CN112147573A - 一种基于csi的幅值和相位信息的无源定位方法 - Google Patents
一种基于csi的幅值和相位信息的无源定位方法 Download PDFInfo
- Publication number
- CN112147573A CN112147573A CN202010959455.1A CN202010959455A CN112147573A CN 112147573 A CN112147573 A CN 112147573A CN 202010959455 A CN202010959455 A CN 202010959455A CN 112147573 A CN112147573 A CN 112147573A
- Authority
- CN
- China
- Prior art keywords
- phase
- amplitude
- data
- signal characteristics
- test point
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开一种基于CSI的幅值和相位信息的无源定位方法,包括实验环境部署和数据采集,在室内部署一台无线路由器作为发射端,一台计算机作为接受机,设置n个测试点,由人站立在每个测试点50s,进行数据采集,采集到的数据建立指纹数据库S;数据预处理与特征融合,采用指纹数据库中的数据,分别对数据中的幅值和相位两个特征并行提取和预处理;通过Hampel滤波算法处理幅值信号特征,通过线性变换算法矫正相位信号特征,幅值信号特征和相位信号特征处理完后融合成特征矩阵;特征矩阵利用卷积神经网络进行模型训练,形成定位模型;利用定位模型进行测试点定位测试。本发明所提出的方法能够高精度感知用户所在位置,定位结果更加准确。
Description
技术领域
本发明涉及室内定位技术领域,具体涉及一种基于CSI的幅值和相位信息的无源定位方法。
背景技术
现有的主流室内人员定位方法可分为两类,主动式定位和被动式定位方法。主动式定位方法包括基于摄像头的定位、基于可携带传感器的定位;被动式定位方法则不需要额外的接收设备通过捕获目标引起的无线信号变化就能检测到定位区域内的目标实体。基于接收信号强度(Received Signal Strength,RSS)的定位方法是应用最广泛的一种,因为它可以方便地访问现有的无线基础设施,然而RSS信号存在粒度粗、易受多径效应的影响等问题,容易导致定位误差偏大。近年来,研究人员尝试将多个子载波置于正交频分复用(OFDM)中,以获取更丰富的多径信息,构成信道状态信息(channel state information,CSI)。在2012年,PinLoc方案通过对各种室内场景的测试,验证了CSI幅值信号在室内定位中的可行性。之后,Zhou等人提出了一种基于CSI和支持向量机的无设备定位算法,将定位问题转化为回归问题,这个方法建立了CSI指纹与目标位置之间的非线性关系,能够根据对应的CSI指纹对目标位置进行估计。在2019年,Hsieh等人提出了CSI与RSS融合定位方法,比单一的使用CSI幅值信号或RSS信号在定位精度上得到了提高,但是由于多路径效应,采集点的RSS值会随着时间发生显著变化。误差可达10dB,导致定位系统精度较低。FIFS系统使用多个天线的加权来优化CSI的数值,达到减小误差的目的。Wang等人设计了一个稀疏的自动编码器网络,从无线信号中自动学习有区别的特征,并合并到一个基于softmax回归的机器学习框架中,用来同时实现位置、活动和手势识别,省去了传统方法耗时费力的特征挖掘过程,而且提取出更多的识别特征。Deep-Fi是基于深度学习的室内定位方法,此方法从三根天线中学习大量的CSI振幅数据,可以更好的提取各个信道的特征。PhaseFi是基于深度学习的校准信道状态信息(CSI)相位信息的室内定位指纹系统,此方法从网络接口卡中提取多个天线和多个子载波中的相位信息,可以更好的提取信道中有区别的相位特征。
现有技术存在的问题为:
1、对于基于RSS的定位方法,RSS信号的测量值是通过人体的反射、散射和衍射所产生的多条路径的RSS值求和实现的,因此,RSS测量不是一个稳定的测量方法;
2.对于PinLoc方案,定位目标需携带电子设备通过每个附近的AP(接入点)下载数据包记录对应的频道频率响应来进行定位,定位成本高且复杂;
3.对于Zhou等人的方案,①DBSCAN进行聚类去噪预处理,当每条天线采集的信号存在密度不均匀时,不能有效区分异常值导致聚类质量差;②而且由于依赖距离公式进行判别,对于高维数据,难以处理;③应用SVM回归是针对x坐标和y坐标单独回归比较复杂,不如x和y一起回归出预测定位坐标;
4.Hsieh方案,①采用分类进行定位,比回归定位性能差,而且仅能实现少量的数据量,对于定位目标点较多的数据库实现结果难以保证;②由于多路径效应,采集点的RSS值会随着时间发生显著变化,精度较低,因此结合RSS和CSI定位提高不明显;
