境下的精确视距路径识别。

该基于CSI的适用于室内环境下的视距路径识别方案，包含在以下具体步骤中：

CSI信号特征提取及预处理：

步骤1)CSI信号数据采集：平台包括安装有Ubuntu系统、Intel 5300无线网卡、virtual CSI以及CSI Tool工具的迷你功控机一台、TP-Link路由器、外接天线若干、液晶显示屏、笔记本电脑若干。在实验中，TP-Link作为信号发射源AP，迷你功控机通过5300网卡接收无线信号，外接天线作为信号接收机RT，每一对AP、RT组成一条链路。利用virtual CSI以及CSI Tool工具采集传输信道状态信息并进行保存为信包文件；

步骤2)读取信包文件，提取相应的CSI的30个子载波的幅度和相位信息；

静态的视距路径识别方案：

步骤3)针对室内静态场景，首先采集静态场景下的CSI幅度信息，提取30个子载波振幅的相关特征，建立特征簇，特征包括均值、方差、标准差、变异系数、偏斜度、峰态、矩、Rician K因子；

步骤4)将预采集的特征簇作为训练集，结合预定义的标签作为输出，通过BP神经网络的算法来生成的网络；

步骤5)采集静止点的CSI振幅并提取特征，输入神经网络中，通过输出判定为视距范围还是非视距(NLOS)范围；

动态的视距路径识别方案：

至此，实现了室内环境下的动态与静态视距路径识别方案。

为便于本领域的技术人员理解本发明的技术方案，现对以上步骤中所涉及的一些关键操作定义如下：

静态特征提取：

在静态情境中采用BP神经网络算法，首先需要对采集的CSI振幅信息进行预处理，提取相关特征作为训练集。因此提出了以下的相关特征：

均值和方差(μ、σ)：反映出每个CSI样本中30个子载波振幅的离散程度，通常境况下，由于NLOS下存在障碍物的干扰，其不同子载波间的振幅会呈现出较大的波动，即在NLOS下比LOS下回有较大的方差与标准差。

变异系数(A):衡量数据资料中各变量观测值变异程度的一个统计量，A＝σ/μ。

偏斜度(S)：使用skewness来量化偏斜特征。数学上，偏斜度S被定义为：

其中x,μ,σ分别为测量数据，均值和方差。通常情况下，在NLOS情境下会有一个较大的正向趋势。

峰态(κ)：通常境况下CSI在LOS情境中比在NLOS中具有更大的峰度，为了量化这种峰度，采用了kurtosis作为候选特征。Kurtosisκ被定义为：

矩(B_k)：一种很好的莱斯K参数估计，即K2,4。

其中B₂,B₄分别为测量数据的第二和第四阶中心矩。因此也添加了第二与第四阶矩作为候选特征。

Rician K Factor(K_r)：被定义为主路径与分散路径的功率比，K_r＝ν²/(2σ²)；其中v表示幅度的主峰，v的物理意义为LOS传输的峰值，σ表示幅度的方差，而σ代表的是多径传输信号的强度，例如经过散射、反射和衍射之后，到达接收端的信号的幅度。Rician-K因子越大，则LOS影响程度越高，即多径效应影响越小。

静态的视距路径识别方法：

人工神经网络以其具有自学习、自组织、较好的容错性和优良的非线性逼近能力。在实际应用中，80％-90％的人工神经网络模型采用误差反传算法(BP神经网络算法)，对数据分类上有十分良好的效果。BP神经网络的算法原理：利用输出后的误差来估计输出层的直接前导层的误差，再利用这个误差来估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他层的误差估计。对于静态下的LOS/NLOS识别，选用BP神经网络算法对LOS/NLOS进行分类，具体过程如下：

步骤1)先采集CSI的样本组，并计算出每个CSI样本的上述所有特征，作为识别特征。对于LOS下采集的CSI特征，添加标签为1；同时对于NLOS下的特征，设标签为-1。将所有的特征样本作为训练集输入，其对应的标签集作为训练集输出，训练该BP神经网络。

步骤2)BP网络参数设置，为了简化BP神经网络的运算，采用了单隐含层的BP神经网络，其隐含层节点设置个数满足，经验公式其中m，n分别为输入层、输出层节点个数，α为1～10之间的常数。

步骤3)重新采集CSI的特征值，作为测试集。并输入到已经训练好的BP神经网络中，得到网络的输出，将网络的输出，与预定义的测试集标签进行对比。

步骤4)因为BP网络在使用时是有误差的，输出样本不会是预定义的1或-1，因此对的LOS识别方案采用传统的二进制检验，LOS情况为H₀,NLOS情况为H₁。

对于输出的样本而言，假设检验为:

其中label_output为BP神经网络的样本输出。

动态的视距路径识别方法：

当目标处于运动状态时，会对CSI的样本产生影响，采用上述静态的特征并不能达到很好的识别效果。由于目前采用的CSI可以揭露出更细粒度的信道信息，每个CSI样本包含30个子载波的信息，所以使用对每个子载波进行Rician K的分布模型，从而提出K-Mean特征。

K-Mean：首先在采集的CSI数据集中，计算其对应的每个子载波的Rician K因子，其数学表示为：

v_i表示第i个子载波的振幅峰值，σ_i表示第i个子载波的振幅标准差。在此基础上，通过计算实时的每个CSI样本的所有子载波的均值，作为当前时刻的一个标签，来实现动态场景下LOS与NLOS的识别。

其中Rician-K_i为上面提到第i个子载波的Rician K因子。

通过对预先采集的LOS/NLOS样本进行计算，确定出实时的K-Mean阀值Kth，对应的LOS识别方案采用如下假设检验的方法：

其中H₀为LOS情况，H₁为NLOS情况，K-Mean为采集的实时Rician K均值。

该基于信道状态信息的适用于室内环境下的视距路径识别方案，包含在以下具体步骤中：