吳哲夫，徐強(qiáng)，王中友，陳濱，宣琦

(1.浙江工業(yè)大學(xué) 信息工程學(xué)院，浙江 杭州 310023； 2.中國通信服務(wù)杭州公司，浙江 杭州 310050； 3.浙江工業(yè)大學(xué) 藝術(shù)學(xué)院，浙江 杭州 310023)

基于信道狀態(tài)信息的無源室內(nèi)定位

吳哲夫1，徐強(qiáng)1，王中友2，陳濱3，宣琦1

(1.浙江工業(yè)大學(xué) 信息工程學(xué)院，浙江 杭州 310023； 2.中國通信服務(wù)杭州公司，浙江 杭州 310050； 3.浙江工業(yè)大學(xué) 藝術(shù)學(xué)院，浙江 杭州 310023)

針對(duì)傳統(tǒng)室內(nèi)定位方法在準(zhǔn)確性及穩(wěn)定性上的不足，本文提出了一種基于信道狀態(tài)信息(channel state information，CSI)的無源室內(nèi)定位方法。該方法采用普通設(shè)備搭建了實(shí)驗(yàn)平臺(tái)，離線階段采集CSI數(shù)據(jù)建立位置指紋庫，在線階段則利用機(jī)器學(xué)習(xí)的樸素貝葉斯算法進(jìn)行位置分類。為進(jìn)一步提高分類準(zhǔn)確度，本文還提出了置信度方法，通過綜合多條天線對(duì)的結(jié)果來減少位置誤判。實(shí)驗(yàn)結(jié)果表明，本文所提出方法能有效實(shí)現(xiàn)對(duì)室內(nèi)人員的無源定位，可以達(dá)到90%以上的準(zhǔn)確度。

無源定位； 正交頻分復(fù)用； 多輸入多輸出； 信道狀態(tài)信息； 異常值； 指紋庫； 樸素貝葉斯分類； 置信度

室內(nèi)定位是實(shí)現(xiàn)基于位置服務(wù)的關(guān)鍵技術(shù)之一，已經(jīng)受到越來越多的理論研究和工程應(yīng)用關(guān)注。GPS[1]在室外環(huán)境中獲得了廣泛應(yīng)用，但其信號(hào)無法穿過厚重的水泥墻，而且室內(nèi)環(huán)境要比室外復(fù)雜的多，因此GPS不適合應(yīng)用于室內(nèi)定位。目前幾種主要的室內(nèi)定位技術(shù)包括紅外線、超寬帶(ultra-wide band, UWB)、射頻識(shí)別(radio frequency identification, RFID)和超聲波等，大部分都要求主動(dòng)定位和性價(jià)比低等缺點(diǎn)。隨著無線局域網(wǎng)(wireless local area network, WLAN)[2]的發(fā)展，無線熱點(diǎn)已經(jīng)廣泛部署于各種室內(nèi)場合，如學(xué)校、醫(yī)院、餐廳、超市等。如果能有效利用這些現(xiàn)有的設(shè)備實(shí)現(xiàn)室內(nèi)定位，將大大降低系統(tǒng)成本；同時(shí)隨著無線局域網(wǎng)傳輸速率的不斷提高，如未來的802.11ac將具有更高的工作頻帶，這為進(jìn)一步精確的室內(nèi)定位提供了可能性。

目前已經(jīng)出現(xiàn)了一些基于WLAN的室內(nèi)定位方案。根據(jù)被定位目標(biāo)是否攜帶有源設(shè)備參與到定位過程，可以將基于WLAN的定位方法分成有源和無源兩種[3]。在很多情況下，目標(biāo)不一定會(huì)攜帶定位設(shè)備，一個(gè)典型的場景就是應(yīng)用在安防領(lǐng)域的入侵檢測。在這種情況下，入侵者并不希望自己的位置被檢測到。傳統(tǒng)無源定位利用的是RSSI(received signal strength indicator)，該物理量是多條路徑信號(hào)的強(qiáng)度疊加。一種典型的利用RSSI實(shí)現(xiàn)無源定位的方法是指紋庫方法[4]。與傳統(tǒng)的強(qiáng)度-距離模型不同，指紋庫在訓(xùn)練階段建立不同位置的不同RSSI模式，在測試階段則與庫中RSSI的相似度進(jìn)行位置匹配。RSSI強(qiáng)度易于獲得，但由于室內(nèi)普遍存在著多徑效應(yīng)使得基于RSSI的定位方法存在波動(dòng)性大且不夠穩(wěn)定的缺點(diǎn)[5]。