5.FIFS系统,对多个天线加权来优化矫正CSI信号的幅值,可以减少误差,但是忽略了每个天线的数据的多样性,不如考虑直接使用多天线的数值融合来提高鲁棒性和多样性;
6.Wang等人,选用CSI相位的差值AOA来进行处理去噪进行定位,可以在有墙壁和桌子遮挡的情况下比幅值进行定位更具有稳定性,但是仅仅依靠相位特征进行定位是不够的;
7.Deep-Fi和PhaseFi仅选用三条天线的幅值信息,而忽略了相位信息的有效性。
发明内容
针对现有的定位方法存在的缺点,本发明提供了一种基于CSI的幅值和相位信息的无源定位方法,能够更加准确的实现室内定位。
本发明采用以下的技术方案:
一种基于CSI的幅值和相位信息的无源定位方法,包括以下步骤:
步骤1:实验环境部署和数据采集;
在室内部署一台无线路由器作为发射端,一台计算机作为接受机,设置n个测试点,由人站立在每个测试点50s,进行数据采集,采集到的数据建立指纹数据库S;
步骤2:数据预处理与特征融合;
采用指纹数据库中的数据,分别对数据中的幅值和相位两个特征并行提取和预处理;
通过Hampel滤波算法处理幅值信号特征,通过线性变换算法矫正相位信号特征,幅值信号特征和相位信号特征处理完后融合成特征矩阵;
步骤3:特征矩阵利用卷积神经网络进行模型训练,形成定位模型;
步骤4:利用定位模型进行测试点定位测试。
优选地,步骤1具体包括以下子步骤:
步骤1.1:选定3个实验室内环境,把每个室内平面采用二维坐标划分;
步骤1.2:在每个室内部署一台TP-LINK WDR 6500作为发射端,一台装有Intel5300网卡的Ubutu12.04LTS系统的台式电脑作为接收机,且电脑的内核和无线网卡驱动经过特殊配置,能在20MHZ HT传输模式下进行数据采集,接收机外接三条天线,三条天线分散在房间角落,采用统一的命名方式编号;
步骤1.3:设置n个测试点,每个测试点的坐标为Pi=(xi,yi),以n个训练点构成一个指纹地图库N=(P1,P2,···,Pn),i=1,2,3···n代表训练点的顺序,指纹数据库S为:
其中,ξi j测试点的幅值信号特征,ωi j测试点的相位信号特征,j=0,1,2代表天线的索引号。
优选地,步骤2具体包括以下子步骤:
步骤2.1:通过Hampel滤波算法处理幅值信号特征,生成新的信号特征构建幅值指纹数据库ξi j={Fi},采用Hampel滤波算法,对幅值信号识别和消除偏置测量值,将任何超出封闭区间的点设定[μ-γσ,μ+γσ]作为离群值,μ和σ分别为窗口数据的平均值和平均绝对偏差,γ为估计标准差的倍数,根据高斯误差理论,当测量值服从正态分布时,剩余差异落入三倍方差区间,即[-3σ,3σ]外,认为在区域外的残差的测量值是异常的;
其中∠θk是真实的测量相位,mk是第k个子载波的子载波索引(在IEEE 802.11n下20MHZ带宽中的范围是-28到28),M为快速傅里叶变换长度,ψ为接收机的时间偏移,β为未知的相位偏移,Z代表高斯白噪声;
线性变换分为两个阶段,第一个阶段即线性拉直阶段,在其中对原始相位信号通过解卷绕方法拉直计算得到相位角,经过解卷绕计算可以消除原始相位的周期性,增强相位数据的区分度,第二个阶段对解卷绕的相位值减去定义的线性误差函数,得到校正后的相位;
相位矫正关键是消除测量相位的时间偏移ψ和相位偏移β;
首先,将a和b两个表示相位的斜率和整个频段的偏移量,定义如下:
步骤2.3:每个位置的数据经过幅值处理后,产生数据包含在二维数组Fi=[[f00,···f0C],[f10,···f1C],···[fp0,···fpC]]T中,相位矫正后,产生同等维度的数据包含在二维数组Xi=[[x00,···x0C],[x10,···x1C],···[xp0,···xpC]]T中,经过数据融合生成新的二维数组Ei=[[e00,···e0C],[e10,···e1C],···[ep0,···epC]]T作为输入层,Fi为每个测试点的幅值信息,Xi为每个测试点的相位信息,其中p为每个点对应的采集包数,C为每个链路的子载波数,Ei为每个测试点的幅相融合后的信息特征矩阵。
优选地,步骤3具体包括:
卷积神经网络中,Ei作为输入层的数据传入卷积层,在卷积层中,使用多组滤波器来处理输入数据的局部小部分,这些过滤器沿整个输入空间复制,每一个卷积层都以修正线性单元作为卷积后的激活函数,第三层卷积之后采用Max pooling进行池化,将FeatureMap的尺寸减半,通过从指定窗口内的不同位置获取最大的过滤器来获得低解析度特征;
在全连接层中,将最大池化层的输出压平,并把当前层的每个节点和下一层的节点相连,最后输出坐标训练结果;在最大池化层和输出层采用Dropout技术,Dropout会随机丢弃一部分神经元及其连接,防止模型训练出现过拟合;
经过前馈运算得出的预测结果并计算误差,优化器选用ADAM函数,通过梯度下降法从后往前逐层递推,调整参数,确立定位模型。
优选地,步骤4具体包括:
在室内进行测试点的数据采集,对测试点的数据进行处理得到新的特征矩阵 将传入已经训练好的定位模型中,直接得出测试点的坐标Pi'=(x'i,y'i),x'i为待测测试点的x轴坐标,y'i为待测测试点的y轴坐标。
本发明具有的有益效果是:
本发明提供的基于CSI的幅值和相位信息的无源定位方法,利用CSI在振幅和相位数据方面的多模态特征用于基于指纹的定位,通过从网络接入点的多个天线和多个子载波中提取原始幅值和相位信息,采用hampel滤波对幅值信号预处理,对相位信号进行线性变换矫正,并设计了一个具有五个隐藏层的卷积神经网络对预处理后的幅值数据进行训练,在线阶段通过已训练好的模型,对预处理数据与指纹数据库进行匹配,进行位置估计。实验结果表明本发明所提出的方法能够高精度感知用户所在位置,定位结果更加准确。
附图说明
图1是基于CSI的幅值和相位信息的无源定位方法的流程图。
图2是室内定位系统示意图;
图3是未处理的原始幅值信号波形图;
图4是经过Hampel处理后的幅值信号波形图;
图5是某训练点三条天线原始相位信息。
图6是图5中训练点原始相位解卷绕后。
图7是图5中训练点经过线性变换矫正后的相位信息。
图8是50个CSI数据单元的原始相位值和校准相位极坐标分布。
图9是定位模型架构。
图10是一种典型实验环境示意图。
图11是第二种典型实验环境示意图。
图12是第二种典型实验环境示意图。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明:
结合图1至图12,一种基于CSI的幅值和相位信息的无源定位方法,包括以下步骤:
步骤1:实验环境部署和数据采集;
在室内部署一台无线路由器作为发射端,一台计算机作为接受机,设置n个测试点,由人站立在每个测试点50s左右,进行数据采集,同时接收天线和计算机记录人员的每个位置所对应的无线信号频谱特性,采集到的数据建立指纹数据库S。
具体包括以下子步骤:
步骤1.1:选定3个实验室内环境,把每个室内平面采用二维坐标划分;为了方便,本发明采用的XY轴单位间距为室内正方形地砖边长0.6m或0.3m。
步骤1.2:在每个室内部署一台TP-LINK WDR 6500作为发射端,一台装有Intel5300网卡的Ubutu12.04LTS系统的台式电脑作为接收机,且电脑的内核和无线网卡驱动经过特殊配置,能在20MHZ HT传输模式下进行数据采集,接收机外接三条天线,三条天线分散在房间角落,采用统一的命名方式编号;
步骤1.3:设置n个测试点,每个测试点的坐标为Pi=(xi,yi),以n个训练点构成一个指纹地图库N=(P1,P2,···,Pn),i=1,2,3···n代表训练点的顺序,指纹数据库S为:
S={Pi,ξi j,ωi j}
其中,ξi j测试点的幅值信号特征,ωi j测试点的相位信号特征,j=0,1,2代表天线的索引号。
步骤2:数据预处理与特征融合;
采用指纹数据库中的数据,分别对数据中的幅值和相位两个特征并行提取和预处理;
通过Hampel滤波算法处理幅值信号特征,通过线性变换算法矫正相位信号特征,幅值信号特征和相位信号特征处理完后融合成特征矩阵。
具体包括以下子步骤:
步骤2.1:通过Hampel滤波算法处理幅值信号特征,生成新的信号特征构建幅值指纹数据库ξi j={Fi},采用Hampel滤波算法,对幅值信号识别和消除偏置测量值,将任何超出封闭区间的点设定[μ-γσ,μ+γσ]作为离群值,μ和σ分别为窗口数据的平均值和平均绝对偏差,γ为估计标准差的倍数,根据高斯误差理论,当测量值服从正态分布时,剩余差异落入三倍方差区间,即[-3σ,3σ]外,认为在区域外的残差的测量值是异常的;
通过实验分析,得出参数如下:观察窗口大小为100,γ为3。
其中∠θk是真实的测量相位,mk是第k个子载波的子载波索引(在IEEE 802.11n下20MHZ带宽中的范围是-28到28),M为快速傅里叶变换长度(在IEEE 802.11a/g/n标准中为64),ψ为接收机的时间偏移,β为未知的相位偏移,Z代表高斯白噪声;
线性变换分为两个阶段,第一个阶段即线性拉直阶段,在其中对原始相位信号通过解卷绕方法拉直计算得到相位角,经过解卷绕计算可以消除原始相位的周期性,增强相位数据的区分度,第二个阶段对解卷绕的相位值减去定义的线性误差函数,得到校正后的相位;
相位矫正关键是消除测量相位的时间偏移ψ和相位偏移β;
首先,将a和b两个表示相位的斜率和整个频段的偏移量,定义如下:
步骤2.3:每个测试点的数据经过幅值处理后,产生数据包含在二维数组Fi=[[f00,···f0C],[f10,···f1C],···[fp0,···fpC]]T中,相位矫正后,产生同等维度的数据包含在二维数组Xi=[[x00,···x0C],[x10,···x1C],···[xp0,···xpC]]T中,经过数据融合生成新的二维数组Ei=[[e00,···e0C],[e10,···e1C],···[ep0,···epC]]T作为输入层,Fi为每个测试点的幅值信息,Xi为每个测试点的相位信息,其中p为每个点对应的采集包数,C为每个链路的子载波数,Ei为每个测试点的幅相融合后的信息特征矩阵。由于Intel 5300网卡三条天线可以收集90个子载波,因此数据集为n×p×2×90维矩阵。
