CN105828289B - 一种基于信道状态信息的无源室内定位方法 - Google Patents

Abstract

本发明公开了一种基于信道状态信息的无源室内定位方法，该方法利用普通的设备搭建数据采集平台，具体的定位可分为两个阶段：离线训练阶段和在线测试阶段。离线阶段采集人体位于每个位置的信道状态信息数据，经过预处理后存入位置指纹库，建立位置‑数据指纹的映射关系；在线阶段，同样对数据进行预处理，并利用机器学习中的朴素贝叶斯算法进行位置分类。同时，为进一步提高分类的准确度，引入了置信度方法，综合了多条天线对的分类结果来减少位置误判。通过上述方式，本发明能够以较低的成本有效实现对室内人员的无源定位，最优的情况下可达到90％以上的分类准确度。本发明在入侵检测、智能家居等领域具有一定的应用价值。

Description

一种基于信道状态信息的无源室内定位方法

技术领域

本发明涉及室内定位领域，尤其涉及一种基于信道状态信息的无源室内定位方法。

背景技术

室内定位是实现基于位置服务的关键技术之一，正受到越来越多的理论研究和工程应用关注。GPS在室外环境中获得了广泛的应用，但GPS信号无法穿过厚重的水泥墙，且室内的环境要比室外复杂的多，因此GPS不适合应用于室内定位。目前的几种主要的室内定位技术：红外线、UWB、RFID和超声波等，都有性价比低和无法广泛部署的缺点。随着无线局域网(WLAN)的发展，无线热点已经广泛的分布于各种室内场合，如学校、医院、餐厅、超市等，如果能有效利用这些现有的设备实现室内定位，将大大降低系统部署成本；同时随着无线局域网传输速率的不断提高，如未来的802.11ac将具有更高的工作频带，这为进一步精确的室内定位提供了可能性。

目前已经出现了一些基于WLAN的室内定位方案。根据被定位目标是否携带设备参与到定位过程，可以将基于WLAN的定位方法分成有源和无源两种。在很多情况下，目标不一定会携带定位设备，一个典型的场景就是安防领域的入侵检测。在这种情况下，入侵者并不希望自己的位置被检测到。传统的无源定位利用的是接收信号强度(RSS，Received SignalStrength)，该物理量是多条路径信号的强度叠加。一种典型的利用RSS实现无源定位的方法是指纹库方法。与传统的强度-距离模型不同，指纹库在训练阶段建立不同位置的不同RSS模式，在测试阶段则检测与库中的RSS的相似度进行位置的匹配。RSS易于获得，但由于室内普遍存在着多径效应(Multi-path Effect)，使得RSS存在波动性大且不够稳定的缺点。

虽然目前利用RSS的方法仍然是WLAN定位的主流，但已经出现了一些利用PHY层的更稳定、更高精度的物理量——信道状态信息(CSI,Channel State Information)来进行定位的一些研究。近几年，随着技术的发展使得CSI的获取更加容易，对CSI的研究也越来越多。在定位算法方面，一些学者已经利用概率方法即贝叶斯公式实现了定位，但其物理量仍然为RSS，具有进一步改进的空间。

发明内容

本发明主要解决的技术问题是提供一种相比RSS更加稳定，准确率更高的无源室内定位方法，能够有效实现对室内人体的位置分类，满足室内定位需求。

为实现上述的目标，本发明采用的一个技术方案：一种基于信道状态信息的无源室内定位方法，具体包括以下步骤：

步骤1：搭建信道状态信息数据采集平台；

步骤2：将定位区域分成n个网格，记为L₁,...,L_n，作为定位分类的基本单元；

步骤3：人体在每个网格中保持一段时间的静止状态，采集包含信道状态信息的数据包。每个信道状态信息数据的格式为：{f₁,f₂,...,f₃₀}_T×R。其中f₁～f₃₀为子载波，T为发射天线数，R为接收天线数；

步骤4：取第1对天线对上的数据进行预处理，包括以下两个子步骤：

步骤4-1：除去数据中的明显异常值；

步骤4-2：对每组数据进行归一化，X_new＝(X_old-min)/(max-min)，其中，X_new表示归一化后的数据，X_old表示归一化前的数据，min表示该数据的一列特征中的最小值，max表示该数据的一列特征的最大值；

步骤5：计算第i个位置的数据的平均值mean_i和标准差std_i，作为该位置的一条指纹，完成位置指纹库的建立；

步骤6：在线阶段，采集测试数据包；

步骤7：对测试数据进行预处理，主要为对数据进行归一化；

步骤8：对测试数据中的每个样本进行朴素贝叶斯分类，得到该天线对上的各样本的估计位置{L_EST₁,L_EST₂,...,L_EST_s}，其中s表示样本数，其具体包括：

