CN115499912A - 一种基于Wi-Fi信道状态信息的视距识别方法 - Google Patents

Abstract

本发明公开了一种基于Wi‑Fi信道状态信息的视距识别方法，包括：步骤1，搭建单发射器‑单接收器的Wi‑Fi检测环境，采集视距、非视距两种情况下在不同采样点的信道状态信息即CSI信号；步骤2，对步骤1中采集的信号进行数据预处理；步骤3，对步骤2预处理后的信号进行均值、标准偏差、变异系数、偏度、峭度、相位差因子和Rician‑K因子等特征提取，并制定视距、非视距两种情况下的类别标签，构建数据集；步骤4，对步骤3所得数据集进行最小‑最大规范化处理；步骤5，提出基于粒子群优化算法的SVM分类器进行视距识别，将步骤4得到的训练集数据作为步骤5模型的输入，可以精准识别室内视距、非视距状态。本发明成本低、易部署，具备较高的识别准确度。

Description

一种基于Wi-Fi信道状态信息的视距识别方法

技术领域

本发明属于利用普通无线设备实现感知的技术领域，涉及一种基于Wi-Fi信道状态信息的视距识别方法。

背景技术

随着物联网技术的快速兴起，无线基础设备广泛部署，人类的生活趋于智能化，无线感知技术逐渐得到大多研究人员的关注。Wi-Fi环境感知通过感知环境变化实现相应个性化服务，例如人体检测、活动识别、视距识别等。复杂室内环境中存在各种无法躲避的障碍物会导致无线定位的测距精度较低,其中主要原因是非视距测距误差，因此识别信道视距、非视距场景状态对室内定位精度较为重要。

视距-Line of sight，LOS指信号无遮挡地在发射端和接收端之间的“直线”，通信信号质量更好；非视距-Non line of sight，NLOS指信号收发端受到建筑、植物等的遮挡，无线信号只能通过反射、散射和衍射的方式到达接收端，通过多种传播路径被接收端接收，多径效应更为显著，造成信号的衰减时延不同步等问题。Daniele Puccinelli等人基于RSSI进行了非视距识别，但存在多径效应导致精度下降；信道状态信息-Channel StateInformation，其作为Wi-Fi物理层信号，由子载波的振幅和相位组成，比RSSI更细粒度可以得到多个子载波的幅频响应，并且多输入多输出技术,如IEEE 802.11n、3GPP LTE和移动WiMAX系统,可以抑制不同子载波获得的CSI带来的明显衰落，可以在不增加带宽和传输功率的情况下提高数据吞吐量和传输距离从而改善通信质量，因此，CSI适合作为视距识别的特征信息，测试设备成本低，既有正交频分复用技术提供的频率分集，又有多输入多输出提供的空间分集，具有细粒度性，不容易受到多径效应的影响。Xian-Song L和Krairiksh M提出了一种基于第一个到达路径的Rician-K因子的方法，Rician-K因子是LOS和NLOS分量功率的比率；LiFi基于信道统计特征的方法,利用LOS环境下信号呈Rician分布的性质,提出了包络分布特征,即Rician-K因子和偏度,通过二元假设检验进行分类，但是幅度特征容易受噪声影响,鲁棒性较差。PhaseU提出了基于相位的特征,因为原始相位信息是随机分布的，其通过计算两根天线之间的相位差来获得稳定的相位信息,并将其作为特征值；PhaseU虽然可以很好地识别非视距信号,但是在动态环境中的识别率更高,不适合静态环境。但是这些方法都存在几个共同的问题，第一没有对采集到的原始CSI数据进行预处理，因为CSI数据在采集过程中会受到外界的噪声以及自身采集工具的影响，导致其幅值会出现异常值而相位会发生偏移，进而对识别结果造成影响；第二通过研究一至两个统计特征，计算出阈值，再通过二元假设检验进行分类，分类效果不佳。

本发明旨在进行细粒度的视距识别，该方法较传统方法具备较高的识别准确度和环境适用性。

发明内容

本发明提供了一种基于Wi-Fi信道状态信息的视距识别方法，其特征在于，包括以下步骤：

步骤1，搭建单发射器-单接收器的Wi-Fi检测环境，采集视距、非视距两种情况下在不同采样点的CSI信道状态信息；

步骤2，对步骤1中采集的CSI信号进行数据预处理；

步骤3，对步骤2预处理后CSI信号提取标准偏差、变异系数、偏度、峭度、相位差因子和Rician-K因子等特征分簇，以合适的方法进行提取，并制定视距、非视距两种情况相应的类别标签分别设为0、1，构建数据集；

