论文部分内容阅读
随着物联网的兴起,基于室内位置的服务受到广泛关注。利用现有的室内WiFi设备进行室内定位,避免了传统室内定位技术部署成本高、存在监测盲区以及侵犯隐私等缺点。基于接收信号强度指示(Received Signal Strength Indicator,简称RSSI)的室内定位技术,由于环境中多径效应的影响,导致其定位精度较低。物理层的信道状态信息(Channel State Information,简称CSI)可以细粒度地表示空间域中不同位置的信号特征,已提出的CSI室内定位方案主要在适用性和定位精度等方面进行不断地创新和改进。本文主要工作和贡献如下:1)本文提出了一种利用CSI幅值和相位信息作为指纹的室内定位方案,被定位对象无需携带任何具有信号发射功能的设备。本方案搭建了一发多收的实验平台采集CSI数据,在信号预处理阶段,对CSI幅值进行奇异值去除与低通滤波,用线性拟合的方法对CSI相位进行校正。将处理得到的CSI幅值和相位信息作为指纹,通过基于深度学习的全连接分类神经网络对指纹样本进行训练,并与采集到的实时数据进行匹配识别。实验表明,采用CSI幅值和相位定位的方法,能够提高定位识别率和精确度,室内定位精度达到0.6m,位置识别率达到98%。2)本文尝试在三维实验场景下进行CSI数据采集。三维实验场景利用不同高度的接收端,增加了空间维度信息,提高了空间覆盖率。通过对比人对不同高度接收端CSI各子载波信号的影响,可初步判断被测对象的高度信息,这为后续进行入侵目标特征识别提供了基础。3)本文采用基于深度学习的神经网络分类算法,对预处理后的CSI样本的幅值和相位进行训练。为了降低计算复杂度,本文设计了一种基于深度学习的较简单、基本的全连接分类神经网络模型,经过多次实验,选取合适的训练数据量,达到了较低的计算复杂度与较高的定位精度。