CN106131958A

CN106131958A - 一种基于信道状态信息和支持向量机的室内被动定位方法

Info

Publication number: CN106131958A
Application number: CN201610645052.3A
Authority: CN
Inventors: 周瑞; 陈结松; 罗磊; 张洋铭; 卢帅
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2016-08-09
Filing date: 2016-08-09
Publication date: 2016-11-16

Abstract

本发明公开一种基于信道状态信息和支持向量机的室内被动定位方法。本发明首先对采集的信道状态信息数据进行预处理，采用基于密度的聚类算法和基于权值的滑动平均算法进行去噪和平滑，然后采用主成分分析算法进行特征提取。预处理和特征提取后数据更加准确反映信号变化且维数大大降低。被动定位采用两级定位。训练阶段将较大定位空间划分成子区域，对每个子区域建立支持向量机分类和回归模型，获得准确代表位置和信号之间非线性关系的统计模型。两级定位首先通过支持向量机分类确定子区域，然后在该子区域内通过支持向量机回归确定精确位置。本发明的有益效果是：能够在目标不主动参与的情况下进行被动定位，并将室内定位精度提高到亚米级。

Description

一种基于信道状态信息和支持向量机的室内被动定位方法

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室内高精度被动定位方法。

背景技术

基于Wi-Fi的无线局域网在室内获得广泛部署，在提供数据传输服务的同时，还可提供定位服务。基于Wi-Fi的室内定位解决方案不需要搭建专门的硬件设施，充分利用现有无线网络，将低成本定位的应用范围扩大到楼群和室内。目前绝大多数Wi-Fi室内定位技术采用主动定位方式，即定位目标携带电子设备，扫描周围Wi-Fi无线接入点(Access Point，AP，通常是无线路由器)及其信号强度，并基于此进行位置估计。但在很多情况下，定位目标并没有携带电子设备，或者关闭电子设备，导致无法进行主动定位。例如家庭场景中通过位置变化对独居老人的健康监测，或者对敏感区域的禁入监控。这些情况都需要进行被动定位，即在目标不携带任何发射接收设备且不主动参与定位过程的情况下确定其空间位置。

人体会对周围的Wi-Fi信号产生反射、散射、衍射、衰减等效果，通过监测Wi-Fi信号的变化可以确定目标的位置。从Wi-Fi信号中可以获取接收信号强度指示(ReceivedSignal Strength Indicator，RSSI)和信道状态信息(Channel State Information，CSI)。RSSI是目前使用最广泛的能量特性，绝大多数Wi-Fi定位基于RSSI，但其粗粒度及易变性不适合多径室内环境下的精确感知，用于被动定位精度很差。CSI是物理层特征，描述信号在发射器和接收器之间传播的衰减因子，包括散射、环境衰减、距离衰减等信息，能够抵抗来自频段的窄频带信号的干扰，在静态环境中足够稳定，被干扰时能立即做出反应，并能够分辨来自多条路径的信号，多径效应影响小。随着正交频分复用(Orthogonal FrequencyDivision Multiplexing，OFDM)技术在无线局域网中的应用，目前可以较便捷地获得CSI。CSI包含每个子载波的幅度和相位信息，能够提供丰富的频域信息，从而提高室内被动定位的精确性。

定位通常采用信号指纹匹配的方法，包括数据采集、特征提取、模型建立和实时定位。采集的原始数据包括室内各参考点的信号指纹和参考点的位置坐标，在对信号指纹进行特征提取后，基于特定数学模型建立信号指纹与位置坐标之间的依赖关系。在实时定位阶段，结合实时采集的信号指纹和事先建立的模型，确定目标位置。定位精度取决于是否能够建立精确的信号指纹与位置坐标之间的依赖关系。由于室内环境的复杂性，很难获得具体的关于信号指纹和位置的依赖关系表达式。支持向量机(Support Vector Machines，SVM)是一种基于统计学习理论的机器学习方法，在解决高维和非线性问题方面表现出很多优势。借助于SVM分类和回归，可以获得代表位置和信号指纹之间非线性依赖关系的统计模型，而不用考虑室内环境因素。现有大多数室内定位算法采用单级定位，这就需要在整个定位区域建立一个统一的信号指纹与位置之间的依赖关系。由于室内区域往往较大且环境复杂，整个定位区域采用统一依赖关系不能准确表达位置坐标与信号指纹之间的关系，也就不能准确定位。为保证定位精度，较大定位区域还会采集大量指纹数据，造成计算复杂度的增加。因此将整个定位区域划分成若干子区域，针对每个子区域建立单独的位置坐标与信号指纹依赖关系的模型，能够提高模型的精确性并降低计算复杂度。实时定位时，先确定子区域，再根据子区域定位模型进行精确定位，提高定位精度。