步骤4，对步骤3所得训练集、测试集进行最小-最大规范化处理，得到标准化后的数据集；

步骤5，将步骤4得到的训练集数据作为步骤5模型的输入，利用基于粒子群优化算法的SVM分类器进行视距识别，对采样点训练集进行训练，并用测试集验证，可以精准识别室内视距、非视距状态。

进一步的，所述步骤1中，具体按照下述步骤获取CSI原始信号：

步骤1.1，实验平台由硬件架构和软件配置两方面组成；硬件架构包括：(1)台式机安装Linux系统，并改装网卡为Intel 5300，外加三根天线，完成台式机改装；(2)商用标准2.4GHz Wi-Fi b/g/n路由器，型号为TL-WDR4900；软件配置利用Linux 802.11n CSI-Tool工具，通过对底层固件的修改，结合开源的驱动，对基于IEEE 802.11n的CSI数据包信息进行详细的记录；

进一步的，在实验中，改装的台式机和路由器同属一个局域网，路由器作为发射端，改装的台式机作为接收端，并设置路由器发包频率为100Hz，因此一分钟内可以接收到将近6000个数据包；

步骤1.2，设计并布置实验场景，采集视距、非视距两种情况下在采样点的CSI信道状态信息；

进一步的，步骤2中，具体按照下述步骤得到预处理后的幅值信息和相位信息：

步骤2.1，利用步骤1中获取的视距、非视距场景的CSI原始信号，基于Matlab软件平台利用read_bf_file函数读取CSI信号，其中，所述CSI数据是一个N行的二维矩阵，其中N是数据包的个数；

其中，信道的频率响应可以用下式表示：

其中,∠H(f_i)代表相位；H(f_i)是中心频率为f_i的子载波的信道状态信息；N_s为单个天线的子载波数，在Intel 5300无线网卡上为30个。假设发送端的天线数为N_tx，接收端的天线数为N_rx,则CSI数据可以表示为:

H_ij为发送天线(TX)的第i根天线到接收天线(RX)的第j根天线的CSI数据，每个天线对数据都包含N_s个子载波，则H_ij，可具体表示为:

每个信号样本包含N_tx×N_rx×N_s个子载波CSI数据，接收信号中包含有9个数据流，每个数据包中包含的数据可以解释如下：

H₁＝{H_1，1，H_1，2，H_1，3，……，H_1，29，H_1，30}

H₂＝{H_2，1，H_2，2，H_2，3，……，H_2，29，H_2，30}

H₃＝{H_3，1，H_3，2，H_3，3，……，H_3，29，H_3，30}

H₄＝{H_4，l，H_4，2，H_4，3，……，H_4，29，H_4，30}

H₅＝{H_5，1，H_5，2，H_5，3，……，H_5，29，H_5，30}

H₆＝{H_6，1，H_6，2，H_6，3，……，H_6，29，H_6，30}

H₇＝{H_7，1，H_7，2，H_7，3，……，H_7，29，H_7，30}

H₈＝{H_8，1，H_8，2，H_8，3，……，H_8，29，H_8，30}

H₉＝{H_9，1，H_9，2，H_9，3，……，H_9，29，H_9，30}

步骤2.2，对步骤2.1采集到的CSI数据，求出对应振幅及相位；采集到的CSI数据为矩阵形式，每个CSI矩中，每个CSI矩阵每一个子载波都会以复数的形式表示出来，可将其表示为a+bi(其中，a称为实部，b称为虚部，i称为虚数单位)；由复数的计算公式可以求得CSI的振幅Z和相位θ：

可以通过CSI的复数矩阵，获得每条链路上的每一个子载波的幅值和相位信息，从而能够进行特征的提取；

步骤2.3，对步骤2.2求出的原始CSI信号的振幅进行异常点检测和去除；

步骤2.4，对步骤2.3去除幅值异常点的CSI信号，利用离散小波变换的方法滤除原始CSI观测值中的噪声；

步骤2.5，对步骤2.2求出的CSI信号的原始相位进行相位偏差校正；在实际的数据采样中，由于信号收发器之间存在时钟同步误差和载波频率偏移，实际获得的相位信息θ_k可以表示为:

θ_k＝∠H(f_k)+2πw_kΔt+2πΔwt+δ_k

其中，∠H(f_k)是真实的CSI相位信息，2πw_kΔt和2πΔwt分别代表由时钟同步误差和载波频率偏移引起的随机相位偏移，δ_k表示测量噪声；为了减少原始相位中的随机噪声，采用线性变换进行相位校准的方法，校准后的相位为:

θ′_k＝θ_k-αw_k-β

其中，α和β分别为相位θ_k随所有子载波变化的斜率和偏移量，经过线性变换后可以得到聚合性更好的相位分布。

进一步的，所述步骤3中，具体按照下述步骤得到特征向量并制定相应的类别标签，构建数据集：

步骤3.1，对步骤2.4及2.5分别处理的幅值数据、相位以合适的方法进行特征提取，如标准偏差、偏度、峭度、相位差因子和Rician-K因子等特征分簇，并制定视距、非视距两种情况相应的类别标签分别设为0、1，构建数据集；

特征提取时，从一组CSI的幅度样本[A1,A2,…,A30]中提取幅度类型的特征，从三组CSI的相位样本中提取相位类型的特征；

featrure＝[σ,S,K,ρ,K_r]

其中，σ为标准偏差，S为偏度，K为峭度，ρ为相位差因子，K_r为Rician-K因子，随后构建特征向量；

偏度S是描述数据分布的偏斜方向和程度的一般度量，使用偏度来量化偏斜特征，公式如下：

峰度是记录数据分布陡峭的统计量，数学上，峰度被定义为:

其中x,μ,σ分别表示我们的测量值，平均值和标准偏差；

计算双天线间相位差ρ公式为:

n代表所测CSI子载波的总数，σ²为所有方差中的任意一个方差，|H(f_i)|代表σ²所对应的双天线在第i个子载波上的平均幅值，i，j，n均为正整数；

Rician-K因子是视距传播功率和非视距传播功率的比值，公式如下：

其中，v_i表示第i个子载波的振幅峰值，σ_i表示第i个子载波的振幅标准差。

进一步的，所述步骤4中，具体按照下述步骤得到标准化后的数据集：

步骤4.1，对步骤3预处理的5个特征值分别进行最小-最大规范化，将数据值映射到[0,1]之间；具体公式如下：

CSI降噪后的特征值信号x通过最大最小标准化成x′的公式：其中，A表示当前子载波的某一特征值，minA和maxA分别是当前子载波特征值的最小值和最大值。

进一步的，所述步骤5中提出基于粒子群优化算法的SVM分类器进行视距识别，将步骤4得到的训练集数据作为步骤5模型的输入，利用基于粒子群优化算法的SVM分类器进行视距识别，对采样点训练集进行训练，并用测试集验证，可以精准识别室内视距、非视距状态。

本发明针对现有技术中没有对原始信号预处理以及着眼于几个特征值，计算出阈值，再通过二元假设检验进行分类，分类效果不佳等问题，创新点在于将统计特征与机器学习相结合，利用可接受到的子载波幅值、相位信息以合适的方式构造其统计学的特征，并提出基于粒子群优化算法的SVM分类器，更智能的得到视距识别效果。本发明提出的方法计算复杂性低，较传统方法性能表现良好，成本低、易部署，因此具有很强的扩展性。

附图说明

图1是本发明一种基于Wi-Fi信道状态信息的视距识别方法的方法流程图。

图2是本发明一种基于Wi-Fi信道状态信息的视距识别方法中视距、非视距场景示意图。

图3是本发明一种基于Wi-Fi信道状态信息的视距识别方法中视距识别实验场景图。

图4是粒子速度方向更新示意图。

图5是建立粒子群优化算法的SVM分类模型流程图。

图6是该发明方法与传统方法的准确率对比图。

图7是根据本公开的实施例的计算机可读存储介质的示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

图1为实验整体框架图，详细描述了该专利的整体操作流程。

如下图1所示，本发明是一种基于Wi-Fi信道状态信息的视距识别方法，具体包括以下步骤：

步骤1，搭建单发射器-单接收器的Wi-Fi检测环境，采集视距、非视距两种情况下在不同采样点的CSI信道状态信息；

步骤1具体包括：

步骤1.1，实验平台由硬件架构和软件配置两方面组成；硬件架构包括：(1)台式机安装Linux系统，并改装网卡为Intel 5300，外加三根天线，完成台式机改装；(2)商用标准2.4GHz Wi-Fi b/g/n路由器，型号为TL-WDR4900；

软件配置利用Linux 802.11n CSI-Tool工具，通过对底层固件的修改，结合开源的驱动，对基于IEEE 802.11n的CSI数据包信息进行详细的记录；此工具包中含有一款特定的驱动程序iwlwifi，通过这个驱动程序能够从OFDM系统中获取信道响应信息CFR，从中分解出可供进行细粒度处理的信息；

在实验中，改装的台式机和路由器同属一个局域网，路由器作为发射端，改装的台式机作为接收端，并设置路由器发包频率为100Hz，因此一分钟内可以接收到将近6000个数据包；这样做的目的是防止系统跟其他进程的工作产生不可知的冲突问题，能够以最大程度减小可能出现的不可控因素，减小对实验结果的干扰和影响；

步骤1.2，设计并布置实验场景，采集视距、非视距两种情况下在采样点和测试点的CSI信道状态信息；其中，视距场景发射端与接收端中间无障碍物，发射端在距接收端6米范围内移动，五个采样点，四个测试点分别采样3分钟数据包；非视距场景与视距场景采样点、测试点相同，唯一不同的在于发射端与接收端之间用书柜作为障碍物遮挡。

步骤2，对步骤1中采集的CSI信号进行数据预处理。

对振幅信号进行检测和删除异常点，和滤除原始CSI观测值中的振幅噪声，对原始相位进行相位偏差校正；

由于检测环境中存在异常点和随机噪声的干扰，将步骤1中采集的视距、非视距两种状态下的CSI原始信号，基于Matlab软件平台对CSI信号的幅值、相位进行预处理，用于提高特征提取的准确度以及分类器的准确度，有效降低了由噪声和异常值造成的误差。

所述步骤2中，具体按照下述步骤得到预处理后的幅值、相位信息：

步骤2具体包括：

步骤2.1，利用步骤1中获取的视距、非视距场景的CSI原始信号，基于Matlab软件平台利用read_bf_file函数读取CSI信号，其中，所述CSI数据是一个N行的二维矩阵，其中N是数据包的个数。

图2是本发明一种基于Wi-Fi信道状态信息的视距识别方法中视距、非视距场景示意图。

如图2(a)所示为视距场景，图2(b)所示为非视距场景；视距指信号无遮挡地在发射端和接收端之间的“直线”，通信信号质量更好；非视距指信号收发端受到建筑、植物等的遮挡，无线信号只能通过反射、散射和衍射的方式到达接收端，通过多种传播路径被接收端接收，多径效应更为显著，造成信号的衰减时延不同步等问题。

图3是视距识别实验场景图。其中，视距场景发射端与接收端中间无障碍物，发射端在距接收端6米范围内移动，九个采样点，其中五个训练采样点，四个测试采样点，各个采样点采样3分钟数据包；非视距场景与视距场景采样点位置相同，唯一不同的在于发射端与接收端之间用书柜作为障碍物遮挡。

如图2所示，发射器有3个发射天线，接收器有3个接收天线，因此接收信号中包含有9个数据流，每个数据流包含有30个子载波的CSI数据，每个信号样本包含3*3*30＝270个子载波CSI数据，因此获取到的CSI数据是一个N×270的二维矩阵；

其中，信道的频率响应可以用下式表示：

其中，∠H(f_i)代表相位；H(f_i)是中心频率为f_i的子载波的信道状态信息；N_s为单个天线的子载波数，在Intel 5300无线网卡上为30个。假设发送端的天线数为N_tx，接收端的天线数为N_rx，则CSI数据可以表示为：

H_ij为发送天线(TX)的第i根天线到接收天线(RX)的第j根天线的CSI数据，每个天线对数据都包含N_s个子载波，则H_ij，可具体表示为：

每个信号样本包含N_tx×N_rx×N_s个子载波CSI数据，接收信号中包含有9个数据流，每个数据包中包含的数据可以解释如下：

H₁＝{H_1，1，H_1，2，H_1，3，……，H_1，29，H_1，30}

H₂＝{H_2，1，H_2，2，H_2，3，……，H_2，29，H_2，30}

H₃＝{H_3，1，H_3，2，H_3，3，……，H_3，29，H_3，30}

H₄＝{H_4，1，H_4，2，H_4，3，……，H_4，29，H_4，30}

H₅＝{H_5，1，H_5，2，H_5，3，……，H_5，29，H_5，30}

H₆＝{H_6，l，H_6，2，H_6，3，……，H_6，29，H_6，30}

H₇＝{H_7，1，H_7，2，H_7，3，……，H_7，29，H_7，30}

H₈＝{H_8，1，H_8，2，H_8，3，……，H_8，29，H_8，30}

H₉＝{H_9，1，H_9，2，H_9，3，……，H_9，29，H_9，30}

步骤2.2，对步骤2.1采集到的CSI数据，求出对应振幅及相位；采集到的CSI数据为矩阵形式，每个CSI矩中，每个CSI矩阵每一个子载波都会以复数的形式表示出来，可将其表示为a+bi；由复数的计算公式可以求得CSI的振幅Z和相位θ：

可以通过CSI的复数矩阵，获得每条链路上的每一个子载波的幅值和相位信息，从而能够进行特征的提取；

步骤2.3，对步骤2.2求出的原始CSI信号的振幅进行异常点检测和去除；

读取CSI原始信号后，通过使用汉佩尔(Hampel)滤波器对振幅信号进行检测和剔除异常点。

步骤2.4，对步骤2.3去除幅值异常点的CSI信号，利用离散小波变换的方法滤除原始CSI观测值中的噪声；

其中，离散小波变换采用db3小波函数进行5层分解；上述信号经过滤波后，图曲线变得更加平滑，滤波掉了频繁的随机波动；

步骤2.5，对步骤2.2求出的CSI信号的原始相位进行相位偏差校正；在实际的数据采样中，由于信号收发器之间存在时钟同步误差和载波频率偏移，实际获得的相位信息θ_k可以表示为:

θ_k＝∠H(f_k)+2πw_kΔt+2πΔwt+δ_k

其中，∠H(f_k)是真实的CSI相位信息，2πw_kΔt和2πΔwt分别代表由时钟同步误差和载波频率偏移引起的随机相位偏移，δ_k表示测量噪声；为了减少原始相位中的随机噪声，采用线性变换进行相位校准的方法，校准后的相位为:

θ′_k＝θ_k-αw_k-β

其中，α和β分别为相位θ_k随所有子载波变化的斜率和偏移量，经过线性变换后可以得到聚合性更好的相位分布。

步骤3，对步骤2预处理后CSI信号提取标准偏差、变异系数、偏度、峭度、相位差因子和Rician-K因子等特征分簇，以合适的方法进行提取，并制定视距、非视距两种情况相应的类别标签分别设为0、1，并构建数据集；

步骤3具体包括：

步骤3.1，对步骤2.4处理后的幅值、相位数据以合适的方法进行特征提取，如标准偏差、偏度、峭度、相位差因子和Rician-K因子等特征分簇，并制定视距、非视距两种情况相应的类别标签分别设为0、1，并构建数据集；

特征提取时，从一组CSI的幅度样本[A1,A2,…,A30]中提取幅度类型的特征，从三组CSI的相位样本中提取相位类型的特征；

featrure＝[σ,S,K,ρ,K_r]

其中，σ为标准偏差，S为偏度，K为峭度，ρ为相位差因子，K_r为Rician-K因子，随后构建特征向量；

标准偏差可以表现出每个CSI数据中30个子载波的分散程度，在非视距情况下，Wi-Fi信号受到额外噪声和多径效应的影响，这意味着非视距条件下具有更大的标准偏差；

偏度S是描述数据分布的偏斜方向和程度的一般度量，使用偏度来量化偏斜特征，当偏斜度值大于0表示数据分布偏右；若偏度小于0，则表示数据分布是偏左，计算公式如下：

峰度是记录数据分布陡峭的统计量，数学上，峰度被定义为:

其中x,μ,σ分别表示我们的测量值，平均值和标准偏差；

计算双天线间相位差ρ公式为:

n代表所测CSI子载波的总数，σ²为所有方差中的任意一个方差，|H(f_i)|代表σ²所对应的双天线在第i个子载波上的平均幅值，i，j，n均为正整数；

Rician-K因子是视距传播功率和非视距传播功率的比值，公式如下：

其中，v_i表示第i个子载波的振幅峰值，σ_i表示第i个子载波的振幅标准差。

步骤4，对步骤3所得特征值进行最小-最大规范化处理，得到标准化后的数据集。

步骤4具体包括：

步骤4.1，对步骤3预处理的5个特征值分别进行最小-最大规范化，将数据值映射到[0,1]之间；具体公式如下：

CSI降噪后的特征值信号x通过最大最小标准化成x′的公式：其中，A表示当前子载波的某一特征值，minA和maxA分别是当前子载波特征值的最小值和最大值。

步骤5，提出基于粒子群优化算法的SVM分类器进行视距识别，将步骤4得到的训练集数据作为步骤5模型的输入，利用基于粒子群优化算法的SVM分类器进行视距识别，对采样点训练集进行训练，并用测试集验证，可以精准识别室内视距、非视距状态。

图5是建立粒子群优化算法的SVM分类模型流程图。

如图5所示，步骤5具体包括：

步骤5.1，在支持向量机中，任意产生n个参数集合(c，g)的粒子；其中，c表示惩罚参数，g表示核函数的参数；

其中，粒子有两个属性分别是速度和位置；速度表示粒子下一步迭代时移动的方向和距离，位置是所求解问题的一个解；

步骤5.2，基于c、g的特性确定粒子定位的迭代区域，并基于它们各自的特点确定相应的修正步骤；

步骤5.3，将粒子的定位输入到支持向量机SVM模型中，以求其适合度；该值用来评价粒子位置的好坏程度，决定是否更新粒子个体的历史最优位置和群体的历史最优位置，保证粒子朝着最优解的方向搜索；

步骤5.4，将适宜的数值作为判定准则，将最佳颗粒存储到V中，再对U进行修正，在满足需要时，终止搜索最优的参数；相反，该过程接着从步骤5.3开始；其中，V表示到当前各个颗粒的最佳状态，U是最佳粒子所在的位置；对于不满足要求的粒子继续更新粒子速度及粒子位置；

粒子更新速度公式为：

n——粒子群规模；i——粒子序号，i＝1,2,…,n；D——粒子维度；d——粒子维度序号，d＝1,2,...,D；k——迭代次数；w——惯性权重；c₁——个体学习因子；c₂——群体学习因子；r₁、r₂——区间[0,1]内的随机数，增加搜索的随机性；

—粒子i在第k次迭代中第d维的速度向量；

——粒子i在第k次迭代中第d维的位置向量；

—粒子i在第k次迭代中第d维的历史最优位置，即在第k次迭代后，粒子i(个体)搜索得到的最优解；

——群体在第k次迭代中第d维的历史最优位置，即在第k次迭代后，整个粒子群体中的最优解；

粒子位置更新公式为：

步骤5.5，优化获得SVM的最优化集合；

步骤5.6，将步骤4得到的训练集数据作为步骤5.6优化后SVM分类器的输入，对采样点训练集进行训练，并用测试集验证，可以精准识别室内视距、非视距状态，性能优于传统视距方法，达到良好的识别效果。

图4是粒子速度方向更新示意图。

在粒子群算法中，将被优化问题的每个解当作一只鸟，称之为粒子；所有的粒子都有一个由被优化的函数决定的适应度值(解的好坏程度)，每个粒子还有一个速度(通俗点说就是调整位置的系数)决定它们飞翔的方向，然后，粒子们就追随当前的最优粒子在解空间中搜索，当前粒子运动速度方向由三部分构成：

粒子下一步迭代的移动方向＝惯性方向+个体最优方向+群体最优方向惯性方向指的是由惯性权重和粒子自身速度构成，表示粒子对先前自身运动状态的信任；个体最优方向指的是粒子自己经验的部分即自我认知部分，可理解为粒子当前位置与自身历史最优位置之间的距离和方向；群体最优方向指的是粒子之间的信息共享与合作即社会认知，可理解为粒子当前位置与群体历史最优位置之间的距离和方向。

图6是该发明方法与传统方法的准确率对比图。其中，LiFi中提出的方法是将偏度和峰度作为特征值最为广泛应用的方法；PhaseU中提出的方法是使用双天线相位差方差作为特征值的方法；Rician-K是对该因子建模来进行非视距识别的方法；pso-svm是本发明提出的基于Wi-Fi信道状态信息的视距识别方法；all features是将全部特征都输入分类器的分类结果，可以看出该发明方法的准确率高于其他方法。

本发明还提供一种计算机可读存储介质，用于存储非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行时，使得所述计算机执行上述方法。

图7是根据本公开的实施例的计算机可读存储介质的示意图。如图7所示，根据本公开实施例的计算机可读存储介质40，其上存储有非暂时性计算机可读指令41。当该非暂时性计算机可读指令41由处理器运行时，执行前述的本公开各实施例的可移动存储设备的访问控制方法的全部或部分步骤。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (8)

1.一种基于Wi-Fi信道状态信息的视距识别方法，其特征在于，包括下述步骤：

步骤1，搭建单发射器-单接收器的Wi-Fi检测环境，采集视距、非视距两种情况下在不同采样点的信道状态信息；

步骤2，对步骤1中采集的CSI信号进行数据预处理；

步骤3，对步骤2预处理后CSI信号提取标准偏差、变异系数、偏度、峭度、相位差因子和Rician-K因子等特征分簇，以合适的方法进行提取，并制定视距、非视距两种情况相应的类别标签分别设为0、1，构建数据集；

步骤4，对步骤3所得训练集、测试集进行最小-最大规范化处理，得到标准化后的数据集；

步骤5，将步骤4得到的训练集数据作为步骤5模型的输入，利用基于粒子群优化算法的SVM分类器进行视距识别，对采样点训练集进行训练，并用测试集验证，可以精准识别室内视距、非视距状态。

2.根据权利要求1所述一种基于Wi-Fi信道状态信息的被动式室内人数检测方法，其特征在于，

所述步骤1中，具体按照下述步骤获取CSI原始振幅信号：

步骤1.1，实验平台由硬件架构和软件配置两方面组成；硬件架构包括：(1)台式机安装Linux系统，并改装网卡为Intel 5300，外加三根天线，完成台式机改装；(2)商用标准2.4GHz Wi-Fi b/g/n路由器，型号为TL-WDR4900；软件配置利用Linux 802.11n CSI-Tool工具，通过对底层固件的修改，结合开源的驱动，对基于IEEE 802.11n的CSI数据包信息进行详细的记录；

步骤1.2，设计并布置实验场景，采集视距、非视距两种情况下在不同采样点的CSI信道状态信息。

3.根据权利要求2所述一种基于Wi-Fi信道状态信息的视距识别方法，其特征在于，

改装的台式机和路由器同属一个局域网，路由器作为发射端，改装的台式机作为接收端，并设置路由器发包频率为100Hz。

4.根据权利要求1所述的一种基于Wi-Fi信道状态信息的视距识别方法，其特征在于，所述步骤2中，所述采集的CSI信号包括振幅、相位信号。

5.根据权利要求4所述的一种基于Wi-Fi信道状态信息的视距识别方法，其特征在于，步骤2中，具体包括如下步骤：

步骤2.1，利用步骤1中获取的视距、非视距场景的CSI原始信号，基于Matlab软件平台利用read_bf_file函数读取CSI信号，并计算相应的振幅和相位信号；其中，所述CSI数据是一个N行的二维矩阵，其中N是数据包的个数；

其中，信道的频率响应可以用下式表示：

其中,∠H(f_i)代表相位；H(f_i)是中心频率为f_i的子载波的信道状态信息；N_s为单个天线的子载波数，在Intel 5300无线网卡上为30个；

N_tx为发送端的天线数，N_rx为接收端的天线数,H为CSI数据，具体表示为:

H_ij为发送天线(TX)的第i根天线到接收天线(RX)的第j根天线的CSI数据，每个天线对数据都包含N_s个子载波，则H_ij表示为:

每个信号样本包含N_tx×N_rx×N_s个子载波CSI数据,接收信号中包含有9个数据流，每个数据包中包含的数据解释如下：

H₁＝{H_1,1,H_1,2,H_1,3,……,H_1,29,H_1,30}

H₂＝{H_2,1,H_2,2,H_2,3,……,H_2,29,H_2,30}

H₃＝{H_3,1,H_3,2,H_3,3,……,H_3,29,H_3,30}

H₄＝{H_4,1,H_4,2,H_4,3,……,H_4,29,H_4,30}

H₅＝{H_5,1,H_5,2,H_5,3,……,H_5,29,H_5,30}

H₆＝{H_6,1,H_6,2,H_6,3,……,H_6,29,H_6,30}

H₇＝{H_7,1,H_7,2,H_7,3,……,H_7,29,H_7,30}

H₈＝{H_8,1,H_8,2,H_8,3,……,H_8,29,H_8,30}

H₉＝{H_9,1,H_9,2,H_9,3,……,H_9,29,H_9,30}

步骤2.2，对步骤2.1采集到的CSI数据，求出对应振幅及相位；采集到的CSI数据为矩阵形式，每个CSI矩中，每个CSI矩阵每一个子载波都会以复数的形式表示出来，可将其表示为a+bi，由复数的计算公式可以求得CSI的振幅Z和相位θ：

可以通过CSI的复数矩阵，获得每条链路上的每一个子载波的幅值和相位信息，从而能够进行特征的提取；

步骤2.3，对步骤2.2求出的原始CSI信号的振幅进行异常点检测和去除；

步骤2.4，对步骤2.3去除幅值异常点的CSI信号，利用离散小波变换的方法滤除原始CSI观测值中的噪声；

步骤2.5，对步骤2.4求出的CSI信号的原始相位进行相位偏差校正；在实际的数据采样中，由于信号收发器之间存在时钟同步误差和载波频率偏移，实际获得的相位信息θ_k可以表示为:

θ_k＝∠H(f_k)+2πw_kΔt+2πΔwt+δ_k

其中，∠H(f_k)是真实的CSI相位信息，2πw_kΔt和2πΔwt分别代表由时钟同步误差和载波频率偏移引起的随机相位偏移，δ_k表示测量噪声；为了减少原始相位中的随机噪声，采用线性变换进行相位校准的方法，校准后的相位为:

θ′_k＝θ_k-αw_k-β

其中，α和β分别为相位θ_k随所有子载波变化的斜率和偏移量，经过线性变换后可以得到聚合性更好的相位分布。

6.根据权利要求1所述的一种基于Wi-Fi信道状态信息的视距识别方法，其特征在于，所述步骤3中，具体按照下述步骤得到特征向量并制定相应的类别标签，构建数据集：

步骤3.1，对步骤2.4及2.5分别处理的幅值数据、相位以合适的方法进行特征提取，如标准偏差、偏度、峭度、相位差因子和Rician-K因子等特征分簇，并制定视距、非视距两种情况相应的类别标签分别设为0、1，构建数据集；

特征提取时，从一组CSI的幅度样本[A1,A2,…,A30]中提取幅度类型的特征，从三组CSI的相位样本中提取相位类型的特征；

featrure＝[σ,S,K,ρ,K_r]

其中，σ为标准偏差，S为偏度，K为峭度，ρ为相位差因子，K_r为Rician-K因子，随后构建特征向量；

偏度S是描述数据分布的偏斜方向和程度的一般度量，使用偏度来量化偏斜特征，公式如下：

峰度是记录数据分布陡峭的统计量，数学上，峰度被定义为:

其中x,μ,σ分别表示我们的测量值，平均值和标准偏差；

计算双天线间相位差ρ公式为:

n代表所测CSI子载波的总数，σ²为所有方差中的任意一个方差，|H(f_i)|代表σ²所对应的双天线在第i个子载波上的平均幅值，i，j，n均为正整数；

Rician-K因子是视距传播功率和非视距传播功率的比值，公式如下：

其中，v_i表示第i个子载波的振幅峰值，σ_i表示第i个子载波的振幅标准差。

7.根据权利要求1所述的一种基于Wi-Fi信道状态信息的视距识别方法，其特征在于，所述步骤4中，具体包括如下步骤：

步骤4.1，对步骤3预处理的5个特征值分别进行最小-最大规范化，将数据值映射到[0,1]之间，具体公式如下：

CSI降噪后的特征值信号x通过最大最小标准化成x′的公式：其中，A表示当前子载波的某一特征值，minA和maxA分别是当前子载波特征值的最小值和最大值。

8.根据权利要求1所述的一种基于Wi-Fi信道状态信息的视距识别方法，其特征在于，所述步骤5中提出基于粒子群优化算法的SVM分类器进行视距识别，将步骤4得到的训练集数据作为步骤5模型的输入，利用基于粒子群优化算法的SVM分类器进行视距识别，对采样点训练集进行训练，并用测试集验证，可以精准识别室内视距、非视距状态。

Images