《一种基于csi的无源室内指纹定位算法》由会员分享，可在线阅读，更多相关《一种基于csi的无源室内指纹定位算法（12页珍藏版）》请在金锄头文库上搜索。
1、一种基于 CSI 的无源室内指纹定位算法 党小超 司雄 郝占军 黄亚宁 西北师范大学计算机科学与工程学院 甘肃省物联网工程研究中心 摘 要： 针对传统的基于接收信号强度指示 (Received Signal Strength Indication, RSSI) 的室内定位方法产生的定位精度低和稳定性差等问题, 本文提出了一种基于信道状态信息 (Channel State Information, CSI) 的无源室内定位算法, 该算法在商业 Wi-Fi 设备上采集 CSI 信号, 利用信道中相应子载波幅度特性进行定位, 能够有效减轻多径效应。在离线阶段使用主成分分析法 (Principal C
2、omponent Analysis, PCA) 去除噪声、提取特征并建立特征指纹库;在线阶段, 使用朴素贝叶斯分类器 (Naive Bayes Classifier, NBC) 实时处理数据, 得到估计位置。实验在真实办公环境下采集数据并分析处理, 实验结果表明, 相较于 CSI 其他室内定位算法, 该算法具有处理时间短、定位精度高的优点。关键词： 室内定位; 无源定位; 信道状态信息; 特征提取; 指纹库; 作者简介：党小超 (1963-) , 男, 硕士, 教授, 硕士生导师, 主要研究方向为物联网、传感器网络;作者简介：司雄 (1993-) , 男, 硕士研究生, 主要研究方向为无线传感
3、器网络;作者简介：郝占军 (1979-) , 通讯作者, 男, 硕士, 副教授, 硕士生导师, 主要研究方向为位置服务、无线传感器网络;E-mail:作者简介：黄亚宁 (1994-) , 女, 硕士研究生, 主要研究方向为无线传感器网络。基金：国家自然科学基金 (61762079, 61363059, 61662070) A Passive Indoor Fingerprint Localization Algorithm Based on Channel State InformationDANG Xiaochao SI Xiong HAO Zhanjun HUANG Yaning Coll
4、ege of Computer Science and Engineering, Northwest Normal University; Abstract： Aiming atthe instability characteristic and low space distinguish ability of the traditional indoor localization system based on received signal strength indication (RSSI) which degrades the indoor positioning accuracy,
5、this paper presents a novel indoor positioning algorithm based on channel state information (CSI) . The localization algorithm collects CSI signals on commercial Wi-Fi devices. In the offline phase, the Principal Component Analysis (PCA) is utilized to remove the noise, extract the features and esta
6、blish the feature fingerprints. In the online localization phase, we use the naive Bayesian classifier (NBC) method to process the data in real time and then get the estimated position. The experiment data is collected and analyzed in the real office environment. The experimental results show that t
7、he proposed algorithm has the advantages of short processing time and high positioning accuracy compared with other algorithms.Keyword： Indoor location; passive localization; channel state information; feature extraction; fingerprint database; 0 概述随着无线网络通信技术和物联网应用的发展, 室内环境下的定位服务与相关应用得到广泛的关注。在室外环境下,
8、传统的卫星定位技术, 例如中国北斗卫星导航系统 (BDS) 、全球定位系统 (GPS) 服务等提供了较高精度的定位服务1, 能够满足室外位置服务的需求, 然而, 在室内环境中, 信号的传输将受到多径干扰、阴影效应、功率衰减、传输延迟等限制2。如何在室内环境中, 提供高精度的定位服务, 成为亟待解决的问题。近年来, 研究人员将 Zig Bee、Wi-Fi、Bluetooth 等技术应用在室内定位中, 取得了相关成果3。基于 RSSI 的定位方法, 具有硬件设备要求低、无需额外添加其他硬件设备、无需确定 AP 的位置信息等优点4。文献5对 RSSI 信号进行高斯滤波, 采用三角形质心算法结合贝叶斯
