CN109738861B - 一种基于Wi-Fi信道状态信息的三维联合估计方法 - Google Patents
一种基于Wi-Fi信道状态信息的三维联合估计方法 Download PDFInfo
- Publication number
- CN109738861B CN109738861B CN201811514915.9A CN201811514915A CN109738861B CN 109738861 B CN109738861 B CN 109738861B CN 201811514915 A CN201811514915 A CN 201811514915A CN 109738861 B CN109738861 B CN 109738861B
- Authority
- CN
- China
- Prior art keywords
- matrix
- equal
- subcarriers
- antennas
- dimensional
- 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.)
- Active
Links
Images
Landscapes
- Radio Transmission System (AREA)
Abstract
本发明提出了一种基于Wi‑Fi信道状态信息(Channel State Information,CSI)的三维联合估计方法。首先,为了克服天线数量和信道带宽对二维联合估计模型的局限性,将获得的信道状态信息从子载波、天线、数据包三个维度构成一个三维矩阵。其次,对三维矩阵进行降维处理,并在此基础上进行子载波、天线、数据包之间的平滑处理。最后,对平滑之后的矩阵进行信号子空间和噪声子空间分解,从而构造谱函数。在谱函数的基础上,进行到达角(Angle of Arrival,AoA)、飞行时间(Time of Flight,ToF)、多普勒频移(Doppler Frequency Shift,DFS)的三维参数联合搜索。本发明设计的三维联合估计算法在天线数量少、信道带宽窄的情况下仍能达到较高的估计精度,为精确的室内跟踪定位等应用提供了理论基础。
Description
技术领域
本发明属于参数估计方法,具体涉及在Wi-Fi系统下,一种对室内目标和收发机组成的系统的参数估计方法。
背景技术
近年来,目标不携带任何设备的无源被动跟踪定位技术备受关注,旨在对室内的人进行定位跟踪,具体的应用包括老年人、病人安全监测、智能家居和许多其他基于物联网(IoT)的应用。现有的各种室内目标跟踪方法大多要求目标携带专用设备或可穿戴设备,但是在某些情况下携带设备是很不方便的。
现有的无源被动定位技术包括超声波、红外线、LED可见光、WiFi等。目前,基于Wi-Fi的跟踪定位系统研究一直是人们关注的焦点,这种系统不需要额外的基础设施,只需要Wi-Fi接入点(AP)和一个或几个支持Wi-Fi协议(如802.11n/ac)的接收设备并分别布置于不同的环境。检测环境中存在的人体会对Wi-Fi信号的传输环境造成一定程度的影响,而且CSI(Channel State Information)可以细粒化的记录Wi-Fi信号的变化情况,通过目标上的信号反射来提取基本运动和位置信息。但是无源跟踪比有源无线发射器的定位更具挑战性,因为由人体反射的反射信号通常比直接路径信号弱几个数量级,并且通常与强直接路径信号以及从墙壁、家具和其他附近的杂物反射的信号叠加。因此很难从反射信号中提取有用的、准确的定位信息。现有的大多数提取的无线信号参数都是到达角(AoA)和飞行时间(ToF),然后用这两个参数进行联合跟踪定位。但是大多数商用WiFi卡只有三根天线和有限的带宽,使得AoA和ToF的估计精度受限。而这些二维定位方法依赖于精确估计每个信号路径的AoA或ToF,因此当多个路径具有相似的AoA或ToF时,这些系统在解决路径数以获得准确的参数估计方面面临困难。
在发射机和接收机之间的室内环境中,人体运动改变了收发机之间人体反射的WiFi信号的路径长度,导致信号的多普勒频移,多普勒频移的大小取决于反射路径长度变化的速度,与人体目标的速度和位置有关,而且多普勒的分辨率不受天线数量以及带宽的影响。因此,针对上述问题,本发明在Wi-Fi系统下,设计了一种基于Wi-Fi信道状态信息的三维联合估计方法,在AoA和ToF联合估计的基础上,加入了多普勒频移进行三维联合估计,从而实现精确的无设备人类跟踪监测。