发明内容

本发明所要解决的技术问题是，提供一种新的基于信道状态信息和支持向量机的更高精度的无需定位目标主动参与的被动室内定位方法。

本发明为解决上述技术问题所采用的技术方案是，一种基于信道状态信息CSI和支持向量机SVM分类和回归的两级室内被动定位方法，包括以下步骤：

1)环境部署：基于CSI的被动定位要求室内覆盖Wi-Fi信号，部署若干无线接入点AP，若干监测点MP，和一台用于分析处理数据的处理器；定位区域按照建筑结构划分成若干子区域，每个子区域内包含若干定位参考点；

2)CSI原始数据采集：在每个参考点采集若干CSI原始数据，包括：发送天线个数，接收天线个数，发送频率，信道状态信息CSI矩阵，参考点位置坐标；

3)CSI数据预处理：

3-1)CSI数据生成：移除原始数据中CSI矩阵第一维度，将产生的二维矩阵从线性(电平)空间转换到对数(功率)空间，将矩阵中每一个复数转换成量值；

3-2)CSI数据去噪：每一对发送和接收天线组成的信道中有30条子载波，应用基于密度的聚类算法Density-Based Spatial Clustering of Applications with Noise(DBSCAN)对每一条信道进行聚类，通过删除离群点去噪；

3-3)CSI数据平滑：使用基于权值的滑动平均算法对去噪后的CSI数据进行平滑；

4)CSI特征值提取：使用主成分分析(Principal Component Analysis，PCA)算法对预处理后的CSI数据进行降维和特征值提取，产生CSI指纹样本；

5)SVM模型训练：

5-1)将CSI指纹样本归一化；

5-2)基于CSI指纹样本，建立子区域的SVM分类模型；

5-3)针对每个子区域，基于本区域的CSI指纹样本，建立该子区域的SVM回归模型；

6)两级定位：

6-1)按照步骤2)进行CSI原始数据采集

6-2)按照步骤3)进行CSI数据预处理；

6-3)按照步骤4)进行CSI数据降维和特征值提取，获得实时信号指纹；

6-4)子区域定位阶段：根据子区域SVM分类模型，确定实时信号指纹所属子区域；

6-5)精确定位阶段：根据已确定子区域的SVM回归模型，确定实时信号指纹采集位置的x坐标和y坐标。

本发明的有益效果是：通过基于信道状态信息的被动定位，能够在目标不主动参与的情况下进行定位。在获取CSI原始数据后，本发明对数据进行预处理，首先采用基于密度的聚类算法DBSCAN对信道中的子载波数据进行聚类以去噪，然后采用基于权值的滑动平均算法对去噪后的数据进行平滑。数据预处理后，本发明采用主成分分析算法对数据进行特征值提取。预处理和特征提取后的数据能够更加准确地反映信号的主要变化并且维数大大降低，有助于提高被动定位精度并降低计算复杂度。本发明借助于SVM分类和回归算法，获得代表位置和CSI指纹之间非线性依赖关系的统计模型，而不用根据室内复杂环境因素建立具体的依赖关系表达式。本发明将较大定位空间划分成更小而且特征更加明显集中的子区域，针对每个子区域建立SVM回归模型，使得位置与CSI指纹之间建立的依赖关系更为准确。通过两级定位，即首先通过SVM分类确定子区域，然后在子区域内通过SVM回归确定位置坐标，提高了被动定位精度，降低了计算复杂度。本发明能够达到亚米级被动定位精度。

附图说明

图1为基于CSI和SVM的两阶段被动定位流程图；

图2为基于CSI的被动定位环境部署图；

具体实施方式

一种基于CSI和SVM的两级室内被动定位方法，流程如图1所示，具体实施步骤如下：

1)环境部署：基于Wi-Fi的被动定位要求室内覆盖Wi-Fi信号，需要部署若干无线接入点AP(支持802.11n)，若干监测点MP，和一台用于处理和分析监测点采集数据的处理器。将AP与MP以对角线交叉的方式摆放在环境中，布局方式示意图参见图2，MP1接收来自AP1的数据，MP2接收来自AP2的数据。按照室内建筑结构将定位区域分成若干子区域，并确定每个子区域内的若干定位参考点。

2)CSI原始数据采集：训练阶段，人在每个参考点处停留，各个MP采集若干条来自对应AP的CSI原始数据，包括：发送天线个数N_tx，接收天线个数N_rx，数据包发送频率f，信道状态信息矩阵H和参考点位置坐标(x，y)。信道状态信息H是一个N_tx×N_rx×30的三维矩阵，第三维是OFDM信道中的30条子载波信息h＝|h|e^jsinθ，|h|是子载波幅值，θ是子载波相位。