步骤3:特征矩阵利用卷积神经网络进行模型训练,形成定位模型。
具体为:本模型共有5层隐藏层组成。卷积神经网络中,Ei作为输入层的数据传入卷积层,在卷积层中,使用多组滤波器来处理输入数据的局部小部分,这些过滤器沿整个输入空间复制,每一个卷积层都以修正线性单元作为卷积后的激活函数,第三层卷积之后采用Max pooling进行池化,将Feature Map的尺寸减半,通过从指定窗口内的不同位置获取最大的过滤器来获得低解析度特征;
在全连接层中,将最大池化层的输出压平,并把当前层的每个节点和下一层的节点相连,最后输出坐标训练结果;在最大池化层和输出层采用Dropout技术,Dropout会随机丢弃一部分神经元及其连接,防止模型训练出现过拟合;
经过前馈运算得出的预测结果并计算误差,优化器选用ADAM函数,通过梯度下降法从后往前逐层递推,调整参数,确立定位模型。
步骤4:利用定位模型进行测试点定位测试。
具体包括:
在室内进行测试点的数据采集,对测试点的数据进行处理得到新的特征矩阵 将传入已经训练好的定位模型中,直接得出测试点的坐标Pi'=(x'i,y'i),x'i为待测测试点的x轴坐标,y'i为待测测试点的y轴坐标。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (5)
1.一种基于CSI的幅值和相位信息的无源定位方法,其特征在于,包括以下步骤:
步骤1:实验环境部署和数据采集;
在室内部署一台无线路由器作为发射端,一台计算机作为接受机,设置n个测试点,由人站立在每个测试点50s,进行数据采集,采集到的数据建立指纹数据库S;
步骤2:数据预处理与特征融合;
采用指纹数据库中的数据,分别对数据中的幅值和相位两个特征并行提取和预处理;
通过Hampel滤波算法处理幅值信号特征,通过线性变换算法矫正相位信号特征,幅值信号特征和相位信号特征处理完后融合成特征矩阵;
步骤3:特征矩阵利用卷积神经网络进行模型训练,形成定位模型;
步骤4:利用定位模型进行测试点定位测试。
2.根据权利要求1所述的一种基于CSI的幅值和相位信息的无源定位方法,其特征在于,步骤1具体包括以下子步骤:
步骤1.1:选定3个实验室内环境,把每个室内平面采用二维坐标划分;
步骤1.2:在每个室内部署一台TP-LINK WDR 6500作为发射端,一台装有Intel 5300网卡的Ubutu12.04LTS系统的台式电脑作为接收机,且电脑的内核和无线网卡驱动经过特殊配置,能在20MHZ HT传输模式下进行数据采集,接收机外接三条天线,三条天线分散在房间角落,采用统一的命名方式编号;
步骤1.3:设置n个测试点,每个测试点的坐标为Pi=(xi,yi),以n个训练点构成一个指纹地图库N=(P1,P2,…,Pn),i=1,2,3…n代表训练点的顺序,指纹数据库S为:
S={Pi,ξi j,ωi j}
其中,ξi j测试点的幅值信号特征,ωi j测试点的相位信号特征,j=0,1,2代表天线的索引号。
3.根据权利要求2所述的一种基于CSI的幅值和相位信息的无源定位方法,其特征在于,步骤2具体包括以下子步骤:
步骤2.1:通过Hampel滤波算法处理幅值信号特征,生成新的信号特征构建幅值指纹数据库ξi j={Fi},采用Hampel滤波算法,对幅值信号识别和消除偏置测量值,将任何超出封闭区间的点设定[μ-γσ,μ+γσ]作为离群值,μ和σ分别为窗口数据的平均值和平均绝对偏差,γ为估计标准差的倍数,根据高斯误差理论,当测量值服从正态分布时,剩余差异落入三倍方差区间,即[-3σ,3σ]外,认为在区域外的残差的测量值是异常的;
其中∠θk是真实的测量相位,mk是第k个子载波的子载波索引,M为快速傅里叶变换长度,ψ为接收机的时间偏移,β为未知的相位偏移,Z代表高斯白噪声;
线性变换分为两个阶段,第一个阶段即线性拉直阶段,在其中对原始相位信号通过解卷绕方法拉直计算得到相位角,经过解卷绕计算可以消除原始相位的周期性,增强相位数据的区分度,第二个阶段对解卷绕的相位值减去定义的线性误差函数,得到校正后的相位;
相位矫正关键是消除测量相位的时间偏移ψ和相位偏移β;
首先,将a和b两个表示相位的斜率和整个频段的偏移量,定义如下:
步骤2.3:每个位置的数据经过幅值处理后,产生数据包含在二维数组Fi=[[f00,…f0C],[f10,…f1C],…[fp0,…fpC]]T中,相位矫正后,产生同等维度的数据包含在二维数组Xi=[[x00,…x0C],[x10,…x1C],…[xp0,…xpC]]T中,经过数据融合生成新的二维数组Ei=[[e00,…e0C],[e10,…e1C],…[ep0,…epC]]T作为输入层,Fi为每个测试点的幅值信息,Xi为每个测试点的相位信息,其中p为每个点对应的采集包数,C为每个链路的子载波数,Ei为每个测试点的幅相融合后的信息特征矩阵。