发明内容
本发明的目的是在Wi-Fi系统下,提供一种基于Wi-Fi信道状态信息的三维联合估计方法,它能够在现有的天线和带宽受限的定位技术基础上提高估计精度,对室内目标进行跟踪定位。
本发明所述的一种基于Wi-Fi的跟踪定位方法,具体包括以下步骤:
步骤一:假设在WiFi系统中有D个信号源,N个子载波,接收端的接收机包含M根天线,接收来自信号源的P个数据包中的CSI信息,利用不同天线、不同子载波和不同时间的CSI信息构造三维矩阵XP×M×N={xi,j,k},其中1≤i≤P,1≤j≤M,1≤k≤N,xi,j,k表示第i个数据包、第j根天线和第k个子载波上获得的CSI信息。
步骤二:将三维矩阵XP×M×N转化为二维矩阵,将包含数据包信息的第三维的第i(2≤i≤P)页转换为第一页的第(i-1)M+1到iM行,从而得到二维矩阵YPM×N,具体的算法如下所示:
第一个数据包X1×M×N(θ,τ,v):
第i(2≤i≤P)个数据包Xi×M×N(θ,τ,v):
将包含数据包信息的第三维的第i(2≤i≤P)页转换为第一页的第(i-1)M+1到iM行,得到二维YPM×N={ya,b}(1≤a≤MP,1≤b≤N)矩阵:
接收机接收到P个数据包,每个数据包中包含M根天线,每根天线又包含N个子载波。对于子载波数据的平滑,将第i个数据包、第j根天线上的N个子载波上得到的CSI数据分成N-L1+1个列矢量,L1(L1>D)为列矢量的长度。列矢量的构成规则为第1~L1个CSI数据为第一个列矢量,第k~k+L1-1(2≤k≤N-L1+1)个CSI数据为第k个列矢量。将这N-L1+1个列矢量顺序排列,得到子载波平滑后的子矩阵:
Zi,j,(1≤i≤P,1≤j≤M)表示第i个数据包中第j根天线上N个子载波上的CSI数据平滑后的矩阵,y(i-1)M+j,k表示矩阵Y中第(i-1)M+j行的k列的数据。P个数据包中PM根天线的所有子载波平滑后的矩阵为Z=[Zi,j],其中1≤i≤P,1≤j≤M。
对于第i个数据包上的M根天线,每根天线上都有N个子载波,这N个子载波已经进行了子载波的平滑。将第i个数据包中的M根天线上的M个平滑后的Zi,j矩阵构成M-L2+1个子矩阵,(L2<D),子矩阵的维度为(L2L1)×(N-L1+1)。子矩阵的构成规则为第1~L2根天线上包含N个子载波的L2个Zi,j矩阵为第一个子矩阵,第j~j+L2-1(2≤j≤M-L2+1)根天线上包含N个子载波的L2个Zi,j矩阵为第j个子矩阵。将这M-L2+1个子矩阵顺序排列,得到天线平滑后的子矩阵:
Bi,(1≤i≤P)表示第i个数据包中的CSI数据平滑后的矩阵。P个数据包中的所有天线平滑之后的矩阵为B=[Bi],其中1≤i≤P。
对于P个数据包,每个数据包中包含M根天线,每根天线又包含N个子载波。这M根天线和每根天线中的N个子载波已经进行了平滑。将P个数据包中P个平滑后的Bi矩阵构成P-L3+1个子矩阵,(L3<D),子矩阵的维度为(L3L2L1)×(N-L1+1)(M-L2+1)。子矩阵的构成规则为第1~L3个包含M根天线和M×N子载波的L3个Bi矩阵为第一个子矩阵,第i~i+L3-1(2≤i≤P-L3+1)个包含M根天线和M×N子载波的L3个Bi矩阵为第i个子矩阵。将这P-L3+1个子矩阵重新排列,就得到天线平滑后的矩阵:
因此,矩阵Y平滑后的矩阵为:
对矩阵S进行特征分解,得到NMP个特征值,其中有NMP-D个较小的特征值等于噪声的方差σ2,NMP-D个较小的特征值只与噪声有关,假设λmin为最小特征值,S0是矩阵S的特征向量,则有λminS0=σ2I。NMP-D个较小的特征值对应的特征向量就构成了噪声子空间。
当入射信号的个数D少于子载波数量和天线阵列数和数据包数的乘积NMP时,APAH的秩小于NMP,因此:
|APAH|=|S-λS0|=0
在S=λS0两边同时乘ei,ei为最小特征值对应的特征向量,得到:
Sei=λiS0ei,i=D+1,…,NMP
因为:
S=ASFAH+λminS0
则:
(ASFAH+λminS0)ei=λminS0ei
即:
ASFAHei=0
由于A≠0,SF≠0,所以:
AHei=0,i=D+1,…,NMP
由上式可以得到矩阵S的所有最小特征向量ei与矩阵A的各列向量正交。
最后得到相互正交的噪声子空间和信号子空间。
