CN112910516A - 一种降低Wi-Fi无源感知系统带宽开销的方法 - Google Patents

Abstract

本发明提出了基于Wi‑Fi的无源感知系统的信道状态信息(Channel State Information,CSI)压缩方法，能够有效地降低用于无源感知的CSI数据包传输带来的带宽开销，保证了无源感知系统的实时性。首先，利用接收端采样获得的部分CSI数据初始化稀疏字典，计算信道状态矩阵在该稀疏字典下的稀疏系数；其次，用信道状态矩阵和获得的稀疏系数更新稀疏字典；然后，接收端将稀疏字典和压缩后的CSI数据传输给服务器；最后，服务器重构原始的CSI数据，并进行感知处理。实测结果表明，本发明设计的无源感知系统CSI压缩算法有效可靠，在降低传输带宽开销的同时，取得了与原始数据相当的参数估计精度和感知效果，并且提高了信道状态信息反馈的实时性。

Description

一种降低Wi-Fi无源感知系统带宽开销的方法

技术领域

本发明属于压缩重构技术，具体涉及在商用Wi-Fi系统下，一种降低无源感知系统带宽 开销的方法。

背景技术

目前，针对商业Wi-Fi的无源感知系统已经存在大量应用，例如，手势识别、击键识别、呼吸检测、行为识别以及入侵检测等。此类无源感知系统的信息处理流程一般分为三步：采集信道状态信息(Channel State Information,CSI)、提取特征参数以及输出模型结果。其中，无线网卡采集到的CSI数据包往往数量庞大，这有助于提高模型识别的准确率，但在将接收端RX获得的CSI数据包传输给服务器处理的时候，便会使无源感知系统的带宽开销陡然增加。例如，一个3发3收的Wi-Fi链路，在IEEE 802.11n协议下，每一路含有 64个子载波，则无线网卡采集到的每个CSI数据包都含有576个复数，假设每个复数使用2 个字节来表示，则一个CSI数据包的大小高达1152字节，而典型的数据包大小约为1500字 节，可见传输CSI数据包占据的带宽资源已经和Wi-Fi系统传输媒体数据占用的带宽资源相 当了。

现有的研究中，对于CSI的压缩一般是针对大规模多输入多输出(Multiple InputMultiple Output,MIMO)系统，缺乏对商业Wi-Fi系统的CSI进行压缩的有效方式。对于大规模MIMO系统，其基本的压缩原理是利用大规模MIMO系统信道的稀疏性，采用压缩感 知的方式对其进行压缩重构，而压缩感知能否成功的关键一般取决于信号在稀疏字典矩阵下的稀疏表示系数是否足够稀疏。理论表明，信号越稀疏，采用压缩感知重建的信号就越精确。虽然大规模MIMO系统在离散余弦变换(Discrete Cosine Transform,DCT)字典或快速傅 里叶变换(Fast Fourier Transform,FFT)字典下信号的稀疏性体现得较为明显，但商用的Wi- Fi系统不论是天线数量还是子载波数量都远远小于大规模MIMO系统。因此，针对大规模 MIMO系统的CSI压缩方式并不适用于Wi-Fi系统。

针对上述问题，本发明在商用Wi-Fi系统下，设计了一种可以降低Wi-Fi无源感知系统 带宽开销的方法。首先，通过迭代更新的方式，构建了一个适用于Wi-Fi系统的CSI稀疏字 典，使原始的CSI矢量在该稀疏字典下表现出明显的稀疏性；然后，接收端RX将训练好的CSI稀疏字典和压缩后的CSI数据传输给服务器；最后，服务器重构CSI数据并进行无源感知。

发明内容

本发明的目的是在商用Wi-Fi系统下，提供一种降低Wi-Fi无源感知系统带宽开销的方 法。该方法利用无源感知系统精度的轻微损失，换取了CSI数据传输的实时性，并降低了 Wi-Fi系统的带宽开销。

