周明快,黃 巍,陳 濱,毛科技*

(1.浙江商業(yè)職業(yè)技術(shù)學(xué)院,杭州 310053;2.浙江省通信產(chǎn)業(yè)服務(wù)有限公司,杭州 310050;3.浙江工業(yè)大學(xué)計(jì)算機(jī)學(xué)院,杭州 310023)

隨著導(dǎo)航技術(shù)和基于位置服務(wù)應(yīng)用需求的發(fā)展,室外環(huán)境的定位技術(shù)已經(jīng)十分成熟。如GPS全球定位系統(tǒng)已經(jīng)廣泛應(yīng)用于室外環(huán)境的定位中,給人們的生活帶來(lái)了極大的方便。例如,汽車GPS導(dǎo)航系統(tǒng)的應(yīng)用給駕駛?cè)藛T提供了多種旅行的便利。然而,隨著人們生活環(huán)境的快速發(fā)展,僅僅室外環(huán)境的定位已經(jīng)無(wú)法滿足人們?nèi)找嬖鲩L(zhǎng)的定位需求,室內(nèi)環(huán)境下的定位技術(shù)和服務(wù)需求在近年來(lái)不斷地受到人們的關(guān)注。

由于室內(nèi)環(huán)境的復(fù)雜性,一些成熟應(yīng)用于室外環(huán)境的定位技術(shù)并不能靈活地應(yīng)用在室內(nèi)定位中。因此,更適用于室內(nèi)環(huán)境下的定位技術(shù)不斷被提出,目前主要的室內(nèi)定位技術(shù)有ZigBee[1]、紅外線[2]、RFID[3]等。這些技術(shù)都各有其優(yōu)缺點(diǎn),如Zigbee定位其信號(hào)強(qiáng)度信息受噪聲干擾大,穩(wěn)定性較差;RFID技術(shù)不具備通信能力,很難與其他系統(tǒng)整合在一起。這些缺點(diǎn)使得室內(nèi)定位技術(shù)的普及受到阻礙。隨著智能手機(jī)和各種便攜通信設(shè)備的普及,無(wú)線局域網(wǎng)(WLAN)[4]已經(jīng)成為人們?cè)谑覂?nèi)日常生活中必不可少的部分。如果可以充分利用現(xiàn)有的WLAN設(shè)備方便及覆蓋范圍廣等特點(diǎn),室內(nèi)定位技術(shù)將會(huì)得到更加快速的發(fā)展和普及。

基于WLAN的室內(nèi)定位根據(jù)定位目標(biāo)是否攜帶設(shè)備分為有源和無(wú)源[5]兩種。由于實(shí)際條件的限制,大多數(shù)情況下,定位目標(biāo)是無(wú)法攜帶有源設(shè)備的。例如自然災(zāi)害的發(fā)生是無(wú)法預(yù)料的,在消防員進(jìn)行受災(zāi)人員的救援和搜尋工作時(shí),無(wú)法要求搜尋目標(biāo)攜帶相關(guān)有源定位設(shè)備。在這種無(wú)法預(yù)期的意外情況下,關(guān)于無(wú)源定位的研究是十分有必要的,因?yàn)槠湓谌藗儗?shí)際生活中的應(yīng)用更加具有可行性。主流的無(wú)源定位方法有基于接收信號(hào)強(qiáng)度RSSI(Received Signal Strength Indicator)[6]的室內(nèi)無(wú)線定位方法。但是,由于信號(hào)強(qiáng)度只是對(duì)室內(nèi)信道信息的一種大致粗略估計(jì),并且RSSI信號(hào)的強(qiáng)度值會(huì)隨著時(shí)間發(fā)生波動(dòng),從而導(dǎo)致不穩(wěn)定性。實(shí)驗(yàn)研究表明,典型室內(nèi)環(huán)境下一臺(tái)靜止接收機(jī)所接收到的RSSI可能出現(xiàn)5 dB波動(dòng)[7],因此其并不完全適用于存在多徑效應(yīng)的復(fù)雜室內(nèi)環(huán)境下的精確定位。

近年來(lái),研究人員提出了一種在物理層更細(xì)粒度的信道狀態(tài)信息CSI(Channel State Information)[8]來(lái)進(jìn)行室內(nèi)定位應(yīng)用,可以通過(guò)估計(jì)每個(gè)子載波上的信道信息,從而在一定程度上可以區(qū)分室內(nèi)環(huán)境的多徑成分。目前,CSI由于更精確的環(huán)境感知能力而被研究人員所廣泛關(guān)注,被逐漸應(yīng)用于室內(nèi)定位[9]中,如基于位置指紋庫(kù)[10]并結(jié)合機(jī)器學(xué)習(xí)方法[11]等。

雖然CSI應(yīng)用越來(lái)越廣泛,但是當(dāng)前基于WLAN的無(wú)源室內(nèi)定位傳統(tǒng)方法中一般僅采用了CSI的幅度信息,導(dǎo)致在實(shí)際應(yīng)用中定位效果并不能滿足實(shí)際要求,其準(zhǔn)確率和穩(wěn)定性還是欠缺的。實(shí)際上,在采集CSI信息過(guò)程中,我們還能夠測(cè)量到信道狀態(tài)的相位信息。所以,如何在定位過(guò)程中充分利用所采集信道狀態(tài)的幅度和相位信息,實(shí)現(xiàn)更為穩(wěn)定的定位應(yīng)用是十分值得繼續(xù)探索的工作。

本文針對(duì)傳統(tǒng)室內(nèi)無(wú)源定位存在的一些問(wèn)題,提出了一種同時(shí)采用基于WLAN的信道狀態(tài)信息的幅度和相位進(jìn)行無(wú)源室內(nèi)定位的方法,并增加了平滑去噪預(yù)處理,很好地解決了僅采用CSI子載波原始幅度值作為特征的定位方法準(zhǔn)確率和穩(wěn)定性問(wèn)題。

1 系統(tǒng)結(jié)構(gòu)

采用信道狀態(tài)信息進(jìn)行室內(nèi)定位的系統(tǒng)主要流程結(jié)構(gòu)如下圖1所示,主要包括CSI數(shù)據(jù)采集、提取CSI幅度和相位、CSI數(shù)據(jù)預(yù)處理、構(gòu)建指紋庫(kù)、由所構(gòu)建指紋庫(kù)調(diào)用不同機(jī)器算法估計(jì)出待分類數(shù)據(jù)所代表的位置。

圖1 總體結(jié)構(gòu)框圖

2 信道狀態(tài)信息及無(wú)源室內(nèi)定位

2.1 信道狀態(tài)信息

傳統(tǒng)基于WLAN的無(wú)源室內(nèi)定位方法主要是基于RSSI的,由于RSSI信號(hào)存在著信號(hào)不夠穩(wěn)定、可靠性差等缺點(diǎn),導(dǎo)致其實(shí)際定位效果不好。與RSSI相比,CSI則提供了一個(gè)更為精細(xì)的信道信息。一個(gè)典型的無(wú)線信道模型的頻域響應(yīng)可表示為:

Y=HX+N

(1)

式中:X和Y分別表示發(fā)射信號(hào)向量和接收信號(hào)向量,H和N分別表示信道矩陣和加性高斯白噪聲。

當(dāng)前的WLAN技術(shù),如802.11n采用了正交頻分復(fù)用OFDM和多輸入輸出MIMO技術(shù),其信道狀態(tài)信息參數(shù)可表示為H:

H=[H1H2…Hi]

(2)

Hi=|Hi|ejsin∠Hi

(3)

根據(jù)文獻(xiàn)[12]中的修改固件方法,普通WiFi設(shè)備可以獲得30個(gè)正交頻分復(fù)用的子載波上的信道狀態(tài)信息采樣,所以在式(2)中i=1,2…30。Hi是 CSI的復(fù)數(shù)表示形式,其中|Hi|和∠Hi分別是第i個(gè)子載波的幅度和相位信息。

2.2 室內(nèi)無(wú)源定位

基于無(wú)線信道變化而進(jìn)行室內(nèi)無(wú)源定位的方法主要依據(jù)以下原理:當(dāng)室內(nèi)人員處于不同位置時(shí),會(huì)產(chǎn)生不同的多徑效應(yīng),從而對(duì)無(wú)線信道狀態(tài)產(chǎn)生不同的影響,即所測(cè)量的信道信息應(yīng)符合以下條件:①在相同位置具有穩(wěn)定性;②在不同位置具有區(qū)分度。如圖2(a)和(b)表示在同一位置和不同位置測(cè)得的CSI幅度值,可見(jiàn)CSI的幅度信息具有以上所要求的位置區(qū)分度和穩(wěn)定性。

圖2 相同位置與不同位置的CSI

3 幅度結(jié)合相位的定位方法

3.1 幅度和相位提取

信道狀態(tài)信息H中的幅度參數(shù)|Hi|是目前大部分基于CSI進(jìn)行無(wú)源人員定位算法中的基本物理量,其原因是由于幅度值相對(duì)比較容易提取和計(jì)算。然而,其中的相位部分∠Hi卻往往被忽略,這主要是因?yàn)樵嫉腃SI信息在不同子載波下的相位呈現(xiàn)一種周期性變化,并且在多徑情況下往往隨機(jī)分布在[0,2π]范圍內(nèi)。從室內(nèi)無(wú)線傳播模型上分析,人員在室內(nèi)不同位置會(huì)同時(shí)影響到無(wú)線信道的幅度和相位參數(shù),如何充分利用采集到的CSI全部信息,以提供更多的人體位置變化對(duì)于信道影響的信息,從而滿足更高精度和更穩(wěn)定性的定位需求是十分重要的,特別是利用其中的相位信息。因此,在提取原始的∠Hi數(shù)值后,我們對(duì)其進(jìn)行線性變換[13],得到校正后的相位值,具體如式(4)所示:

(4)

3.2 數(shù)據(jù)預(yù)處理

室內(nèi)無(wú)線環(huán)境比較復(fù)雜,數(shù)據(jù)采集過(guò)程可能受到各種情況的干擾,因此必須對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,其過(guò)程主要包括異常值處理、平滑去噪處理、標(biāo)準(zhǔn)化處理3個(gè)部分。

3.2.1 數(shù)據(jù)異常值處理

在無(wú)線信道狀態(tài)參數(shù)的實(shí)際采集過(guò)程中,由于環(huán)境和設(shè)備的原因可能出現(xiàn)隨機(jī)異常值。異常值對(duì)定位訓(xùn)練模型的建立和數(shù)據(jù)測(cè)試階段都有較大的影響,因此我們需要事先對(duì)異常值進(jìn)行有效處理。假設(shè)樣本數(shù)據(jù)測(cè)量次數(shù)充分,并且數(shù)據(jù)以正態(tài)或近似正態(tài)分布,我們基于3σ準(zhǔn)則[14]進(jìn)行異常值檢測(cè)。具體方法是如果單個(gè)子載波值與樣本子載波均值μ的差值在3σ以上,則用均值來(lái)替換該子載波值,即經(jīng)過(guò)異常值處理后的數(shù)據(jù)分布在(μ-3σ,μ+3σ)區(qū)間內(nèi)。

3.2.2 平滑去噪處理

經(jīng)過(guò)異常值處理后,我們觀察到同一個(gè)子載波不同樣本點(diǎn)的數(shù)據(jù)波動(dòng)大,我們分析這應(yīng)該是由于環(huán)境中不穩(wěn)定的噪聲波動(dòng)所引起的。為了弱化噪聲波動(dòng)的影響,我們利用滑動(dòng)平均濾波器對(duì)經(jīng)過(guò)異常值剔除的數(shù)據(jù)進(jìn)行平滑,其原理如式(5)所示:

圖3 平滑去噪處理

(5)

式中:m為可調(diào)整的平滑窗口大小,n為數(shù)據(jù)包序號(hào),i為子載波序號(hào)。在平滑去噪處理時(shí),如果設(shè)置平滑窗口m越大,信號(hào)會(huì)越平滑,然而細(xì)節(jié)信息會(huì)損失更多。圖3中虛線部分是平原始數(shù)據(jù),而實(shí)線是平滑處理過(guò)后的數(shù)據(jù)。圖3中很明顯的展示了平滑的作用,實(shí)線部分能明顯展示數(shù)據(jù)的總體規(guī)律,有效的去除了由于環(huán)境不穩(wěn)定造成的噪聲和波動(dòng)誤差。

3.2.3 標(biāo)準(zhǔn)化處理

由于提取出的幅度和相位特征之間數(shù)值差別很大,這會(huì)對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生很大的影響,所以我們需要對(duì)其進(jìn)行標(biāo)準(zhǔn)化處理。原始特征數(shù)據(jù)經(jīng)過(guò)數(shù)據(jù)標(biāo)準(zhǔn)化處理后,各指標(biāo)處于同一數(shù)量級(jí),減小了由于特征間的數(shù)值差異引起的不一致性,適合進(jìn)行綜合對(duì)比評(píng)價(jià)。我們采用的是Z-score標(biāo)準(zhǔn)化處理方法,具體原理如式(6)所示:

Fnew=(xold-μ)/σ

(6)

式中:Fnew表示經(jīng)過(guò)標(biāo)準(zhǔn)化處理后的特征,xold表示標(biāo)準(zhǔn)化處理前的特征,μ和σ分別代表該特征所有樣本的均值和所有樣本的標(biāo)準(zhǔn)差。

3.3 構(gòu)建指紋庫(kù)

當(dāng)經(jīng)過(guò)預(yù)處理后,將每個(gè)位置點(diǎn)的30個(gè)幅度特征和30個(gè)相位特征結(jié)合成60個(gè)特征,構(gòu)建成一個(gè)t×60的特征向量,其中t表示該位置點(diǎn)的訓(xùn)練樣本數(shù)量。F可用如式(7)所示:

F=[A1A2…A30P1P2…P30]

(7)

式中:Ai和Pi分別表示經(jīng)過(guò)上述3個(gè)預(yù)處理過(guò)程后的幅度和相位值,i=1,2,…,30。每個(gè)位置點(diǎn)的特征向量依次存入指紋庫(kù),以備后續(xù)機(jī)器學(xué)習(xí)調(diào)用不同的算法對(duì)未知數(shù)據(jù)進(jìn)行測(cè)試分類。

3.4 機(jī)器學(xué)習(xí)算法

本文機(jī)器學(xué)習(xí)算法主要使用了支持向量機(jī)[15],并將其與貝葉斯網(wǎng)絡(luò)算法[16]和隨機(jī)森林算法[17]進(jìn)行了準(zhǔn)確率和時(shí)間效率的對(duì)比。

支持向量機(jī)SVM(Support Vector Machine)是一種基于統(tǒng)計(jì)學(xué)理論的機(jī)器學(xué)習(xí)算法。它通過(guò)尋求結(jié)構(gòu)化風(fēng)險(xiǎn)最小來(lái)提高學(xué)習(xí)機(jī)泛化能力并實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍的最小化,從而在統(tǒng)計(jì)樣本量較少的情況下也能獲得良好統(tǒng)計(jì)規(guī)律。SVM是一種二分類模型,其基本模型定義為特征空間上間隔最大的線性分類器,即支持向量機(jī)的學(xué)習(xí)策略是間隔最大化,最終可轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問(wèn)題的求解問(wèn)題。

4 實(shí)驗(yàn)設(shè)計(jì)

4.1 實(shí)驗(yàn)平臺(tái)

實(shí)驗(yàn)系統(tǒng)主要由接入點(diǎn)(AP)和監(jiān)控點(diǎn)(MP)兩部分組成。我們利用兩臺(tái)筆記本分別作為AP和MP構(gòu)建實(shí)驗(yàn)平臺(tái),此方法可以避免高速發(fā)送數(shù)據(jù)包所造成失真問(wèn)題。

具體實(shí)驗(yàn)設(shè)備為兩臺(tái)裝有Intel 5300網(wǎng)卡的筆記本電腦,其操作系統(tǒng)為Ubuntu 14.04 LTS。Intel 5300網(wǎng)卡提供了3根MIMO天線,理論上可以產(chǎn)生2×3=6條天線對(duì)鏈路,但實(shí)際中由于受到環(huán)境波動(dòng)、設(shè)備工作狀態(tài)等因素影響,我們能夠穩(wěn)定提取到的鏈路數(shù)為3根,因此本文選取線對(duì)1-1、1-2、1-3進(jìn)行研究。

數(shù)據(jù)采集時(shí),人體分別靜止站立于房間內(nèi)不同位置,由MP采集來(lái)自AP的數(shù)據(jù)包。人體站立在不同位置采集點(diǎn)時(shí)對(duì)環(huán)境造成不同的影響,即AP所發(fā)射的無(wú)線信號(hào)在經(jīng)過(guò)人體和物體的反射后最終被 MP 接收。我們從MP接收數(shù)據(jù)包中同時(shí)提取出包含人體處在不同位置的CSI幅度和相位信息。

4.2 實(shí)驗(yàn)環(huán)境及參數(shù)配置

實(shí)驗(yàn)過(guò)程中AP的發(fā)包率為每秒50個(gè),每個(gè)位置點(diǎn)數(shù)據(jù)采集的時(shí)間為20 s,理論上在每個(gè)位置采集點(diǎn),我們可以采集到1 000個(gè)樣本點(diǎn)。但在實(shí)際情況時(shí),存在丟包的可能性,所以并不是每個(gè)位置點(diǎn)采集到的樣本點(diǎn)都是1 000個(gè),有些位置采集點(diǎn)可能會(huì)丟失少量的樣本點(diǎn),但這并不影響實(shí)驗(yàn)所收集數(shù)據(jù)的可靠性。

我們選取了2種不同的環(huán)境進(jìn)行實(shí)驗(yàn),第一種環(huán)境是在較為擁擠混亂的小會(huì)議室中,第二種環(huán)境是在較為空曠的小教室中。此外,本文還給出了兩種實(shí)驗(yàn)環(huán)境的平面圖如圖4所示。

圖4 兩種實(shí)驗(yàn)環(huán)境平面圖

5 實(shí)驗(yàn)結(jié)果

首先,實(shí)驗(yàn)比較了僅用30個(gè)子載波的幅度值作為特征和用30個(gè)子載波的幅度和相位值同時(shí)作為特征在兩種環(huán)境下定位分類的準(zhǔn)確率。此外,為了評(píng)估平滑去噪處理對(duì)實(shí)驗(yàn)結(jié)果的影響,本文進(jìn)行了僅用幅度不平滑、僅用幅度平滑、幅度相位結(jié)合使用不平滑、幅度相位結(jié)合使用平滑的四組對(duì)比實(shí)驗(yàn)。我們采用了支持向量機(jī)SVM算法進(jìn)行指紋庫(kù)的學(xué)習(xí)和分類,其實(shí)驗(yàn)結(jié)果如圖5所示。

圖5 兩種環(huán)境下SVM分類效果

由圖5可以看出,在兩種室內(nèi)環(huán)境下,如果僅用幅度作為分類特征,不論數(shù)據(jù)是否經(jīng)過(guò)平滑處理,其人員定位的準(zhǔn)確率都不如將幅度和相位結(jié)合使用后的準(zhǔn)確率高,這有力的說(shuō)明了增加CSI的相位特征信息有助于提升定位準(zhǔn)確率;而在使用平滑處理后,無(wú)論是僅用幅度還是將幅度和相位結(jié)合都比未進(jìn)行平滑處理的準(zhǔn)確率要高,這也很好的證明了在機(jī)器學(xué)習(xí)進(jìn)行特征提取前,對(duì)數(shù)據(jù)預(yù)先進(jìn)行平滑去噪處理有助于提升定位效果。特別的,如果采用聯(lián)合幅度和相位作為指紋分類特征,并且通過(guò)滑動(dòng)平均濾波器預(yù)先對(duì)數(shù)據(jù)進(jìn)行處理,其檢測(cè)定位效果是最好的,如在實(shí)驗(yàn)的環(huán)境2中天線對(duì)1-1在SVM算法下的檢測(cè)精度最高可達(dá)93.18%。

此外,我們以僅采用30個(gè)子載波的原始幅度值(即未經(jīng)平滑處理)方法為基準(zhǔn),比較分析了本文所提出方法在兩個(gè)環(huán)境下的準(zhǔn)確率提升度。環(huán)境1中,用本文提出方法比僅用30個(gè)原始子載波方法提升了12.4%,即從70.25%提升到82.65%;而環(huán)境2中,用本文提出的方法比僅用30個(gè)原始子載波方法提升了14.54%,由76.08提升到90.62%。這充分說(shuō)明本文所提出方法對(duì)于改善定位的效果是十分顯著的。

為了說(shuō)明我們通過(guò)增加相位信息作為特征的作用效果,本文以環(huán)境1中的天線對(duì)1-3分別在使用幅度、相位、幅度結(jié)合相位作為指紋特征時(shí)的混淆矩陣來(lái)進(jìn)一步驗(yàn)證。

由圖6～圖8可以比較看出,僅用幅度或者僅用相位作為特征時(shí)在某些位置點(diǎn)的識(shí)別可能效果不好。例如圖6中僅用幅度作為特征時(shí),其位置4、9、10、13等的區(qū)分效果并不好,容易于相鄰位置點(diǎn)混淆。而在圖7中,這幾個(gè)位置點(diǎn)在僅用相位特征時(shí)的區(qū)分效果卻較好,因此我們可以通過(guò)使用相位特征來(lái)彌補(bǔ)這幾個(gè)位置使用幅度特征的分類準(zhǔn)確度。當(dāng)然在另一些情況中,也會(huì)存在僅用相位特征區(qū)分效果不好的情況,而此時(shí)幅度特征可能區(qū)分效果較好。因此,當(dāng)將幅度和相位特征結(jié)合后可以大大改善和提高原先僅用單種類型特征區(qū)分不好時(shí)的位置點(diǎn)分類效果。

圖6 僅用幅度作為特征

圖7 僅用相位作為特征

圖8 相位幅度結(jié)合作為特征

實(shí)驗(yàn)最后比較了3種常見(jiàn)機(jī)器學(xué)習(xí)算法在采用本文算法后的準(zhǔn)確率和檢測(cè)時(shí)間平均值,實(shí)際結(jié)果如表1表示。

表1 不同分類算法下的準(zhǔn)確率和時(shí)間效率對(duì)比

由表1可知,無(wú)論在多徑干擾嚴(yán)重還是較少的環(huán)境下,支持向量機(jī)SVM的準(zhǔn)確率都是最好的。不過(guò)在實(shí)際應(yīng)用中,并不能一味的追求準(zhǔn)確率而完全忽略時(shí)間成本。如果當(dāng)系統(tǒng)特別有實(shí)時(shí)性要求時(shí),則推薦使用隨機(jī)森林算法。因?yàn)楫?dāng)指紋庫(kù)模型構(gòu)建完成后,在環(huán)境1和環(huán)境2的幾種算法對(duì)比中采用隨機(jī)森林算法的檢測(cè)時(shí)間是最短的;而其中貝葉斯網(wǎng)絡(luò)算法的準(zhǔn)確度雖然不高,但是其訓(xùn)練/檢測(cè)的時(shí)間相對(duì)比較均衡?？偠灾?在實(shí)際使用時(shí)要根據(jù)實(shí)際系統(tǒng)具體需求對(duì)機(jī)器學(xué)習(xí)算法進(jìn)行合理的選擇。

6 總結(jié)

①本文同時(shí)利用信道狀態(tài)的幅度和相位信息作為指紋特征,并通過(guò)機(jī)器學(xué)習(xí)方法進(jìn)行無(wú)源室內(nèi)定位。實(shí)驗(yàn)結(jié)果表明,相比于傳統(tǒng)只利用幅度信息的方法,本文方法的定位精度有了顯著提高。

②在信號(hào)預(yù)處理過(guò)程中加入了滑動(dòng)平滑濾波器對(duì)數(shù)據(jù)進(jìn)行平滑,表明在增加相位信息和經(jīng)過(guò)預(yù)先平滑去噪處理后,其定位準(zhǔn)確率和穩(wěn)定性都得到了改善和提高。

③此外,本文還比較了幾個(gè)不同機(jī)器學(xué)習(xí)算法的準(zhǔn)確率和時(shí)間效率,結(jié)果表明在本實(shí)驗(yàn)中SVM的準(zhǔn)確率最高。但在實(shí)際使用中,我們應(yīng)該根據(jù)自己的需求來(lái)選擇適當(dāng)算法。