4.根据权利要求3所述的一种基于CSI的幅值和相位信息的无源定位方法,其特征在于,步骤3具体包括:
卷积神经网络中,Ei作为输入层的数据传入卷积层,在卷积层中,使用多组滤波器来处理输入数据的局部小部分,这些过滤器沿整个输入空间复制,每一个卷积层都以修正线性单元作为卷积后的激活函数,第三层卷积之后采用Max pooling进行池化,将Feature Map的尺寸减半,通过从指定窗口内的不同位置获取最大的过滤器来获得低解析度特征;
在全连接层中,将最大池化层的输出压平,并把当前层的每个节点和下一层的节点相连,最后输出坐标训练结果;在最大池化层和输出层采用Dropout技术,Dropout会随机丢弃一部分神经元及其连接,防止模型训练出现过拟合;
经过前馈运算得出的预测结果并计算误差,优化器选用ADAM函数,通过梯度下降法从后往前逐层递推,调整参数,确立定位模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959455.1A CN112147573A (zh) | 2020-09-14 | 2020-09-14 | 一种基于csi的幅值和相位信息的无源定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959455.1A CN112147573A (zh) | 2020-09-14 | 2020-09-14 | 一种基于csi的幅值和相位信息的无源定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112147573A true CN112147573A (zh) | 2020-12-29 |
Family
ID=73892703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010959455.1A Pending CN112147573A (zh) | 2020-09-14 | 2020-09-14 | 一种基于csi的幅值和相位信息的无源定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112147573A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112867021A (zh) * | 2021-01-13 | 2021-05-28 | 合肥工业大学 | 基于改进型TrAdaBoost的迁移学习室内定位方法 |
CN112911704A (zh) * | 2021-01-21 | 2021-06-04 | 北京邮电大学 | 基于动态融合特征的csi室内指纹定位方法及装置 |
CN112953660A (zh) * | 2021-01-26 | 2021-06-11 | 电子科技大学 | 一种稳健的信道状态信息csi相位校准方法 |
CN113038595A (zh) * | 2020-12-30 | 2021-06-25 | 东南大学 | 一种基于pq和cnn的快速指纹定位方法 |
CN113093304A (zh) * | 2021-02-26 | 2021-07-09 | 西安电子科技大学 | 一种基于wifi的可疑物品材质安全检测方法 |
CN113255745A (zh) * | 2021-05-13 | 2021-08-13 | 南京邮电大学 | 一种基于局部保留投影法的信道状态信息定位方法 |
CN113283490A (zh) * | 2021-05-19 | 2021-08-20 | 南京邮电大学 | 基于前端融合的信道状态信息深度学习定位方法 |
CN113422660A (zh) * | 2021-05-14 | 2021-09-21 | 山东科技大学 | 基于无线信号的步数检测方法 |
CN113514796A (zh) * | 2021-06-02 | 2021-10-19 | 军事科学院系统工程研究院网络信息研究所 | 一种无源定位方法、系统和介质 |
CN113596985A (zh) * | 2021-07-07 | 2021-11-02 | 湘潭大学 | 基于路径损耗校正模型的信号强度定位装置和定位方法 |
CN113613170A (zh) * | 2021-08-16 | 2021-11-05 | 苏州云享阁智能科技有限公司 | 一种基于低成本天线扩展的高精度室内定位系统及方法 |
CN114158004A (zh) * | 2021-12-09 | 2022-03-08 | 重庆邮电大学 | 一种基于图卷积神经网络的室内无源移动目标检测方法 |
