CN113709661A - 一种基于los识别的单站点室内混合定位方法及系统 - Google Patents
一种基于los识别的单站点室内混合定位方法及系统 Download PDFInfo
- Publication number
- CN113709661A CN113709661A CN202110874158.1A CN202110874158A CN113709661A CN 113709661 A CN113709661 A CN 113709661A CN 202110874158 A CN202110874158 A CN 202110874158A CN 113709661 A CN113709661 A CN 113709661A
- Authority
- CN
- China
- Prior art keywords
- data
- los
- positioning
- los path
- propagation
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 136
- 230000011664 signaling Effects 0.000 title description 2
- 238000012360 testing method Methods 0.000 claims abstract description 50
- 238000012937 correction Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000011426 transformation method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 7
- 230000000875 corresponding effect Effects 0.000 description 17
- 238000003860 storage Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012850 discrimination method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/20—Monitoring; Testing of receivers
- H04B17/27—Monitoring; Testing of receivers for locating or positioning the transmitter
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于LOS识别的单站点室内混合定位方法及系统，对存在LOS径的数据，利用基于距离的定位方法通过使用信号的传播时间和传播角度实现位置估计，对传播时间和传播角度进行校正，将校正后的传播时间和传播角度与发射机的固定位置结合后估计出移动设备的位置；对不存在LOS径的数据，使用基于指纹的定位方法估计测试环境中测试样本的位置；将存在LOS径数据的位置估计结果和不存在LOS径数据的位置估计结果与步骤S1的LOS识别结果结合进行区域校正，得到最终的定位结果。本发明利用不同定位方法在不同环境中的定位性能优势实现稳定的高精度定位。
Description
技术领域
本发明属于通信技术领域，具体涉及一种基于LOS识别的单站点室内混合定位方法及系统。
背景技术
随着智能无线终端和无线通信技术的快速发展，基于位置的服务在生活中发挥越来越重要的作用，受到了广大消费者高度的赞赏。然而，在室内或者城市街区这类复杂的环境中，基于位置的服务由于定位精度的急剧下降造成服务质量降低。人们在室内或城市街区的活动时间较长，在这一类区域对高精度，低时延，高可靠性的定位技术的需求非常强烈。
当前定位系统主要采用基于距离的方法，基于距离的方法有一个基本要求是无线信号在传播过程中存在直射径。由于无线信号在室内或城市街区受到多种干扰以至于不存在直射径信号，因此定位存在较大误差，精度较低。在室内或城市街区等复杂场景中，无线信号存在多径干扰和不存在直射径的情况，此时，基于距离的方法不适合直接应用于定位系统。基于指纹的定位方法由于其不受多径干扰且能够取得较高的定位精度而受到广大研究者的关注，基于指纹的定位方法利用了多径给无线信号带来的关于位置的唯一性构建出与位置强相关的指纹库，然后利用相似性匹配的原则对在线接收到的无线信号进行位置估计。该方法利用了复杂环境带来的无线信号关于位置唯一性的优点，使得定位的误差较小，精度较高。同时，基于指纹的定位系统也存在离线训练时间较长，对设备储存成本要求较高的缺点。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于LOS识别的单站点室内混合定位方法及系统，由LOS识别，基于距离的定位和基于指纹的定位三个部分组成，用于实现复杂室内环境中低成本高精度的定位。
本发明采用以下技术方案：
一种基于LOS识别的单站点室内混合定位方法，包括以下步骤：
S1、基于CSI数据构造新特征NF作为LOS识别的输入，使用线性判别和联合投票相结合的方法对CSI数据进行分类，得到存在LOS径的数据和不存在LOS径的数据；
S2、对步骤S1得到的存在LOS径的数据，利用基于距离的定位方法通过使用信号的传播时间和传播角度实现位置估计，使用MUSIC空间谱估计算法估计无线信号的传播时间和传播角度，根据测试环境的范围边界和固定发射机的位置，对传播时间和传播角度进行校正，将校正后的传播时间和传播角度与发射机的固定位置结合后估计出移动设备的位置；
S3、对步骤S1识别结果为不存在LOS径的数据，使用基于指纹的定位方法估计测试环境中测试样本的位置；
S4、将步骤S2中存在LOS径数据的位置估计结果和步骤S3中不存在LOS径数据的位置估计结果与步骤S1的LOS识别结果结合进行区域校正，得到最终的定位结果。
具体的，步骤S1具体为：