雖然基于RSSI仍然是WLAN定位的主流技術(shù)之一，但已經(jīng)出現(xiàn)了一些利用物理層更穩(wěn)定的信道狀態(tài)信息(channel state information, CSI)來進(jìn)行定位的研究。特別是近幾年隨著CSI的獲取更加容易[6]，對(duì)CSI的研究也越來越多[7]。在所采用的定位算法方面，Li B等利用概率方法即貝葉斯公式[8]實(shí)現(xiàn)了定位，但其物理量仍然是RSSI，具有進(jìn)一步改進(jìn)的空間。文獻(xiàn)[9]中引入了CSI和RSSI并利用貝葉斯算法進(jìn)行濾波處理，提高了不同房間位置的分類效果。然而，總體上說該方法在精度上仍然有很大的改進(jìn)空間。

本文針對(duì)無源室內(nèi)定位，提出了一種將信道狀態(tài)信息和樸素貝葉斯分類結(jié)合的定位算法，同時(shí)引入了置信度方法，從而進(jìn)一步提高了室內(nèi)定位中位置分類的正確率。

1 無源室內(nèi)定位系統(tǒng)結(jié)構(gòu)

本文實(shí)現(xiàn)方法的總體結(jié)構(gòu)如圖1所示。

圖1 總體結(jié)構(gòu)框圖Fig.1 Overall structure diagram

系統(tǒng)首先基于不同的訓(xùn)練位置采集了該位置的信道狀態(tài)信息數(shù)據(jù)。在訓(xùn)練階段，系統(tǒng)采集每根天線對(duì)上的子載波數(shù)據(jù)作為一個(gè)樣本特征，并進(jìn)行數(shù)據(jù)異常值去除和歸一化處理。通過對(duì)每個(gè)位置的所有訓(xùn)練樣本求出平均值和標(biāo)準(zhǔn)差，作為該位置的一個(gè)指紋。在測試階段，系統(tǒng)利用樸素貝葉斯方法對(duì)數(shù)據(jù)進(jìn)行指紋比對(duì)和位置分類。同時(shí)，為了進(jìn)一步提高分類準(zhǔn)確率，系統(tǒng)還引入了置信度指標(biāo)，綜合不同天線對(duì)上的分類結(jié)果并通過置信度進(jìn)行聯(lián)合判斷，從而得到最終的估計(jì)位置。

2 信道狀態(tài)信息及樸素貝葉斯分類方法

2.1 信道狀態(tài)信息

傳統(tǒng)基于WLAN的無源定位方法主要是基于RSSI，但RSSI存在信號(hào)不夠穩(wěn)定、可靠性差和定位精度低等不足。信道狀態(tài)信息可以有效克服RSSI這些缺點(diǎn)，通過更細(xì)粒度的信道分布感知和采集物理層信息來實(shí)現(xiàn)室內(nèi)定位。

在一個(gè)典型的室內(nèi)環(huán)境中，發(fā)送信號(hào)經(jīng)過多條路徑到達(dá)接收端，每條路徑都會(huì)引入不同的時(shí)延、幅度衰減和相移。為了區(qū)分每條不同的路徑，可以將無線信道建模為空間線性濾波器，從而得到信道沖激響應(yīng)(channel impulsive response,CIR)：

(1)

式中：ai、θi、τi分別代表第i條路徑的幅度、相位和時(shí)延。

進(jìn)一步的，通過FFT將CIR轉(zhuǎn)換到頻域，得到信道頻率響應(yīng)(channelfrequencyresponse,CFR)：

(2)

