CN113507331A - 基于信道状态信息的视距与非视距传输识别方法及装置 - Google Patents

基于信道状态信息的视距与非视距传输识别方法及装置 Download PDF

Info

Publication number
CN113507331A
CN113507331A CN202110743629.5A CN202110743629A CN113507331A CN 113507331 A CN113507331 A CN 113507331A CN 202110743629 A CN202110743629 A CN 202110743629A CN 113507331 A CN113507331 A CN 113507331A
Authority
CN
China
Prior art keywords
channel
sight
line
state information
training
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
Application number
CN202110743629.5A
Other languages
English (en)
Inventor
李伟
程咏梅
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202110743629.5A priority Critical patent/CN113507331A/zh
Publication of CN113507331A publication Critical patent/CN113507331A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于信道状态信息的视距与非视距传输识别方法及装置，首先使用无线信号采集设备在不同的视距点位和非视距点位采集无线信号信道状态信息；再将采集的无线信号信道状态信息进行傅里叶反变换，得到相应的信道冲激响应信号，构成训练数据集；使用LSTM网络构建编码器‑解码器模块，训练完成得到特征提取编码器，提取信道冲激响应信号的信道特征；采用3层神经网络作为分类器，训练完成的神经网络能够对信道特征进行分类，输出信道状态信息为视距传输或非视距传输的结果。本发明只需要使用简单的网络结构就能够完成具有较高准确率的识别过程，避免了使用复杂的深度学习方法。