提取关于载频和空间分布的特征CSI数据，在实验环境中每个位置采样并计算样本的统计量用于构造新特征；采用线性判别法结合联合投票对CSI数据进行判别，将数据分为训练样本数据集和测试样本数据集；利用测试样本数据集验证系统的性能，利用训练样本数据集依次对每个新特征进行判别学习，保留判别概率最大的奇数个新特征并记录对应的判别阈值，最后奇数个阈值进行投票判别数据是否存在LOS径，当特征的判别指标g(x)＞0时，判为存在LOS径或不存在LOS径；g(x)＝x+ε，x为输入特征，ε为判别阈值。
具体的，新特征NF为：
其中，A代表峰度；B代表偏斜度；C代表标准差。
具体的，步骤S2具体为：
采用线性变换方法对存在LOS径的CSI数据的相位进行校正，根据已相位校正的CSI数据构建CSI矩阵；使用MUSIC空间谱估计算法计算得到传播时间和传播角度，对传播时间和传播角度进行校正，根据已校正的传播时间和传播角度进行单站定位，完成移动设备的位置估计。
进一步的，传播时间和传播角度与相位的关系为：
其中，
为构造的导向矢量，Ωτ代表Ω(τ)；Φθ代表Φ(θ)，antenna1为第一个天线对的数据，antenna2为第二个天线对的数据，N为子载波个数。
进一步的，CSI矩阵具体为：
其中，CSIm,n代表第m个天线对上第n个子载波的信道状态信息。
进一步的，传播时间和传播角度校正具体为：
根据接收机到达的最远距离得出接收机的活动边界，结合发射机的固定位置得出发射机与接收机之间信号的传播时间和传播角度的界限，将超过界限的传播时间或传播角度校正到边界内。
具体的，步骤S3具体为：
对不存在LOS径的CSI数据进行分段取均值操作，然后进行均值滤波，再使用PCA进行降维处理，完成预处理；建立包含三个隐含层的神经网络模型，将预处理后的训练数据输入到神经网络模型中进行离线训练，训练神经网络模型拟合无线信号特征与对应位置之间的非线性关系；将预处理后的测试数据送入离线训练后的神经网络模型对数据进行分类，输出一个维度为神经网络输出层神经元个数的向量，将向量中数值最接近1的神经元所对应的位置作为测试数据位置的估算结果。
具体的，步骤S4中，当LOS识别结果为存在LOS径的数据被估算到不存在LOS径的区域时，将对应点校正到最近的存在LOS径的区域，当LOS识别结果为不存在LOS径的数据被估算到LOS径的区域时，将对应点校正到最近的不存在LOS径的区域。
本发明的另一技术方案是，一种基于LOS识别的单站点室内混合定位系统，包括：
分类模块，基于CSI数据构造构造新特征NF作为LOS识别的输入，使用线性判别和联合投票相结合的方法对CSI数据进行分类，得到存在LOS径区域的数据和不存在LOS径区域的数据；
参数估计模块，对分类模块得到的存在LOS径区域的数据，利用基于距离的定位方法通过使用信号的传播时间和传播角度实现位置估计，使用MUSIC空间谱估计算法估计信号的传播时间和传播角度，根据测试环境的范围边界和固定发射机的位置，对传播时间和传播角度进行校正，将校正后的传播时间和传播角度与发射机的固定位置结合后估计出移动设备的位置；
指纹定位模块，对分类模块识别结果为不存在LOS径区域的数据，使用基于指纹的定位方法估计测试环境中测试样本的位置；
定位模块，将参数估计模块中存在LOS径数据的位置估计结果和指纹定位模块中不存在LOS径数据的位置估计结果与分类模块的LOS识别结果结合进行区域校正，得到最终的定位结果。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种基于LOS识别的单站点室内混合定位方法，基于CSI进行LOS识别，在不同的LOS存在与否情况下分别使用基于距离的定位方法和基于指纹的定位方法以提升整体的定位精度。在存在LOS径的情况下，能够准确估计无线信号的传播时间和传播角度，基于距离的定位方法能够得到较高的定位精度。在不存在LOS径的情况下，传播时间和传播角度的估计误差较大，利用无线信号与位置之间的关联性，使用基于指纹的定位方法精度较高。最后将存在LOS径区域的数据和不存在LOS径区域的数据进行区域校正后得到最终的定位结果。
进一步的，对数据进行是否存在LOS径识别，将存在LOS径的数据使用基于距离的定位方法进行位置估计，将不存在LOS径的数据使用基于指纹的定位方法进行位置估计，充分利用两种定位方法的优势以达到较高的定位精度。LOS识别使用基于CSI的统计量作为特征，在子载波层面寻找LOS径存在与否的差异性，以达到使用简单的判别方法就可得到较高的识别准确率。
进一步的，构造新特征NF，使得更易识别数据是否存在LOS径，利用简单的判别和联合投票方法就可得到较高的LOS识别准确率，同时降低了系统的复杂度。
进一步的，由于通过存在LOS径的数据可以估计得到较为准确的信号的传播时间和传播角度，进而得到较高的定位精度，所以对存在LOS径的数据使用基于距离的定位方法进行位置估计。利用线性变换法对相位进行校正可以去除采样频率偏移和载波频率偏移对信号造成的干扰，进而得到准确的传播角度和传播时间。
进一步的，将相位与信号的传播时间和传播角度之间的关系构成成一个关系式，便于采用MUSIC谱估计的方法根据信号的相位变化估计出信号的传播时间和传播角度。
进一步的，对CSI信息结构进行变换，利用子载波上的多样性，使数据满足传感器的数量大于信号的路径数量。
进一步的，对无线信号的传播时间和传播角度进行校正，由于数据在采集过程中难免会受到环境中噪声的干扰或电子热噪声的干扰，传播时间发生小的变动都会引起在距离上大的变动。根据环境的边界，计算出传播时间和传播角度的边界，然后进行校正。
进一步的，对不存在LOS径的数据，由于在信号不存在LOS径时，传播时间和传播角度的估计会受到信号折射、反射等干扰造成估计误差较大，因此不适合使用基于距离的定位方法。利用无线信号与位置之间的关联性，使用基于指纹的定位方法对不存在LOS径的数据进行位置估计。对数据进行预处理去除冗余和噪声以降低数据的维度，降低系统复杂度。使用神经网络的方法充分捕获无线信号与位置之间的关联性，提高定位的精度。
