基于信道状态信息和接收信号强度的室内定位方法与流程

本发明利用信道状态信息和接收信号强度，通过机器学习的方法对室内目标进行定位，属于定位导航领域。

背景技术：

随着社会的发展，人们对于室内定位的需求也不断提高。但是常用定位技术存在成本高、功耗大以及稳定性差等缺点。比如红外线的定位技术虽然可以达到较高的精度，但是红外线信号易受到日光和荧光的干扰，并且红外线不能穿透墙壁等障碍物，因此只能进行短距离的视距定位。蓝牙定位技术主要是基于接收信号强度(rssi)来实现。由于信号的衰减并不仅与距离相关，还包括多径损耗等，因此该方法存在稳定性差，定位效果不好。

在无线通信中，信道状态信息(csi)描述了信号在每条传输路径上的传输因子，如信号散射、距离衰减及环境衰弱等信息。csi表征了子载波在频域的幅度相位信息，描述了细粒度的物理信息，对环境更加敏感。

无线通信系统中，接收信号强度(rssi)属于mac层，信道状态信息(csi)属于phy层，本发明将接收端每根天线上的csi信息和接收信号的rssi测量值作为定位测量参数，通过机器学习的方法，实现目标定位。

有鉴于此，确有必要提出一种基于信道状态信息和接收信号强度的室内定位方法，以解决上述问题。

技术实现要素：

本发明的目的在于提供一种基于信道状态信息和接收信号强度的室内定位方法，主要解决室内定位精度低、定位成本高以及实时性差等问题。本发明能有效的避免多径效应对定位精确度的影响，具有定位时间短、算法复杂度低和成本低等特点。

为实现上述目的，本发明提供了一种基于信道状态信息和接收信号强度的室内定位方法，主要包括以下步骤：

步骤1、接收发射机发出的信号；

步骤2、提取信号中的信道状态信息幅度值和接收信号强度测量值；

步骤3、对信道状态信息幅度值进行数据降维和特征提取，以获得数据集；

步骤4、对步骤3获得的数据集和接收信号强度进行离线递归学习，以得到基于位置的回归函数；

步骤5、将在线获得的数据集和接收信号强度测量值代入回归函数，以利用回归函数对位置进行预测/估计。

可选的，所述室内定位方法包括离线阶段和在线阶段，且步骤4在离线阶段完成，步骤5在在线阶段完成。

可选的，当处于离线阶段时，步骤1具体为：将定位区域划分成若干参考点，当目标位于每一个参考点上时，分别接收来自wifi发射机的信号。

可选的，所述步骤2具体包括：

步骤21、在每一个参考点上进行多次信道状态信息幅度值和接收信号强度幅度值的提取；

步骤22、对多次采样得到的信道状态信息幅度值和接收信号强度幅度值进行均值处理，以得到对应参考点的信道状态信息测量值和接收信号强度测量值。

可选的，步骤22中所述信道状态信息幅度值和接收信号强度幅度值由csi-tool工具进行提取。

可选的，所述步骤3中的数据降维是采用主成分分析算法将高维特征空间的数据降到低维特征空间。

可选的，所述步骤3中的特征提取是对降维后的数据进行特征提取。

可选的，所述特征包括四分位数，峰度，标准偏差，中位数绝对偏差，偏度和信息熵。

可选的，步骤4中利用支持向量机算法对数据集和接收信号强度进行离线递归学习。

可选的，所述室内定位方法采用tp-link路由器作为发射机，将inter5300的无线网卡插入电脑中作为信号的接收端。

本发明的有益效果是：本发明将mac层的接收信号强度的测量值和phy层的信道状态信息的测量值结合，解决了室内定位精度低、定位成本高以及实时性差等问题，能有效的避免多径效应对定位精确度的影响，具有定位时间短、算法复杂度低和成本低等特点；同时本发明所需的接收信号强度的测量值和信道状态信息的测量值可以在接收信号中分别提取，无需增加任何硬件。

附图说明

图1是本发明基于信道状态信息和接收信号强度的室内定位方法的定位算法流程图。

图2为本发明csi采样图。

图3为本发明接收端天线上的rssi图。

图4为本发明csi+rssi、csi、rssi累积误差图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