Description

基于信道状态信息的视距与非视距传输识别方法及装置
技术领域
本发明属于无线通信技术领域，具体涉及一种视距与非视距传输识别方法及装置。
背景技术
无线通信技术已经融入到人们的生活和工作中，无论是传统的WiFi技术还是先进的5G技术，都是利用电磁波在空间中的传播来传输信息，而实际传播环境的复杂性要求对无线信号进行精细的分析和建模。其中，视距和非视距传输是影响无线信号和通信链路质量的重要因素，准确地识别视距与非视距传输对各种基于位置的服务、基站的布局与功率、大规模MIMO天线的设计等都有重要价值。现有的识别视距与非视距传输方法存在如下缺点。
1、现有技术方案多采用具有明确的物理背景或统计含义的信道参数来识别信号传输环境，这种方式在使用中需要专用的信道测量设备，限制了识别方法的适用场景，并且由于识别参数较为死板，识别性能的提升空间不大，不便于进行迭代升级。
2、已知的无线信号传播模型的信道参数是有限的，鉴于频谱的多样性、传播环境的复杂性和信号干扰的客观存在性，这些信道参数不能完全准确地描述各种信号传播的特性，所以该类技术方案的识别准确率的上限较低。
3、也有技术方案使用机器学习的方法训练分类器，达到识别信号传输环境的目的。现有的这类方法有些对实验数据进行处理后，同样使用具有明确的物理背景或统计含义的信道参数作为训练数据来训练分类器，例如使用均值、方差、Rician K因子等特征簇训练神经网络，这同样会带来前两点缺陷。有些机器学习方法直接使用信号状态信息来训练分类器，识别传输环境，这类方法的网络结构较为复杂，对计算资源的消耗较大，无论训练和部署的硬件要求比较高，识别速度较慢。
因此有必要开展视距与非视距识别技术的研究，寻找适用范围广、准确率高、识别速度快、易于更新升级的识别方法。
发明内容
为了克服现有技术的不足，本发明提供了一种基于信道状态信息的视距与非视距传输识别方法及装置，首先使用无线信号采集设备在不同的视距点位和非视距点位采集无线信号信道状态信息；再将采集的无线信号信道状态信息进行傅里叶反变换，得到相应的信道冲激响应信号，构成训练数据集；使用LSTM网络构建编码器-解码器模块，训练完成得到特征提取编码器，提取信道冲激响应信号的信道特征；采用3层神经网络作为分类器，训练完成的神经网络能够对信道特征进行分类，输出信道状态信息为视距传输或非视距传输的结果。本发明只需要使用简单的网络结构就能够完成具有较高准确率的识别过程，避免了使用复杂的深度学习方法。
本发明解决其技术问题所采用的技术方案包括如下步骤：
步骤1：数据采集和处理；
使用多个无线信号采集设备在不同的视距点位和非视距点位采集无线信号信道状态信息；
将采集的无线信号信道状态信息进行傅里叶反变换，得到相应的信道冲激响应信号，构成训练数据集；
步骤2：使用LSTM网络构建编码器-解码器模块；
采用步骤1得到的训练数据集对编码器-解码器模块进行无监督训练，训练完成得到特征提取编码器，用来对信道冲激响应信号降维并提取信道特征；
步骤3：使用特征提取编码器对训练数据集的信道冲激响应信号进行编码，提取降维后的信道特征；
步骤4：采用神经网络作为分类器，将步骤3提取的信道特征作为神经网络的输入，将信道特征所对应的信道冲激响应信号属于视距传输或非视距传输作为标签，对神经网络进行训练，训练完成的神经网络能够对信道特征进行分类；
步骤5：由步骤1到步骤4构成识别模块；
使用识别模块的无线信号采集设备采集无线信号信道状态信息；将待分类无线信号信道状态信息进行傅里叶反变换，得到相应的信道冲激响应信号；将信道冲激响应信号输入编码器提取信道特征，再将信道特征输入训练完成的神经网络进行分类，输出该待分类无线信号信道状态信息为视距传输或非视距传输的结果。
进一步地，所述无线信号采集设备为带有无线网卡的笔记本电脑或支持IEEE802.11n标准的无线路由器。
进一步地，所述无线信号信道状态信息为发射机发射功率、频段、时间、接收机接收功率、接收天线与发射天线的经纬度、参考信号功率和信噪比、码速率、码片数、信道冲激响应信号等中的一种或几种。
进一度地，所述步骤3中提取降维后的信道特征中的维度为16维。
进一步地，所述神经网络为3层神经网络。
进一步地，所述识别模块能够装载在笔记本电脑、平板电脑、桌面型计算机、手机、工作站、使用数字信号处理器或专用集成电路或现成可编程门阵列芯片和全向天线集成开发的专用设备中。
一种基于信道状态信息的视距与非视距传输识别方法的实现装置，包括数据采集和处理模块、编码器-解码器模块、特征提取模块、分类器训练模块和识别模块；
所述数据采集和处理模块用于采集和处理信道状态信息，在不同的点位采集信道冲激响应信号后保存待用；
所述编码器-解码器模块使用数据采集和处理模块在多个视距点位和多个非视距点位分别采集的数据作为训练数据，通过设置隐层特征数量，搭建具有LSTM层的编码器-解码器架构，进行编码和解码的无监督训练，训练完成后得到训练好的编码器-解码器模块；
所述特征提取模块将编码器编码结果作为信道的特征；
所述分类器训练模块使用特征提取模块提取的特征作为训练数据，搭建一个3层的神经网络进行有监督训练，并将训练得到的神经网络保存作为分类器；
所述识别模块使用训练后的分类器对编码数据进行分类并输出识别结果。
本发明的有益效果如下：
1、本发明方法识别准确率高。在几个实施例中，本方面方法的准确率均超过99％。
2、本发明方法鲁棒性强，不易受到环境和测量设备的噪声干扰。由于编码器-解码器是使用大量测量数据训练得到的，所以编码得到的特征数据具有很轻的鲁棒性。
3、本发明方法中编码器-解码器的隐层参数数量灵活可调，不受物理模型和场景的限制，只需要保证好的编码解码效果，所以可以通过设置合理的参数数量充分反映信道特点。
4、本发明方法未使用复杂的网络结构，数据获取和处理也非常方便，模型的训练和部署都能迅速完成，便于对识别系统和装置进行更新和升级。