本发明所描述的是一种基于压缩感知的降低系统传输带宽的方法，具体包括以下步骤：

步骤一：位于无源感知区域的发射端TX向接收端RX发送导频信号，接收端RX根据接收到的导频信号估计信道状态信息矩阵H＝{h(1),h(2),…,h(i),…}，其中，

表示接收端RX第i次采样获得的CSI矩阵，N_r表示接收端天线数量，N_c表示子载波数 量。

步骤二：接收端RX利用信道状态信息矩阵H中的前K个列矢量初始化稀疏字典D，即D＝{h(1),h(2),…,h(K)}，并从信道状态信息矩阵H中选取用于稀疏字典训练的CSI矢量集HW，其中，K＝2N_cN_r，

I_2P是维度为2P×2P的单位阵，P为发射端TX的 发包速率且P＞N_rN_c，O为零矩阵，此时求解矩阵HW在稀疏字典D下的稀疏表示系数 X，即：

其中，X＝{x(1),x(2),…,x(2P)}，x(i)∈R^2P×1为h(i)在稀疏字典D下的稀疏表示系数，S 设为

在D已知的情况下，每次选取HW中的一列h(i)，通过正交匹配跟踪(Orthogonal Matching Pursuit,OMP)算法求得x(i)，直到整个稀疏系数矩阵X被求出。

步骤三：通过步骤二求出稀疏系数矩阵X后，对当前的稀疏字典矩阵D进行更新，此时 的优化模型为：

在稀疏字典矩阵D的更新过程中，逐列更新D中的每一列d(k)和其对应的稀疏系数矢 量x(k)，具体的求解过程如下，假设要更新稀疏字典矩阵D的第k列d(k)：

其中，

(·)^T代表矢量转置，将行矢量x(k)^T中不为0的列序号c_k记 录下来，同时取出x(k)^T中不为0的元素构成新的

然后利用列序号c_k取出S_k中相应 位置的列矢量构成新的

此时对

进行奇异值分解:

将最大奇异值σ_max对应的左奇异矩阵中的列矢量u_max赋值给d(k)，而最大奇异值σ_max与其对应的右奇异矩阵列矢量v_max的乘积赋值给

即：

d(k)＝u_max

然后，利用c_k将

对应地更新到x(k)^T中。

步骤四：当

进入步骤五，否则不断重复步骤二和步骤三，其中，ε为收敛阈值，一般设为10^-6；

步骤五：接收端RX将步骤四获得的稀疏字典矩阵D传输给服务器，同时，服务器和接 收端RX生成相同的高斯采样矩阵Φ，其中，

Φ中的每个元素

然后，接收端RX将压缩后的低维度矩阵H_Φ＝ΦH传输给服务器。

步骤六：服务器获得了测度矩阵A＝ΦD和压缩后的低维度矩阵H_Φ后，便可以利用OMP算法重构原始的高维度信道状态信息矩阵

进而进行感知处理。

有益效果

本发明提出了基于Wi-Fi的无源感知系统的信道状态信息(Channel StateInformation, CSI)压缩方法，能够有效地降低用于无源感知的CSI数据包传输带来的带宽开销，保证了 无源感知系统的实时性。首先，利用接收端采样获得的部分CSI数据初始化稀疏字典，计算 信道状态矩阵在该稀疏字典下的稀疏系数；其次，用信道状态矩阵和获得的稀疏系数更新稀 疏字典；然后，接收端将稀疏字典和压缩后的CSI数据传输给服务器；最后，服务器重构原 始的CSI数据，并进行感知处理。实测结果表明，本发明设计的无源感知系统CSI压缩算法 有效可靠，在降低传输带宽开销的同时，取得了与原始数据相当的参数估计精度和感知效 果，并且提高了信道状态信息反馈的实时性。

附图说明

图1为无源感知系统框架示意图。

图2为CSI压缩算法的具体流程图。

图3为原始的CSI数据和重构的CSI数据对比图。

具体实施方案

步骤一：位于无源感知区域的发射端TX向接收端RX发送导频信号，接收端RX根据接收到的导频信号估计信道状态信息矩阵H＝{h(1),h(2),…,h(i),…}，其中，