进一步的，结合LOS识别结果，对两种定位方法的结果进行区域校正，当LOS识别结果为存在LOS径的数据被估算到不存在LOS径的区域时，将对应点校正到最近的存在LOS径的区域。当LOS识别结果为不存在LOS径的数据被算LOS径的区域时，将对应点校正到最近的不存在LOS径的区域。对区域进行校正可以减小定位方法的误差，提高整体的定位精度。
综上所述，本发明在LOS识别的基础上将基于距离的定位技术与基于指纹的定位技术相结合，得到一个混合定位算法，既能满足高精度的要求也能满足高可靠性的要求。将室内场景分为存在LOS径的区域和不存在LOS径的区域两类，存在LOS径的区域使用基于距离的方法估计无线信号所对应的位置，不存在LOS径的区域使用基于指纹的方法估计位置。利用不同定位方法在不同环境中的定位性能优势实现稳定的高精度定位。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明方法测试所用的场景示意图；
图2为实现模块流程图；
图3为用于LOS识别的新特征随子载波变化图；
图4为LOS识别准确率随特征个数变化图；
图5为相位线性校正前后对比图，其中，(a)为校正前，(b)为校正后；
图6为参数校正前后定位结果对比图；
图7为数据预处理图；
图8为神经网络模型图；
图9为在不同区域不同定位方法的结果对比图，其中，(a)为存在LOS径区域的误差距离(m)，(b)为不存在LOS径区域的误差距离(m)；
图10为区域校正前后定位结果对比图；
图11为单一定位方法和混合定位方法结果对比图；
图12为混合定位方法与国际知名定位方法结果对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种基于LOS识别的单站点室内混合定位方法，使用软件无线电平台ZedBoard来获取从固定单站点发送在不同位置接收的CSI。ZedBoard是Xilinx ZynqTM-7000的一款低成本开发板，可以运行在Windows操作系统上，在接收端通过信道估计算法获取CSI。用于采集CSI的收发设备的传输带宽为10MHz，带宽内相邻子载波之间的间隔为Δf＝15kHz，共有600个子载波用于信号传输。信号的中心频率为2GHz，发射天线数和接收天线数均为2。相邻OFDM符号之间的时间间隔为71.4μs，90ms的CSI数据包在每个测试点得到一个600×2×2×1260的CSI复矩阵。为了更好地模拟现实生活中的情况，分别收集了训练数据集和测试数据集。训练数据集用于在数据预处理阶段和离线训练阶段计算模型的参数，测试数据集用于评估系统的性能。
请参阅图1，考虑到室内环境的复杂性，相邻训练点之间的距离设置为50cm。在环境中，采集CSI的105个位置作为训练数据集，随机选取18个位置作为该区域的测试数据集。
请参阅图2，本发明一种基于LOS识别的单站点室内混合定位方法，包括以下步骤：
S1、直射径(Line of Sight,LOS)识别阶段
LOS识别的主要目的是对信道状态信息(Channel State Information,CSI)数据进行分类，然后使用不同的定位方法进行位置估计，使用基于信道参数法在理论上可以得到更高的LOS识别准确率。由于CSI包含每个子载波的信道信息，在载波层面对信道特性进行分析，提取最易于识别LOS径的特征，进一步使用简单的算法就能够得到较高的识别准确率和稳定性。本发明提出的基于信道参数法的LOS识别分为特征构造和识别算法两部分。
充分利用是否存在LOS径的数据在标准差、偏斜度和峰度特征上的差异，构造一个新的特征，以达到新特征在部分子载波上是否存在LOS径差异极其明显。
其中，NF代表构造的新特征；A代表峰度；B代表偏斜度；C代表标准差。
S101、特征构造
在信号传播过程中，无线信号会受到空间分布和自身载波频率的影响。因此，识别LOS可以提取关于载频和空间分布的特征CSI，每个位置在空频维度的特征个数为600×2×2，600代表子载波个数，2×2代表双发双收天线对。经过在时间维度进行统计分析能够得到更加稳定适合用于LOS识别的新的统计量，常见的数学统计指标有均值，标准差，偏斜度，峰度。为了充分利用是否存在LOS径的数据在三个特征上的差异，构造一个新的特征，以达到新特征在部分子载波上是否存在LOS径差异极其明显。新特征在子载波上的变化请参阅图3。
S102、识别算法
LOS识别算法的核心是分类算法，目的是将存在LOS径的位置点与不存在LOS径的位置点准确识别。使用CSI数据能够在更深的子载波层面获取易于LOS识别的特征，因此在算法方面可以采用相对简单的方案以降低整体定位系统的复杂度。同时，采用相对简单的LOS识别方法会使LOS识别模型所需的训练样本数量变少及LOS识别模型的泛化能力变强。
本发明采用线性判别法对CSI数据进行是否存在LOS径判别。每个位置有600×4共2400个特征，其中600代表子载波维度，4代表天线对数维度，遍历每个特征使用线性判别法进行LOS识别。LOS识别训练阶段的主要目的是计算判别阈值，阈值的计算方法为将存在LOS径的数据组的均值和不存在LOS径的数据组的均值之间等间隔取20个值，分别计算这20个数值所对应的识别准确率，将识别准确率最高的数值作为阈值。选择两组均值之间，是因为均值反映了一组数据的总体情况，识别准确率高的阈值肯定在两者均线之间。对每个特征进行判别后，挑选识别准确率较高的奇数个特征进行投票做出最后判别。LOS识别准确率随新特征个数的变化请参阅图4。
S2、基于距离的定位
LOS识别结果为存在LOS径的数据采用基于距离的单站定位技术进行位置估计，该方法使用角度和距离联合估计移动设备的位置。信号的传播角度与阵列天线之间的相位变化有关，信号的传播时间与副载波之间的相位变化有关。在信号子空间和噪声子空间相互正交的基础上，利用CSI中阵列天线之间的相位变化和子载波之间的相位变化来估计信号传播的时间和角度。由于信号在传播过程中会受到干扰，相应的信号相位也会受到干扰。为了更准确地估计信号传播的时间和角度，首先需要对CSI的相位进行校正。
S201、相位校正