CN114501329A (zh) * | 2021-12-15 | 2022-05-13 | 厦门智小金智能科技有限公司 | 一种基于1d-cnn的室内定位模型的环境自适应训练方法及装置 |
CN114531729A (zh) * | 2022-04-24 | 2022-05-24 | 南昌大学 | 基于信道状态信息的定位方法、系统、存储介质及设备 |
CN114973330A (zh) * | 2022-06-16 | 2022-08-30 | 深圳大学 | 一种跨场景鲁棒的人员疲劳状态无线检测方法及相关设备 |
CN116595443A (zh) * | 2023-07-17 | 2023-08-15 | 山东科技大学 | 一种基于元学习的无线信号本手势识别方法 |
CN116669181A (zh) * | 2023-06-13 | 2023-08-29 | 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 |
CN116980824A (zh) * | 2023-07-29 | 2023-10-31 | 江西师范大学 | 一种轻量化的加权集成学习室内csi定位方法 |
CN117377062A (zh) * | 2023-11-08 | 2024-01-09 | 中科晶锐(苏州)科技有限公司 | 一种利用通道状态信息进行定位的机器学习样本增强方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102998654A (zh) * | 2012-11-23 | 2013-03-27 | 无锡儒安科技有限公司 | 基于被动式无线射频识别标签相位信息的定位方法及装置 |
CN107194347A (zh) * | 2017-05-19 | 2017-09-22 | 深圳市唯特视科技有限公司 | 一种基于面部动作编码系统进行微表情检测的方法 |
CN107769828A (zh) * | 2017-09-27 | 2018-03-06 | 中国电子科技集团公司第五十四研究所 | 一种基于特征值提取的csi‑mimo室内定位方法及系统 |
CN108918532A (zh) * | 2018-06-15 | 2018-11-30 | 长安大学 | 一种快速道路交通标志破损检测系统及其检测方法 |
CN110366108A (zh) * | 2019-07-09 | 2019-10-22 | 南京邮电大学 | 基于信道状态信息和接收信号强度的室内定位方法 |
CN110381440A (zh) * | 2019-06-16 | 2019-10-25 | 西安电子科技大学 | 基于深度学习的联合rss与csi的指纹室内定位方法 |
CN111127412A (zh) * | 2019-12-18 | 2020-05-08 | 广东工业大学 | 一种基于生成对抗网络的病理图像识别装置 |
CN111212379A (zh) * | 2020-01-06 | 2020-05-29 | 天津工业大学 | 一种基于卷积神经网络的新型csi室内定位方法 |
CN111316282A (zh) * | 2017-06-09 | 2020-06-19 | 萨里大学 | 用于处理视网膜图像的方法和装置 |
CN111612754A (zh) * | 2020-05-15 | 2020-09-01 | 复旦大学附属华山医院 | 基于多模态图像融合的mri肿瘤优化分割方法及系统 |
-
2020
- 2020-09-14 CN CN202010959455.1A patent/CN112147573A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102998654A (zh) * | 2012-11-23 | 2013-03-27 | 无锡儒安科技有限公司 | 基于被动式无线射频识别标签相位信息的定位方法及装置 |
CN107194347A (zh) * | 2017-05-19 | 2017-09-22 | 深圳市唯特视科技有限公司 | 一种基于面部动作编码系统进行微表情检测的方法 |
CN111316282A (zh) * | 2017-06-09 | 2020-06-19 | 萨里大学 | 用于处理视网膜图像的方法和装置 |
CN107769828A (zh) * | 2017-09-27 | 2018-03-06 | 中国电子科技集团公司第五十四研究所 | 一种基于特征值提取的csi‑mimo室内定位方法及系统 |
CN108918532A (zh) * | 2018-06-15 | 2018-11-30 | 长安大学 | 一种快速道路交通标志破损检测系统及其检测方法 |
CN110381440A (zh) * | 2019-06-16 | 2019-10-25 | 西安电子科技大学 | 基于深度学习的联合rss与csi的指纹室内定位方法 |
