CN112738749B - 一种基于菲涅尔区的船载环境多目标室内定位方法 - Google Patents

一种基于菲涅尔区的船载环境多目标室内定位方法 Download PDF

Info

Publication number
CN112738749B
CN112738749B CN202011557070.9A CN202011557070A CN112738749B CN 112738749 B CN112738749 B CN 112738749B CN 202011557070 A CN202011557070 A CN 202011557070A CN 112738749 B CN112738749 B CN 112738749B
Authority
CN
China
Prior art keywords
fresnel
path
skin
csi
power
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
Application number
CN202011557070.9A
Other languages
English (en)
Other versions
CN112738749A (zh
Inventor
刘克中
王国宇
陈默子
曾旭明
杨稳
陈梦达
马玉亭
李春伸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202011557070.9A priority Critical patent/CN112738749B/zh
Publication of CN112738749A publication Critical patent/CN112738749A/zh
Application granted granted Critical
Publication of CN112738749B publication Critical patent/CN112738749B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3911—Fading models or fading generators
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Electromagnetism (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

一种基于菲涅尔区的船载环境多目标室内定位方法，包括以下步骤：采集离线CSI数据；对CSI相位进行动态清洗，得到CSI相位测量值，获得时域功率延迟曲线；利用Rician包络分布对视距路径主导条件进行建模，计算视距路径分量的功率与散射非视距路径的功率之比得到Rician‑K因子，判断菲涅尔区域中存在目标的概率；测量并计算Wi‑Fi信号的总拟合误差，并解决优化问题以识别趋肤信号，进而确定目标在菲涅尔区内的方向；确定所有子区域并推算其对应的有向菲涅尔特征，构建菲涅尔特征表；利用支持向量机将采集的在线菲涅尔特征矩阵与离线菲涅尔特征表匹配得到用户实时位置。本设计不仅降低了成本，而且提高了定位精度、减少了定位计算量。