CSI在物理层基带处测得，其相位会受到载波频偏和采样频偏的干扰。载波频偏是由发射机和接收机中心频率不一致引起的，采样频偏是由发射机和接收机的时钟不同步引起的。本发明采用线性变换方法来校正相位。在第i个子载波上测得的相位表示为：
其中，
代表CSI数据的第i个子载波上的原始相位；CSIi代表CSI数据的第i个子载波上经过线性变换后的相位；mi代表第i个子载波的编号；N代表子载波个数；Δt代表采样时间间隔；λCFO代表载波频率偏移；Z代表测量噪声。
同一个位置上1260个采样点相位校正前后对比请参阅图5。线性校正方法去除载波频偏和采样频偏的影响后，相位随子载波变化较小。由于传播时间很短，所以子载波之间的相位变化很小。
S202、参数估计
根据阵列天线的知识，接收端阵列天线中第m个天线的相位偏移相对于第一个天线的相位偏移以指数形式表示为：
其中，Φ(θk)表示第k条路径的传播角度与数据相位相关联的函数；d表示相邻天线之间的距离；m表示第m根天线；f表示发射信号的频率；θk表示第条路径的入射角；c表示光速。
对于到达时间为τk的第k条路径，在同一个天线处的第n个子载波相对于第一个子载波之间的相位偏移用指数的形式表示为：
其中，Ω(τk)表示第k条路径的传播时间与数据相位相关联的函数；fδ表示两个相邻子载波的频率间隔。
MUSIC谱估计算法能准确估计信号传播的时间和角度的前提是信号源个数要小于阵元的个数，以确保阵列矩阵的各个列是线性独立的。也就是阵列上传感器的数量要大于信号路径的数量。
目前，在室内环境中的收发器通常只有4根天线或者更少，为了使该定位技术在生活中得到广泛的应用。本发明在测试环境中采集数据所用的设备具有两根天线，最终形成的数据格式为600×1260×2×2，其中600代表信号传输中用到的子载波个数，1260代表在每个位置上采集1260个样本点，2×2代表收发端的天线个数。CSI数据包含每个子载波上的信道测量值，阵列上传感器的数量可以最大扩展至子载波数量与天线数量的积，因此满足阵列上传感器的数量大于信号的路径数量。
传播时间和传播角度与相位的关系表示为：
其中，Ωτ代表Ω(τ)；Φθ代表Φ(θ)。对CSI数据进行转换，使构造的新数据结构符合MUSIC谱估计的运算要求，即导向矩阵的行数大于列数。在原有数据的基础上构造新数据的结构表示为：
其中，CSIm,n代表第m个天线对上第n个子载波的信道状态信息。
通过导向矢量和噪声子空间构造MUSIC谱函数，求解谱函数估算出所需的传播时间和传播角度。
S203、传播时间和传播角度的校正
实验测试环境是一个10m×5m的实验室，室内存在大量的桌子、椅子和实验器材，中间有宽敞的走廊。由于发射机位于室内固定位置，根据接收机所能到达的最远距离得出接收机的活动边界，结合发射机的固定位置得出发射机与接收机之间信号传播参数的最大值。根据信号传播参数的最大值对信号传播的角度和时间进行纠正，将超过界限的参数校正到边界内。基于距离的定位技术在参数校正前后的定位性能对比请参阅图6。
测试结果显示参数校正前的误差距离的均值为2.29米，最小值为0.56米，最大值为5.36米。参数校正后的误差距离的均值为1.69米，最小值为0.55米，最大值为3.95米。参数校正后，误差距离在3米以内的样本占90％左右，而参数校正前，误差距离在3米以内的样本占75％左右。参数校正将定位误差距离的均值由2.29米降低至1.69米，降低26.2％。由此可知，基于距离的定位方法易受参数波动影响，原因是电磁波的传播速度非常快，传播时间小的变化都会引起估计距离大的误差。
S3、基于指纹的定位
为了在不存在LOS径的区域获得更高的定位精度，本发明使用了一种以CSI作为指纹的定位方法。该方法分为三个阶段：数据预处理、离线训练和在线定位。
S301、数据预处理
数据预处理的目的是降低数据的维数，消除噪声对数据干扰。降低数据的维数可以降低系统的复杂度，消除噪声干扰可以提高系统的性能。根据CSI的特点，本发明采用子载波分段取平均和主成分分析的方法降低数据维数，采用均值滤波的方法消除噪声的干扰。数据预处理首先进行子载波分割平均，然后进行平均滤波，最后使用主成分分析，先去除自身的冗余，再去除噪声干扰，最后选择样本间最容易区分的特征。数据预处理步骤请参阅图7。
S302、离线训练
离线训练通过训练数据集学习无线信号与位置的对应关系。传统的基于指纹的定位方法是将位置作为标签，建立指纹数据库。本发明采用神经网络模型拟合无线信号特征与对应位置之间的非线性关系，从而降低设备的存储成本。
请参阅图8，神经网络模型包含三个隐含层；神经网络模型输入层的神经元个数由数据样本的维数决定，输出层的神经元个数由数据集的类别个数决定。隐含层决定了神经网络模型的复杂度，神经网络的层数越多，模型就越复杂。
S303、在线定位
在在线定位阶段，首先对测试集的样本进行预处理，然后将预处理后的测试样本通过训练好的神经网络模型输出一个维度为神经网络输出层神经元个数的向量。根据神经网络相似输入产生相似输出的原理，当某个输出神经元的值较大时，测试样本的位置更接近输出神经元的对应位置。
为了综合考虑测试点附近的每个训练点，本发明采用WKNN的方法进行位置估计。
S4、将步骤S2中存在LOS径区域的位置估计结果和步骤S3中不存在LOS径区域的位置估计结果与步骤S1的LOS识别结果结合进行区域校正，得到最终的定位结果。
基于地图信息可以得知存在LOS径的区域范围和不存在LOS径的区域范围。将两种定位方法的结果与LOS识别的结果相结合进行区域校正，当LOS识别结果为存在LOS径的数据被估算到不存在LOS径的区域时，将该点校正到最近的存在LOS径的区域。相反，当LOS识别结果为不存在LOS径的数据被估算到LOS径的区域时，将该点校正到最近的不存在LOS径的区域。
本发明再一个实施例中，提供一种基于LOS识别的单站点室内混合定位系统，该系统能够用于实现上述基于LOS识别的单站点室内混合定位方法，具体的，该基于LOS识别的单站点室内混合定位系统包括分类模块、参数估计模块、指纹定位模块以及定位模块。
其中，分类模块，基于CSI数据构造构造新特征NF作为LOS识别的输入，使用线性判别和联合投票相结合的方法对CSI数据进行分类，得到存在LOS径区域的数据和不存在LOS径区域的数据；
参数估计模块，对分类模块得到的存在LOS径区域的数据，利用基于距离的定位方法通过使用信号的传播时间和传播角度实现位置估计，使用MUSIC空间谱估计算法估计信号的传播时间和传播角度，根据测试环境的范围边界和固定发射机的位置，对传播时间和传播角度进行校正，将校正后的传播时间和传播角度与发射机的固定位置结合后估计出移动设备的位置；
指纹定位模块，对分类模块识别结果为不存在LOS径区域的数据，使用基于指纹的定位方法估计测试环境中测试样本的位置；
定位模块，将参数估计模块中存在LOS径数据的位置估计结果和指纹定位模块中不存在LOS径数据的位置估计结果与分类模块的LOS识别结果结合进行区域校正，得到最终的定位结果。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于基于LOS识别的单站点室内混合定位方法的操作，包括：
基于CSI数据构造新特征NF作为LOS识别的输入，使用线性判别和联合投票相结合的方法对CSI数据进行分类，得到存在LOS径的数据和不存在LOS径的数据；对存在LOS径的数据，利用基于距离的定位方法通过使用信号的传播时间和传播角度实现位置估计，使用MUSIC空间谱估计算法估计无线信号的传播时间和传播角度，根据测试环境的范围边界和固定发射机的位置，对传播时间和传播角度进行校正，将校正后的传播时间和传播角度与发射机的固定位置结合后估计出移动设备的位置；对识别结果为不存在LOS径的数据，使用基于指纹的定位方法估计测试环境中测试样本的位置；将存在LOS径数据的位置估计结果和不存在LOS径数据的位置估计结果与LOS识别结果结合进行区域校正，得到最终的定位结果。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关基于LOS识别的单站点室内混合定位方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
基于CSI数据构造新特征NF作为LOS识别的输入，使用线性判别和联合投票相结合的方法对CSI数据进行分类，得到存在LOS径的数据和不存在LOS径的数据；对存在LOS径的数据，利用基于距离的定位方法通过使用信号的传播时间和传播角度实现位置估计，使用MUSIC空间谱估计算法估计无线信号的传播时间和传播角度，根据测试环境的范围边界和固定发射机的位置，对传播时间和传播角度进行校正，将校正后的传播时间和传播角度与发射机的固定位置结合后估计出移动设备的位置；对识别结果为不存在LOS径的数据，使用基于指纹的定位方法估计测试环境中测试样本的位置；将存在LOS径数据的位置估计结果和不存在LOS径数据的位置估计结果与LOS识别结果结合进行区域校正，得到最终的定位结果。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提出的基于LOS识别的单站点室内混合定位算法在LOS识别的基础上将基于距离的定位技术与基于指纹的定位技术相结合，得到一个混合定位算法，既能满足高精度的要求也能满足高可靠性的要求。该算法的原理是将室内场景分为存在LOS径的区域和不存在LOS径的区域两类，存在LOS径的区域使用基于距离的方法估计无线信号所对应的位置，不存在LOS径的区域使用基于指纹的方法估计位置。该定位系统包含三个模型，LOS识别、基于指纹的定位和基于距离的定位，不管是离线采集的数据还是在线数据都需要先进行LOS识别。数据通过LOS识别后，训练数据中不存在LOS径的数据用于基于指纹的定位模型的训练或离线指纹库的构建。该算法需要对场景进行事先分析，即存在离线训练阶段，离线阶段主要针对不存在LOS径的区域。测试数据中不存在LOS径的数据通过基于指纹的定位技术进行位置估计，存在LOS径的数据使用基于距离的方法进行位置估计。由于LOS识别是该混合定位系统中重要的一部分，所以对LOS识别有模型简单、计算量小的要求，以达到低时延的效果，同时也要求LOS识别准确度高，因为数据错误划分会造成后续定位结果出现较大误差，进而导致整个定位系统的精度较低。
基于指纹的技术采用数据预处理，离线训练，在线定位三个模块实现高精度、高可靠性、低复杂度的定位效果。基于距离的方法采用距离和角度相结合的方法实现单站定位。最后充分利用先验知识，采用地图匹配的方法进行校正，使定位结果中有明显差错的位置点得到修正，最终得到较高精度，高可靠，易扩展的混合定位系统。
为了验证在不同区域基于距离的定位方法和基于指纹的定位方法的性能优劣，将测试集的数据样本分为存在LOS径的位置点和不存在LOS径的位置点。将基于距离的定位方法和基于指纹的定位方法在存在LOS径的位置点和不存在LOS径的位置点两组数据集上进行测试验证，其定位结果的性能对比请参阅图9，图中FBP代表指纹定位，PBPE代表基于距离的定位。测试结果显示，在存在LOS径的区域，基于距离的定位方法的误差距离的均值为1.39米，基于指纹的定位方法的误差距离的均值为1.55米，即在存在LOS径的区域，基于距离的定位性能优于基于指纹的定位性能。在不存在LOS径的区域，基于指纹的定位方法的误差距离的均值为1.29米，基于距离的定位方法的误差距离的均值为1.97米，即在不存在LOS径的区域，基于指纹的定位性能优于基于距离的定位性能。由此可知，将基于距离的定位方法与基于指纹的定位方法相结合，在不同的区域分别进行定位的混合定位方法将能够在较低成本，易扩展的基础上取得更高的定位精度。
基于地图信息可以得知存在LOS径的区域范围和不存在LOS径的区域范围。将两种定位方法的结果与LOS识别的结果相结合进行区域校正，当LOS识别结果为存在LOS径的数据被估算到不存在LOS径的区域时，将该点校正到最近的存在LOS径的区域。相反，当LOS识别结果为不存在LOS径的数据被估算到LOS径的区域时，将该点校正到最近的不存在LOS径的区域。混合定位技术在区域校正前后定位性能的对比请参阅图10所示。测试结果显示混合定位在区域校正前的误差距离的均值为1.41米，最小值为0.55米，最大值为2.60米。区域校正后的误差距离的均值为1.29米，最小值为0.30米，最大值为2.60米。区域校正将误差距离的均值由1.41米降低至1.29米，误差距离的最小值由0.55米降低至0.30米。
请参阅图11，图中HP代表混合定位，FBP代表基于指纹的定位，PBPE代表基于距离的定位。为了验证混合定位系统的优势，本发明使用相同的测试数据集对混合定位系统与基于指纹的定位方法和基于距离的定位方法进行比较，三者定位结果对比请参阅图11。测试结果显示混合定位方法的误差距离的均值为1.29米，最小值为0.30米，最大值为2.60米。基于距离的定位方法的误差距离的均值为1.69米，最小值为0.55米，最大值为3.94米。基于指纹的定位方法的误差距离的均值为1.39米，最小值为0.19米，最大值为3.15米。由于环境复杂，存在多径效应等干扰，混合定位的精度最高，基于指纹的定位方法次之，基于距离的定位方法结果最差。混合定位将误差距离的最大值降低至2.60米。
请参阅图12，基于相同的数据集，将本发明提出的基于LOS识别的单站点混合定位算法与其他国际知名定位算法对比，结果对比请参阅13所示。其中SSLVMDMF(Single-SiteLocalization via Maximum Discrimination Multipath Fingerprinting)是Jaffe和Mati提出的一种基于最大分辨多径指纹识别的单站点定位方法。该方法将样本的空时协方差矩阵进行最大分辨投影后的子空间作为指纹，使用相似性匹配准则进行位置估计，该方法与本发明提出的方法类似都使用单个站点进行位置估计。FIFS(Fine-grained IndoorFingerprinting System)是Xiao等提出的一种将CSI作为指纹的室内定位方法，该方法由校正阶段和定位阶段组成。校正阶段主要作用是降维和构建指纹库，通过对多个基站的CSI矩阵进行天线域取均值和频率域分段取均值来降维，将不同子载波上的CSI幅值的平方和作为指纹。定位阶段采用贝叶斯算法进行位置估计。测试结果显示混合定位方法的误差距离的均值为1.29米，最小值为0.30米，最大值为2.60米，FIFS的误差距离的均值为1.79米，最小值为0.32米，最大值为3.20米。基于信号子空间的单站定位的误差距离的均值为3.14米，最小值为0.82米，最大值为6.00米。由此可得，本发明提出的单站点混合定位方法在模型简单，易扩展的基础上取得了较高的定位精度。
综上所述，本发明一种基于LOS识别的单站点室内混合定位方法及系统，基于LOS识别，在不同的区域使用不同的定位方法来实现位置估计。首先，系统识别数据中是否存在LOS径。其次，当数据存在LOS径时，采用基于距离的定位方法。另一方面，当数据不存在LOS径时，则采用基于指纹的定位方法。利用不同定位方法在不同环境中的定位性能优势实现稳定的高精度定位。本发明提出的方法在复杂的室内环境中取得了较好的定位性能。实验结果显示FIFS定位误差均值为1.79m,通过最大分辨多径指纹识别单站点定位的误差均值为3.14m,均小于本发明提出的方法的误差均值1.29m。
Claims (10)
1.一种基于LOS识别的单站点室内混合定位方法，其特征在于，包括以下步骤：
S1、基于CSI数据构造新特征NF作为LOS识别的输入，使用线性判别和联合投票相结合的方法对CSI数据进行分类，得到存在LOS径的数据和不存在LOS径的数据；
S2、对步骤S1得到的存在LOS径的数据，利用基于距离的定位方法通过使用信号的传播时间和传播角度实现位置估计，使用MUSIC空间谱估计算法估计无线信号的传播时间和传播角度，根据测试环境的范围边界和固定发射机的位置，对传播时间和传播角度进行校正，将校正后的传播时间和传播角度与发射机的固定位置结合后估计出移动设备的位置；
S3、对步骤S1识别结果为不存在LOS径的数据，使用基于指纹的定位方法估计测试环境中测试样本的位置；
S4、将步骤S2中存在LOS径数据的位置估计结果和步骤S3中不存在LOS径数据的位置估计结果与步骤S1的LOS识别结果结合进行区域校正，得到最终的定位结果。
2.根据权利要求1所述的方法，其特征在于，步骤S1具体为：
提取关于载频和空间分布的特征CSI数据，在实验环境中每个位置采样并计算样本的统计量用于构造新特征；采用线性判别法结合联合投票对CSI数据进行判别，将数据分为训练样本数据集和测试样本数据集；利用测试样本数据集验证系统的性能，利用训练样本数据集依次对每个新特征进行判别学习，保留判别概率最大的奇数个新特征并记录对应的判别阈值，最后奇数个阈值进行投票判别数据是否存在LOS径，当特征的判别指标g(x)＞0时，判为存在LOS径或不存在LOS径；g(x)＝x+ε，x为输入特征，ε为判别阈值。
3.根据权利要求1所述的方法，其特征在于，新特征NF为：
其中，A代表峰度；B代表偏斜度；C代表标准差。
4.根据权利要求1所述的方法，其特征在于，步骤S2具体为：
采用线性变换方法对存在LOS径的CSI数据的相位进行校正，根据已相位校正的CSI数据构建CSI矩阵；使用MUSIC空间谱估计算法计算得到传播时间和传播角度，对传播时间和传播角度进行校正，根据已校正的传播时间和传播角度进行单站定位，完成移动设备的位置估计。
5.根据权利要求4所述的方法，其特征在于，传播时间和传播角度与相位的关系为：
其中，
为构造的导向矢量，Ωτ代表Ω(τ)；Φθ代表Φ(θ)，antenna 1为第一个天线对的数据，antenna 2为第二个天线对的数据，N为子载波个数。
6.根据权利要求4所述的方法，其特征在于，CSI矩阵具体为：
其中，CSIm,n代表第m个天线对上第n个子载波的信道状态信息。
7.根据权利要求4所述的方法，其特征在于，传播时间和传播角度校正具体为：
根据接收机到达的最远距离得出接收机的活动边界，结合发射机的固定位置得出发射机与接收机之间信号的传播时间和传播角度的界限，将超过界限的传播时间或传播角度校正到边界内。
8.根据权利要求1所述的方法，其特征在于，步骤S3具体为：
对不存在LOS径的CSI数据进行分段取均值操作，然后进行均值滤波，再使用PCA进行降维处理，完成预处理；建立包含三个隐含层的神经网络模型，将预处理后的训练数据输入到神经网络模型中进行离线训练，训练神经网络模型拟合无线信号特征与对应位置之间的非线性关系；将预处理后的测试数据送入离线训练后的神经网络模型对数据进行分类，输出一个维度为神经网络输出层神经元个数的向量，将向量中数值最接近1的神经元所对应的位置作为测试数据位置的估算结果。
9.根据权利要求1所述的方法，其特征在于，步骤S4中，当LOS识别结果为存在LOS径的数据被估算到不存在LOS径的区域时，将对应点校正到最近的存在LOS径的区域，当LOS识别结果为不存在LOS径的数据被估算到LOS径的区域时，将对应点校正到最近的不存在LOS径的区域。
10.一种基于LOS识别的单站点室内混合定位系统，其特征在于，包括：
分类模块，基于CSI数据构造构造新特征NF作为LOS识别的输入，使用线性判别和联合投票相结合的方法对CSI数据进行分类，得到存在LOS径区域的数据和不存在LOS径区域的数据；
参数估计模块，对分类模块得到的存在LOS径区域的数据，利用基于距离的定位方法通过使用信号的传播时间和传播角度实现位置估计，使用MUSIC空间谱估计算法估计信号的传播时间和传播角度，根据测试环境的范围边界和固定发射机的位置，对传播时间和传播角度进行校正，将校正后的传播时间和传播角度与发射机的固定位置结合后估计出移动设备的位置；
指纹定位模块，对分类模块识别结果为不存在LOS径区域的数据，使用基于指纹的定位方法估计测试环境中测试样本的位置；
定位模块，将参数估计模块中存在LOS径数据的位置估计结果和指纹定位模块中不存在LOS径数据的位置估计结果与分类模块的LOS识别结果结合进行区域校正，得到最终的定位结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110874158.1A CN113709661B (zh) | 2021-07-30 | 2021-07-30 | 一种基于los识别的单站点室内混合定位方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110874158.1A CN113709661B (zh) | 2021-07-30 | 2021-07-30 | 一种基于los识别的单站点室内混合定位方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113709661A true CN113709661A (zh) | 2021-11-26 |
| CN113709661B CN113709661B (zh) | 2022-05-20 |
Family
ID=78651154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110874158.1A Active CN113709661B (zh) | 2021-07-30 | 2021-07-30 | 一种基于los识别的单站点室内混合定位方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113709661B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115333624A (zh) * | 2022-08-12 | 2022-11-11 | 西安工业大学 | 基于谱估计检测的可见光室内定位方法、系统及计算机可读介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2442950A1 (en) * | 2003-09-26 | 2005-03-26 | Chahe Nerguizian | Method and system for indoor geolocation using an impulse response fingerprinting technique |
| US20150111597A1 (en) * | 2013-10-17 | 2015-04-23 | Symbol Technologies, Inc. | Locationing system performance in non-line of sight conditions |
| CN105611629A (zh) * | 2016-01-29 | 2016-05-25 | 中国海洋大学 | 基于能量检测的60GHz毫米波非视距识别与无线指纹定位方法 |
| CN107132505A (zh) * | 2017-05-19 | 2017-09-05 | 中国人民解放军信息工程大学 | 直达与非直达混合场景中的多目标直接定位方法 |
| CN112505622A (zh) * | 2020-11-17 | 2021-03-16 | 东南大学 | 一种高精度单基站室内定位方法 |
-
2021
- 2021-07-30 CN CN202110874158.1A patent/CN113709661B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2442950A1 (en) * | 2003-09-26 | 2005-03-26 | Chahe Nerguizian | Method and system for indoor geolocation using an impulse response fingerprinting technique |
| US20150111597A1 (en) * | 2013-10-17 | 2015-04-23 | Symbol Technologies, Inc. | Locationing system performance in non-line of sight conditions |
| CN105611629A (zh) * | 2016-01-29 | 2016-05-25 | 中国海洋大学 | 基于能量检测的60GHz毫米波非视距识别与无线指纹定位方法 |
| CN107132505A (zh) * | 2017-05-19 | 2017-09-05 | 中国人民解放军信息工程大学 | 直达与非直达混合场景中的多目标直接定位方法 |
| CN112505622A (zh) * | 2020-11-17 | 2021-03-16 | 东南大学 | 一种高精度单基站室内定位方法 |
Non-Patent Citations (3)
| Title |
|---|
| ARASH ABBASI, MOHAMMAD HOSSEIN KAHAEI: "Improving source localization in LOS and NLOS multipath environments for UWB signals", 《2009 14TH INTERNATIONAL CSI COMPUTER CONFERENCE》 * |
| R. ZHANG, W. XIA, F. YAN AND L. SHEN: "A single-site positioning method based on TOA and DOA estimation using virtual stations in NLOS environment", 《CHINA COMMUNICATIONS》 * |
| 郭青等: "一种视距与非视距混合环境下RSS定位方法", 《南京师范大学学报(工程技术版)》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115333624A (zh) * | 2022-08-12 | 2022-11-11 | 西安工业大学 | 基于谱估计检测的可见光室内定位方法、系统及计算机可读介质 |
| CN115333624B (zh) * | 2022-08-12 | 2024-04-12 | 西安工业大学 | 基于谱估计检测的可见光室内定位方法、系统及计算机可读介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113709661B (zh) | 2022-05-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108650628B (zh) | 基于Wi-Fi网络的测距和指纹相结合的室内定位方法 | |
| CN106851573B (zh) | 基于对数路径损耗模型的联合加权k近邻室内定位方法 | |
| US11762396B2 (en) | Positioning system and positioning method based on WI-FI fingerprints | |
| US10374902B2 (en) | Method for clustering wireless channel MPCs based on a KPD doctrine | |
| CN107071743B (zh) | 一种基于随机森林的快速KNN室内WiFi定位方法 | |
| CN109951807A (zh) | 基于WiFi信号的融合RSS和CSI室内定位方法 | |
| CN109490826B (zh) | 一种基于无线电波场强rssi的测距与位置定位方法 | |
| CN112333642B (zh) | 基于信道状态信息的室内定位方法 | |
| CN112748397A (zh) | 一种非视距条件下基于自适应bp神经网络的uwb定位方法 | |
| CN109698724A (zh) | 入侵检测方法、装置、设备及存储介质 | |
| CN112040400A (zh) | 一种基于mimo-csi的单站点室内指纹定位方法、存储介质及设备 | |
| CN108872932A (zh) | 基于神经网络的超视距目标直接定位结果纠偏方法 | |
| CN113709661B (zh) | 一种基于los识别的单站点室内混合定位方法及系统 | |
| CN111817803A (zh) | 一种基于相关系数和k-均值聚类算法的频谱感知方法、系统及计算机可读存储介质 | |
| Li et al. | A novel method of Wi-Fi indoor localization based on channel state information | |
| Fan et al. | Single-site indoor fingerprint localization based on MIMO-CSI | |
| CN115908547A (zh) | 一种基于深度学习的无线定位方法 | |
| CN112954791B (zh) | 一种基于子载波筛选的信道状态信息csi定位方法 | |
| CN113300986B (zh) | 无人机图传信号与热点信号识别方法、介质、计算机设备 | |
| CN116047404B (zh) | 一种基于Pmusic谱峰图的到达角测量方法 | |
| CN115499912A (zh) | 一种基于Wi-Fi信道状态信息的视距识别方法 | |
| CN105738866A (zh) | 一种基于能量检测的60GHz非视距识别与无线指纹定位方法 | |
| CN116033345A (zh) | 一种室内异常信号高精度定位方法、系统及装置 | |
| CN115494466A (zh) | 一种针对分布式雷达的自校准方法 | |
| Yu et al. | CIRNN: An Ultra-Wideband Non-Line-of-Sight Signal Classifier Based on Deep-Learning |
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 |