CN110366108A (zh) * | 2019-07-09 | 2019-10-22 | 南京邮电大学 | 基于信道状态信息和接收信号强度的室内定位方法 |
CN111127412A (zh) * | 2019-12-18 | 2020-05-08 | 广东工业大学 | 一种基于生成对抗网络的病理图像识别装置 |
CN111212379A (zh) * | 2020-01-06 | 2020-05-29 | 天津工业大学 | 一种基于卷积神经网络的新型csi室内定位方法 |
CN111612754A (zh) * | 2020-05-15 | 2020-09-01 | 复旦大学附属华山医院 | 基于多模态图像融合的mri肿瘤优化分割方法及系统 |
Non-Patent Citations (4)
Title |
---|
岳国玉: "基于WiFi信号的室内人体动作检测研究及应用", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
张博: "基于深度学习的心脏磁共振图像分割", 《绿色科技》 * |
徐启伟 等: "基于深度卷积神经网络的大气湍流相位提取", 《物理学报》 * |
江小平 等: "基于信道状态信息幅值-相位的被动式室内指纹定位", 《电子与信息学报》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113038595A (zh) * | 2020-12-30 | 2021-06-25 | 东南大学 | 一种基于pq和cnn的快速指纹定位方法 |
CN113038595B (zh) * | 2020-12-30 | 2022-07-01 | 东南大学 | 一种基于pq和cnn的快速指纹定位方法 |
CN112867021A (zh) * | 2021-01-13 | 2021-05-28 | 合肥工业大学 | 基于改进型TrAdaBoost的迁移学习室内定位方法 |
CN112911704A (zh) * | 2021-01-21 | 2021-06-04 | 北京邮电大学 | 基于动态融合特征的csi室内指纹定位方法及装置 |
CN112953660A (zh) * | 2021-01-26 | 2021-06-11 | 电子科技大学 | 一种稳健的信道状态信息csi相位校准方法 |
CN112953660B (zh) * | 2021-01-26 | 2022-08-05 | 电子科技大学 | 一种稳健的信道状态信息csi相位校准方法 |
CN113093304A (zh) * | 2021-02-26 | 2021-07-09 | 西安电子科技大学 | 一种基于wifi的可疑物品材质安全检测方法 |
CN113255745A (zh) * | 2021-05-13 | 2021-08-13 | 南京邮电大学 | 一种基于局部保留投影法的信道状态信息定位方法 |
CN113422660A (zh) * | 2021-05-14 | 2021-09-21 | 山东科技大学 | 基于无线信号的步数检测方法 |
CN113283490A (zh) * | 2021-05-19 | 2021-08-20 | 南京邮电大学 | 基于前端融合的信道状态信息深度学习定位方法 |
CN113514796A (zh) * | 2021-06-02 | 2021-10-19 | 军事科学院系统工程研究院网络信息研究所 | 一种无源定位方法、系统和介质 |
CN113596985A (zh) * | 2021-07-07 | 2021-11-02 | 湘潭大学 | 基于路径损耗校正模型的信号强度定位装置和定位方法 |
CN113596985B (zh) * | 2021-07-07 | 2022-05-20 | 湘潭大学 | 基于路径损耗校正模型的信号强度定位装置和定位方法 |
CN113613170A (zh) * | 2021-08-16 | 2021-11-05 | 苏州云享阁智能科技有限公司 | 一种基于低成本天线扩展的高精度室内定位系统及方法 |
CN114158004A (zh) * | 2021-12-09 | 2022-03-08 | 重庆邮电大学 | 一种基于图卷积神经网络的室内无源移动目标检测方法 |
CN114501329A (zh) * | 2021-12-15 | 2022-05-13 | 厦门智小金智能科技有限公司 | 一种基于1d-cnn的室内定位模型的环境自适应训练方法及装置 |
CN114531729A (zh) * | 2022-04-24 | 2022-05-24 | 南昌大学 | 基于信道状态信息的定位方法、系统、存储介质及设备 |
CN114973330A (zh) * | 2022-06-16 | 2022-08-30 | 深圳大学 | 一种跨场景鲁棒的人员疲劳状态无线检测方法及相关设备 |
CN116669181A (zh) * | 2023-06-13 | 2023-08-29 | 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 |
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 |
CN116595443A (zh) * | 2023-07-17 | 2023-08-15 | 山东科技大学 | 一种基于元学习的无线信号本手势识别方法 |
CN116595443B (zh) * | 2023-07-17 | 2023-10-03 | 山东科技大学 | 一种基于元学习的无线信号本手势识别方法 |
CN116980824A (zh) * | 2023-07-29 | 2023-10-31 | 江西师范大学 | 一种轻量化的加权集成学习室内csi定位方法 |
CN116980824B (zh) * | 2023-07-29 | 2024-03-26 | 江西师范大学 | 一种轻量化的加权集成学习室内csi定位方法 |
CN117377062A (zh) * | 2023-11-08 | 2024-01-09 | 中科晶锐(苏州)科技有限公司 | 一种利用通道状态信息进行定位的机器学习样本增强方法 |
CN117377062B (zh) * | 2023-11-08 | 2024-04-09 | 中科晶锐(苏州)科技有限公司 | 一种利用通道状态信息进行定位的机器学习样本增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112147573A (zh) | 一种基于csi的幅值和相位信息的无源定位方法 | |
CN108650628B (zh) | 基于Wi-Fi网络的测距和指纹相结合的室内定位方法 | |
CN107948930A (zh) | 基于位置指纹算法的室内定位优化方法 | |
CN107529222A (zh) | 一种基于深度学习的WiFi室内定位系统 | |
CN112712557A (zh) | 一种基于卷积神经网络的超分辨率cir室内指纹定位方法 | |
CN110636466A (zh) | 一种机器学习下基于信道状态信息的WiFi室内定位系统 | |
CN110210067B (zh) | 一种基于测量轨迹的阈值直线确定方法、装置 | |
CN110933628B (zh) | 基于孪生网络的指纹室内定位方法 | |
CN108872926A (zh) | 一种基于凸优化的幅相误差校正及doa估计方法 | |
JP2019049414A (ja) | 音響処理装置、音響処理方法及びプログラム | |
CN109991519B (zh) | 基于神经网络和无线传感阵列的局部放电测向方法及系统 | |
CN115659284B (zh) | 一种大数据融合平台 | |
CN111901028B (zh) | 一种基于多天线上csi的人体行为识别方法 | |
CN111487478A (zh) | 基于深度神经网络的角度依赖型复杂阵列误差校准方法 | |
CN111698695A (zh) | 一种基于神经网络的lte指纹式定位方法 | |
CN113015093A (zh) | 一种基于三维深度残差神经网络的室内无线定位方法 | |
WO2022242018A1 (zh) | 一种基于改进的cnn模型的室内目标定位方法 | |
Song et al. | DuLoc: Dual-channel convolutional neural network based on channel state information for indoor localization | |
CN113453180B (zh) | 一种人体摔倒智能检测方法、系统、信息数据处理终端 | |
CN111757257B (zh) | 一种克服设备差异的动态模糊匹配室内定位方法 | |
CN116047404B (zh) | 一种基于Pmusic谱峰图的到达角测量方法 | |
Hou et al. | FCLoc: A novel indoor Wi-Fi fingerprints localization approach to enhance robustness and positioning accuracy | |
CN111859241A (zh) | 一种基于声传递函数学习的非监督声源定向方法 | |
CN108696818B (zh) | Wi-Fi指纹定位的距离度量方法及系统 | |
Wang et al. | A Framework for CSI-Based Indoor Localization with ID Convolutional Neural Networks |
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: 20201229 |