Description

一种基于菲涅尔区的船载环境多目标室内定位方法
技术领域
本发明涉及智能交通的船载环境室内定位领域，尤其涉及一种基于菲涅尔区的船载环境多目标室内定位方法，主要适用于在降低成本的基础上提高定位精度与减少定位计算量。
背景技术
近些年以来，室内定位在许多新兴的应用中起到了至关重要的作用，然而现存的大多数定位技术都需要目标自身携带可通讯设备，这造成了许多场景不适用。随着Wi-Fi应用的普遍性，基于Wi-Fi的被动式室内定位技术以其不需要用户佩戴任何无线设备且可以穿透非金属物质的墙体的特点，受到了学术界和产业界的巨大关注。现有的基于WiFi的室内被动式定位方法是主要基于CSI信息的被动式定位。
然而，由于船舶的钢铁结构及其航行的特殊特性，传统基于Wi-Fi的被动式定位方法由于在船舶环境下受多径影响很难提供高精度的定位结果，而且现有基于细粒度CSI信息的被动式定位方法大多是采用指纹方法，通过收集目标在不同的位置指纹来建立一个指纹数据库，然后定位各目标位置时，将观测的指纹和原来所得到指纹数据库进行对比分析，进而确定目标位置。该方法能得到令人满意的高精度，但是每当环境受到巨大变化或者细微变化时，它需要人工周期性地更新该指纹数据库来获得精准的定位，而这一过程会消耗大量的人力和物力。因此在动态的船舶环境下，该类方法所需要的成本过高，无法在船舶环境实施。
综上所述，现有的船舶环境下的被动式技术在定位精度、计算量、成本等方面存在不足。因此需要有更高可行性的船舶室内被动式定位新技术。
发明内容
本发明的目的是克服现有技术中存在的成本高、定位精度低、定位计算量大的缺陷与问题，提供一种成本低、定位精度高、定位计算量小的基于菲涅尔区的船载环境多目标室内定位方法。
为实现以上目的，本发明的技术解决方案是：一种基于菲涅尔区的船载环境多目标室内定位方法，该方法包括以下步骤：
A、采集各时刻的CSI数据，CSI数据采用矩阵形式表示；
B、利用线性拟合对CSI相位进行动态清洗，消除CSI的动态相位误差，保留CSI相位测量值，得到时域功率延迟曲线；
C、利用Rician包络分布对视距路径主导条件进行建模，计算视距路径分量的功率与散射非视距路径的功率之比得到Rician-K因子，对Rician-K因子进行阈值检测判断菲涅尔区域中存在目标的概率；
D、设计一种基于衰落模型的有向菲涅尔特征估计算法，具体包括以下步骤：
D1、对Wi-Fi信号的传播衰落、反射吸收、趋肤路径衰减和目标反射衰减建模；
D2、利用步骤D1中的四种模型得到非视距路径的接收功率，通过与时域功率延迟曲线测量结合定义总拟合误差；
D3、利用牛顿法或梯度体面法解决总拟合误差优化问题，并得到每个路径的估计值，识别趋肤信号，利用趋肤信号的偏斜度确定目标在菲涅尔区内的方向；
E、确定所有子区域并推算其对应的有向菲涅尔特征，构建菲涅尔特征表；
F、先将采集的在线CSI数据依次经步骤B、步骤C、步骤D处理，得到在线菲涅尔矩阵，再利用支持向量机算法进行分类，然后进行位置匹配得到用户实时位置。
步骤A中，CSI矩阵为：
Y(f)＝H(f)×X(f)
其中，Y(f)为接收信号，H(f)为信道频率响应，X(f)为发射信号。
步骤B具体包括以下步骤：
B1、计算展开后CSI相位的线性拟合，计算公式如下：
Figure GDA0003233098720000021
其中，
Figure GDA0003233098720000022
为拟合后的船体形变程度，θi(m，n)为第m根天线的第n个子载波上第i个数据包的信道响应的展开相位，fδ(n-1)为第n-1个子载波的频率，ds为船体形变程度，c为光速，β为环境噪声引起的误差，M为天线数量，N为子载波数量；
B2、从原始CSI相位中减去线性拟合值，消除动态相位误差，计算清洗后的CSI相位测量值，计算公式如下：
Figure GDA0003233098720000031
其中，
Figure GDA0003233098720000032
为清洗后的CSI相位测量值。
步骤C具体包括以下步骤：
C1、使用Rician包络分布建模视距路径主导条件，建模公式如下：
Figure GDA0003233098720000033
其中，h(l)为Rician包络建模，
Figure GDA0003233098720000034
为对应视距路径，θ为相位角，
Figure GDA0003233098720000035
为Rician-K因子，l为路径编号，j为虚数，σ为方差，
Figure GDA0003233098720000036
为对应大量的发射和散射路径的集合，μ为平均值，
Figure GDA0003233098720000037
为复数高斯分布；
C2、将样本除以平均幅度对样本进行归一化，利用在PDP中找到最大斜率序列检测信号到达，得到噪声到信号的能量转化，选择具有最大斜率的PDP样本及其下一个样本，以提取包络分布特征，并计算Rician-K因子，计算公式如下：
Figure GDA0003233098720000038
其中，
Figure GDA0003233098720000039
和