5、本发明方法具有一定的通用性，不受信号频段和实际场景的影响，便于在不同的场景中进行迁移和部署，也可以在动态环境中完成实时的识别任务。
6、本发明方法部署完成后的识别速度快。本装置在识别过程中只需要使用编码器和简单的3层神经网络就可以达到令人满意的准确率，在几个实施例中，能够在3毫秒内完成编码和识别运算。
附图说明
图1为本发明方法流程框图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示，一种基于信道状态信息的视距与非视距传输识别方法，包括如下步骤：
步骤1：数据采集和处理；
使用多个无线信号采集设备在不同的视距点位和非视距点位采集无线信号信道状态信息；根据频段不同，无线信号采集设备也有所不同。以2.4GHz的WiFi频段为例，可以使用带有无线网卡的笔记本电脑和支持IEEE802.11n标准的无线路由器作为数据的采集、存储和处理设备；采集到的无线信号信道状态信息为：发射机发射功率、频段、时间、接收机接收功率、接收天线与发射天线的机经纬度、参考信号功率和信噪比、码速率、码片数、信道冲激响应信号等；
将采集的无线信号信道状态信息进行傅里叶反变换，得到相应的信道冲激响应信号(CIR)，构成训练数据集；
在40个视距点位和40个非视距点位进行测量，每个点位测量1000次，共得到8万条信道冲激响应数据；
步骤2：使用LSTM网络构建编码器-解码器模块；
设置合适的隐层特征数量，采用步骤1得到的训练数据集对编码器-解码器模块进行无监督训练，训练完成得到特征提取编码器，用来对信道冲激响应信号降维并提取信道特征；
步骤3：使用特征提取编码器对训练数据集的信道冲激响应信号进行编码，提取降维后的信道特征；特征的维数是根据场景和训练情况可灵活调整的，例如使用16维的特征，编码完成后得到8万条16维的信道特征数据。
步骤4：采用3层神经网络作为分类器，将步骤3提取的信道特征作为3层神经网络的输入，将信道特征所对应的信道冲激响应信号属于视距传输或非视距传输作为标签，对3层神经网络进行训练，训练完成的3层神经网络能够对信道特征进行分类；
步骤5：由步骤1到步骤4构成识别模块；识别模块能够装载在笔记本电脑、平板电脑、桌面型计算机、手机、工作站、使用数字信号处理器(DSP)或专用集成电路(ASIC)或现成可编程门阵列(FPGA)和全向天线集成开发的专用设备中；
使用识别模块的无线信号采集设备采集无线信号信道状态信息；将待分类无线信号信道状态信息进行傅里叶反变换，得到相应的信道冲激响应信号；将信道冲激响应信号输入编码器提取信道特征，再将信道特征输入训练完成的神经网络进行分类，输出该待分类无线信号信道状态信息为视距传输或非视距传输的结果。
具体实施例：
本发明的一种实现装置，包括数据采集和处理模块、编码器-解码器模块、特征提取模块、分类器训练模块和识别模块；
1、数据采集和处理模块。该模块用于采集和处理需要使用的信道状态信息。根据频段不同，采集数据需要使用的设备也有所不同。以2.4GHz的WiFi频段为例，可以使用带有无线网卡的笔记本电脑和支持IEEE802.11n标准的无线路由器作为数据的采集、存储和处理设备。也可以使用keysight E8257D信号发射器作为发射机，keysight N5227A网络分析仪作为接收机，笔记本电脑作为数据的采集、存储和处理设备。笔记本电脑通过USB接口控制天线转台，通过无线网控制keysight E8257D和N5227A。测量过程由程序控制自动完成。该模块在不同的点位采集信道冲激响应信号(CIR)后保存待用。
2、编码器-解码器模块。使用数据采集和处理模块，在多个视距点位和多个非视距点位，分别采集适量的数据，作为编码器-解码器的训练数据。例如在40个视距点位和40个非视距点位进行测量，每个点位测量1000次，共得到8万条冲激响应数据。设置合适的隐层特征数量，搭建具有LSTM层的编码器-解码器架构，使用测量数据进行编码和解码的无监督训练，得到可用的编码器-解码器。
3、特征提取模块。使用训练好的编码器对采集到的数据进行编码，并将编码结果作为信道的特征。特征的维数是根据场景和训练情况可灵活调整的，例如使用16维的特征，编码完成后得到8万条16维的信道特征数据。
4、分类器训练模块。使用提取的特征作为训练数据，搭建一个3层的神经网络进行有监督训练，并将训练得到的神经网络保存作为分类器待用。
5、识别模块。该模块所使用的装置根据场景和目的不同，可以是笔记本电脑、平板电脑、桌面型计算机、手机或工作站等设备，也可以是使用数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)等芯片和全向天线集成开发的专用设备。识别模块工作流程如下。首先使用数据采集装置采集并处理信道数据，得到冲激响应数据。然后使用训练好的编码器对冲激响应数据进行编码。最后使用训练好的分类器对编码数据进行分类并输出识别结果。
基于以上装置，首先使用无线信号采集设备在不同的视距点位和非视距点位采集无线信号信道状态信息；再将采集的信道冲激响应信号，构成训练数据集；使用LSTM网络构建编码器-解码器模块，训练完成得到特征提取编码器，提取信道冲激响应信号的信道特征；采用3层神经网络作为分类器，训练完成的神经网络能够对信道特征进行分类，输出信道状态信息为视距传输或非视距传输的结果。
本发明兼顾了无线信号传输关键识别的准确率、识别速度、可迁移性和鲁棒性，当前没有其他的替代方案。
本发明通过训练编码器-解码器，得到基于编码器的特征提取模块。这种设置，可以灵活调整用于识别的特征的维数，保证了用于识别的特征能够较好的描述信道特点，摆脱了基于各种理论模型的物理特征或统计特征的限制，并且识别过程中只需要使用训练好的编码器进行特征提取，保证了数据处理速度。
本发明编码器和神经网络共同构成的识别系统。只需要使用简单的网络结构就能够完成具有较高准确率的识别过程，避免了使用复杂的深度学习方法。