步骤五:将噪声子空间中的特征向量构造一个NMP×(NMP-D)维的噪声特征向量矩阵EN,a(θ,τ,v)为与矩阵的列向量阵列流型相同的方向矢量,θ、τ、v为待估计的参数,分别为入射信号的到达角、飞行时间和速度。计算EN与矢量a(θ,τ,v)构成的谱函数:
其中,H为共轭转置符号。
步骤六:搜索谱函数f(θ,τ,v)的峰值得到对应的参数估计值。
有益效果
首先,为了克服天线数量和信道带宽对二维联合估计模型的局限,分析了多普勒频移对于反射路径的影响,证明该参数对提高联合估计精度有效。本方法首先将获得的信道状态信息从子载波、天线数、数据包三个维度构成一个三维矩阵。其次,在构造的三维矩阵的基础上提出了三维矩阵平滑算法,能够有效地去除CSI数据中大量相干信号之间的干扰,保证矩阵各列之间的不相关性以及联合估计的可靠性。最后,针对现有二维估计方法的天线数量和带宽受限导致估计精度不高的问题,对平滑之后的矩阵进行信号子空间和噪声子空间分解,构造谱函数,在谱函数的基础上,进行到达角(Angle of Arrival,AoA)、飞行时间(Time of Flight,ToF)、多普勒频移(Doppler Frequency Shift,DFS)的三维参数联合搜索。本发明设计的三维联合估计算法在天线数量少、信道带宽窄的情况下仍能达到较高的估计精度。为精确的室内跟踪定位等应用提供了良好的基础。
附图说明
图1为三维联合估计的具体实施流程。
图2为三维联合估计的仿真结果。
具体实施方案
步骤一:假设在WiFi系统中有D个信号源,N个子载波,接收端的接收机包含M根天线,接收来自信号源的P个数据包中的CSI信息,利用不同天线、不同子载波和不同时间的CSI信息构造三维矩阵XP×M×N={xi,j,k},其中1≤i≤P,1≤j≤M,1≤k≤N,xi,j,k表示第i个数据包、第j根天线和第k个子载波上获得的CSI信息。
步骤二:将三维矩阵XP×M×N转化为二维矩阵,将包含数据包信息的第三维的第i(2≤i≤P)页转换为第一页的第(i-1)M+1到iM行,从而得到二维矩阵YPM×N,具体的算法如下所示:
第一个数据包X1×M×N(θ,τ,v):
第i(2≤i≤P)个数据包Xi×M×N(θ,τ,v):
将包含数据包信息的第三维的第i(2≤i≤P)页转换为第一页的第(i-1)M+1到iM行,得到二维YPM×N={ya,b}(1≤a≤MP,1≤b≤N)矩阵:
接收机接收到P个数据包,每个数据包中包含M根天线,每根天线又包含N个子载波。对于子载波数据的平滑,将第i个数据包、第j根天线上的N个子载波上得到的CSI数据分成N-L1+1个列矢量,L1(L1>D)为列矢量的长度。列矢量的构成规则为第1~L1个CSI数据为第一个列矢量,第k~k+L1-1(2≤k≤N-L1+1)个CSI数据为第k个列矢量。将这N-L1+1个列矢量顺序排列,得到子载波平滑后的子矩阵:
Zi,j,(1≤i≤P,1≤j≤M)表示第i个数据包中第j根天线上N个子载波上的CSI数据平滑后的矩阵,y(i-1)M+j,k表示矩阵Y中第(i-1)M+j行的k列的数据。P个数据包中PM根天线的所有子载波平滑后的矩阵为Z=[Zi,j],其中1≤i≤P,1≤j≤M。
对于第i个数据包上的M根天线,每根天线上都有N个子载波,这N个子载波已经进行了子载波的平滑。将第i个数据包中的M根天线上的M个平滑后的Zi,j矩阵构成M-L2+1个子矩阵,(L2<D),子矩阵的维度为(L2L1)×(N-L1+1)。子矩阵的构成规则为第1~L2根天线上包含N个子载波的L2个Zi,j矩阵为第一个子矩阵,第j~j+L2-1(2≤j≤M-L2+1)根天线上包含N个子载波的L2个Zi,j矩阵为第j个子矩阵。将这M-L2+1个子矩阵顺序排列,得到天线平滑后的子矩阵:
Bi,(1≤i≤P)表示第i个数据包中的CSI数据平滑后的矩阵。P个数据包中的所有天线平滑之后的矩阵为B=[Bi],其中1≤i≤P。
对于P个数据包,每个数据包中包含M根天线,每根天线又包含N个子载波。这M根天线和每根天线中的N个子载波已经进行了平滑。将P个数据包中P个平滑后的Bi矩阵构成P-L3+1个子矩阵,(L3<D),子矩阵的维度为(L3L2L1)×(N-L1+1)(M-L2+1)。子矩阵的构成规则为第1~L3个包含M根天线和M×N子载波的L3个Bi矩阵为第一个子矩阵,第i~i+L3-1(2≤i≤P-L3+1)个包含M根天线和M×N子载波的L3个Bi矩阵为第i个子矩阵。将这P-L3+1个子矩阵重新排列,就得到天线平滑后的矩阵:
因此,矩阵Y平滑后的矩阵为:
对矩阵S进行特征分解,得到NMP个特征值,其中有NMP-D个较小的特征值等于噪声的方差σ2,NMP-D个较小的特征值只与噪声有关,假设λmin为最小特征值,S0是矩阵S的特征向量,则有λminS0=σ2I。NMP-D个较小的特征值对应的特征向量就构成了噪声子空间。
当入射信号的个数D少于子载波数量和天线阵列数和数据包数的乘积NMP时,APAH的秩小于NMP,因此:
|APAH|=|S-λS0|=0
在S=λS0两边同时乘ei,ei为最小特征值对应的特征向量,得到:
Sei=λiS0ei,i=D+1,…,NMP
因为:
S=ASFAH+λminS0
则:
(ASFAH+λminS0)ei=λminS0ei
即:
ASFAHei=0
由于A≠0,SF≠0,所以:
AHei=0,i=D+1,…,NMP
由上式可以得到矩阵S的所有最小特征向量ei与矩阵A的各列向量正交。
最后得到相互正交的噪声子空间和信号子空间。
步骤五:将噪声子空间中的特征向量构造一个NMP×(NMP-D)维的噪声特征向量矩阵EN,a(θ,τ,v)为与矩阵的列向量阵列流型相同的方向矢量,θ、τ、v为待估计的参数,分别为入射信号的到达角、飞行时间和速度。计算EN与矢量a(θ,τ,v)构成的谱函数:
其中,H为共轭转置符号。
步骤六:搜索谱函数f(θ,τ,v)的峰值得到对应的参数估计值。
Claims (2)
1.一种基于Wi-Fi信道状态信息的三维联合估计方法,包括以下步骤:
步骤一:假设在WiFi系统中有D个信号源,N个子载波,接收端的接收机包含M根天线,接收来自信号源的P个数据包中的CSI信息,利用不同天线、不同子载波和不同时间的CSI信息构造三维矩阵XP×M×N={xi,j,k},其中1≤i≤P,1≤j≤M,1≤k≤N,xi,j,k表示第i个数据包、第j根天线和第k个子载波上获得的CSI信息;
步骤二:将三维矩阵XP×M×N转化为二维矩阵,将包含数据包信息的第三维的第i,2≤i≤P页转换为第一页的第(i-1)M+1到iM行,从而得到二维矩阵YPM×N;
对于子载波数据的平滑,将第i个数据包、第j根天线上的N个子载波上得到的CSI数据分成N-L1+1个列矢量,L1,L1>D为列矢量的长度,列矢量的构成规则为第1~L1个CSI数据为第一个列矢量,第k~k+L1-1,2≤k≤N-L1+1个CSI数据为第k个列矢量,将这N-L1+1个列矢量顺序排列,得到子载波平滑后的子矩阵:
Zi,j,1≤i≤P,1≤j≤M表示第i个数据包中第j根天线上N个子载波上的CSI数据平滑后的矩阵,y(i-1)M+j,k表示矩阵Y中第(i-1)M+j行的k列的数据,P个数据包中PM根天线的所有子载波平滑后的矩阵为Z=[Zi,j],其中1≤i≤P,1≤j≤M;
对于第i个数据包上的M根天线,每根天线上都有N个子载波,这N个子载波已经进行了子载波的平滑,将第i个数据包中的M根天线上的M个平滑后的Zi,j矩阵构成M-L2+1个子矩阵,L2<D,子矩阵的维度为L2L1×(N-L1+1),子矩阵的构成规则为第1~L2根天线上包含N个子载波的L2个Zi,j矩阵为第一个子矩阵,第j~j+L2-1,2≤j≤M-L2+1根天线上包含N个子载波的L2个Zi,j矩阵为第j个子矩阵,将这M-L2+1个子矩阵顺序排列,得到天线平滑后的子矩阵:
Bi,1≤i≤P表示第i个数据包中的CSI数据平滑后的矩阵,P个数据包中的所有天线平滑之后的矩阵为B=[Bi],其中1≤i≤P;
对于P个数据包,每个数据包中包含M根天线,每根天线又包含N个子载波,这M根天线和每根天线中的N个子载波已经进行了平滑,将P个数据包中P个平滑后的Bi矩阵构成P-L3+1个子矩阵,L3<D,子矩阵的维度为L3L2L1×(N-L1+1)(M-L2+1),子矩阵的构成规则为第1~L3个包含M根天线和M×N子载波的L3个Bi矩阵为第一个子矩阵,第i~i+L3-1,2≤i≤P-L3+1个包含M根天线和M×N子载波的L3个Bi矩阵为第i个子矩阵,将这P-L3+1个子矩阵重新排列,就得到天线平滑后的矩阵:
因此,矩阵Y平滑后的矩阵为:
步骤五:将噪声子空间中的特征向量构造一个NMP×(NMP-D)维的噪声特征向量矩阵EN,a(θ,τ,v)为与矩阵的列向量阵列流型相同的方向矢量,θ、τ、v为待估计的入射信号的到达角、飞行时间和速度,计算EN与矢量a(θ,τ,v)构成的谱函数:
其中,H为共轭转置符号;
