CN106772219A - 基于csi信号的室内定位方法 - Google Patents

Abstract

本发明公开了一种基于CSI(Channel state information，信道状态信息)的室内定位的方法，主要过程包括：一是利用低通滤波器对收集到的CSI信号进行滤波处理，除去大部份的背景噪声；二是对滤波后的信号进行PCA(principal component analysis，主成份分析)处理，达到降维去噪的效果；三是对处理后的信号提取人走动信号特征，包括：信号能量强度、能量方差、波峰波谷数和相位；最后利用机器学习算法对其训练，得出基于CSI的室内定位模型。本发明提出了基于CSI的室内定位方法，解决了多径环境下，CSI信号易受干扰，噪声过大，用于室内定位时精度不高的问题。

Description

基于CSI信号的室内定位方法

技术领域

本发明涉及无线网络技术领域，特别是涉及一种基于CSI信号的室内定位技术。

背景技术

最近几年，无线信号应用于室内定位的场景越来越多，随着Wi-Fi信号覆盖了人们生活中的各个场所，像商场、机场、家里、办公场所等，使得Wi-Fi信号应用于室内定位具备了先天的优势。但是，无线信号在室内有直射、反射、散射等多种传播途径，这会产生多径效应，多径效应会对基于无线信号的室内定位的精度产生影响。此外，无线信号在室内极易受到干扰，还有背影噪声问题。因此，解决多径环境下的噪声问题，是无线信号应用于室内定位的一个关键问题。目前常见的基于无线信号的室内定位方法主要有两种，一种是需要人携带特定传感器，如RFID标签；另一种是设备无关的。前一种的问题主要是不方便，如果需要人携带相关的传感器，那对于室内定位的推广来说，是不利的。第二种方法，是目前研究的比较广泛和热门的方法，主要应用的技术方法有两种，一种是基于RSSI的，另一种是基于CSI的。基于RSSI的，是利用RSSI无线信号传播模型来估算信号传播距离，随着距离的变化，接收端接收到的RSSI信号强度也不一样，但是这种方法在多径效应下，信号传播模型会改变，造成测量精度不高。基于CSI的，利用CSI子载波的幅度和相位信息，以幅度和相位建立相应的模型，以此来进行定位，虽然CSI的灵敏度比RSSI要好，但是也存在着多径问题和噪声问题。

发明内容

为了解决这些问题，本发明结合了信号处理的相关技术，将PCA分析技术应用于CSI处理中，并结合机器学习的方法，建立了基于CSI的室内定位模型，主要解决了背景噪声问题，最大限度的减少了多径效应的影响，并提高了定位精度。

本发明所采用的技术方案是：一种基于CSI信号的室内定位方法，其特征在于：

步骤一、利用低通滤波器对收集到的CSI信号进行滤波处理，除去大部份的背景噪声；

步骤二、对滤波后的信号进行PCA(principal component analysis，主成份分析)处理，达到降维去噪的效果；

步骤三、对处理后的信号提取人走动信号特征，包括：信号能量强度、能量方差、波峰波谷数和相位；最后利用机器学习算法对其训练，得出基于CSI的室内定位模型。

上述的基于CSI信号的室内定位方法，其进一步特征在于：利用Wi-Fi信号室内定位机制，对采集的CSI数据提出有效的去噪和降维处理方法：一是采集CSI数据，通过发射端和接收端两部份组件，其中发射端有Tx根发射天线，接收端Rx根接收天线，一共可采集到Τx*Rx组CSI数据，每一组CSI数据包由30个子信道的数据组成；二是利用Butterworth(巴特沃斯滤波器)低通滤波器，对采集到的CSI数据进去噪处理，去除大部分的背景噪声；三是利用PCA去噪声方法，进一步去除细微的噪声并实现数据维度的降低，采用SVD(singularvalue decomposition，奇异值分解)实现。

利用Butterworth低通滤波器去噪方法去除背景噪声，根据背景噪声的频率相对于人走动的频率要高的多的特点，对采集到的信号采用低通滤波器，去除了信号中大部分的背景噪声。