Figure GDA00032330987200000310
分别为被测数据的经验二阶矩和四阶矩。
步骤D1中，利用Friis模型对传播衰落建模，建模公式如下：
Figure GDA00032330987200000311
其中，L(dLoS)为空气中Wi-Fi信号传播的功率衰减，λ为Wi-Fi信号的波长，dLoS为收发机间的距离；
反射吸收建模，建模公式如下：
Figure GDA00032330987200000312
其中，R(dk)为第k条路径的反射衰落，dk为第k条路径的传输距离，γk为环境因子，Pt为发射功率，Gt为发射天线增益，Gr为接收天线增益，λ为Wi-Fi信号的波长；
利用对数正态阴影模型对趋肤路径衰减建模，建模公式如下：
Figure GDA0003233098720000041
其中，p(ψ)为趋肤路径衰减的对数正态阴影模型，ψ为趋肤路径衰减，
Figure GDA0003233098720000046
为ψdB＝10logψ的均值，
Figure GDA0003233098720000042
是标准偏差；
将目标反射衰减记为LT。
步骤D2中，计算非视距路径的接收功率，计算公式如下：
Figure GDA0003233098720000043
将功率模型与时域功率延迟曲线测量结合，得到误差计算公式如下：
Figure GDA0003233098720000044
其中，εk为第k条路径的功率模型与PDP测量的误差，K为路径总数，p(T)为PDP测量值，dk＝d1+c·Δt·(k-1)，d1为第一条传输路径的长度，c为光速，Δt为两个到达信号的时间间隔；γk＝(γ1)k为每个路径的近似反射衰减系数，γ1为一次反射时的衰减；
误差拟合公式如下：
Figure GDA0003233098720000045
步骤D3中，通过使总误差最小来找到每个路径的估计值(d1，d2，...，dK)，并将趋肤信号路径定义为传播距离3d1＜dk＜5d1，通过趋肤信号路径定义识别并提取趋肤信号，通过提取的趋肤信号功率的偏斜度确定目标菲涅尔区内方向，趋肤信号功率的偏斜度计算公式如下：
Figure GDA0003233098720000051
其中，s为趋肤信号功率的偏斜度，x为测量值，u为平均值，E为标准偏差。
步骤E具体包括以下步骤：
E1、将K个发射机和P个接收机的位置作为输入，并返回定位空间中的所有成对的菲涅尔椭圆形边界E的集合K×P，菲涅尔边界E表达公式为：
E＝{ei|i∈(0，K×P)}
其中，环境中一共有K个发射机与P个接收机，共有K×P个收发机组，ei为第i个收发机组的菲涅尔椭圆形边界；
E2、将菲涅尔椭圆集合E和局部空间S作为输入并返回子区域集SZ，每个集合包括空间S中子区域的所有位置；
E3、将分区集合SZ[i]的位置作为输入，并返回集合中所有位置质心，质心计算公式如下：
Figure GDA0003233098720000052
其中，(cxi，cyi)为第i个菲涅尔区的质心；xj、yj为分区集合中的各个坐标，用于计算质心；
E4、输入位置的坐标，相对于菲涅尔椭圆边界集返回该位置的菲涅尔特征；
E5、将K个发射机和P个接收机的位置作为输入，返回所有成对的垂直平分线B的集合K×P；
E6、输入位置的坐标和垂直平分线B以确定该位置的菲涅尔方向。
与现有技术相比，本发明的有益效果为：
本发明一种基于菲涅尔区的船载环境多目标室内定位方法在充分考虑船舶环境复杂性和菲涅尔特征无向性的基础上，提出基于菲涅尔区的船载环境多目标室内定位方法，该定位方法主要通过提取信号菲涅尔特征、构建菲涅尔特征表、位置匹配三个步骤实现定位；整个定位方法有效的解决了船舶动态环境多因素耦合作用下的WiFi信号相位偏移问题，在较低的成本代价下，不仅保证了较高的定位精度，还大大减少了定位过程中的计算量。因此，本发明降低了成本、提高了定位精度、减少了定位计算量。
附图说明
图1是本发明一种基于菲涅尔区的船载环境多目标室内定位方法的流程图。
图2是本发明中利用趋肤信号判断菲涅尔区方向的原理图。
图3是本发明所提室内定位方法与其它几种室内定位方法的试验结果对比图。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
参见图1，一种基于菲涅尔区的船载环境多目标室内定位方法，该方法包括以下步骤：
A、采集各时刻的CSI数据，CSI数据采用矩阵形式表示；
B、利用线性拟合对CSI相位进行动态清洗，消除CSI的动态相位误差，保留CSI相位测量值，得到时域功率延迟曲线；
C、利用Rician包络分布对视距路径主导条件进行建模，计算视距路径分量的功率与散射非视距路径的功率之比得到Rician-K因子，对Rician-K因子进行阈值检测判断菲涅尔区域中存在目标的概率；
D、设计一种基于衰落模型的有向菲涅尔特征估计算法，具体包括以下步骤：
D1、对Wi-Fi信号的传播衰落、反射吸收、趋肤路径衰减和目标反射衰减建模；
D2、利用步骤D1中的四种模型得到非视距路径的接收功率，通过与时域功率延迟曲线测量结合定义总拟合误差；
D3、利用牛顿法或梯度体面法解决总拟合误差优化问题，并得到每个路径的估计值，识别趋肤信号，利用趋肤信号的偏斜度确定目标在菲涅尔区内的方向；