9、滤波处理得目标的精确坐标。文献6使用线性回归处理 RSSI 数据, 提出基于 RSSI 测距的室内定位算法。文献7直接使用 RSSI 值, 应用多维标度法进行定位, 有效的避免了测距的计算量和误差。文献8先利用 PCA 对 RSSI信号进行预处理, 提取主要的特征数据, 通过指纹点的定位特征数据与其位置的非线性关系对测试点的位置进行回归预测。然而基于 RSSI 的定位方法主要体现出两种缺点:1、在确定位置不变的条件下RSSI 的值也存在较高的时变性;2、RSSI 信号更容易受到多径效应的干扰, 无法区分视距路径 (LOS) 和非视距路径 (NLOS) 。因此, RSSI 适用于对定位精度要求不
10、高的简单环境中。基于 CSI 的室内定位技术具有在线处理阶段效率高、计算复杂度低、定位精度高等优点, 具有更广泛的应用前景。文献9中, Xuyu Wang 等人提出了 Deep Fi 系统, 利用深度学习训练 CSI 值作为指纹特征, 通过基于径向基函数的概率法来获得估计位置, 但是该系统在离线阶段数据训练耗时较长。文献10提出的 FIFS 方案, 采用多个天线上的加权平均 CSI 值和路径损耗传播模型来提高室内定位的准确性, 该方案容易受到环境因素的干扰。文献11设计了一个基于贝叶斯分类器的室内定位系统, 提出置信水平的方法来评估不同链路, 选择最可靠的链路进行定位, 但是该系统没有提取 C
11、SI 数据的相关性, 整体定位性能受到影响。针对以上 CSI 定位方法中存在的问题, 为了达到无源指纹定位的高效率、高精度、高适应性的目的, 本文提出了一种基于 CSI 的无源室内指纹算法 (NBC-PCA算法) 。算法首先测定了 CSI 信号的变化特征与人员行为的关系;其次通过支持802.11n 协议的 Atheros 9380 型号无线网卡中提取 CSI 信号, 采用 PCA 选取最主要的信号特征组;最后采用 NBC 进行实时定位。通过实验, 分析了 CSI 数据包的采样率和通信链路对定位精度的影响。1 相关理论1.1 无源指纹定位相比传统定位算法, 无源指纹定位过程实质上是将一个未知位置
12、的信号特征与指纹库中的信息进行比对, 以得到最佳的匹配结果12。室内定位系统分为离线阶段和在线阶段。如图 1 是指纹定位的框架图, 离线阶段采集目标区域内已知位置 L 的测量数据进行收集预处理, 将其组成有序向量, 与相应参考点的物理位置构成位置指纹信息, 目的是得到各个位置的信号特征建立指纹库;在线定位阶段采集测试点 L的在线位置指纹数据, 将获取的特征值与指纹库进行匹配, 通过映射关系模型 M, 利用相应的模式匹配算法与位置指纹空间中的数据相匹配, 得到精确位置的估计结果。图 1 指纹定位框架图 下载原图1.2 信道状态信息在 IEEE 802.11n 协议中, 通过正交频分复用技术 OF
13、DM (Orthogonal Frequency Division Multiplexing) 我们可以将无线信号发射端和接收端之间的信道特征以 CSI 的形式从物理层解析出来。CSI 可以反映出环境的衰减因子, 包括散射、环境衰减、功率衰减等信道信息1314。CSI 表征了子载波在频域的幅度相位信息, 是一个 的复数矩阵。其中, m 和 n 分别表示发射端和接收端的天线个数, k 表示子载波组数。对于使用 OFDM 传输的信号, 经过多径信道传输后的接收信号可表示为:(1) 式中:Y 与 X 分别表示接收端与发射端的信号向量, H 与 N 分别是信道信息矩阵与加性高斯白噪声。其中各个子载波的
14、 CSI 可以表示为:表 1 详细的列举了 RSSI 与 CSI 的对比信息, RSSI 是数据链路层面的信息, 而物理层的 CSI 包含了更细粒度、表征信道中各个子载波的振幅和相位等信号特性, 因此 CSI 更好的描述了信号从发射端到接收端的变化信息。由表 1 的对比结果可以看到, CSI 的普适性强、功耗低、稳定性强以及能够更好的反映环境中多径效应的特点, 在室内定位领域适用性更高15。表 1 RSSI 与 CSI 比较 下载原表 根据接收端底层硬件设备驱动的不同, CSI 可以被分为不同的子载波组, 因此CSI 矩阵 H 可以表示为:其中, N 为根据驱动被分成的子载波组数, 在 20M
15、Hz 带宽信道下 N=56, 在40MHz 带宽下 N=114, Hi为每一个子载波上的 CSI, 表示为:其中 分别为第 i 个子载波的振幅和相位。2 NBC-PCA 算法图 2 定位流程图 下载原图NBC-PCA 算法定位流程如图 2 所示, 离线阶段和在线阶段对采集到的 CSI 数据都进行了 PCA 处理, 减少数据冗余, 达到降维去噪的效果, 通过 NBC 与指纹库的映射关系, 可以实时估计测试点的位置结果, 下面将详细介绍算法的执行过程。2.1 离线阶段主成分分析法 (PCA) 是将高维特征空间的数据利用最高方差通过线性变换投影到低维空间, 把多指标转化为少数几个综合指标。PCA 的
16、本质是对角化协方差矩阵, 让各个维度之间的相关性最小, 保留下来的维度的能量最大。更具体地说, 对于高维度的数据集, 在降维的同时最大程度保持原始数据不失真, 并且尽可能的去除冗余数据和干扰噪声16。将 CSI 信号直接作为指纹特征, 其数据的维数较高, 参数估计的难度较大, 计算量大, 因此通过 PCA 进行主要特征提取, 去除定位特征与分量之间的相关性, 不仅可以对数据进行降维, 减少数据量, 还可以去除 CSI 信号中的噪声, 降低定位误差。离线阶段, 在目标区域内选定 N 个参考点, 每个参考点的位置信息 li (xi, yi) 已知, 这 N 个参考点的物理位置信息构成一个位置空间 L= (l1, l2, lN) , 在各个参考点上采集该位置点的 CSI 信号, 每个参考点采集 p 次, 将信号作为参考点 li的原始指纹信息记为 Fi, Fi= (csii1, csii2, , csiip) 是一个 p 维向量,