利用PCA去噪方法进一步去除噪声和降低数据维度，根据噪声数据在不同信道是不相关的，而人在Wi-Fi环境下走动引起的CSI数据变化在不同信道是相关的特点，进一步去除细微的噪声，并且降低CSI的数据维度，提高数据处理效率，进而提升系统的测量效率。

提出多种有效的特征生成方法：一是相位特征，利用相位特征判断人走动的大致方向；二是频率能量特征，将人走动的频率定在40HZ左右，并提取人走动的频谱曲线；三是方差特征，依据人走动对方差大小的改变，通过阈值判断出人走动的开始点和结束点，并获得人走动的CSI方差改变特征；四是波峰数，依据波峰数，估算人走动的距离。

依据SVM和非线性回归的方法，建立室内定位模型，其过程包括：

步骤1、首先在室内各个点取训练样本特征，并将相位、能量、方差和波形数作为训练特征，用SVM多训练算法建立室内定位模型；

步骤2、将相位、能量、方差和波形数作为训练参数，利用多元非线性回归nlinfit算法，估计出beta回归系数，最终得到人走动的非线性回归函数。

本发明主要有三个部份组成，一是信号处理过程；二是特征提取过程；三是室内定位模型建立过程。

通过观察分析收集到的CSI信号数据,由于人走路的动作是连续的，而且相对于背景噪声，人走路的反射信号的频率要比背景噪声的频率要小的多，对应在频谱上，噪声在频谱图上呈现出的是一个尖峰，所以本发明采用了一个Butterworth低通滤波，将背景噪声去除。

与传统采用RSSI的方法做室内定位不同，本发明采用了CSI的方式，它相对于RSSI来说，能得到相位和幅度信息，特征信息更多，因而精度得到了提高。

对于多径和噪声问题，本发明采用了PCA的方法处理。通过分析采集到CSI信号，可以发现采集到的CSI信号共有30个子载波，但是CSI的能量集中在某个子载波上，此外，由于背景噪声在多个子载波之间相关性要小，而人走动是连续的，人走动信号在不同信道上是有相关性的，因此，采用PCA的方式，提取CSI中最主要的成分作为特征提取的信号，这样不仅进一步去除了背景噪声，而且降低了CSI数据维度，减少了计算量，提高了系统运行效率。本发明采用SVD去解PCA的问题，PCA的问题其实是一个基的变换，由于收集到的CSI信号中方差大的方向是人走动的信号方向，方差小的方向是噪声的方向，因此，PCA就是使得信号变换后的数据有着最大的方差，这样做主要是为了提高信号与噪声的比例，即信噪比。

CSI数据经过去噪和降维处理之后，需要提取波形特征，这是建立室内定位模型的关键，为了准确提取出人走路的波形，需要检测人走路波形的开始时间与结束时间。本发明通过分析去噪处理后的CSI数据，发现当人在Wi-Fi信号环境中没有走动的时候，CSI的波形是一段相对平稳的信号，当人开始走动的时候，CSI波形就会产生波动，再进一步，对应到方差图上，可以发现，人不走动时，方差很小，人走动时，方差逐渐变大，因此，本发明设定两个阈值，即开始阈值和结束阈值，当方差大于开始阈值时则判定人开始走动，当方差由大变小，并且小于结束阈值，直至趋近于零，则判定人停止走动。判定了开始点和结束点，便可以将人走路的CSI数据提取出来。

在提取到了人走路的CSI信号数据后，就需要提取信号的特征，建立室内定位模型。本发明通过分析，共提取了CSI的相位特征，能量特征，方差特征和波峰数作为室内定位模型的学习特征。

本发明采用了CSI的相位信息，通过判断相位角的变化趋势来判断人走路的前向方向，并作为室内定位模型的特征之一。

本发明利用CSI信号的能量信息作为室内定位模型的特征，主要采用了短时傅里叶变换，通过对CSI信号做短时傅里叶变换，可以获得具有时域特性的频率组成情况，经过分析，人走路的频域在40HZ以下左右，因此，可将获得的时频信号图，截取0HZ至40HZ的图，再对所得信号取每个时域对应的频率的能量幅度最大值，可获得一个时频曲线，最后对这个曲线提取特征，作为室内定位模型的特征。

本发明利用CSI信号的方差信息作为室内定位模型的特征，主要采用了滑动窗口实现，即通过对CSI的每个子载波用一个窗口截取，再对截取的CSI信号做方差，最后得到了时域与方差的曲线，此外，为了将所得曲线更加平滑，采用了将所有子载波都获得的曲线加起来做一个平均处理。

本发明通过计算经过滤波及PCA处理后的CSI信号的波峰数，作为室内定位模型的特征之一，也用波峰数来初步计算人走路的距离，当人移动时，在波形上相当于一个正弦波，通过这个原理，来测算人走路的大概距离。

本发明通过机器学习的方法，将人对CSI信号的反射，提取了CSI信号能量、能量方差及波峰数等特征，并采用SVM，建立了室内定位模型，同时将特征做了非线性回归，拟合出一条回归曲线，并以此作为人走路的室内定位模型依据。

与现有技术相比，本发明的有益效果:

1、无需携带专门的传感器，相比于很多要人携带传感器的方法来说，本发明没有增加额外的设备，有极大的便利性，也便于推广。

2、可以应用在常见的商用无线设备上，本发明采用了商用的intel 5300无线网卡，这相对于绝大多数其它室内定位方法来说，代价低，便于推广。

3、将低通滤波应用于CSI信号上，将高频的背景噪声过滤掉了。

4、将PCA应于用CSI信号上，使得在多径环境下的CSI信号能够应用于室内定位。

5、通过对CSI信号提取了相位、波峰数、能量等多个特征的，得到了多个室内定位的有效特征，提高了室内定位的精度，可达到分米级的精度。

6、将机器学习算法应用于室内定位，建立了准确的数学模型来预测人的室内位置，有效地提高了室内室位的精度。

附图说明

图1是本发明实施例的系统结构图。

图2是本发明实施例的信号处理过程图。

图3是本发明实施例的能量特征提取过程图。

图4是本发明实施例的提取方差特征流程图。

图5是本发明实施例的移动距离估计原理图。

图6是本发明实施例的SVM定位模型图。

具体实施方式

下面结合附图对本发明进一步说明。

本发明提供了一种基于CSI的室内定位技术，该技术主要解决无线信号在应用于室内定位时的多径效应和噪声问题，并解决了CSI应用于室内定位时精度不高的问题。

本系统是基于CSI室内定位应用的改进。近几年提出了许多基于Wi-Fi的室内定位应用，例如：基于RFID(Radio Frequency Identification，射频识别)技术和基于RSSI(Received Signal Strength Indicator,接收信号强度)技术等。但是利用CSI实现室内定位的，并且只使用现有的商用设备且无需人携带传感器的还是首次提出。该机制应用在室内Wi-Fi环境中，利用无线信号在多径效应下反映周围环境特征的特点，提取携带人走动的信号特征，并以此为特征学习样本进行学习，建立室内定位模型，达到室内定位目的。

本发明主要由三个模块组成：一是信号处理模块；二是特征提取模块；三是模型建立模块。信号处理模块主要完成CSI信号的去噪，主要包过：信号采集、低通滤波和PCA处理。特征提取模块主要完成对人走动的CSI信号提取特征，主要包括：相位特征、能量特征、方差特征和波峰数特征。模型建立模块主要利用提取的特征，建立室内定位模块，应用的方法有SVM和非线性回归。图1所示，采集完数据后，对其进行滤波处理，然后应用PCA技术对其做去噪和降维处理，将其处理好的结果交给特征提取模块，用于提取特征，得到人走动信号特征后，最后利用SVM和非线性回归建立室内定位模型。具体的技术方案包括以下步骤：

1.信号采集，本发明采用了装有Intel 5300网卡的无线路由器，共有3对6根天线发送Wi-Fi信号，接收端使用装有Intel 5300网卡的笔计本电脑，采样率为2500HZ，接收端接收发射端发送的无线信号，并提取CSI数据，这里CSI数据共有2*3*30，共180个子信道。当人在室内走动时，由于多径效应的影响，CSI波形会出现明显的波动。

2.信号采集完成后，需要对采集到的CSI数据进行处理，如图2所示，主要包括低通滤波处理，PCA处理和人走动CSI信号的提取，具体包括以下步骤：

1)对采集到的CSI信号，采用Butterworth低通滤波，阶数设为5和截止频率为150HZ，采样频率为2500HZ，滤波之后，CSI数据去除了频率相对较高的背景噪声，但是对于CSI室内定位来说，还有多径效应引起的波动，因而需要用步骤2)去除影响。

2)对上面处理后的CSI数据，采用PCA处理，其中主要采取SVD分解实现，先从数据得到一个矩阵M，M的特征值个数对应着数据的维度，特征值越大那么对应的这一维数据越重要，也就是“差异越大”。通过PCA处理后，由原先的180个子信道数据，即180维的数据，变成了10个维度的数据，完成了降维和去噪的作用。

3)对处理好的CSI数据，需要提取出人走动的CSI数据，本发明采用方差变化来判断人走动的开始和结束点。具体做法是，对处理后的CSI数据每一维做方差，采用滑动窗口的方式，对每一个窗口做方差，窗口大小为1000，步长为240，为了使方差曲线更平滑，本发明对每一维求到的方差求均值，得到最终CSI方差。得到方差数据后，需设定一个阈值，本发明选定阈值的方法是，将方差数据开始一段和结束一段分别求一个平均值作为基准值，再对这一段的方差求方差，即方差的方差，再在基准值的基础上加上三倍的前面所求方差的方差，最终得到的值作为阈值，得到阈值后，最后需要提取人走动的CSI数据，具体做法是，判断方差值是否大于这个阈值，大于阈值则认为是人开始走动；判断方差是否在逐渐减小，如果是，再判断方差值是否小于阈值，如果小于阈值，则判断人停止走动，这样就把人走动的CSI数据提取出来了。

3.获取了人走动的CSI数据后，需要对它进一步处理，提取信号特征，图3是对能量特征的提取过程。具体包括以下步骤：

1)对步骤2中的CSI数据，做STFT(short-time Fourier transform，短时傅立叶变换)，具体方法是，首先选定信号强度比较好的子信道，通过观察，本发明选择第二个子信道作为待处理子信道；为了将CSI数据做STFT后的效果更好，本发明将选定好的子信道CSI数据减去它的绝对平均值，这样直流分量就为零了；在对CSI数据做SFFT时，窗口大小设定为1024，得到能量频谱图后，再做一个归一化处理，最到最终的频谱图。

2)得到频谱图，通过观察可发现人走动的能量主要集中40HZ左右频率中，因此本发明截取了60HZ以下能量作为能量特征待选频率区域。

3)对上面的处理，本发明获得了时间、频率和强度三个维度组成的频谱图，本发明对每个时间上的频率上取强度最大的值，最终得到时频曲线。

4)以时频曲线的每个点作为能量特征。

4.人在Wi-Fi环境中行走，对CSI信号会产生波动，这反应在方差上，会造成在不同位置的方差大小也会不同，因此本发明选择了CSI的方差作为室内定位模型的特征之一，如图4所示，是方差特征提取过程，具体过程如下：

1)选取一个CSI子信道，采取滑动窗口的方式，对每一个窗口做方差，窗口大小为1000，步长为240，最终得到一个方差向量。

2)重复上述过程，直到对所有的CSI子信道都获得一个方差向量，共获得10个方差向量。

3)因为每个子信道都包含了一些人走动的特征，为了使方差曲线更平滑，也为了使方差特征更具代表性，本发明将10个方差向量加起来，再求均值，得到最终的CSI方差，即人走动的CSI方差特征。

5.随着人走动的距离不同，接收端接收到CSI信号的波峰数也不一样，而且通过波峰数，也可能初步估算出人走动的距离，原理如图5所示，当人走动的距离为波长的一半时，接收端接收到的CSI波形是一个正弦波，因此通过计算接收到的波峰数可以用来估算人走动的距离。本发明以此为依据，将波峰数作为室内定位的特征之一。