Claims (7)

1.一种基于信道状态信息的视距与非视距传输识别方法，其特征在于，包括以下步骤：
步骤1：数据采集和处理；
使用多个无线信号采集设备在不同的视距点位和非视距点位采集无线信号信道状态信息；
将采集的无线信号信道状态信息进行傅里叶反变换，得到相应的信道冲激响应信号，构成训练数据集；
步骤2：使用LSTM网络构建编码器-解码器模块；
采用步骤1得到的训练数据集对编码器-解码器模块进行无监督训练，训练完成得到特征提取编码器，用来对信道冲激响应信号降维并提取信道特征；
步骤3：使用特征提取编码器对训练数据集的信道冲激响应信号进行编码，提取降维后的信道特征；
步骤4：采用神经网络作为分类器，将步骤3提取的信道特征作为神经网络的输入，将信道特征所对应的信道冲激响应信号属于视距传输或非视距传输作为标签，对神经网络进行训练，训练完成的神经网络能够对信道特征进行分类；
步骤5：由步骤1到步骤4构成识别模块；
使用识别模块的无线信号采集设备采集无线信号信道状态信息；将待分类无线信号信道状态信息进行傅里叶反变换，得到相应的信道冲激响应信号；将信道冲激响应信号输入编码器提取信道特征，再将信道特征输入训练完成的神经网络进行分类，输出该待分类无线信号信道状态信息为视距传输或非视距传输的结果。
2.根据权利要求1所述的一种基于信道状态信息的视距与非视距传输识别方法，其特征在于，所述无线信号采集设备为带有无线网卡的笔记本电脑或支持IEEE802.11n标准的无线路由器。
3.根据权利要求1所述的一种基于信道状态信息的视距与非视距传输识别方法，其特征在于，所述无线信号信道状态信息为发射机发射功率、频段、时间、接收机接收功率、接收天线与发射天线的经纬度、参考信号功率和信噪比、码速率、码片数、信道冲激响应信号等中的一种或几种。
4.根据权利要求1所述的一种基于信道状态信息的视距与非视距传输识别方法，其特征在于，所述步骤3中提取降维后的信道特征中的维度为16维。
5.根据权利要求1所述的一种基于信道状态信息的视距与非视距传输识别方法，其特征在于，所述神经网络为3层神经网络。
6.根据权利要求1所述的一种基于信道状态信息的视距与非视距传输识别方法，其特征在于，所述识别模块能够装载在笔记本电脑、平板电脑、桌面型计算机、手机、工作站、使用数字信号处理器或专用集成电路或现成可编程门阵列芯片和全向天线集成开发的专用设备中。
7.一种基于信道状态信息的视距与非视距传输识别方法的实现装置，其特征在于，包括数据采集和处理模块、编码器-解码器模块、特征提取模块、分类器训练模块和识别模块；
所述数据采集和处理模块用于采集和处理信道状态信息，在不同的点位采集信道冲激响应信号后保存待用；
所述编码器-解码器模块使用数据采集和处理模块在多个视距点位和多个非视距点位分别采集的数据作为训练数据，通过设置隐层特征数量，搭建具有LSTM层的编码器-解码器架构，进行编码和解码的无监督训练，训练完成后得到训练好的编码器-解码器模块；
所述特征提取模块将编码器编码结果作为信道的特征；
所述分类器训练模块使用特征提取模块提取的特征作为训练数据，搭建一个3层的神经网络进行有监督训练，并将训练得到的神经网络保存作为分类器；
所述识别模块使用训练后的分类器对编码数据进行分类并输出识别结果。
CN202110743629.5A 2021-07-01 2021-07-01 基于信道状态信息的视距与非视距传输识别方法及装置 Pending CN113507331A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110743629.5A CN113507331A (zh) 2021-07-01 2021-07-01 基于信道状态信息的视距与非视距传输识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110743629.5A CN113507331A (zh) 2021-07-01 2021-07-01 基于信道状态信息的视距与非视距传输识别方法及装置

Publications (1)

Publication Number Publication Date
CN113507331A true CN113507331A (zh) 2021-10-15

Family

ID=78011426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110743629.5A Pending CN113507331A (zh) 2021-07-01 2021-07-01 基于信道状态信息的视距与非视距传输识别方法及装置

Country Status (1)