表示接收端RX第i次采样获得的CSI矩阵，N_r表示接收端天线数量，N_c表示子载波数 量。

步骤二：接收端RX利用信道状态信息矩阵H中的前K个列矢量初始化稀疏字典D，即D＝{h(1),h(2),…,h(K)}，并从信道状态信息矩阵H中选取用于稀疏字典训练的CSI矢量集HW，其中，K＝2N_cN_r，

I_2P是维度为2P×2P的单位阵，P为发射端TX的 发包速率且P＞N_rN_c，O为零矩阵，此时求解矩阵HW在稀疏字典D下的稀疏表示系数 X，即：

其中，X＝{x(1),x(2),…,x(2P)}，x(i)∈R^2P×1为h(i)在稀疏字典D下的稀疏表示系数，S 设为

在D已知的情况下，每次选取HW中的一列h(i)，通过正交匹配跟踪(Orthogonal Matching Pursuit,OMP)算法求得x(i)，直到整个稀疏系数矩阵X被求出。

步骤三：通过步骤二求出稀疏系数矩阵X后，对当前的稀疏字典矩阵D进行更新，此时 的优化模型为：

在稀疏字典矩阵D的更新过程中，逐列更新D中的每一列d(k)和其对应的稀疏系数矢 量x(k)，具体的求解过程如下，假设要更新稀疏字典矩阵D的第k列d(k)：

其中，

(·)^T代表矢量转置，将行矢量x(k)^T中不为0的列序号c_k记 录下来，同时取出x(k)^T中不为0的元素构成新的

然后利用列序号c_k取出S_k中相应 位置的列矢量构成新的

此时对

进行奇异值分解:

将最大奇异值σ_max对应的左奇异矩阵中的列矢量u_max赋值给d(k)，而最大奇异值σ_max与其对应的右奇异矩阵列矢量v_max的乘积赋值给

即：

d(k)＝u_max

然后，利用c_k将

对应地更新到x(k)^T中。

步骤四：当

进入步骤五，否则不断重复步骤二和步骤三，其中，ε为收 敛阈值，一般设为10^-6；

步骤五：接收端RX将步骤四获得的稀疏字典矩阵D传输给服务器，同时，服务器和接 收端RX生成相同的高斯采样矩阵Φ，其中，

Φ中的每个元素

然后，接收端RX将压缩后的低维度矩阵H_Φ＝ΦH传输给服务器。

步骤六：服务器获得了测度矩阵A＝ΦD和压缩后的低维度矩阵H_Φ后，便可以利用OMP算法重构原始的高维度信道状态信息矩阵

进而进行感知处理。

Claims (3)

1.一种降低Wi-Fi无源感知系统带宽开销的方法，包括以下步骤：

步骤一：位于无源感知区域的发射端TX向接收端RX发送导频信号，接收端RX根据接收到的导频信号估计信道状态信息矩阵H＝{h(1),h(2),…,h(i),…}，其中，

表示接收端RX第i次采样获得的CSI矩阵，N_r表示接收端天线数量，N_c表示子载波数量。

步骤二：接收端RX利用信道状态信息矩阵H中的前K个列矢量初始化稀疏字典D，即D＝{h(1),h(2),…,h(K)}，并从信道状态信息矩阵H中选取用于稀疏字典训练的CSI矢量集HW，其中，K＝2N_cN_r，

I_2P是维度为2P×2P的单位阵，P为发射端TX的发包速率且P＞N_rN_c，O为零矩阵，此时求解矩阵HW在稀疏字典D下的稀疏表示系数X，即：

其中，X＝{x(1),x(2),…,x(2P)}，x(i)∈R^2P×1为h(i)在稀疏字典D下的稀疏表示系数，S设为

在D已知的情况下，每次选取HW中的一列h(i)，通过正交匹配跟踪(Orthogonal Matching Pursuit,OMP)算法求得x(i)，直到整个稀疏系数矩阵X被求出。