如图1所示，本发明揭示了一种基于信道状态信息和接收信号强度的室内定位方法，所述室内定位方法采用tp-link路由器作为发射机，将inter5300的无线网卡插入电脑中作为信号的接收端，主要包括以下步骤：

步骤1、接收发射机发出的信号；

步骤2、提取信号中的信道状态信息(csi)幅度值和接收信号强度(rssi)测量值；

步骤3、对信道状态信息(csi)幅度值进行数据降维和特征提取，以获得数据集；

步骤4、对步骤3获得的数据集和接收信号强度进行离线递归学习，以得到基于位置的回归函数；

步骤5、将在线获得的数据集和接收信号强度(rssi)测量值代入回归函数，以利用回归函数对位置进行预测/估计。

以下将对步骤1-步骤5进行详细说明。

本发明的室内定位方法包括离线阶段和在线阶段，且步骤4在离线阶段完成，步骤5在在线阶段完成。

步骤1具体为：将定位区域划分成n个参考点，每个参考点的位置为li(xi,yi)，当目标位于每一个参考点上时，分别接收来自wifi发射机的信号。

步骤2中，在离线阶段，提取信号中的信道状态信息(csi)幅度值和接收信号强度(rssi)测量值后，会形成指纹库，指纹库中的数据包括：参考点的信道状态信息(csi)的幅度值、接收信号强度(rssi)的测量值和坐标位置，其中信道状态信息(csi)的幅度值包括峰度，标准偏差，中位数绝对偏差，偏度和信息熵等信号特征。

步骤2可分为以下步骤：

步骤21、在每一个参考点上进行多次信道状态信息(csi)幅度值和接收信号强度(rssi)幅度值的提取；

步骤22、对多次采样得到的信道状态信息(csi)幅度值和接收信号强度(rssi)幅度值进行均值处理，以得到对应参考点的信道状态信息(csi)测量值和接收信号强度(rssi)测量值。

步骤22中，所述信道状态信息(csi)幅度值和接收信号强度(rssi)幅度值由csi-tool工具进行提取。

如图2所示，为每个采样样本中包含的30个子载波在50次采样下的幅度值。从图中可以得出结论：信道状态信息非常稳定且可以准确地反映了多径效应的特征环境。同时，利用csi-tool工具，我们同样可以得到接收机3根天线的接收信号强度。

如图3所示，为50次抽样时，每根天线的接收信号强度的幅度值。

对比图2与图3，可以看出接收信号强度rssi的稳定性要低于信道状态信息csi的稳定性。

步骤3中，数据降维是利用主成分分析算法将高维特征空间的数据降到低维特征空间。通过对角化的协方差矩阵，让各个维度之间的相关性最小，保留下来的维度的能量最大。最大程度的保持原始数据集不失真，尽可能的去除冗余数据和干扰噪声。

步骤3中，特征提取是对降维后的数据提取其相关特征。本发明提取每个参考点下30个子载波的四分位数，峰度，标准偏差，中位数绝对偏差，偏度，信息熵共6个特征，再加上每个天线上的rssi测量值，形成参考点的指纹信息。

步骤4中，利用支持向量机算法对数据集和接收信号强度进行离线递归学习。

如图4所示，为本发明的算法在不同的信号下得到的积累分布函数(cdf)比较。通过机器学习算法svm在matlab中进行回归预测得出定位误差，算法svm的惩罚系数c为1.2，核函数为高斯核函数，其参数g为2.8。

从图4中可以看出：对于csi与rssi相结合时的定位误差,85％的定位误差小于0.5m，95％的定位误差小于1m。对于单独的csi定位误差，72％的定位误差小于0.5m，89％的定位误差小于1m。对于单独的rssi的定位误差，42％的定位误差小于0.5m，71％的定位误差小于1m。

因此，从图4可以得出：本发明基于csi与rssi相结合的定位性能明显好于单独信道状态信息csi与单独接收信号强度rssi的定位性能。

综上所述，本发明通过将mac层的接收信号强度rssi的测量值和phy层的信道状态信息csi的测量值相结合，并构建了指纹库，解决了室内定位精度低、定位成本高以及实时性差等问题，能有效的避免多径效应对定位精确度的影响，具有定位时间短、算法复杂度低和成本低等特点。同时，本发明所需的接收信号强度的测量值和信道状态信息的测量值可以在接收信号中分别提取，无需增加任何硬件。

以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。