3)CSI数据生成：针对采集的CSI原始数据，首先移除CSI矩阵H的第一个维度，获得N_tx个N_rx×30的二维矩阵，将二维矩阵从线性(电平)空间转换成对数(功率)空间，并将矩阵中每一个复数转换成量值。

4)CSI数据去噪：每一对发送和接收天线组成一条信道，因此一对AP-MP包含N_tx×N_rx条信道；每条信道包含30条子载波，因此一对AP-MP包含N_tx×N_rx×30条子载波。按照信道将CSI数据集分成N_tx×N_rx个子数据集，每个子数据集包含30条子载波信息。令子数据集中每条子载波的序号为index(1～30)，幅值为value，在每个子数据集上应用基于密度的聚类算法DBSCAN进行聚类。DBSCAN中的两个参数分别是领域半径e和最小包含点数minOpt，其聚类步骤如下：

a)将子数据集中所有对象标记为未访问状态，即“unvisited”；

b)随机选择一个未访问对象o(index，value)，标记为“visited”；检查o的邻域是否至少包含minOpt个对象：如果不是，则标记o为离群点；如果是，则为o创建一个新的簇C和一个候选集合N，把o的邻域中所有对象放在候选集合N中；

c)DBSCAN迭代地把N中不属于其它簇的对象添加到C中，直到N为空，簇C完成；

d)转到步骤b)处理下一个对象；

e)将标记成离群点的对象对应的样本数据从训练集中删除，达到数据去噪的目的。

5)CSI数据平滑：使用基于权值的滑动平均算法对去噪后的CSI数据进行平滑以减小数据波动。假设到时刻t的一个CSI子载波序列为(v₁，v₂，…，v_t)，则在时刻t的CSI平滑值是前m个值的加权平均，m为滑动窗口大小：

{\overset{&OverBar;}{v}}_{t} = \frac{m \times v_{t} + (m - 1) \times v_{t - 1} + ... + 1 \times v_{r - m + 1}}{m + (m - 1) + ... + 1}

6)CSI特征值提取：

假设存在N_ap对AP-MP组合，每对AP-MP包含N_tx×N_rx条信道，每条信道具有30条子载波，则每条CSI数据的维数为N_ap×N_tx×N_rx×30，维数很高。CSI数据中每个值对分类的贡献是不同的，因此使用主成分分析PCA算法对CSI数据进行降维并提取最有效的特征。PCA的目标是寻找r(r＜N_ap×N_tx×N_rx×30)个新特征，每个新特征是原有特征的线性组合，新特征能够反映原有数据的主要特征，并能压缩原有数据的规模。

假设训练样本集合矩阵为X，样本数量为N。通过PCA，可以获得转换矩阵C，样本矩阵X经过转换后的矩阵S，和按降序排列的特征权重L＝(L₁，L₂，…，L_n)，n为特征维数。计算特征L_r的累积贡献率为：

L_{r} = Σ_{i = 1}^{r} L_{i} / Σ_{i = 1}^{n} L_{i}

如果L_r＞95％，即前r个特征的累积贡献率大于预设阈值95％，则取L＝(L₁，L₂，…，L_n)中的前r个特征F＝(L₁，L₂，…，L_r)作为提取的特征。矩阵S中的前r列构成主成分矩阵R。R作为后续模型训练的样本数据。

7)CSI指纹样本生成及归一化：假设定位区域的CSI样本集合为X＝{c₁，c₂，…，c_N}，N为样本个数；参考点集合为S＝{s₁，s₂，…，s_M}，M为参考点数量；子区域集合为D＝{d₁，d₂，…，d_K}，K为子区域数量。一个完整的CSI训练样本可以表述为(d_i，(x_i，y_i)，c_i)，di∈D是采样点所在的子区域，c_i＝{c_i1，c_i2，…，c_ir}表示特征提取后的样本，r为样本维数，(x_i，y_i)表示采样点的坐标值，归一化得到：

W_{c_{i j}} = \frac{c_{i j} - c_{\max}}{c_{\min} - c_{\max}}

c_ij表示样本c_i的第j个特征值，c_min表示所有特征值的最小值，c_max表示表示所有特征值的最大值；

8)SVM模型训练，包括SVM分类模型训练和SVM回归模型训练：

(a)对各子区域进行SVM分类模型训练。由于存在多个子区域，因此子区域分类是一个多分类过程，采用一一区分法将SVM从二分类扩展到多分类。假设子区域数量为K，每个子区域对应一个类，则类的数量为K，需要训练K(K-1)/2个分类器，每个分类器对两个子区域进行二分类。假设ω_i和ω_j分别代表子区域d_i和子区域d_j对应的类，则针对类ω_i和类ω_j的SVM分类器的训练就是使用来自ω_i和ω_j中的CSI指纹样本解决如下问题：