步骤8-1：取待分类项x＝{f₁,f₂,...,f₃₀}和类别集合C＝{L₁,L₂,...,L_n}；

步骤8-2：计算待分类数据在各个位置类别下出现的概率P(L_i|x),i＝1,...n，其中x表示待分类的数据；；

步骤8-3：取步骤8-2结果中概率最大的类别为估计位置即

P(L_EST|x)＝max{P(L_i|x)}＝>x∈L_EST

步骤9：计算置信度B_r，包括以下子步骤：

步骤9-1：取该天线对上的s个测试样本，每个样本分类结果为：

{L_EST₁,L_EST₂,...,L_EST_s}

步骤9-2：取步骤9-1得到的分类结果中出现最多的位置类别，记为L_k；

步骤9-3：求出L_k在分类结果中的数量为m；

步骤9-4：计算置信度其中s表示该天线对上的测试样本数；

步骤9-5：记录该天线对上的分类结果，即result＝{Ant_i,L_k,B_r}，其中Ant_i表示天线对的序号；

步骤10：取其它的天线对，重复步骤4～步骤9；

步骤11：综合比较每对天线对上的分类置信度，取B_r最大的天线对上的分类结果作为最终的分类结果；

本发明的有益效果是：

1.使用了简单可得的设备作为定位平台，充分利用了现有的无线局域网设备，降低了设备的成本，安装部署的费用，易于普及；

2.本发明不需要人体携带任何有源设备、电子标签等，进一步降低了定位的成本，在安防、智能家居等领域具有一定的应用价值；

3.利用信道状态信息作为定位的物理量，具有稳定、可靠、精度高的优点；

4.朴素贝叶斯方法简单有效，对数据量较大的情况同样具有较好的效果；

5.充分利用了不同天线对上的分集信息，进一步提高了分类准确度。

附图说明

图1是发明的实验平台示意图；

图2是一种数据采集点的分布示意图；

图3是另一个环境下的数据采集点的分布示意图；

图4是本发明的一种实施方式的性能图；

图5是本发明的流程图。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

请参阅图1～图4，本发明实施例包括：

1.如图1所示，我们的实验平台包括接入点AP和监控点MP两部分，AP为普通的无线路由器，MP为安装了Intel 5300网卡和信道状态信息提取软件的笔记本电脑；

2.具体实施场地为一个实验室，该环境下具有较丰富的多径效应。我们将房间分成若干网格，每个网格间距1.2m左右，如图2所示；

3.每次采集，人体站在如图2的数据采集点，收集包含信道状态信息的数据包，每个位置点的采集时间为80秒。采集完毕后，每个位置都能得到一个.dat文件；

4.从每个位置的.dat文件中提取出每对天线的信道状态信息数据；

5.对数据进行预处理，包括以下两个步骤：

5-1.使用拉依达方法去除异常值；

5-2.对数据归一化；

6.对每个位置i的信道状态信息数据求平均值mean_i和标准差std_i，将其作为一条指纹存入指纹数据库；

7.测试阶段，人体同样静止于图2中的测试点，采集测试数据，每个位置采集时间为15秒；

8.同样经过上述4中的处理后，对测试数据进行归一化；

9.我们对每个位置的每个CSI样本进行朴素贝叶斯分类，同时根据发明内容中步骤8～步骤11的详细过程，估计得到最终的估计位置。

为验证本发明在不同环境下的性能，在另一个环境下(如图3)重复以上步骤；我们与未采用本方法的情况进行比较，得到性能如图4所示。由于环境2相比环境1具有较少的多径干扰，因此其分类正确率比环境1要高；本发明的方法显著的提高了分类的准确率，在两种环境下的准确率都在90％以上。

以上所述仅为本发明的实施例，并非因此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均包括在本发明的保护范围内。

Claims (3)

1.一种基于信道状态信息的无源室内定位方法，其特征在于该方法具体包括以下步骤：

步骤1：搭建信道状态信息数据采集平台；

步骤2：将定位区域分成n个网格，作为定位分类的基本单元，记为L₁,...,L_n；

步骤3：人体在每个网格中保持一段时间的静止状态，采集包含信道状态信息的数据包，每个信道状态信息数据的格式为：{f₁,f₂,...,f₃₀}_T×R，其中f₁～f₃₀为子载波，T为发射天线数，R为接收天线数；

步骤4：取第1对天线对上的数据进行预处理，包括以下两个子步骤：

步骤4-1：除去数据中的明显异常值；

步骤4-2：对每组数据进行归一化，X_new＝(X_old-min)/(max-min)，其中，X_new表示归一化后的数据，X_old表示归一化前的数据，min表示该数据的一列特征中的最小值，max表示该数据的一列特征的最大值；

步骤5：计算位置i的数据的平均值mean_i和标准差std_i，作为该位置的一条指纹，完成位置指纹库的建立；

步骤6：在线阶段，采集测试数据包；

步骤7：对测试数据进行预处理，主要为对数据进行归一化；

步骤8：对测试数据中的每个样本进行朴素贝叶斯分类，得到该天线对上的各样本的估计位置{L_EST₁,L_EST₂,...,L_EST_s}，其中s表示样本数；

步骤9：计算置信度B_r；

步骤10：取其它的天线对，重复步骤4～步骤9；

步骤11：综合比较每对天线对上的分类置信度，取B_r最大的天线对上的分类结果作为最终的分类结果。

2.根据权利要求1所述的一种基于信道状态信息的无源室内定位方法，其特征在于，步骤8包括以下步骤：

步骤8-1：取待分类项x＝{f₁,f₂,...,f₃₀}和类别集合C＝{L₁,L₂,...,L_n}；

步骤8-2：计算待分类数据在各个位置类别下出现的概率P(L_i|x),i＝1,...n，其中x表示待分类的数据；

步骤8-3：取步骤8-2结果中概率最大的类别为估计位置即

P(L_EST|x)＝max{P(L_i|x)}＝>x∈L_EST。

3.根据权利要求1所述的一种基于信道状态信息的无源室内定位方法，其特征在于，步骤9包括以下步骤：

步骤9-1：取该天线对上的s个测试样本，每个样本分类结果为：

{L_EST₁,L_EST₂,...,L_EST_s}

步骤9-2：取步骤9-1得到的分类结果中出现最多的位置类别，记为L_k；

步骤9-3：求出L_k在分类结果中的数量为m；

步骤9-4：计算置信度其中s表示该天线对上的测试样本数；

步骤9-5：记录该天线对上的分类结果，即result＝{Ant_i,L_k,B_r}，其中Ant_i表示天线对的序号。