E、确定所有子区域并推算其对应的有向菲涅尔特征，构建菲涅尔特征表；
F、先将采集的在线CSI数据依次经步骤B、步骤C、步骤D处理，得到在线菲涅尔矩阵，再利用支持向量机算法进行分类，然后进行位置匹配得到用户实时位置。
步骤A中，CSI矩阵为：
Y(f)＝H(f)×X(f)
其中，Y(f)为接收信号，H(f)为信道频率响应，X(f)为发射信号。
步骤B具体包括以下步骤：
B1、计算展开后CSI相位的线性拟合，计算公式如下：
Figure GDA0003233098720000071
其中，
Figure GDA0003233098720000072
为拟合后的船体形变程度，θi(m，n)为第m根天线的第n个子载波上第i个数据包的信道响应的展开相位，fδ(n-1)为第n-1个子载波的频率，ds为船体形变程度，c为光速，β为环境噪声引起的误差，M为天线数量，N为子载波数量；
B2、从原始CSI相位中减去线性拟合值，消除动态相位误差，计算清洗后的CSI相位测量值，计算公式如下：
Figure GDA0003233098720000073
其中，
Figure GDA0003233098720000074
为清洗后的CSI相位测量值。
步骤C具体包括以下步骤：
C1、使用Rician包络分布建模视距路径主导条件，建模公式如下：
Figure GDA0003233098720000075
其中，h(l)为Rician包络建模，
Figure GDA0003233098720000076
为对应视距路径，θ为相位角，
Figure GDA0003233098720000077
为Rician-K因子，l为路径编号，j为虚数，σ为方差，
Figure GDA0003233098720000078
为对应大量的发射和散射路径的集合，μ为平均值，
Figure GDA0003233098720000079
为复数高斯分布；
C2、将样本除以平均幅度对样本进行归一化，利用在PDP中找到最大斜率序列检测信号到达，得到噪声到信号的能量转化，选择具有最大斜率的PDP样本及其下一个样本，以提取包络分布特征，并计算Rician-K因子，计算公式如下：
Figure GDA00032330987200000710
其中，
Figure GDA0003233098720000081
和
Figure GDA0003233098720000082
分别为被测数据的经验二阶矩和四阶矩。
步骤D1中，利用Friis模型对传播衰落建模，建模公式如下：
Figure GDA0003233098720000083
其中，L(dLoS)为空气中Wi-Fi信号传播的功率衰减，λ为Wi-Fi信号的波长，dLoS为收发机间的距离；
反射吸收建模，建模公式如下：
Figure GDA0003233098720000084
其中，R(dk)为第k条路径的反射衰落，dk为第k条路径的传输距离，γk为环境因子，Pt为发射功率，Gt为发射天线增益，Gr为接收天线增益，λ为Wi-Fi信号的波长；
利用对数正态阴影模型对趋肤路径衰减建模，建模公式如下：
Figure GDA0003233098720000085
其中，p(ψ)为趋肤路径衰减的对数正态阴影模型，ψ为趋肤路径衰减，
Figure GDA0003233098720000086
为ψdB＝10logψ的均值，
Figure GDA0003233098720000087
是标准偏差；
将目标反射衰减记为LT。
步骤D2中，计算非视距路径的接收功率，计算公式如下：
Figure GDA0003233098720000088
将功率模型与时域功率延迟曲线测量结合，得到误差计算公式如下：
Figure GDA0003233098720000089
其中，εk为第k条路径的功率模型与PDP测量的误差，K为路径总数，p(T)为PDP测量值，dk＝d1+c·Δt·(k-1)，d1为第一条传输路径的长度，c为光速，Δt为两个到达信号的时间间隔；γk＝(γ1)k为每个路径的近似反射衰减系数，γ1为一次反射时的衰减；
误差拟合公式如下：
Figure GDA0003233098720000091
步骤D3中，通过使总误差最小来找到每个路径的估计值(d1，d2，...，dK)，并将趋肤信号路径定义为传播距离3d1＜dk＜5d1，通过趋肤信号路径定义识别并提取趋肤信号，通过提取的趋肤信号功率的偏斜度确定目标菲涅尔区内方向，趋肤信号功率的偏斜度计算公式如下：
Figure GDA0003233098720000092
其中，s为趋肤信号功率的偏斜度，x为测量值，u为平均值，E为标准偏差。
步骤E具体包括以下步骤：
E1、将K个发射机和P个接收机的位置作为输入，并返回定位空间中的所有成对的菲涅尔椭圆形边界E的集合K×P，菲涅尔边界E表达公式为：
E={ei|i∈(0，K×P)}
其中，环境中一共有K个发射机与P个接收机，共有K×P个收发机组，ei为第i个收发机组的菲涅尔椭圆形边界；
E2、将菲涅尔椭圆集合E和局部空间S作为输入并返回子区域集SZ，每个集合包括空间S中子区域的所有位置；