本文工作仍然有需要進(jìn)一步深入研究的地方。如在實(shí)驗(yàn)中可以增加可用天線對(duì)的數(shù)目,嘗試進(jìn)一步提高準(zhǔn)確率和穩(wěn)定度。同時(shí),還可以對(duì)移動(dòng)目標(biāo)進(jìn)行定位,本文所研究的兩種室內(nèi)環(huán)境下對(duì)靜止目標(biāo)的定位方法為下一步工作提供了經(jīng)驗(yàn)基礎(chǔ)。

參考文獻(xiàn):

[1] Cho H,Jang H,Baek Y. Practical Localization System for Consumer Devices Using Zigbee Networks[J]. IEEE Transactions on Consumer Electronics,2010,56(3):1562-1569.

[2] Feng G,Guo X,Wang G. Infrared Motion Sensing System for Human-Following Robots[J]. Sensors & Actuators A Physical,2012,185(5):1-7.

[3] Zhu W,Cao J,Xu Y,et al. Fault-Tolerant RFID Reader Localization Based on Passive RFID Tags[J]. IEEE Transactions on Parallel & Distributed Systems,2014,25(8):2065-2076.

[4] 陳兵,楊小玲. 一種基于概率密度的WLAN 接入點(diǎn)定位的算法[J]. 電子與信息學(xué)報(bào),2015,37(4):855-862.

[5] Radmard M,Karbasi S M,Nayebi M M. Data Fusion in MIMO DVB-T-Based Passive Coherent Location[J]. IEEE Transactions on Aerospace & Electronic Systems,2013,49(3):1725-1737.

[6] 劉慶,吳哲夫,何熊熊,等. Min-Max節(jié)點(diǎn)定位算法的分析與改進(jìn)[J]. 傳感技術(shù)學(xué)報(bào),2012,25(8):1126-1131.

[7] Wu K,Xiao J,Yi Y,et al. Fila:Fine-Grained Indoor Localization[C]//Proc IEEE INFOCOM,2012:2210-2218.

[8] Wu K,Xiao J,Yi Y,et al. CSI-Based Indoor Localization[J]. IEEE Transactions on Parallel & Distributed Systems,2013,24(7):1300-1309.

[9] 吳哲夫,李嘉南,王中友,等. 無(wú)線信道傳感的朝向檢測(cè)研究[J]. 傳感技術(shù)學(xué)報(bào),2018,31(1):90-96.

[10] Zhang Lei,Ding Enjie,Zhao Zhikai,et al. A Novel Fingerprinting Using Channel State Information with MIMO-OFDM[J]. Cluster Computing—The Journal of Networks Software Tools and Applications,2017,20(4):3299-3312.

[11] Li Xiaohui,Cai Xiong,Hei Yongqiang,et al. NLOS Identification and Mitigation Based on Channel State Information for Indoor WiFi Localisation[J]. IET Communications,2017,11(4):531-537.

[12] Halperin D,Hu W,Sheth A,et al. Tool Release:Gathering 802.11n Traces with Channel State Information[J]. Acm Sigcomm Computer Communication Review,2011,41(1):53-53.

[13] Wu C,Yang Z,Zhou Z,et al. PhaseU:Real-Time LOS Identification with WiFi[C]//Computer Communications. IEEE,2015:2038-2046.

[14] Zhang X L,Liu P. A New Delay Jitter Smoothing Algorithm Based on Pareto Distribution in Cyber-Physical Systems[J]. Wireless Networks,2015,21(6):1913-1923.

[15] Chih-Wei Hsu,Chih-Jen Lin. A Comparison of Methods for Multiclass Support Vector Machines[J]. IEEE Transactions on Neural Networks,2002,13(2):415-425.

[16] Ho J,Hwang W L. Wavelet Bayesian Network Image Denoising.[J]. IEEE Transactions on Image Processing,2013,22(4):1277-1290.

[17] 郭山清,高叢,姚建,等. 基于改進(jìn)的隨機(jī)森林算法的入侵檢測(cè)模型[J]. 軟件學(xué)報(bào),2005,16(8):1490-1498