CN108242946A - 一种基于mimo-ofdm技术的煤矿井下巷道目标定位方法 - Google Patents
一种基于mimo-ofdm技术的煤矿井下巷道目标定位方法 Download PDFInfo
- Publication number
- CN108242946A CN108242946A CN201810009832.8A CN201810009832A CN108242946A CN 108242946 A CN108242946 A CN 108242946A CN 201810009832 A CN201810009832 A CN 201810009832A CN 108242946 A CN108242946 A CN 108242946A
- Authority
- CN
- China
- Prior art keywords
- information
- csi
- wireless access
- access point
- coal mine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
- H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
- H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
- H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
- H04B7/0621—Feedback content
- H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于MIMO‑OFDM技术的煤矿井下巷道目标定位方法,通过使用具备MIMO‑OFDM技术的无线接入点的信道状态信息(Channel State Information,CSI)作为指纹特征值,采用新的指纹生成算法生成位置指纹,然后使用相关的指纹匹配算法进行匹配,从而实现煤矿井下巷道的精确定位。本发明在不改变现有的井下WIFI无线网络,无需添加额外的网络设备的基础上实现煤矿井下目标的精确定位。
Description
技术领域
本发明涉及井下目标定位领域,具体涉及一种在煤矿井下巷道目标的精确指纹定位方法。
背景技术
煤矿井下环境复杂,人员流动性强,当恶性事件发生时,时常因为不能准确及时的救援从而造成人员的伤亡。传统煤矿井下巷道定位系统大多采用基于射频识别技术(RadioFrequency Identification,RFID),该技术更加近似于一种区域统计方式,只能获知在某一区域内是否有目标存在,无法精确获得目标的具体位置信息。因此在灾难发生时,救灾人员无法及时对受灾目标进行救治。
现在已有部分煤矿将WIFI无线网络部署在井下,伴随着无线网络的使用,基于WIFI网络的定位系统和相关方法也在井下进行了推广使用。基于WIFI网络的定位系统或算法主要分为两类,一类是距离相关的定位,一类是距离无关的定位。这两种定位方法采用的参数都是接收的信号强度指示(Received Signal Strength Indication,RSSI)。距离相关的定位方法就是建立应知点到被定位目标之间距离与RSSI之间关系,通过多组距离进而求出被定位目标的位置。距离无关的定位方式主要分为两个步骤,第一步是离线数据采集,这一步主要是建立巷道中不同位置与RSSI之间的映射关系,从而建立映射数据库,第二部是在线位置预测,这一步主要是将被定位目标的RSSI与映射数据库的数据进行比较,得出最佳配置的数据,进而获得被定位目标的位置。由于RSSI易受环境的影响,因此无论采用哪种定位方法,定位精度都不高。
发明内容
本发明的目的主要是为了解决由于RSSI自身波动大导致的井下定位误差大的问题,提供了一种在煤矿井下巷道目标的精确指纹定位方法,实现煤矿井下目标的精确定位。
技术方案:一种基于MIMO-OFDM技术的煤矿井下巷道目标定位方法,包括步骤:
步骤S10:训练阶段:
步骤S101,预先记录现有井下巷道里所有无线接入点的位置和对应的MAC地址信息;
步骤S102,根据巷道物理环境实际情况和无线接入点的分布情况对井下巷道进行虚拟网格划分并且为每一个网格提供一个标签号;
步骤S103,在划分好的一个网格中心采集周围无线接入点的CSI信息和MAC信息,对所述采集的CSI信息进行处理,生成位置指纹;
步骤S104,在不同网格重复步骤S103,并记录每个网格标签号,建立完整的指纹数据库,根据位置指纹数据库中的网格标签号与实际物理位置的映射关系,建立位置指纹地图;
步骤S105,依次从步骤S104建立的指纹数据库中抽取相邻的两个不同网格标签号的指纹信息,选取机器学习分类算法进行训练,得出训练模型;
步骤S20:预测阶段:
步骤S201,采集被定位目标周围所有无线接入点的CSI信息以及对应的无线接入点的MAC信息;
步骤S202,按照步骤S103将采集到的CSI信息进行处理,并生成被定位目标的位置指纹信息;