E3、将分区集合SZ[i]的位置作为输入，并返回集合中所有位置质心，质心计算公式如下：
Figure GDA0003233098720000093
其中，(cxi，cyi)为第i个菲涅尔区的质心；xj、yj为分区集合中的各个坐标，用于计算质心；
E4、输入位置的坐标，相对于菲涅尔椭圆边界集返回该位置的菲涅尔特征；
E5、将K个发射机和P个接收机的位置作为输入，返回所有成对的垂直平分线B的集合K×P；
E6、输入位置的坐标和垂直平分线B以确定该位置的菲涅尔方向。
本发明的原理说明如下：
由于船舶金属舱壁导致信号船舶的复杂多径效应和趋肤效应，细粒度的CSI无法精确地反映菲涅尔区目标，且船舶舱室内部可部署位置固定，当Wi-Fi接收器部署不完善时，无方向的菲涅尔信息可能会产生误导。为了解决这一问题，利用时域功率延迟曲线在富多径环境中准确反映目标在菲涅尔子区域中的阴影，并利用金属船上的特定的趋肤效应，使用一组功率衰减模型获取有向菲涅耳特征，以提高定位准确度。
由于船舶航行产生的动态环境，每个Wi-Fi收发器对之间也存在信号的相位偏移，且船舶内部具有发动机等设施，且会在各种航行条件下航行。研究人员发现，由于船内的载荷和波浪的外力作用，船体在航行时会不可避免地发生动态形变，这种动态形变会改变在数据包之间的ToF，进而给数据包中的相位估计带来附加噪声。为了解决这一问题，利用动态相位清洗算法对CSI数据进行特征嵌入，以保留准确的CSI相位测量值。
假设发射机发送两个连续数据包，设θi(m，n)表示第m根天线的第n个子载波上第i个数据包的信道响应的开展相位(unwrapped phase)，
Figure GDA0003233098720000101
为相应的DPO；通过使用相位清洗算法，可以去除第一个数据包的CSI相位的线性拟合，以获得修正的CSI相位
Figure GDA0003233098720000102
然后通过
Figure GDA0003233098720000103
对第2个数据包的CSI相位进行修正：
Figure GDA0003233098720000104
通过对清洗后的CSI进行IFFT处理，可以获得时域中的PDP，即p(t)。
实施例：
参见图1，一种基于菲涅尔区的船载环境多目标室内定位方法，该方法包括以下步骤：
利用一个TP-Link路由器作为信号发射端，三台装有Intel 5300无线网卡、具有4G内存并安装Ubuntu 14.04 LTS的Thinkpad T系列笔记本电脑作为CSI采集器，每台笔记本电脑都配备了外部三根天线；
A、采集各时刻的CSI数据，CSI数据采用矩阵形式表示；
CSI矩阵为：
Y(f)＝H(f)×X(f)
其中，Y(f)为接收信号，H(f)为信道频率响应，X(f)为发射信号；
B、利用线性拟合对CSI相位进行动态清洗，消除CSI的动态相位误差，保留相对准确的CSI相位测量值，得到时域功率延迟曲线；具体包括以下步骤：
B1、计算展开后CSI相位的线性拟合，计算公式如下：
Figure GDA0003233098720000111
其中，
Figure GDA0003233098720000112
为拟合后的船体形变程度，θi(m，n)为第m根天线的第n个子载波上第i个数据包的信道响应的展开相位，fs(n-1)为第n-1个子载波的频率，ds为船体形变程度，c为光速，β为环境噪声引起的误差，M为天线数量，N为子载波数量；
B2、从原始CSI相位中减去线性拟合值，消除动态相位误差，计算清洗后的CSI相位测量值，计算公式如下：
Figure GDA0003233098720000113
其中，
Figure GDA0003233098720000114
为清洗后的CSI相位测量值；
C、利用Rician包络分布对视距路径主导条件进行建模，计算视距路径分量的功率与散射非视距路径的功率之比得到Rician-K因子，对Rician-K因子进行阈值检测判断菲涅尔区域中存在目标的概率；具体包括以下步骤：
C1、使用Rician包络分布建模视距路径主导条件，建模公式如下：
Figure GDA0003233098720000115
其中，h(l)为Rician包络建模，
Figure GDA0003233098720000116
为对应视距路径，θ为相位角，
Figure GDA0003233098720000117
为Rician-K因子，l为路径编号，j为虚数，σ为方差，
Figure GDA0003233098720000118
为对应大量的发射和散射路径的集合，μ为平均值，
Figure GDA0003233098720000119
为复数高斯分布；
C2、将样本除以平均幅度对样本进行归一化，利用在PDP中找到最大斜率序列检测信号到达，得到噪声到信号的能量转化，选择具有最大斜率的PDP样本及其下一个样本，以提取包络分布特征，并计算Rician-K因子，计算公式如下：
Figure GDA0003233098720000121
其中，
Figure GDA0003233098720000122
和
Figure GDA0003233098720000123