Country Link
CN (1) CN113507331A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056818A (zh) * 2023-10-08 2023-11-14 广东工业大学 一种基于cir第一路径的超宽带nlos信号识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106792808A (zh) * 2016-12-08 2017-05-31 南京邮电大学 一种基于信道状态信息的室内环境下视距路径识别方法
CN110991471A (zh) * 2019-08-01 2020-04-10 南京航空航天大学 一种高速列车牵引系统故障诊断方法
US20200132861A1 (en) * 2018-10-31 2020-04-30 Mitsubishi Electric Research Laboratories, Inc. Position Estimation Under Multipath Transmission
CN111227839A (zh) * 2020-01-19 2020-06-05 中国电子科技集团公司电子科学研究院 一种行为识别方法及装置
CN111582298A (zh) * 2020-03-18 2020-08-25 宁波送变电建设有限公司永耀科技分公司 一种基于人工智能的传感异常数据实时检测方法
US11032665B1 (en) * 2020-02-25 2021-06-08 At&T Intellectual Property I, L.P. User equipment geolocation

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106792808A (zh) * 2016-12-08 2017-05-31 南京邮电大学 一种基于信道状态信息的室内环境下视距路径识别方法
US20200132861A1 (en) * 2018-10-31 2020-04-30 Mitsubishi Electric Research Laboratories, Inc. Position Estimation Under Multipath Transmission
CN110991471A (zh) * 2019-08-01 2020-04-10 南京航空航天大学 一种高速列车牵引系统故障诊断方法
CN111227839A (zh) * 2020-01-19 2020-06-05 中国电子科技集团公司电子科学研究院 一种行为识别方法及装置
US11032665B1 (en) * 2020-02-25 2021-06-08 At&T Intellectual Property I, L.P. User equipment geolocation
CN111582298A (zh) * 2020-03-18 2020-08-25 宁波送变电建设有限公司永耀科技分公司 一种基于人工智能的传感异常数据实时检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHANGHUI JIANG等: "UWB NLOS/LOS Classification Using Deep Learning Method", 《IEEE COMMUNICATIONS LETTERS》 *
NING ZHOU等: "Research on Driving Data Classification of Fuel Cell Vehicle Based on CNN-BiLSTM Network", 《2021 IEEE 2ND INTERNATIONAL CONFERENCE ON BIG DATA, ARTIFICIAL INTELLIGENCE AND INTERNET OF THINGS ENGINEERING (ICBAIE)》 *
王彤: "基于蜂窝网络数据分析的基站业务模式研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056818A (zh) * 2023-10-08 2023-11-14 广东工业大学 一种基于cir第一路径的超宽带nlos信号识别方法
CN117056818B (zh) * 2023-10-08 2024-02-02 广东工业大学 一种基于cir第一路径的超宽带nlos信号识别方法

Similar Documents

Publication Publication Date Title
Wang et al. Wi-Fi CSI-based behavior recognition: From signals and actions to activities
Li et al. Learning human activities through Wi-Fi channel state information with multiple access points
Hsieh et al. Deep learning-based indoor localization using received signal strength and channel state information
CN111867049B (zh) 定位方法、装置及存储介质
CN109640269B (zh) 基于csi与时域融合算法的指纹定位方法
CN112218330B (zh) 定位方法及通信装置
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
Gupta et al. Machine learning-based urban canyon path loss prediction using 28 ghz manhattan measurements
CN110718235A (zh) 异常声音检测的方法、电子设备及存储介质
CN113507331A (zh) 基于信道状态信息的视距与非视距传输识别方法及装置
CN110460401A (zh) 一种基于矩阵分解和粒子群优化聚类的协作频谱感知方法
CN114760172A (zh) 射频基带综合特征信号识别方法与装置
Klus et al. Transfer learning for convolutional indoor positioning systems
Mo et al. A deep learning-based human identification system with wi-fi csi data augmentation
CN111551893A (zh) 一种深度学习与集成神经网络的室内定位方法
Zhang et al. Deep radio fingerprint resnet for reliable lightweight device identification
Loh et al. Intelligent base station placement in urban areas with machine learning
CN111836194B (zh) 一种基于WiFi和蓝牙的室内定位方法
Glüge et al. Robust drone detection and classification from radio frequency signals using convolutional neural networks
Wang et al. Indoor fingerprinting localization based on fine-grained CSI using principal component analysis
CN113642457B (zh) 一种基于对抗式元学习的跨场景人体动作识别方法
CN106131953A (zh) 一种基于时段内小区频次加权实现移动用户定位的方法
CN115499912A (zh) 一种基于Wi-Fi信道状态信息的视距识别方法
CN115002703A (zh) 一种基于Wi-Fi信道状态信息的被动式室内人数检测方法
CN110659598A (zh) 一种基于Wi-Fi信号的人体动作分层解析和识别方法及装置

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: 20211015