步骤六:搜索谱函数f(θ,τ,v)的峰值得到对应的参数估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811514915.9A CN109738861B (zh) | 2018-12-12 | 2018-12-12 | 一种基于Wi-Fi信道状态信息的三维联合估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811514915.9A CN109738861B (zh) | 2018-12-12 | 2018-12-12 | 一种基于Wi-Fi信道状态信息的三维联合估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109738861A CN109738861A (zh) | 2019-05-10 |
CN109738861B true CN109738861B (zh) | 2022-05-27 |
Family
ID=66359312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811514915.9A Active CN109738861B (zh) | 2018-12-12 | 2018-12-12 | 一种基于Wi-Fi信道状态信息的三维联合估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109738861B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110290491B (zh) * | 2019-05-17 | 2020-12-04 | 重庆邮电大学 | 一种基于多径辅助的室内目标定位方法 |
CN110234126A (zh) * | 2019-05-21 | 2019-09-13 | 重庆邮电大学 | 基于角度估计的单接入点定位精度评估方法 |
CN110933626B (zh) * | 2019-11-05 | 2021-05-04 | 东南大学 | 一种高精度的自组织网络式室内定位方法 |
CN111505565B (zh) * | 2020-04-24 | 2022-12-16 | 南京邮电大学 | 一种估计直接路径到达角的方法 |
CN111757250B (zh) * | 2020-05-27 | 2022-04-29 | 重庆邮电大学 | 一种基于张量分解的信道状态信息定位指纹构造方法 |
CN111707986B (zh) * | 2020-06-18 | 2022-05-27 | 重庆邮电大学 | 一种基于稀疏面阵的三维参数估计方法 |
CN112924928B (zh) * | 2021-01-26 | 2023-05-02 | 西安交通大学 | 一种基于路径分离的室内Wi-Fi多人检测方法 |
CN113676857B (zh) * | 2021-08-19 | 2023-05-26 | 重庆邮电大学 | 一种面向室内Wi-Fi定位的信道状态信息特征提取方法 |
CN114185002B (zh) * | 2021-12-09 | 2022-10-25 | 重庆邮电大学 | 一种基于波束空间矩阵束的三维参数估计方法 |
CN114286307B (zh) * | 2022-01-07 | 2024-03-26 | 深圳泓越信息科技有限公司 | 一种基于矩阵束的信道状态信息参数估计方法 |
CN114885288B (zh) * | 2022-04-25 | 2024-03-29 | 重庆邮电大学 | 一种基于music和mp融合的参数估计方法 |
CN116669181B (zh) * | 2023-06-13 | 2024-04-12 | 山东科技大学 | 基于WiFi多反射路径图像的室内人员定位方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102323583A (zh) * | 2011-09-13 | 2012-01-18 | 电子科技大学 | 一种超分辨线阵三维合成孔径雷达成像方法 |
CN105611627A (zh) * | 2016-01-08 | 2016-05-25 | 重庆邮电大学 | 基于双天线的wlan接入点aoa的估计方法 |
CN105763234A (zh) * | 2016-02-25 | 2016-07-13 | 东南大学 | 毫米波mimo时域有限信道状态信息反馈方法及装置 |