\min i m i z e \frac{1}{2} | | w^{i j} | |^{2} + C Σ_{t = 1}^{N} {(ξ^{i j})}_{t}

S . t \{\begin{matrix} {(w^{i j})}^{T} c_{t} + b^{i j} &GreaterEqual; 1 - ξ^{i j}, i f c_{t} &Element; ω_{i} \\ {(w^{i j})}^{T} c_{t} + b^{i j} \leq - 1 + ξ^{i j}, i f c_{t} &Element; ω_{j} \\ ξ^{i j} &GreaterEqual; 0, t = 1, 2, ... N \\ C > 0 \end{matrix}

其中C为常量，ξ是一组松弛变量，c_t是一个CSI指纹样本，N是样本个数。

(b)对各子区域进行SVM回归模型训练。使用子区域内采集的CSI指纹样本训练该子区域的SVM回归模型，以建立该子区域内CSI指纹样本与位置坐标之间的依赖关系。每一维坐标需要一个单独的回归模型。对于每个子区域d，只有样本集{(d_i，(x_i，y_i)，c_i)|d_i＝d，i＝1，2，…，n}会被用于训练该子区域的回归模型，其中样本集{(d_i，x_i，c_i)|d_i＝d，i＝1，2，…，n}用于训练x轴的回归模型，样本集{(d_i，y_i，c_i)|d_i＝d，i＝1，2，…，n}用于训练y轴的回归模型。回归模型训练就是如下解决问题：

\min i m i z e \frac{1}{2} | | w | |^{2} + C (v &Element; + \frac{1}{N} Σ_{i = 1}^{N} (ξ^{*} + ξ))

其中v∈(0，1}是一个参数，∈表示精度，C为常量，是一组松弛变量，c_i是一个CSI指纹样本，t_i是样本目标值，N是样本个数。

9)在线定位：实际定位时，算法根据在目标点实时采集的CSI指纹，通过SVM分类器首先确定目标点所在子区域，然后在该子区域进行SVM回归确定目标点的精确坐标。包括如下步骤：

(a)按照步骤2)的方式采集CSI原始数据；

(b)按照步骤3)-6)的方式对CSI数据进行预处理和特征提取；

(c)按照步骤7)的方式产生CSI指纹并归一化；

(d)子区域定位阶段：根据K个子区域的SVM分类模型来确定实时测量的CSI指纹所属的子区域。

(e)精确定位阶段：根据子区域定位得出的子区域，选择对应子区域的x轴SVM回归模型和y轴SVM回归模型，将实时测量的CSI指纹提交给回归模型获取x轴坐标值和y轴坐标值。

识别精度

Claims

1.一种基于信道状态信息(Channel State Information，CSI)和支持向量机(SupportVector Machines，SVM)的室内被动定位方法，包括以下步骤：

3)CSI数据预处理：

5)SVM模型训练：

5-1)将CSI指纹样本归一化；

5-2)基于CSI指纹样本，建立子区域的SVM分类模型；

6)两级定位：

6-1)按照步骤2)进行CSI原始数据采集

6-2)按照步骤3)进行CSI数据预处理；

2.按权利要求1所述基于信道状态信息和支持向量机的室内被动定位方法，其特征在于步骤3-2)中所述，应用基于密度的聚类算法DBSCAN对每一条信道中的子载波数据进行聚类，通过删除离群点去噪。

3.按权利要求1所述基于信道状态信息和支持向量机的室内被动定位方法，其特征在于步骤3-3)中所述，使用基于权值的滑动平均算法对去噪后的CSI数据进行平滑。

4.按权利要求1所述基于信道状态信息和支持向量机的室内被动定位方法，其特征在于步骤4)中所述，使用主成分分析PCA算法对预处理后的CSI数据进行降维和特征值提取，产生CSI指纹样本。

5.按权利要求1所述基于信道状态信息和支持向量机的室内被动定位方法，其特征在于步骤6)中所述基于SVM的两级定位方法，在获得实时信号指纹后，首先根据子区域SVM分类模型，确定实时信号指纹所属子区域，然后根据已确定子区域，选择该子区域的x轴SVM回归模型和y轴SVM回归模型，将实时测量的CSI指纹提交给回归模型获取x轴坐标值和y轴坐标值。