分别为被测数据的经验二阶矩和四阶矩；
Figure GDA0003233098720000124
越大，目标位于区域内的可能性越小；
D、设计一种基于衰落模型的有向菲涅尔特征估计算法，具体包括以下步骤：
D1、对Wi-Fi信号的传播衰落、反射吸收、趋肤路径衰减和目标反射衰减建模；
利用Friis模型对传播衰落建模，建模公式如下：
Figure GDA0003233098720000125
其中，L(dLoS)为空气中Wi-Fi信号传播的功率衰减，λ为Wi-Fi信号的波长，dLoS为收发机间的距离；
反射吸收建模，建模公式如下：
Figure GDA0003233098720000126
其中，R(dk)为第k条路径的反射衰落，dk为第k条路径的传输距离，γk为环境因子，Pt为发射功率，Gt为发射天线增益，Gr为接收天线增益，λ为Wi-Fi信号的波长；
利用对数正态阴影模型对趋肤路径衰减建模，建模公式如下：
Figure GDA0003233098720000127
其中，p(ψ)为趋肤路径衰减的对数正态阴影模型，ψ为趋肤路径衰减，
Figure GDA0003233098720000128
为对数正态阴影衰落中的一个参数，是ψdB＝10logψ的均值，
Figure GDA0003233098720000129
是标准偏差；
由于受到定位目标的干扰，且实际目标的高度、大小和位置都会有所不同，目标遮挡引起的信号衰减是随机且未知的，在此将目标反射衰减记为LT；
D2、利用步骤D1中的四种模型得到非视距路径的接收功率，通过与时域功率延迟曲线测量结合定义总拟合误差；
计算非视距路径的接收功率，计算公式如下：
Figure GDA0003233098720000131
将功率模型与时域功率延迟曲线测量结合，得到误差计算公式如下：
Figure GDA0003233098720000132
其中，εk为第k条路径的功率模型与PDP测量的误差，K为路径总数，p(T)为PDP测量值，dk＝d1+c·Δt·(k-1)，d1为第一条传输路径的长度，c为光速，Δt为两个到达信号的时间间隔；γk＝(γ1)k为每个路径的近似反射衰减系数，γ1为一次反射时的衰减；
误差拟合公式如下：
Figure GDA0003233098720000133
D3、利用牛顿法或梯度体面法解决总拟合误差优化问题，并得到每个路径的估计值，识别趋肤信号，利用趋肤信号的偏斜度确定目标在菲涅尔区内的方向，具体原理参见图2；
求解的目标是通过使总误差最小来找到每个路径的估计值(d1，d2，...，dK)，根据实际船上实验，将趋肤信号路径定义为传播距离3d1＜dk＜5d1，基于这个路径计算模型可以识别并提取趋肤信号，通过提取的趋肤信号功率的偏斜度(描述分布偏斜形状的度量方法)确定目标菲涅尔区内方向，趋肤信号功率的偏斜度计算公式如下：
Figure GDA0003233098720000134
其中，S为趋肤信号功率的偏斜度，x为测量值，u为平均值，E为标准偏差；
E、确定所有子区域并推算其对应的有向菲涅尔特征，构建菲涅尔特征表；具体包括以下步骤：
E1、将K个发射机和P个接收机的位置作为输入，并返回定位空间中的所有成对的菲涅尔椭圆形边界E的集合K×P，菲涅尔边界E表达公式为：
E＝{ei|i∈(0，K×P)}
其中，环境中一共有K个发射机与P个接收机，共有K×P个收发机组，ei为第i个收发机组的菲涅尔椭圆形边界；
E2、将菲涅尔椭圆集合E和局部空间S作为输入并返回子区域集SZ，每个集合包括空间S中子区域的所有位置；
E3、将分区集合SZ[i]的位置作为输入，并返回集合中所有位置质心，质心计算公式如下：
Figure GDA0003233098720000141
其中，(cxi，cyi)为第i个菲涅尔区的质心；xj、yj为分区集合中的各个坐标，用于计算质心；
E4、输入位置的坐标，相对于菲涅尔椭圆边界集返回该位置的菲涅尔特征；
E5、将K个发射机和P个接收机的位置作为输入，返回所有成对的垂直平分线B的集合K×P；
E6、输入位置的坐标和垂直平分线B以确定该位置的菲涅尔方向；
在大小分别为20m×40m的空旷环境和9.7m×13.2m家具较多的环境中选取10个分别处于不同菲涅尔子区域中的点，每个点选取100个数据，共计100×10个数据作为离线菲涅尔特征表；
F、先将采集的在线CSI数据依次经步骤B、步骤C、步骤D处理，得到在线菲涅尔矩阵，再利用支持向量机算法进行分类，然后进行位置匹配得到用户实时位置。
参见图3，本设计所提的室内定位方法与Pilot(基于WiFi的指纹室内定位系统，在进行指纹匹配时，是把在线实测指纹与指纹库中的所有指纹进行指纹匹配)、LiFs(通过在室内预先部署多个参考点，将参考点上各无线访问接入点的WiFi信号的RSS平均值保存下来，建议指纹数据库，当用户发送定位请求和其他当前的指纹信息后，LiFs会在指纹数据库中找出它认为的最佳匹配，然后依此计算并返回最终定位)、FZD(基于菲涅尔区划分的定位方法，通过CSI进行目标检测和非定向菲涅尔特征收集)室内定位方法相比，在精准度方面有较大的提高。