CN108459706A (zh) * | 2018-01-24 | 2018-08-28 | 重庆邮电大学 | 基于相对运动轨迹跟踪的Wi-Fi手势识别方法 |
CN108519580A (zh) * | 2018-04-19 | 2018-09-11 | 广西欣歌拉科技有限公司 | 多目标无接触定位与追踪系统 |
CN108572347A (zh) * | 2017-03-09 | 2018-09-25 | 上海交通大学 | 基于通信信号信道状态响应信息的面阵二维测角方法及系统 |
CN108650628A (zh) * | 2018-03-24 | 2018-10-12 | 西安电子科技大学 | 基于Wi-Fi网络的测距和指纹相结合的室内定位方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120319903A1 (en) * | 2011-06-15 | 2012-12-20 | Honeywell International Inc. | System and method for locating mobile devices |
US9541638B2 (en) * | 2014-11-11 | 2017-01-10 | Nxp B.V. | MIMO radar system |
-
2018
- 2018-12-12 CN CN201811514915.9A patent/CN109738861B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102323583A (zh) * | 2011-09-13 | 2012-01-18 | 电子科技大学 | 一种超分辨线阵三维合成孔径雷达成像方法 |
CN105611627A (zh) * | 2016-01-08 | 2016-05-25 | 重庆邮电大学 | 基于双天线的wlan接入点aoa的估计方法 |
CN105763234A (zh) * | 2016-02-25 | 2016-07-13 | 东南大学 | 毫米波mimo时域有限信道状态信息反馈方法及装置 |
CN108572347A (zh) * | 2017-03-09 | 2018-09-25 | 上海交通大学 | 基于通信信号信道状态响应信息的面阵二维测角方法及系统 |
CN108459706A (zh) * | 2018-01-24 | 2018-08-28 | 重庆邮电大学 | 基于相对运动轨迹跟踪的Wi-Fi手势识别方法 |
CN108650628A (zh) * | 2018-03-24 | 2018-10-12 | 西安电子科技大学 | 基于Wi-Fi网络的测距和指纹相结合的室内定位方法 |
CN108519580A (zh) * | 2018-04-19 | 2018-09-11 | 广西欣歌拉科技有限公司 | 多目标无接触定位与追踪系统 |
Non-Patent Citations (4)
Title |
---|
Doppler Shift Measurement Using Complex-Valued CSI of WiFi in Corridors;Yang, Dandan等;《PROCEEDINGS OF 2018 3RD INTERNATIONAL CONFERENCE ON COMPUTER AND COMMUNICATION SYSTEMS (ICCCS)》;20180430;全文 * |
基于WLAN信道状态信息的人体行为识别算法研究;王向勇;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20180415;全文 * |
宽带微波光子信号多维参数测量研究;卢冰;《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》;20181015;全文 * |
相干/同向信号波达方向与多普勒频率的联合估计;单泽彪等;《吉林大学学报(工学版)》;20171130;第47卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109738861A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109738861B (zh) | 一种基于Wi-Fi信道状态信息的三维联合估计方法 | |