步骤S203,将生成的指纹信息放入由步骤S105生成的分类型模型进行预测得出被定位目标的网格标签号;
步骤S204,将得出的网格标签号与在步骤S104建立的位置指纹地图进行比对,进而预测出被定位目标所在的物理位置。
所述步骤S103的具体步骤为:
采集到的所述CSI信息由30个子载波组成,子载波由幅度和相位组成形式如公式(1)所示:
H=[H1,H2,H3,...,Hs]T (1)
假定系统拥有m个发射天线,n个接收天线,Hi的维度为m×n,因此,MIMO-OFDM系统中,每个位置的CSI信息维度为m×n×30,m与n分别代表发射天线数和接收天线数;
对CSI振幅信息处理过程:
通过对CSI信息进行快速傅立叶逆变化得到时域信息;当数据小于滤波的截断阈值时,将对应的时域实现赋值为0,滤波的截断阈值公式(2)如下:
其中,便是第k个子载波的幅度值;
对时域信息处理后,通过快速傅立叶变化得出处理后的CSI信息;
对CSI相位信息处理过程:
采用线性变化得出修正后的相位值为如公示(3)所示:
位置指纹生成过程:
|h|pro-amp和∠hpro-pha分别表示处理后的CSI的幅度和相位信息;以接收天线为单位,使用HFP表示由n个无线接入点在某一位置的指纹信息,HFP表示如下:HFP=[HAP1 HAP2 HAP3… HAPn],HAPn表示以接收天线为依据,第n个AP的处理后的幅度和相位信息;HAPn表示如式(4):
在HAPn中,和分别表示第i个天线所对应的30个子载波幅度和相位信息,和分布表示如式(5):
其中,和分别表示处理后的第i根天线,第j个子载波的幅度和相位信息。
在步骤S103中,在划分好的一个网格里采集周围无线接入点的CSI信息和MAC信息之后,依据拉依达准则去除采集的CSI信息数据包中的异常数据包;如果采集到无线接入点数目大于3个,根据CSI信息的幅度平均值进行排序,剔除平均值最小的无线接入点。
所述步骤S105采用的是机器学习中的支持向量机算法对位置指纹信息进行训练得出对应的分类模型。
在步骤S201中,如果采集到的无线接入点信息大于三个,依据CSI幅度的平均值对无线接入点进行排序,选取平均值最大三个无线接入点的CSI作为有用信息。
本发明的有益效果:本发明通过使用具备MIMO-OFDM技术的无线接入点的信道状态信息(Channel State Information,CSI)作为指纹特征值,采用新的指纹生成算法生成位置指纹,然后使用相关的指纹匹配算法进行匹配,从而实现煤矿井下巷道的精确定位。本发明在不改变现有的井下WIFI无线网络,无需添加额外的网络设备的基础上实现煤矿井下目标的精确定位。
附图说明
图1是井下巷道虚拟网格划分示意图;
图2为定位方法示意图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明。
由于现在井下使用的无线接入点都已经使用了多入多出技术(Multiple-InputMultiple-Output,MIMO)和正交频分复用技术(Orthogonal Frequency DivisionMultiplexing,OFDM),本发明采用了无线接入点的信道状态信息作为指纹定位方法的依据,实现精确定位。CSI信息与传统使用的RSSI信息不同,传统的RSSI信息来自介质访问控制层(Media Access Control,MAC),而CSI信息来自物理层,因此CSI信息有着更好的稳定性,同时CSI信息在不同位置上数值也不相同,适合作为指纹定位的依据,实现煤矿井下目标的精确定位,且定位精度高于基于先使用的基于RSSI的定位方法。
本发明基于MIMO-OFDM技术的煤矿井下巷道目标定位方法包括训练阶段和预测阶段:
步骤S10:训练阶段:
步骤S101,预先记录现有井下巷道里所有无线接入点的位置和对应的MAC地址信息;
步骤S102,根据巷道物理环境实际情况和无线接入点的分布情况对井下巷道进行虚拟网格划分并且为每一个网格提供一个标签号,如附图1所示;;
步骤S103,在划分好的一个网格的中心点采集周围无线接入点的CSI信息和MAC信息,将CSI信息传入到井上定位服务器,依据拉依达准则去除CSI数据包中的异常数据包,如果采集到无线接入点数目大于3个,定位服务器首先会根据CSI幅度平均值进行排序,剔除平均值最小的无线接入点;
按照提出的方法进行处理:
在使用MIMO-OFDM的技术的WiFi无线网络,采集到的CSI信息由30个子载波组成,子载波由幅度和相位组成形式如公式(1)所示:
其中,|Hi|表示子载波的幅度,∠Hi表示子载波的相位。
假定系统拥有m个发射天线,n个接收天线,Hi的维度为m×n,因此,MIMO-OFDM系统中,每个位置的CSI信息维度为m×n×30,m与n分别代表发射天线数和接收天线数;下面将分别从振幅和相位的角度出发,详细介绍CSI幅度和相位信息处理以及具体位置指纹的生成过程;
振幅信息处理:
通过对CSI信息进行快速傅立叶逆变化得到时域信息,由于井下环境中存在大量反射或者折射路径,会出现视距路径与非视距路径能量叠加在一起的情况。因此采取的滤波方法是判断每一个时域数据,当数据小于滤波的截断阈值时,将对应的时域实现赋值为0,通过这种方式减少由多径效应对幅度带来的影响。滤波的截断阈值公式(2)如下:
其中,|h|k便是第k个子载波的幅度值。
对时域信息处理后,通过快速傅立叶变化可以得出处理后的CSI信息,经过处理后的CSI将会拥有更好的稳定性和唯一性,有助于提高定位精度;
相位信息处理:
CSI的相位信息主要包含两个不确定因素,第一个载波频率偏移(CarrierFrequency Offset,CFO),第二个采样频率偏移(Sampling Frequency Offset,SFO)。在本方法中使用一种线性变换的方法,从而尽可能的消除由于频率偏移产生的误差。通过线性变化得出修正后的相位值为如公示(3)所示:
指纹生成:
为了便于描述,使用|h|pro-amp和∠hpro-pha分别表示处理后的CSI的幅度和相位信息。以接收天线为单位,使用HFP来表示由n个无线接入点在某一位置的指纹信息,HFP为位置指纹,表示如下:HFP=[HAP1 HAP2 HAP3 … HAPn],HAPn表示以接收天线为依据,第n个AP(无线接入点)的处理后的幅度和相位信息,HAPn表示如(4):
在HAPn中,和分别表示第i个天线所对应的30个子载波幅度和相位信息,和分布表示如(5):
其中和分别表示处理后的第i根天线,第j个子载波的幅度和相位信息;
步骤S104,在不同网格重复步骤S103,并记录每个网格标签号,建立完整的指纹数据库,然后建立位置指纹数据库中的网格标签号与实际物理位置建立映射关系,建立位置指纹地图;
步骤S105,依次从指纹数据库中抽取相邻的两个不同标签号的指纹信息,选取机器学习分类算法进行训练,得出训练模型;在本实施过程中,为了方便讲述,采用机器学习中的支持向量机算法对指纹信息进行训练得出对应的分类模型;
步骤S20:预测阶段:
步骤S201,被定位目标携带可以采集CSI信息的设备进入巷道后,设备将采集到被定位目标周围所有无线接入点的CSI信息以及对应的无线接入点的MAC信息传输到井上定位服务器;
步骤S202,为了减少多余无线接入点数据对定位精度的干扰,如果采集到的无线接入点信息大于三个,井上定位服务器依据CSI幅度的平均值对无线接入点进行排序,选取平均值最大三个无线接入点的CSI作为有用信息;
步骤S203,井上定位服务器按照步骤S103将采集到的CSI信息进行处理,生成被定位目标的位置指纹信息;
步骤S204,井上定位服务器将生成的指纹信息输入到由步骤S105生成的分类型模型进行预测,得出被定位目标的虚拟网格标签号;
步骤S205,井上定位服务器将得出的虚拟网格标签号与在步骤S104建立的位置指纹地图进行比对,进而预测出被定位目标所在的物理位置。
以上详细描述了本发明的优选实施方式,但是本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换(如数量、形状、位置等),这些等同变换均属于本发明的保护。
Claims (5)
1.一种基于MIMO-OFDM技术的煤矿井下巷道目标定位方法,其特征在于:包括步骤:
步骤S10:训练阶段:
步骤S101,预先记录现有井下巷道里所有无线接入点的位置和对应的MAC地址信息;
步骤S102,根据巷道物理环境实际情况和无线接入点的分布情况对井下巷道进行虚拟网格划分并且为每一个网格提供一个标签号;
步骤S103,在划分好的一个网格中心采集周围无线接入点的CSI信息和MAC信息,对所述采集的CSI信息进行处理,生成位置指纹;
步骤S104,在不同网格重复步骤S103,并记录每个网格标签号,建立完整的指纹数据库,根据位置指纹数据库中的网格标签号与物理位置的映射关系,建立位置指纹地图;
步骤S105,依次从步骤S104建立的指纹数据库中抽取相邻的两个不同网格标签号的指纹信息,选取机器学习分类算法进行训练,得出训练模型;
步骤S20:预测阶段:
步骤S201,采集被定位目标周围所有无线接入点的CSI信息以及对应的无线接入点的MAC信息;
步骤S202,按照步骤S103将采集到的CSI信息进行处理,并生成被定位目标的位置指纹信息;
步骤S203,将生成的指纹信息放入由步骤S105生成的分类型模型进行预测得出被定位目标的网格标签号;
步骤S204,将得出的网格标签号与在步骤S104建立的位置指纹地图进行比对,进而预测出被定位目标所在的物理位置。
2.根据权利要求1所述的煤矿井下巷道目标定位方法,其特征在于:所述步骤S103的具体步骤为:
采集到的所述CSI信息由30个子载波组成,子载波由幅度和相位组成形式如公式(1)所示:
H=[H1,H2,H3,...,Hs]T (1)
假定系统拥有m个发射天线,n个接收天线,Hi的维度为m×n,因此,MIMO-OFDM系统中,每个位置的CSI信息维度为m×n×30,m与n分别代表发射天线数和接收天线数;
对CSI振幅信息处理过程:
通过对CSI信息进行快速傅立叶逆变化得到时域信息;当数据小于滤波的截断阈值时,将对应的时域实现赋值为0,滤波的截断阈值公式(2)如下:
其中,便是第k个子载波的幅度值;
对时域信息处理后,通过快速傅立叶变化得出处理后的CSI信息;
对CSI相位信息处理过程:
采用线性变化得出修正后的相位值为如公示(3)所示:
位置指纹生成过程:
|h|pro-amp和∠hpro-pha分别表示处理后的CSI的幅度和相位信息;以接收天线为单位,使用HFP表示由n个无线接入点在某一位置的指纹信息,HFP表示如下:HFP=[HAP1 HAP2 HAP3 …HAPn],HAPn表示以接收天线为依据,第n个AP的处理后的幅度和相位信息;HAPn表示如式(4):
在HAPn中,和分别表示第i个天线所对应的30个子载波幅度和相位信息,和分布表示如式(5):
其中,和分别表示处理后的第i根天线,第j个子载波的幅度和相位信息。
3.根据权利要求1所述的煤矿井下巷道目标定位方法,其特征在于:在步骤S103中,在划分好的一个网格里采集周围无线接入点的CSI信息和MAC信息之后,依据拉依达准则去除采集的CSI信息数据包中的异常数据包;如果采集到无线接入点数目大于3个,根据CSI信息的幅度平均值进行排序,剔除平均值最小的无线接入点。
4.根据权利要求1所述的煤矿井下巷道目标定位方法,其特征在于:所述步骤S105采用的是机器学习中的支持向量机算法对位置指纹信息进行训练得出对应的分类模型。
5.根据权利要求1所述的煤矿井下巷道目标定位方法,其特征在于:在步骤S201中,如果采集到的无线接入点信息大于三个,依据CSI幅度的平均值对无线接入点进行排序,选取平均值最大三个无线接入点的CSI作为有用信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810009832.8A CN108242946A (zh) | 2018-01-05 | 2018-01-05 | 一种基于mimo-ofdm技术的煤矿井下巷道目标定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810009832.8A CN108242946A (zh) | 2018-01-05 | 2018-01-05 | 一种基于mimo-ofdm技术的煤矿井下巷道目标定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108242946A true CN108242946A (zh) | 2018-07-03 |
Family
ID=62699379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810009832.8A Pending CN108242946A (zh) | 2018-01-05 | 2018-01-05 | 一种基于mimo-ofdm技术的煤矿井下巷道目标定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108242946A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109316192A (zh) * | 2018-09-13 | 2019-02-12 | 清华大学 | 基于移动网络信道状态信息的坐姿检测方法及装置 |
CN109782223A (zh) * | 2019-02-19 | 2019-05-21 | 军事科学院系统工程研究院网络信息研究所 | 一种基于信号指纹匹配的室内定位方法及装置 |
CN109951807A (zh) * | 2019-02-27 | 2019-06-28 | 西北师范大学 | 基于WiFi信号的融合RSS和CSI室内定位方法 |
CN110536245A (zh) * | 2019-08-28 | 2019-12-03 | 杭州电子科技大学 | 一种基于深度学习的室内无线定位方法及系统 |
CN110736963A (zh) * | 2019-10-21 | 2020-01-31 | 普联技术有限公司 | 一种基于CSI的室内Wi-Fi定位方法、装置及存储介质 |
CN110888108A (zh) * | 2019-11-14 | 2020-03-17 | 天津大学 | 一种基于rfid与相位校准的定位方法 |
CN110912643A (zh) * | 2019-10-21 | 2020-03-24 | 中南民族大学 | 一种基于机器学习的amp检测改进方法 |
CN110958569A (zh) * | 2019-12-11 | 2020-04-03 | 军事科学院系统工程研究院网络信息研究所 | 一种基于mimo信道特征值的室内定位方法 |
CN112040400A (zh) * | 2020-08-25 | 2020-12-04 | 西安交通大学 | 一种基于mimo-csi的单站点室内指纹定位方法、存储介质及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102340868A (zh) * | 2011-11-09 | 2012-02-01 | 广州市香港科大霍英东研究院 | 基于无线网络信道状态信息的室内定位方法 |
CN102421189A (zh) * | 2011-11-22 | 2012-04-18 | 中山大学 | 一种基于物理层的无线网络室内定位的实现方法及其装置 |
CN104812061A (zh) * | 2015-03-24 | 2015-07-29 | 成都希盟泰克科技发展有限公司 | 一种基于mimo-ofdm信道状态信息的室内测距及定位方法 |
CN106131958A (zh) * | 2016-08-09 | 2016-11-16 | 电子科技大学 | 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 |
CN106332277A (zh) * | 2016-09-05 | 2017-01-11 | 中南大学 | 一种基于信道状态信息分布的室内定位方法 |
-
2018
- 2018-01-05 CN CN201810009832.8A patent/CN108242946A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102340868A (zh) * | 2011-11-09 | 2012-02-01 | 广州市香港科大霍英东研究院 | 基于无线网络信道状态信息的室内定位方法 |
CN102421189A (zh) * | 2011-11-22 | 2012-04-18 | 中山大学 | 一种基于物理层的无线网络室内定位的实现方法及其装置 |
CN104812061A (zh) * | 2015-03-24 | 2015-07-29 | 成都希盟泰克科技发展有限公司 | 一种基于mimo-ofdm信道状态信息的室内测距及定位方法 |
CN106131958A (zh) * | 2016-08-09 | 2016-11-16 | 电子科技大学 | 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 |
CN106332277A (zh) * | 2016-09-05 | 2017-01-11 | 中南大学 | 一种基于信道状态信息分布的室内定位方法 |
Non-Patent Citations (1)
Title |
---|
LEI ZHANG,ENJIE DING,ZHIKAI ZHAO,YANJUN HU,XIN WANG,KAI ZHANG: "A novel fingerprinting using channel state information with MIMO–OFDM", 《CLUSTER COMPUTING-THE JOURNAL OF NETWORKS SOFTWARE TOOLS AND APPLICATIONS》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109316192A (zh) * | 2018-09-13 | 2019-02-12 | 清华大学 | 基于移动网络信道状态信息的坐姿检测方法及装置 |
CN109782223A (zh) * | 2019-02-19 | 2019-05-21 | 军事科学院系统工程研究院网络信息研究所 | 一种基于信号指纹匹配的室内定位方法及装置 |
CN109951807A (zh) * | 2019-02-27 | 2019-06-28 | 西北师范大学 | 基于WiFi信号的融合RSS和CSI室内定位方法 |
CN110536245A (zh) * | 2019-08-28 | 2019-12-03 | 杭州电子科技大学 | 一种基于深度学习的室内无线定位方法及系统 |
CN110912643A (zh) * | 2019-10-21 | 2020-03-24 | 中南民族大学 | 一种基于机器学习的amp检测改进方法 |
CN110736963A (zh) * | 2019-10-21 | 2020-01-31 | 普联技术有限公司 | 一种基于CSI的室内Wi-Fi定位方法、装置及存储介质 |
CN110736963B (zh) * | 2019-10-21 | 2022-03-08 | 普联技术有限公司 | 一种基于CSI的室内Wi-Fi定位方法、装置及存储介质 |
CN110912643B (zh) * | 2019-10-21 | 2022-03-11 | 中南民族大学 | 一种基于机器学习的amp检测改进方法 |
CN110888108A (zh) * | 2019-11-14 | 2020-03-17 | 天津大学 | 一种基于rfid与相位校准的定位方法 |
CN110888108B (zh) * | 2019-11-14 | 2022-05-17 | 天津大学 | 一种基于rfid与相位校准的定位方法 |
CN110958569A (zh) * | 2019-12-11 | 2020-04-03 | 军事科学院系统工程研究院网络信息研究所 | 一种基于mimo信道特征值的室内定位方法 |
CN112040400A (zh) * | 2020-08-25 | 2020-12-04 | 西安交通大学 | 一种基于mimo-csi的单站点室内指纹定位方法、存储介质及设备 |
CN112040400B (zh) * | 2020-08-25 | 2021-08-13 | 西安交通大学 | 一种基于mimo-csi的单站点室内指纹定位方法、存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108242946A (zh) | 一种基于mimo-ofdm技术的煤矿井下巷道目标定位方法 | |
Abdel-Nasser et al. | MonoPHY: Mono-stream-based device-free WLAN localization via physical layer information | |
CN103476115B (zh) | 一种基于AP集相似度的Wi-Fi指纹定位方法 | |
CN104185275B (zh) | 一种基于wlan的室内定位方法 | |
Zhou et al. | CSI fingerprinting with SVM regression to achieve device-free passive localization | |
Sanam et al. | An improved CSI based device free indoor localization using machine learning based classification approach | |
CN111869291A (zh) | 无线系统中的信道制图 | |
CN106131958A (zh) | 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 | |
Ruan et al. | iPos-5G: Indoor positioning via commercial 5G NR CSI | |
CN103067098B (zh) | 一种干扰源位置的查找方法和系统 | |
CN108226921A (zh) | 基于cpu和gpu架构的二次雷达信息处理系统 | |
CN104602342A (zh) | 一种基于iBeacon设备的高效室内定位方法 | |
Chen et al. | Smartphone-based indoor fingerprinting localization using channel state information | |
CN104519571A (zh) | 一种基于rss的室内定位方法 | |
CN108718254B (zh) | 地铁室内分布系统故障定位方法及系统 | |
CN108038419A (zh) | 基于Wi-Fi的室内人员被动检测方法 | |
CN106792506B (zh) | 一种WiFi定位方法及服务器 | |
CN109151839A (zh) | 一种lpwa网络的网络规划方法 | |
CN106793085A (zh) | 基于正态假设检验的指纹定位方法 | |
CN105916202A (zh) | 一种概率性的WiFi室内定位指纹库构建方法 | |
Bahadori et al. | ReWiS: Reliable Wi-Fi sensing through few-shot multi-antenna multi-receiver CSI learning | |
CN107451605A (zh) | 一种基于信道状态信息和支持向量机的简单目标识别方法 | |
Liu et al. | Integrated sensing and communication based outdoor multi-target detection, tracking, and localization in practical 5G Networks | |
Wang et al. | A novel fingerprint localization algorithm based on modified channel state information using Kalman filter | |
WO2023281239A1 (en) | Method, apparatus and computer program product for locating sources of potential interference in a cellular radio communication system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180703 |