Claims (3)

1.一种基于菲涅尔区的船载环境多目标室内定位方法，其特征在于，该方法包括以下步骤：
A、采集各时刻的CSI数据，CSI数据采用矩阵形式表示；
B、利用线性拟合对CSI相位进行动态清洗，消除CSI的动态相位误差，保留CSI相位测量值，得到时域功率延迟曲线；具体包括以下步骤：
R1、计算展开后CSI相位的线性拟合，计算公式如下：
Figure FDA0003233098710000011
其中，
Figure FDA0003233098710000012
为拟合后的船体形变程度，θi(m，n)为第m根天线的第n个子载波上第i个数据包的信道响应的展开相位，fs(n-1)为第n-1个子载波的频率，ds为船体形变程度，c为光速，β为环境噪声引起的误差，M为天线数量，N为子载波数量；
B2、从原始CSI相位中减去线性拟合值，消除动态相位误差，计算清洗后的CSI相位测量值，计算公式如下：
Figure FDA0003233098710000013
其中，
Figure FDA0003233098710000014
为清洗后的CSI相位测量值；
C、利用Rician包络分布对视距路径主导条件进行建模，计算视距路径分量的功率与散射非视距路径的功率之比得到Rician-K因子，对Rician-K因子进行阈值检测判断菲涅尔区域中存在目标的概率；
D、设计一种基于衰落模型的有向菲涅尔特征估计算法，具体包括以下步骤：
D1、对Wi-Fi信号的传播衰落、反射吸收、趋肤路径衰减和目标反射衰减建模；
利用Friis模型对传播衰落建模，建模公式如下：
Figure FDA0003233098710000015
其中，L(dLoS)为空气中Wi-Fi信号传播的功率衰减，λ为Wi-Fi信号的波长，dLoS为收发机间的距离；
反射吸收建模，建模公式如下：
Figure FDA0003233098710000021
其中，R(dk)为第k条路径的反射衰落，dk为第k条路径的传输距离，γk为环境因子，Pt为发射功率，Gt为发射天线增益，Gr为接收天线增益，λ为Wi-Fi信号的波长；
利用对数正态阴影模型对趋肤路径衰减建模，建模公式如下：
Figure FDA0003233098710000022
其中，p(ψ)为趋肤路径衰减的对数正态阴影模型，ψ为趋肤路径衰减，
Figure FDA0003233098710000026
为ψdB＝10logψ的均值，
Figure FDA0003233098710000023
是标准偏差；
将目标反射衰减记为LT；
D2、利用步骤D1中的四种模型得到非视距路径的接收功率，通过与时域功率延迟曲线测量结合定义总拟合误差；
计算非视距路径的接收功率，计算公式如下：
Figure FDA0003233098710000024
将功率模型与时域功率延迟曲线测量结合，得到误差计算公式如下：
Figure FDA0003233098710000025
其中，εk为第k条路径的功率模型与PDP测量的误差，K为路径总数，p(T)为PDP测量值，dk＝d1+c·Δt·(k-1)，d1为第一条传输路径的长度，c为光速，Δt为两个到达信号的时间间隔；γk＝(γ1)k为每个路径的近似反射衰减系数，γ1为一次反射时的衰减；
误差拟合公式如下：
Figure FDA0003233098710000031
D3、利用牛顿法或梯度体面法解决总拟合误差优化问题，并得到每个路径的估计值，识别趋肤信号，利用趋肤信号的偏斜度确定目标在菲涅尔区内的方向；
通过使总误差最小来找到每个路径的估计值(d1，d2，...，dK)，并将趋肤信号路径定义为传播距离3d1＜dk＜5d1，通过趋肤信号路径定义识别并提取趋肤信号，通过提取的趋肤信号功率的偏斜度确定目标菲涅尔区内方向，趋肤信号功率的偏斜度计算公式如下：
Figure FDA0003233098710000032
其中，S为趋肤信号功率的偏斜度，x为测量值，u为平均值，E为标准偏差；
E、确定所有子区域并推算其对应的有向菲涅尔特征，构建菲涅尔特征表；具体包括以下步骤：
E1、将K个发射机和P个接收机的位置作为输入，并返回定位空间中的所有成对的菲涅尔椭圆形边界E的集合K×P，菲涅尔边界E表达公式为：
E＝{ei|i∈(0，K×P)}
其中，环境中一共有K个发射机与P个接收机，共有K×P个收发机组，ei为第i个收发机组的菲涅尔椭圆形边界；
E2、将菲涅尔椭圆集合E和局部空间S作为输入并返回子区域集SZ，每个集合包括空间S中子区域的所有位置；
E3、将分区集合SZ[i]的位置作为输入，并返回集合中所有位置质心，质心计算公式如下：
Figure FDA0003233098710000033
其中，(cxi，cyi)为第i个菲涅尔区的质心；xj、yj为分区集合中的各个坐标，用于计算质心；
E4、输入位置的坐标，相对于菲涅尔椭圆边界集返回该位置的菲涅尔特征；
E5、将K个发射机和P个接收机的位置作为输入，返回所有成对的垂直平分线B的集合K×P；
E6、输入位置的坐标和垂直平分线B以确定该位置的菲涅尔方向；
F、先将采集的在线CSI数据依次经步骤B、步骤C、步骤D处理，得到在线菲涅尔矩阵，再利用支持向量机算法进行分类，然后进行位置匹配得到用户实时位置。
2.根据权利要求1所述的一种基于菲涅尔区的船载环境多目标室内定位方法，其特征在于：步骤A中，CSI矩阵为：
Y(f)＝H(f)×X(f)
其中，Y(f)为接收信号，H(f)为信道频率响应，X(f)为发射信号。
3.根据权利要求1所述的一种基于菲涅尔区的船载环境多目标室内定位方法，其特征在于：步骤C具体包括以下步骤：
C1、使用Rician包络分布建模视距路径主导条件，建模公式如下：
Figure FDA0003233098710000041
其中，h(l)为Rician包络建模，
Figure FDA0003233098710000042
为对应视距路径，θ为相位角，
Figure FDA0003233098710000043
为Rician-K因子，l为路径编号，j为虚数，σ为方差，
Figure FDA0003233098710000044
为对应大量的发射和散射路径的集合，μ为平均值，
Figure FDA0003233098710000045
为复数高斯分布；
C2、将样本除以平均幅度对样本进行归一化，利用在PDP中找到最大斜率序列检测信号到达，得到噪声到信号的能量转化，选择具有最大斜率的PDP样本及其下一个样本，以提取包络分布特征，并计算Rician-K因子，计算公式如下：
Figure FDA0003233098710000046
其中，
Figure FDA0003233098710000047
和
Figure FDA0003233098710000048
分别为被测数据的经验二阶矩和四阶矩。
CN202011557070.9A 2020-12-25 2020-12-25 一种基于菲涅尔区的船载环境多目标室内定位方法 Active CN112738749B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011557070.9A CN112738749B (zh) 2020-12-25 2020-12-25 一种基于菲涅尔区的船载环境多目标室内定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011557070.9A CN112738749B (zh) 2020-12-25 2020-12-25 一种基于菲涅尔区的船载环境多目标室内定位方法