6.获得相位、能量、方差和波峰数特征后，利用SVM算法建立定内定位模型，如图6所示，是SVM定位模型的实现过程，具体过程如下：

1)先预先选取多个样本点，作为建立信号特征分布图的依据，本发明在室内共选取了100个样本点，坐标已知。

2)对样本点提取信号特征，并且建立特征分布图，并以此为学习样本，训练得到SVM定位模型。

3)采集人走动信号，放入SVM定位模型中，估算出人的位置信息。

以上的实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。本发明未涉及的技术均可通过现有的技术加以实现。

Claims (7)

1.一种基于CSI信号的室内定位方法，其特征在于：1)本系统是基于CSI的室内定位的应用改进，无需携带传感器，使用常见的无线商用设备；2)对采集的CSI数据进行有效的去噪和降维处理；3)提出了多种有效的波形特征生成方法，包括相位、能量、方差和波峰数；4)将机器学习的方法应用于室内定位，建立了基于CSI的室内定位模型，提高了系统定位准确度。

2.根据权利要求1所述的基于CSI信号的室内定位方法，其特征在于：

步骤一、利用低通滤波器对收集到的CSI信号进行滤波处理，除去大部份的背景噪声；

步骤二、对滤波后的信号进行PCA(principal component analysis，主成份分析)处理，达到降维去噪的效果；

步骤三、对处理后的信号提取人走动信号特征，包括：信号能量强度、能量方差、波峰波谷数和相位；最后利用机器学习算法对其训练，得出基于CSI的室内定位模型。

3.根据权利要求2所述的基于CSI信号的室内定位方法，其特征在于：利用Wi-Fi信号室内定位机制，对采集的CSI数据提出有效的去噪和降维处理方法：一是采集CSI数据，通过发射端和接收端两部份组件，其中发射端有Tx根发射天线，接收端Rx根接收天线，一共可采集到Τx*Rx组CSI数据，每一组CSI数据包由30个子信道的数据组成；二是利用Butterworth(巴特沃斯滤波器)低通滤波器，对采集到的CSI数据进去噪处理，去除大部分的背景噪声；三是利用PCA去噪声方法，进一步去除细微的噪声并实现数据维度的降低，采用SVD(singular value decomposition，奇异值分解)实现。

4.根据权利要求3所述的基于CSI信号的室内定位方法，其特征在于：利用Butterworth低通滤波器去噪方法去除背景噪声，根据背景噪声的频率相对于人走动的频率要高的多的特点，对采集到的信号采用低通滤波器，去除了信号中大部分的背景噪声。

5.根据权利要求3所述的基于CSI信号的室内定位方法，其特征在于：利用PCA去噪方法进一步去除噪声和降低数据维度，根据噪声数据在不同信道是不相关的，而人在Wi-Fi环境下走动引起的CSI数据变化在不同信道是相关的特点，进一步去除细微的噪声，并且降低CSI的数据维度，提高数据处理效率，进而提升系统的测量效率。

6.根据权利要求2至5之一所述的基于CSI信号的室内定位方法，其特征在于：提出多种有效的特征生成方法：一是相位特征，利用相位特征判断人走动的大致方向；二是频率能量特征，将人走动的频率定在40HZ左右，并提取人走动的频谱曲线；三是方差特征，依据人走动对方差大小的改变，通过阈值判断出人走动的开始点和结束点，并获得人走动的CSI方差改变特征；四是波峰数，依据波峰数，估算人走动的距离。

7.根据权利要求2至5之一所述的基于CSI信号的室内定位方法，其特征在于：依据SVM和非线性回归的方法，建立室内定位模型，其过程包括：

步骤1、首先在室内各个点取训练样本特征，并将相位、能量、方差和波形数作为训练特征，用SVM多训练算法建立室内定位模型；

步骤2、将相位、能量、方差和波形数作为训练参数，利用多元非线性回归nlinfit算法，估计出beta回归系数，最终得到人走动的非线性回归函数。