Soltanaghaei et al. | Multipath triangulation: Decimeter-level wifi localization and orientation with a single unaided receiver | |
Karanam et al. | Tracking from one side: Multi-person passive tracking with WiFi magnitude measurements | |
CN109932680B (zh) | 一种基于平移互质阵列的非圆信号波达方向估计方法 | |
US9435884B2 (en) | Radar system and target detection method | |
CN108459307B (zh) | 基于杂波的mimo雷达收发阵列幅相误差校正方法 | |
Chen et al. | A new method for joint DOD and DOA estimation in bistatic MIMO radar | |
CN107064892B (zh) | 基于张量子空间和旋转不变的mimo雷达角度估计算法 | |
Wang et al. | Conjugate ESPRIT for DOA estimation in monostatic MIMO radar | |
CN107340512B (zh) | 一种基于子阵划分的近远场混合源被动定位方法 | |
CN102694588B (zh) | 一种基于共轭扩展的波达方向估计方法 | |
CN111707986B (zh) | 一种基于稀疏面阵的三维参数估计方法 | |
CN102135617A (zh) | 双基地多输入多输出雷达多目标定位方法 | |
CN107064926B (zh) | 空域色噪声背景下的双基地mimo雷达角度估算方法 | |
CN107576940A (zh) | 一种低复杂度单基地mimo雷达非圆信号角度估计方法 | |
CN106909779A (zh) | 基于分布式处理的mimo雷达克拉美罗界计算方法 | |
Yang et al. | Decimeter level indoor localization using WiFi channel state information | |
CN107132514A (zh) | 改进esprit的双基地mimo雷达角度估算方法 | |
CN108037494A (zh) | 一种脉冲噪声环境下的雷达目标参数估计方法 | |
CN106154242B (zh) | 基于分数低阶类相关熵的目标参数联合估计算法 | |
CN111308416B (zh) | 基于四阶累积量的近场非圆信源参数估计方法 | |
Gong et al. | Joint DOD and DOA estimation for bistatic multiple‐input multiple‐output radar target discrimination based on improved unitary ESPRIT method | |
CN103605107A (zh) | 基于多基线分布式阵列的波达方向估计方法 | |
CN109557504A (zh) | 一种近场窄带信号源的定位方法 | |
CN114286307B (zh) | 一种基于矩阵束的信道状态信息参数估计方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230629 Address after: 3-1-11, Floor 3, No. 128, Zhongshan 3rd Road, Yuzhong District, Chongqing 400014 Patentee after: Chongqing Paiming Technology Co.,Ltd. Address before: 400065 No. 2, Chongwen Road, Nan'an District, Chongqing Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS |