本發(fā)明屬于無線通信網(wǎng)絡的定位用戶或終端的情景感知領域，具體涉及一種適用于室內(nèi)環(huán)境下的視距路徑識別方法，以識別室內(nèi)動態(tài)與靜態(tài)下的視距路徑。

背景技術(shù)：

當前，隨著無線通信技術(shù)的快速發(fā)展，尤其是在移動智能終端流行趨勢的推動下，無線局域網(wǎng)(Wireless Local Area Network,WLAN)變得非常普及，在家庭、商城、機場等場所，WLAN信號隨處可見。這些大量的已經(jīng)安裝部署好的WLAN基礎設施，為WiFi情景感知的研究奠定了物理基礎。

基于WiFi信號的感知技術(shù)主要包括室內(nèi)定位、人員檢測、動作識別和穿墻識別等。目前已有大量基于WLAN的感知技術(shù)研究，其主要利用接收信號指示強度信息(Received Signal Strength Indicator,RSSI)感知環(huán)境特征實現(xiàn)應用。然而在室內(nèi)環(huán)境中，RSSI會因信號多徑傳播引起的小尺度陰影衰落而不再隨傳播距離增加單調(diào)遞減，且靜止狀態(tài)下幅度也會產(chǎn)生波動。最近研究人員通過修改固件，使得在普通WiFi設備上也能以物理層信道狀態(tài)信息(Channel State Information,CSI)的形式獲取一個采樣版本的信道頻率響應(Channel Frequency Response,CFR)。與RSSI相比，CSI將單值的RSSI擴展至頻域，并且附加了相位信息，從頻域上為無線感知提供了更為豐富和細粒度的信道狀態(tài)信息。CSI也使得普通WiFi設備在一定程度上能夠從時域上粗略地區(qū)分傳播路徑，從而為基于視距路徑的應用奠定了基礎。

利用CSI信息，WiFi環(huán)境感知技術(shù)可以實現(xiàn)更精確的室內(nèi)定位，還可以實現(xiàn)被動式人員檢測與活動識別等。其中進行視距(Line-Of-Sight,LOS)路徑識別為以上功能的實現(xiàn)奠定了基礎。目前，視距路徑識別技術(shù)存在的問題是識別過程復雜。如公開號為CN104168650A、名稱為“基于動態(tài)無線接入點的室內(nèi)定位方法”的發(fā)明公開的基于動態(tài)無線接入點的室內(nèi)定位方法中，待定位節(jié)點將信息進行調(diào)制形成已調(diào)信號波后通過無線信道傳輸至附近的靜態(tài)無線接入點和動態(tài)無線接入點；靜態(tài)無線接入點和動態(tài)無線接入點根據(jù)接收到的已調(diào)信號波計算其與待定位節(jié)點之間的無線信道的信道狀態(tài)信息，并發(fā)送至定位服務器；動態(tài)無線接入點將當前位置信息發(fā)送至定位服務器；定位服務器根據(jù)無線接入點的位置信息和接收到的信道狀態(tài)信息，對任意兩個無線接入點進行相對臨近位置檢測，并根據(jù)相對臨近位置檢測結(jié)果利用空間分割法獲取待定位節(jié)點的位置區(qū)域。該發(fā)明可以一定程度優(yōu)化無線局域網(wǎng)的室內(nèi)定位問題，提高定位精度，消除復雜室內(nèi)環(huán)境多徑和非視距帶來的定位誤差，但識別過程復雜。此外，已有視距路徑識別方法主要是基于信號接收強度，但其存在環(huán)境干擾等因素，識別魯棒性差。因此，有必要對室內(nèi)環(huán)境下的視距路徑識別技術(shù)展開深入研究，尋找更好的視距路徑識別方法，以獲得更為精準的室內(nèi)定位及感知性能。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是提供一種過程簡單、適應性強，適用于室內(nèi)環(huán)境下的視距路徑的識別方法。

為此，本發(fā)明提出一種適用于室內(nèi)環(huán)境下的視距路徑識別方法，該方法包含以下步驟：

一、CSI信號特征提取及預處理：

步驟1)CSI信號數(shù)據(jù)采集：針對特定的信號發(fā)射源AP與信號接收機RT組成的鏈路，利用CSI檢測工具采集傳輸信道狀態(tài)信息，并進行保存為信包文件；

步驟2)讀取上述信包文件，提取相應的CSI的一定數(shù)量的子載波的幅度和相位信息；

二、靜態(tài)的視距路徑識別方案：

步驟3)針對室內(nèi)靜態(tài)場景，首先采集靜態(tài)場景下的CSI幅度信息，對步驟2中提取的子載波振幅的相關特征，建立特征簇，特征包括Rician K因子等；

步驟4)將上述預采集的特征簇作為訓練集，結(jié)合預定義的標簽作為輸出，通過BP神經(jīng)網(wǎng)絡的算法生成網(wǎng)絡；

步驟5)采集靜止點的CSI振幅并提取特征，輸入神經(jīng)網(wǎng)絡中，通過輸出判定為視距范圍還是非視距范圍；

三、動態(tài)的視距路徑識別方案：

步驟6)針對室內(nèi)動態(tài)場景，通過對預先采集的LOS/NLOS樣本進行計算，確定出實時的K-Mean閥值Kth，使用基于每個子載波振幅的Rician分布，計算出CSI樣本中每個信道的Rician K因子的均值，然后利用K-Mean因子法，通過假設檢驗的方法來實現(xiàn)動態(tài)場景下視距與非視距路徑識別。

作為優(yōu)選，步驟1中所述CSI檢測工具為virtual CSI以及CSI Tool。

步驟2中所述一定數(shù)量優(yōu)選為30個。

步驟3中所述特征簇還包括均值、方差、標準差、變異系數(shù)、偏斜度、峰態(tài)、矩。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果包括：

1.簡便性

本發(fā)明采用物理層信息CSI作為室內(nèi)環(huán)境下人員檢測評價因子，CSI能夠從普通商用WiFi設備上提取出來，加上WiFi基礎設施的廣泛部署，這使得獲得CSI信息變得簡單可行。并且沒對CSI進行處理，采用原始CSI數(shù)據(jù)，減少了相關的計算與實際的開銷。

2.適應性

本發(fā)明采用CSI代替?zhèn)鹘y(tǒng)的RSSI，克服了RSSI粒度粗和時間穩(wěn)定性差的缺陷，CSI能夠獲得更為細粒度的信息并且能夠區(qū)分多條路徑，能適用于更多的室內(nèi)應用場景。

3.功能性

本發(fā)明進一步考慮全面的室內(nèi)視距路徑識別方案，將視距路徑識別場景劃分為靜態(tài)與動態(tài)兩個場景，并且針對每種場景設計了不同的視距路徑識別方法，相比較于傳統(tǒng)的視距檢測，功能更為強大，效果更好。

4.可優(yōu)化性

本發(fā)明僅僅考慮了CSI信號的幅度信息，通過考慮結(jié)合CSI信號的相位信息、角度信息等能夠獲得更為優(yōu)越的視距檢測效果，同時為室內(nèi)定位、手勢識別等精確度更高的應用提供了先行條件。

附圖說明

圖1是室內(nèi)環(huán)境下視距與非視距示意圖。

圖2是基于CSI的室內(nèi)視距路徑識別方案流程圖。

具體實施方式

現(xiàn)結(jié)合附圖對本發(fā)明的具體實施方式做進一步詳細的說明。

圖1是室內(nèi)環(huán)境下視距路徑和非視距路徑的示意圖，其中在RT處對應其與AP1為視距路徑，在RT’處對應與AP1為非視距路徑；圖2給出了基于CSI的室內(nèi)視距路徑識別方案的流程圖?，F(xiàn)結(jié)合附圖對本發(fā)明的具體實施方式做進一步詳細的說明。本發(fā)明的目的是實現(xiàn)在室內(nèi)動態(tài)與靜態(tài)環(huán)境中的視距與非視距的識別。工作原理是利用物理層信道狀態(tài)信息(CSI)代替?zhèn)鹘y(tǒng)的接收信號指示強度信息(RSSI)，利用CSI信息時間穩(wěn)定性好、對動態(tài)環(huán)境干擾抵抗力強、對鏈路周圍人員存在敏感性強等優(yōu)勢，通過在室內(nèi)環(huán)境下搭載基于Intel 5300系列網(wǎng)卡的功控機，在動態(tài)與靜態(tài)兩種場景中，分別采用不同特征簇的神經(jīng)網(wǎng)絡方法與動態(tài)萊斯K因子法，實現(xiàn)了室內(nèi)動態(tài)與靜態(tài)環(huán)境下的精確視距路徑識別。

本發(fā)明是一種適用于室內(nèi)環(huán)境下的視距路徑識別方案，針對傳統(tǒng)基于RSSI的室內(nèi)人員檢測方案存在粒度粗、時間穩(wěn)定性差以及不能區(qū)分多條路徑信息等缺陷，該方案利用物理層信道狀態(tài)信息(CSI)代替RSSI，利用CSI信息時間穩(wěn)定性好、對動態(tài)環(huán)境干擾抵抗力強、對鏈路周圍人員存在敏感性強等優(yōu)勢，通過在室內(nèi)環(huán)境下搭載基于Intel 5300系列網(wǎng)卡的功控機，采用不同特征簇的神經(jīng)網(wǎng)絡方法與動態(tài)萊斯K因子法，實現(xiàn)了室內(nèi)動態(tài)與靜態(tài)環(huán)境下的精確視距路徑識別。

該基于CSI的適用于室內(nèi)環(huán)境下的視距路徑識別方案，包含在以下具體步驟中：

CSI信號特征提取及預處理：

步驟1)CSI信號數(shù)據(jù)采集：平臺包括安裝有Ubuntu系統(tǒng)、Intel 5300無線網(wǎng)卡、virtual CSI以及CSI Tool工具的迷你功控機一臺、TP-Link路由器、外接天線若干、液晶顯示屏、筆記本電腦若干。在實驗中，TP-Link作為信號發(fā)射源AP，迷你功控機通過5300網(wǎng)卡接收無線信號，外接天線作為信號接收機RT，每一對AP、RT組成一條鏈路。利用virtual CSI以及CSI Tool工具采集傳輸信道狀態(tài)信息并進行保存為信包文件；

步驟2)讀取信包文件，提取相應的CSI的30個子載波的幅度和相位信息；

靜態(tài)的視距路徑識別方案：

步驟3)針對室內(nèi)靜態(tài)場景，首先采集靜態(tài)場景下的CSI幅度信息，提取30個子載波振幅的相關特征，建立特征簇，特征包括均值、方差、標準差、變異系數(shù)、偏斜度、峰態(tài)、矩、Rician K因子；

步驟4)將預采集的特征簇作為訓練集，結(jié)合預定義的標簽作為輸出，通過BP神經(jīng)網(wǎng)絡的算法來生成的網(wǎng)絡；

步驟5)采集靜止點的CSI振幅并提取特征，輸入神經(jīng)網(wǎng)絡中，通過輸出判定為視距范圍還是非視距(NLOS)范圍；

動態(tài)的視距路徑識別方案：

步驟6)針對室內(nèi)動態(tài)場景，通過對預先采集的LOS/NLOS樣本進行計算，確定出實時的K-Mean閥值Kth，使用基于每個子載波振幅的Rician分布，計算出CSI樣本中每個信道的Rician K因子的均值，然后利用K-Mean因子法，通過假設檢驗的方法來實現(xiàn)動態(tài)場景下視距與非視距路徑識別。

至此，實現(xiàn)了室內(nèi)環(huán)境下的動態(tài)與靜態(tài)視距路徑識別方案。

為便于本領域的技術(shù)人員理解本發(fā)明的技術(shù)方案，現(xiàn)對以上步驟中所涉及的一些關鍵操作定義如下：

靜態(tài)特征提?。?/p>

在靜態(tài)情境中采用BP神經(jīng)網(wǎng)絡算法，首先需要對采集的CSI振幅信息進行預處理，提取相關特征作為訓練集。因此提出了以下的相關特征：

均值和方差(μ、σ)：反映出每個CSI樣本中30個子載波振幅的離散程度，通常境況下，由于NLOS下存在障礙物的干擾，其不同子載波間的振幅會呈現(xiàn)出較大的波動，即在NLOS下比LOS下回有較大的方差與標準差。

變異系數(shù)(A):衡量數(shù)據(jù)資料中各變量觀測值變異程度的一個統(tǒng)計量，A＝σ/μ。

偏斜度(S)：使用skewness來量化偏斜特征。數(shù)學上，偏斜度S被定義為：

其中x,μ,σ分別為測量數(shù)據(jù)，均值和方差。通常情況下，在NLOS情境下會有一個較大的正向趨勢。

峰態(tài)(κ)：通常境況下CSI在LOS情境中比在NLOS中具有更大的峰度，為了量化這種峰度，采用了kurtosis作為候選特征。Kurtosisκ被定義為：

矩(B_k)：一種很好的萊斯K參數(shù)估計，即K2,4。

其中B₂,B₄分別為測量數(shù)據(jù)的第二和第四階中心矩。因此也添加了第二與第四階矩作為候選特征。

Rician K Factor(K_r)：被定義為主路徑與分散路徑的功率比，K_r＝ν²/(2σ²)；其中v表示幅度的主峰，v的物理意義為LOS傳輸?shù)姆逯担冶硎痉鹊姆讲?，而σ代表的是多徑傳輸信號的強度，例如?jīng)過散射、反射和衍射之后，到達接收端的信號的幅度。Rician-K因子越大，則LOS影響程度越高，即多徑效應影響越小。

靜態(tài)的視距路徑識別方法：

人工神經(jīng)網(wǎng)絡以其具有自學習、自組織、較好的容錯性和優(yōu)良的非線性逼近能力。在實際應用中，80％-90％的人工神經(jīng)網(wǎng)絡模型采用誤差反傳算法(BP神經(jīng)網(wǎng)絡算法)，對數(shù)據(jù)分類上有十分良好的效果。BP神經(jīng)網(wǎng)絡的算法原理：利用輸出后的誤差來估計輸出層的直接前導層的誤差，再利用這個誤差來估計更前一層的誤差，如此一層一層的反傳下去，就獲得了所有其他層的誤差估計。對于靜態(tài)下的LOS/NLOS識別，選用BP神經(jīng)網(wǎng)絡算法對LOS/NLOS進行分類，具體過程如下：

步驟1)先采集CSI的樣本組，并計算出每個CSI樣本的上述所有特征，作為識別特征。對于LOS下采集的CSI特征，添加標簽為1；同時對于NLOS下的特征，設標簽為-1。將所有的特征樣本作為訓練集輸入，其對應的標簽集作為訓練集輸出，訓練該BP神經(jīng)網(wǎng)絡。

步驟2)BP網(wǎng)絡參數(shù)設置，為了簡化BP神經(jīng)網(wǎng)絡的運算，采用了單隱含層的BP神經(jīng)網(wǎng)絡，其隱含層節(jié)點設置個數(shù)滿足，經(jīng)驗公式其中m，n分別為輸入層、輸出層節(jié)點個數(shù)，α為1～10之間的常數(shù)。

步驟3)重新采集CSI的特征值，作為測試集。并輸入到已經(jīng)訓練好的BP神經(jīng)網(wǎng)絡中，得到網(wǎng)絡的輸出，將網(wǎng)絡的輸出，與預定義的測試集標簽進行對比。

步驟4)因為BP網(wǎng)絡在使用時是有誤差的，輸出樣本不會是預定義的1或-1，因此對的LOS識別方案采用傳統(tǒng)的二進制檢驗，LOS情況為H₀,NLOS情況為H₁。

對于輸出的樣本而言，假設檢驗為:

其中l(wèi)abel_output為BP神經(jīng)網(wǎng)絡的樣本輸出。

動態(tài)的視距路徑識別方法：

當目標處于運動狀態(tài)時，會對CSI的樣本產(chǎn)生影響，采用上述靜態(tài)的特征并不能達到很好的識別效果。由于目前采用的CSI可以揭露出更細粒度的信道信息，每個CSI樣本包含30個子載波的信息，所以使用對每個子載波進行Rician K的分布模型，從而提出K-Mean特征。

K-Mean：首先在采集的CSI數(shù)據(jù)集中，計算其對應的每個子載波的Rician K因子，其數(shù)學表示為：

v_i表示第i個子載波的振幅峰值，σ_i表示第i個子載波的振幅標準差。在此基礎上，通過計算實時的每個CSI樣本的所有子載波的均值，作為當前時刻的一個標簽，來實現(xiàn)動態(tài)場景下LOS與NLOS的識別。

其中Rician-K_i為上面提到第i個子載波的Rician K因子。

通過對預先采集的LOS/NLOS樣本進行計算，確定出實時的K-Mean閥值Kth，對應的LOS識別方案采用如下假設檢驗的方法：

其中H₀為LOS情況，H₁為NLOS情況，K-Mean為采集的實時Rician K均值。

該基于信道狀態(tài)信息的適用于室內(nèi)環(huán)境下的視距路徑識別方案，包含在以下具體步驟中：

CSI信號特征提取及預處理：

步驟1)CSI信號數(shù)據(jù)采集：平臺包括安裝有Ubuntu系統(tǒng)、Intel 5300無線網(wǎng)卡、virtual CSI以及CSI Tool工具的迷你功控機一臺、TP-Link路由器、外接天線若干、液晶顯示屏、筆記本電腦若干。在實驗中，TP-Link作為信號發(fā)射源AP，迷你功控機通過5300網(wǎng)卡接收無線信號，外接天線作為信號接收機RT，每一對AP、RT組成一條鏈路。利用virtual CSI以及CSI Tool工具采集傳輸信道狀態(tài)信息并進行保存為信包文件；

步驟2)讀取信包文件，提取相應的CSI的30個子載波的幅度和相位信息；

靜態(tài)的視距路徑識別方案：

步驟3)針對室內(nèi)靜態(tài)場景，首先采集靜態(tài)場景下的CSI幅度信息，提取30個子載波振幅的相關特征，建立特征簇，特征包括均值、方差、標準差、變異系數(shù)、偏斜度、峰態(tài)、矩、Rician K因子；

步驟4)將預采集的特征簇作為訓練集，結(jié)合預定義的標簽作為輸出，通過BP神經(jīng)網(wǎng)絡的算法來生成的網(wǎng)絡；

步驟5)采集靜止點的CSI振幅并提取特征，輸入神經(jīng)網(wǎng)絡中，通過輸出判定為視距范圍還是非視距(NLOS)范圍；

動態(tài)的視距路徑識別方案：

步驟6)針對室內(nèi)動態(tài)場景，通過對預先采集的LOS/NLOS樣本進行計算，確定出實時的K-Mean閥值Kth，使用基于每個子載波振幅的Rician分布，計算出CSI樣本中每個信道的Rician K因子的均值，然后利用K-Mean因子法，通過假設檢驗的方法來實現(xiàn)動態(tài)場景下視距與非視距路徑識別。

至此，實現(xiàn)了室內(nèi)環(huán)境下的動態(tài)與靜態(tài)視距路徑識別方案。