目前WLAN的協(xié)議，如802.11n等都將正交頻分復(fù)用(orthogonalfrequencydivisionmultiplexing,OFDM)技術(shù)和多入多出(multiple-inputmultiple-output,MIMO)[10]技術(shù)作為其標(biāo)準(zhǔn)技術(shù)。這兩種技術(shù)在CSI數(shù)據(jù)形成中起到了重要作用。

OFDM對(duì)信道頻率響應(yīng)以一定的頻率間隔進(jìn)行抽樣，得到抽樣后的信道頻率響應(yīng)為

(3)

式中：H(fK)為復(fù)數(shù)值，表示每個(gè)子載波fK的幅度和相位值。

MIMO技術(shù)則實(shí)現(xiàn)了信號(hào)的分集發(fā)送與接收。假設(shè)發(fā)送天線數(shù)為T，接收天線數(shù)為R，則最多可得到T×R條鏈路。如果通過提取每條鏈路上的CSI數(shù)據(jù)進(jìn)行分析，每個(gè)樣本可得到T×R×30個(gè)子載波，其中30為子載波數(shù)。

在實(shí)際測量中，CSI數(shù)據(jù)的采集過程和數(shù)據(jù)格式如圖2所示。監(jiān)控點(diǎn)(monitor point, MP)接收從接入點(diǎn)(access point, AP)發(fā)來的數(shù)據(jù)包分組，同時(shí)將信道狀態(tài)信息數(shù)據(jù)記錄到一個(gè)dat文件中。dat文件中的數(shù)據(jù)由多個(gè)數(shù)據(jù)包構(gòu)成，而每個(gè)數(shù)據(jù)包又由T×R個(gè)包含30個(gè)子載波的CSI數(shù)據(jù)組成。

無源室內(nèi)定位實(shí)現(xiàn)的關(guān)鍵在于：室內(nèi)人員處于不同位置時(shí)會(huì)引起環(huán)境的不同變化，并對(duì)無線信號(hào)的信道狀態(tài)產(chǎn)生不同影響。因此，有效定位所采用的物理量需要滿足以下兩個(gè)條件：1)在同一個(gè)位置具有穩(wěn)定性；2)在不同位置具有一定的區(qū)分度。

圖2 CSI數(shù)據(jù)格式Fig.2 Format of CSI data

為驗(yàn)證以上兩個(gè)條件，實(shí)驗(yàn)首先在真實(shí)的場景中進(jìn)行了3次CSI數(shù)據(jù)采集。第1次，人體靜止于室內(nèi)某個(gè)點(diǎn)，采集到數(shù)據(jù)樣本1；第2次，間隔一段時(shí)間后，再次采集人體位于該點(diǎn)時(shí)的CSI，得到樣本2；第3次，人體靜止于室內(nèi)另一個(gè)位置得到樣本3。

圖3分別為人體位于同一個(gè)位置(數(shù)據(jù)樣本1和數(shù)據(jù)樣本2)和位于不同位置(數(shù)據(jù)樣本1和數(shù)據(jù)樣本3)時(shí)采集到的CSI幅度，統(tǒng)一選取天線鏈路1-1來進(jìn)行說明。其中橫坐標(biāo)表示1～30個(gè)子載波序列，縱坐標(biāo)表示CSI幅度值。需要說明的是，由于CSI幅度是一個(gè)相對(duì)值，因此這里的信號(hào)幅度沒有單位。

可以看到圖3(a)兩次數(shù)據(jù)的曲線基本上重合，說明人體位于同一個(gè)位置時(shí)信道狀態(tài)的特征是非常類似的，因此具有穩(wěn)定性；圖3(b)表示兩個(gè)位置采集到的CSI數(shù)據(jù)，具有一定的區(qū)分度，可以分辨出兩個(gè)位置。

圖3 同一位置的CSI和不同位置的CSIFig.3 CSI from the same and different location

滿足條件1)、2)，意味著信道狀態(tài)信息可以通過人體位于每個(gè)位置時(shí)產(chǎn)生的不同信號(hào)特征來表征這個(gè)位置，并能與其他的位置進(jìn)行區(qū)分，相當(dāng)于一條“信號(hào)特征-位置”的指紋，從而可以實(shí)現(xiàn)對(duì)室內(nèi)目標(biāo)的無源定位。

2.2 CSI數(shù)據(jù)預(yù)處理

在對(duì)CSI數(shù)據(jù)進(jìn)行樸素貝葉斯分類前，需要對(duì)其進(jìn)行預(yù)處理。訓(xùn)練數(shù)據(jù)的預(yù)處理主要包括異常值處理和歸一化兩部分。

異常值是指明顯偏離平均值的CSI幅度值。如圖4(a)所示，在第15號(hào)子載波上，某個(gè)樣本的幅度出現(xiàn)了明顯的不同，因此可判斷為一個(gè)異常值。異常值的存在僅僅是對(duì)于數(shù)量來講。在室內(nèi)環(huán)境中，往往會(huì)出現(xiàn)多個(gè)比較強(qiáng)的多徑，其表現(xiàn)為CSI幅度也會(huì)呈現(xiàn)出多個(gè)“簇”。圖4(a)中的“異常值”極有可能是另一條多徑形成的簇。在實(shí)驗(yàn)環(huán)境中，發(fā)現(xiàn)大部分位置的分組集中在一個(gè)簇中，而另一簇的分組數(shù)量較少，因此在實(shí)際應(yīng)用中將這一部分的數(shù)據(jù)視為異常值。

本文采用了拉依達(dá)方法檢測異常值并將異常值代替為樣本的均值。拉依達(dá)方法通過將某個(gè)數(shù)據(jù)與同一特征的均值進(jìn)行比較，若差值大于3倍的標(biāo)準(zhǔn)差，則判斷該值為異常值。異常值處理過程的偽代碼如下：

輸入：原始數(shù)據(jù)X

1 for each feature

2 for each sample

3 if |X(s,f)-Xmean(1,f)|>3·Xstd(1,f)

4X(s,f)=Xmean(1,f)

5 end if

6 end for

7 end for

輸出：去除異常值后的數(shù)據(jù)X

其中，X(s,f)表示需處理的數(shù)據(jù)中的第s個(gè)樣本、第f個(gè)特征(子載波)的CSI值；Xmean(1,f)表示第f個(gè)特征值的平均值；Xstd(1,f)表示第f個(gè)特征值的標(biāo)準(zhǔn)差。

圖4 異常值和異常值處理后的CSIFig.4 Abnormal value and CSI after processed

數(shù)據(jù)預(yù)處理的第二部分是歸一化。歸一化是指將每一維度的數(shù)據(jù)轉(zhuǎn)換到0～1的范圍內(nèi)，這可以有效防止某些取值過大的特征對(duì)其他特征產(chǎn)生影響，使得特征間更具有可比性。采用如下方法對(duì)數(shù)據(jù)進(jìn)行歸一化：

(4)

式中：Xnew表示經(jīng)過歸一化處理后的數(shù)據(jù)，Xold表示歸一化前的數(shù)據(jù)。這里用到了所有訓(xùn)練數(shù)據(jù)中的最大和最小值，如果訓(xùn)練數(shù)據(jù)中存在異常值，則會(huì)對(duì)歸一化過程造成嚴(yán)重的干擾。如圖4(a)中，當(dāng)對(duì)第15個(gè)特征進(jìn)行歸一化時(shí)，最小值為異常值，造成歸一化失敗。這也是需要首先進(jìn)行異常值處理的目的。

另外，值得注意的是，通常訓(xùn)練階段的樣本數(shù)遠(yuǎn)多于測試階段的樣本數(shù)。當(dāng)樣本數(shù)較少時(shí)，去除異常值的方法可能會(huì)失效。因此測試階段的數(shù)據(jù)預(yù)處理僅進(jìn)行歸一化即可。

2.3 樸素貝葉斯分類

利用CSI進(jìn)行無源室內(nèi)定位最終可以歸結(jié)為分類的問題。本文采用了機(jī)器學(xué)習(xí)中一個(gè)經(jīng)典的分類算法——樸素貝葉斯分類[11]。樸素貝葉斯分類的理論基礎(chǔ)是貝葉斯公式：

(5)

式中：P(A)表示事件A發(fā)生的概率，P(B)表示事件B發(fā)生的概率，P(A|B)表示事件B發(fā)生的情況下，A發(fā)生的概率，P(B|A)表示事件A發(fā)生的情況下，B發(fā)生的概率。

樸素貝葉斯分類的核心思想是：對(duì)于一個(gè)待分類項(xiàng)，通過計(jì)算該項(xiàng)出現(xiàn)的條件下各個(gè)分類出現(xiàn)的概率，并選取概率最大的類別作為待分類項(xiàng)的類別。樸素貝葉斯分類需要基于兩個(gè)假設(shè)：1)特征之間相互獨(dú)立；2)每個(gè)特征同等重要。

本文采用的樸素貝葉斯分類過程可以概括如下：

1)待分類項(xiàng)：

(6)

式中fm表示待分類數(shù)據(jù)中第m個(gè)特征；

2)類別集合:

(7)

式中Ln表示第n個(gè)位置形成的類別；

3)計(jì)算待分類數(shù)據(jù)在各個(gè)位置類別下出現(xiàn)的概率：

(8)

4)選擇概率最大的所在類為待分類數(shù)據(jù)的類

(9)

根據(jù)貝葉斯公式，式(9)可化為

(10)

這里假設(shè)所有位置都是等概率出現(xiàn)的，則有

(11)

而P(f)為已知量，因此式(10)等價(jià)于求解：

max(P(f|Li))

(12)

根據(jù)特征之間相互獨(dú)立的假設(shè)，得到

P(f|Li)=P(f1|Li)·P(f2|Li)…P(fm|Li)

(13)

當(dāng)特征值不是離散值時(shí)，式(13)需建模為高斯分布:

(14)

式中：fj表示待分類樣本的第j個(gè)特征，Mi表示第i個(gè)位置類別的均值，Di表示第i個(gè)位置類別的標(biāo)準(zhǔn)差。

根據(jù)上面的推導(dǎo)，不難發(fā)現(xiàn)要實(shí)現(xiàn)樸素貝葉斯分類，需要求出每個(gè)位置類別的均值和標(biāo)準(zhǔn)差，這一過程可視為樸素貝葉斯分類的訓(xùn)練過程。

與其他分類算法相似的是，確定數(shù)據(jù)的特征值是算法中非常重要的環(huán)節(jié)。本文將每個(gè)子載波的幅度作為分類的特征值，即式(6)中的每個(gè)特征對(duì)應(yīng)著一個(gè)子載波幅度。

3 置信度方法

為了進(jìn)一步提高位置估計(jì)的正確度，本文提出了置信度的方法。

3.1 置信度的定義

假設(shè)待分類的測試數(shù)據(jù)為

(15)

式中：記sj為測試數(shù)據(jù)中的第j個(gè)樣本，對(duì)sj進(jìn)行樸素貝葉斯分類：

Lj=Bayes(M,D,sj),j=1,2，…,p

(16)

式中：Lj表示對(duì)第j個(gè)樣本的分類結(jié)果。定義置信度為

(17)

式中：mode(Lj)表示所有分類結(jié)果中出現(xiàn)次數(shù)最多的分類位置，而count(mode(Lj))表示該位置的出現(xiàn)次數(shù)，p代表該測試數(shù)據(jù)中總的樣本數(shù)。舉例說明如下，如測試數(shù)據(jù)中有20個(gè)樣本，判斷為位置1的有15個(gè)，剩余5個(gè)樣本判斷為其他位置。這樣，得到出現(xiàn)次數(shù)最多的分類為位置1，其出現(xiàn)的次數(shù)為15次，又因?yàn)闃颖究倲?shù)為20個(gè)，得到置信度15/20=0.75。

3.2 利用置信度來提高分類的正確率

不同天線對(duì)上的位置分類結(jié)果有以下幾種情況，如表1所示。

表1 天線對(duì)分類結(jié)果

單純選擇某對(duì)天線對(duì)的分類結(jié)果會(huì)使另一對(duì)天線對(duì)上的信息丟失，需要盡可能利用每對(duì)天線對(duì)上的分類結(jié)果，做出更加可靠的分類結(jié)果。

置信度正是為了用于衡量分類的可信度而提出的。當(dāng)可信度低于一定水平時(shí)，分類結(jié)果的可靠性就比較低。需要綜合其他天線對(duì)的分類結(jié)果進(jìn)行判斷。具體而言，利用置信度來提高分類準(zhǔn)確度的過程為：通過對(duì)某個(gè)位置CSI數(shù)據(jù)中的所有測試樣本進(jìn)行樸素貝葉斯分類后，得到估計(jì)的位置和置信度，而最終位置為置信度最大的天線對(duì)所對(duì)應(yīng)的估計(jì)位置。

4 實(shí)驗(yàn)設(shè)計(jì)

4.1 實(shí)驗(yàn)平臺(tái)

實(shí)驗(yàn)平臺(tái)主要分成接入點(diǎn)(AP)和監(jiān)控點(diǎn)(MP)兩部分。AP使用普通的無線路由器，型號(hào)為TP-LINK WR842 N，其有兩根天線。MP為安裝了Intel 5300無線網(wǎng)卡的Compaq筆記本，其操作系統(tǒng)為Ubuntu 10.04 LTS。

根據(jù)AP和MP的天線數(shù)，理論上最多可以產(chǎn)生2×3=6條天線對(duì)鏈路，但在實(shí)際中MP僅有2條天線接入，因此最多的鏈路數(shù)為4。此外，由于受到環(huán)境波動(dòng)、設(shè)備工作狀態(tài)等因素影響，能夠穩(wěn)定提取到的鏈路數(shù)在2～4。為避免數(shù)據(jù)格式不一致對(duì)算法造成的影響，本文選取了天線對(duì)1-1和1-2進(jìn)行研究。

在數(shù)據(jù)采集時(shí)，人體靜止于房間內(nèi)某個(gè)位置，MP接收來自AP的數(shù)據(jù)包，并從中提取出CSI數(shù)據(jù)。CSI數(shù)據(jù)中包含了人體的位置信息。

4.2 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置

選擇兩種不同的室內(nèi)環(huán)境進(jìn)行實(shí)驗(yàn)。第一種環(huán)境是在實(shí)驗(yàn)室中，如圖5(a)，這種環(huán)境相對(duì)具有較多的多徑。第二種環(huán)境是在一個(gè)相對(duì)空曠的教室里，如圖5(b)，對(duì)應(yīng)于受到多徑效應(yīng)較少的環(huán)境。

圖5 實(shí)驗(yàn)環(huán)境Fig.5 Experiment environment

如圖6(a)所示的環(huán)境1中，房間大小為7.2 m×7.2 m，選取19個(gè)數(shù)據(jù)采集點(diǎn)；如圖6(b)所示的環(huán)境2中，房間大小為5 m×15 m，數(shù)據(jù)點(diǎn)數(shù)量為30個(gè)且均勻分布于測試區(qū)域中。在兩種環(huán)境中，位置點(diǎn)之間的距離均在1～1.2 m，每個(gè)點(diǎn)的采集時(shí)間均為80 s。AP高度為20 cm，MP高度為38 cm。在每個(gè)采集點(diǎn)，人體的朝向與姿勢保持一致。另外，為了證明本文方法同樣適用于環(huán)境中沒有目標(biāo)的情況，本文增加了對(duì)室內(nèi)無人時(shí)的CSI數(shù)據(jù)采集，并同樣將其視為一個(gè)位置分類。

對(duì)于每個(gè)點(diǎn)采集到的CSI數(shù)據(jù)，選取其中的20個(gè)分組用于對(duì)算法的性能進(jìn)行測試，其余分組則用于算法訓(xùn)練。

圖6 數(shù)據(jù)采集點(diǎn)分布Fig.6 Distribution of data collecting points

5 實(shí)驗(yàn)結(jié)果

5.1 樸素貝葉斯算法的性能

利用樸素貝葉斯方法對(duì)位置進(jìn)行分類，實(shí)驗(yàn)選取兩種環(huán)境下的1-1和1-2天線對(duì)數(shù)據(jù)，同時(shí)將無人環(huán)境的數(shù)據(jù)分別記為第20個(gè)位置和第31個(gè)位置。記錄每個(gè)位置20次測試分組的分類結(jié)果，畫出其混淆矩陣，如圖7所示，其中，顏色條表示分類效果，顏色越深表明分類效果越好。每個(gè)色塊的顏色深淺表示該位置分類到某個(gè)位置的數(shù)量。對(duì)角線的顏色越深，表明該位置的分類效果越好。