步骤三：通过步骤二求出稀疏系数矩阵X后，对当前的稀疏字典矩阵D进行更新，此时的优化模型为：

在稀疏字典矩阵D的更新过程中，逐列更新D中的每一列d(k)和其对应的稀疏系数矢量x(k)，具体的求解过程如下，假设要更新稀疏字典矩阵D的第k列d(k)：

其中，

(·)^T代表矢量转置，将行矢量x(k)^T中不为0的列序号c_k记录下来，同时取出x(k)^T中不为0的元素构成新的

然后利用列序号c_k取出S_k中相应位置的列矢量构成新的

此时对

进行奇异值分解:

将最大奇异值σ_max对应的左奇异矩阵中的列矢量u_max赋值给d(k)，而最大奇异值σ_max与其对应的右奇异矩阵列矢量v_max的乘积赋值给

即：

d(k)＝u_max

然后，利用c_k将

对应地更新到x(k)^T中。

步骤四：当

进入步骤五，否则不断重复步骤二和步骤三，其中，ε为收敛阈值，一般设为10^-6；

步骤五：接收端RX将步骤四获得的稀疏字典矩阵D传输给服务器，同时，服务器和接收端RX生成相同的高斯采样矩阵Φ，其中，

Φ中的每个元素

然后，接收端RX将压缩后的低维度矩阵H_Φ＝ΦH传输给服务器。

步骤六：服务器获得了测度矩阵A＝ΦD和压缩后的低维度矩阵H_Φ后，便可以利用OMP算法重构原始的高维度信道状态信息矩阵

进而进行感知处理。

2.根据权利要求1所述的一种降低Wi-Fi无源感知系统带宽开销的方法，所述步骤二，通过OMP算法计算信道状态信息矩阵在稀疏字典下的稀疏表示系数，包括以下步骤：

步骤二：接收端RX利用信道状态信息矩阵H中的前K个列矢量初始化稀疏字典D，即D＝{h(1),h(2),…,h(K)}，并从信道状态信息矩阵H中选取用于稀疏字典训练的CSI矢量集HW，其中，K＝2N_cN_r，

I_2P是维度为2P×2P的单位阵，P为发射端TX的发包速率且P＞N_rN_c，O为零矩阵，此时求解矩阵HW在稀疏字典D下的稀疏表示系数X，即：

其中，X＝{x(1),x(2),…,x(2P)}，x(i)∈R^2P×1为h(i)在稀疏字典D下的稀疏表示系数，S设为

在D已知的情况下，每次选取HW中的一列h(i)，通过正交匹配跟踪(Orthogonal Matching Pursuit,OMP)算法求得x(i)，直到整个稀疏系数矩阵X被求出。

3.根据权利要求1所述的一种降低Wi-Fi无源感知系统带宽开销的方法，所述步骤三，计算信道状态矩阵在稀疏系数下的稀疏字典，包括以下步骤：

步骤三：通过步骤二求出稀疏系数矩阵X后，对当前的稀疏字典矩阵D进行更新，此时的优化模型为：

在稀疏字典矩阵D的更新过程中，逐列更新D中的每一列d(k)和其对应的稀疏系数矢量x(k)，具体的求解过程如下，假设要更新稀疏字典矩阵D的第k列d(k)：

其中，

(·)^T代表矢量转置，将行矢量x(k)^T中不为0的列序号c_k记录下来，同时取出x(k)^T中不为0的元素构成新的

然后利用列序号c_k取出S_k中相应位置的列矢量构成新的

此时对

进行奇异值分解:

将最大奇异值σ_max对应的左奇异矩阵中的列矢量u_max赋值给d(k)，而最大奇异值σ_max与其对应的右奇异矩阵列矢量v_max的乘积赋值给

即：

d(k)＝u_max

然后，利用c_k将

对应地更新到x(k)^T中。

Images