Publications (2)

Publication Number Publication Date
CN112738749A CN112738749A (zh) 2021-04-30
CN112738749B true CN112738749B (zh) 2021-10-01

Family

ID=75615875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011557070.9A Active CN112738749B (zh) 2020-12-25 2020-12-25 一种基于菲涅尔区的船载环境多目标室内定位方法

Country Status (1)

Country Link
CN (1) CN112738749B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114679685A (zh) * 2022-03-26 2022-06-28 福州大学 基于虚拟指纹库的任务驱动无线电压缩成像系统及方法
CN114885284B (zh) * 2022-07-12 2022-09-20 南通飞旋智能科技有限公司 基于计算机视觉与无线通信的智能定位方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106211319A (zh) * 2016-07-20 2016-12-07 西北大学 一种基于wi‑fi信号的非指纹被动式定位方法
CN106454727A (zh) * 2016-09-30 2017-02-22 西北大学 一种基于细粒度子载波信息的低代价被动式定位方法
CN107390172A (zh) * 2017-07-17 2017-11-24 北京大学 一种无接触感知定位方法
CN110933633A (zh) * 2019-12-05 2020-03-27 武汉理工大学 一种基于csi指纹特征迁移的船载环境室内定位方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9363690B1 (en) * 2015-07-10 2016-06-07 Cisco Technology, Inc. Closed-loop optimization of a wireless network using an autonomous vehicle

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106211319A (zh) * 2016-07-20 2016-12-07 西北大学 一种基于wi‑fi信号的非指纹被动式定位方法
CN106454727A (zh) * 2016-09-30 2017-02-22 西北大学 一种基于细粒度子载波信息的低代价被动式定位方法
CN107390172A (zh) * 2017-07-17 2017-11-24 北京大学 一种无接触感知定位方法
CN110933633A (zh) * 2019-12-05 2020-03-27 武汉理工大学 一种基于csi指纹特征迁移的船载环境室内定位方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Inverse Omega-K Algorithm for the Electromagnetic Deception of Synthetic Aperture Radar;Yongcai Liu;Guoyu Wang;<IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing>;20160731;全文 *
Three-dimensional Fresnel data inversion using MR-CSI algorithm;M. Li;<2009 IEEE Antennas and Propagation Society International Symposium>;20090724;全文 *
基于ＷｉＦｉ信号的人体行为感知技术研究综述;鲁勇;《计算机学报》;20190228;全文 *
基于信道状态信息的船舶敏感区域入侵检测方法;陈家豪，刘克中;《大连海事大学学报》;20190215;全文 *

Also Published As

Publication number Publication date
CN112738749A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN107181543B (zh) 一种基于传播模型和位置指纹的三维室内无源定位方法
US9804253B2 (en) System and methods for non-parametric technique based geolocation and cognitive sensor activation
WO2019062734A1 (zh) 基于Wi-Fi热点的室内定位方法及装置
CN108696932A (zh) 一种利用csi多径及机器学习的室外指纹定位方法
CN112738749B (zh) 一种基于菲涅尔区的船载环境多目标室内定位方法
CN105188082B (zh) 用于室内wlan环境下rss/aoa/tdoa定位性能的评价方法
CN109490826B (zh) 一种基于无线电波场强rssi的测距与位置定位方法
KR101163335B1 (ko) 수신신호강도의 거리 추정 방식에 의거한 실내 무선 측위 방법 및 이 방법을 실시하기 위한 프로그램이 기록된 기록매체
CN109239686B (zh) 一种针对分布式mimo雷达目标定位的发射机和接收机布局方法
CN104038901A (zh) 一种减少指纹数据采集工作量的室内定位方法
KR101897763B1 (ko) 레이더를 이용한 거리 측정 방법 및 장치
Zhang et al. Precise positioning system of ship interior based on uwb ultra wideband technology
Dieng et al. Indoor localization in wireless networks based on a two-modes gaussian mixture model
KR101627419B1 (ko) 이동 노드의 위치 추정 방법 및 그 장치
Zhang et al. A training-free multipath enhancement (TFME-RTI) method for Device-Free Multi-target localization
Tan et al. UAV localization with multipath fingerprints and machine learning in urban NLOS scenario
Zhang et al. Three-dimensional localization algorithm for WSN nodes based on RSSI-TOA and LSSVR method
CN116930963A (zh) 一种基于无线通信系统的穿墙成像方法
Nagy et al. A radio-map clustering algorithm for rss based localization using directional antennas
CN110907925B (zh) 一种高频地波雷达双站模型下的权重定位方法
Han et al. Centralized underwater node localization using range based multilateral accumulation method (RBMAM)
Bingbing et al. An indoor positioning algorithm and its experiment research based on RFID
Gadhgadhi et al. Distance estimation using polynomial approximation and neural network based on rssi technique
Guo et al. A novel density-based geolocation algorithm for a noncooperative radio emitter using power difference of arrival
KR102096941B1 (ko) Pcl 운용 환경을 기반으로 하는 저피탐 표적 식별 장치 및 그 방법

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