圖7 貝葉斯分類效果Fig.7 Performance of naive Bayes

總體來看，大部分的結(jié)果集中于對(duì)角線上，即獲得了正確的位置分類。圖7(a)和(b)中的位置14和位置16、位置19等，由于處于室內(nèi)的墻角，人體位于這些位置時(shí)對(duì)環(huán)境造成的影響較小，因此分類效果變差。圖7(c)和(d)是環(huán)境2下的分類效果。環(huán)境2由于受到較少的多徑效應(yīng)，其總體分類效果比環(huán)境1好。同時(shí)，位置20和位置31，即無人環(huán)境時(shí)，也得到了較好的分類效果，這說明本文方法同樣適用于環(huán)境中沒有目標(biāo)的情況。

另外，還可以發(fā)現(xiàn)，同一環(huán)境下的同一個(gè)位置，不同的天線對(duì)上的分類效果是存在差異的，如環(huán)境1中的位置2、環(huán)境2的位置24等，雖然其中的一對(duì)天線對(duì)分類效果較差，但另一對(duì)則可能獲得較好的分類效果。

5.2 置信度方法的性能

在5.1節(jié)的基礎(chǔ)上，引入了置信度的方法，觀察置信度方法對(duì)性能的影響。圖8為兩種環(huán)境下不同方法的分類正確率。分別用樸素貝葉斯方法對(duì)天線對(duì)1-1和1-2進(jìn)行位置分類，并與置信度方法進(jìn)行比較。

圖8 置信度方法的性能Fig.8 Performance of the confidence method

從圖8中可以看到，環(huán)境1中兩對(duì)天線對(duì)的性能非常接近，正確率都在62.5%；而在環(huán)境2中，天線對(duì)1-1的性能比1-2好10%左右。由于受到較少的多徑干擾，環(huán)境2的分類正確率要比環(huán)境1高。在采用置信度的方法后，在兩種環(huán)境下的定位準(zhǔn)確率都比單純采用樸素貝葉斯得到了提升。本文提出的置信度方法利用了不同天線對(duì)上的信息，起到了分集的作用，最終的分類正確率在90%以上。

6 結(jié)論

1)利用了普通筆記本和Intel 5300網(wǎng)卡不需要其他的特殊設(shè)備實(shí)現(xiàn)了室內(nèi)人體無源定位。在準(zhǔn)確率和穩(wěn)定性方面相比傳統(tǒng)的方法具有較大的優(yōu)勢，同時(shí)系統(tǒng)實(shí)現(xiàn)的成本較低，有利于普及；

2)將信道狀態(tài)信息與機(jī)器學(xué)習(xí)中的樸素貝葉斯分類方法結(jié)合來完成室內(nèi)定位方案。實(shí)驗(yàn)結(jié)果表明，本文方法具有較高的準(zhǔn)確率；

3)引入了置信度的指標(biāo)，綜合多條天線對(duì)的結(jié)果，進(jìn)一步提高了分類準(zhǔn)確度。置信度方法可在原來基礎(chǔ)上提升20%左右的性能，對(duì)定位精度具有較大改善。

本文方法在某些方面仍然具有改進(jìn)空間，如增加可用天線鏈路的數(shù)量等。針對(duì)多目標(biāo)及運(yùn)動(dòng)目標(biāo)定位等更復(fù)雜的情況則需要進(jìn)一步的深入研究，本文的無人環(huán)境和靜止單目標(biāo)定位工作可為以后深入研究提供技術(shù)基礎(chǔ)。

[1]徐定杰, 呂東澤, 沈鋒. GPS輻射源的無源雷達(dá)兩級(jí)干擾抑制方法[J]. 哈爾濱工程大學(xué)學(xué)報(bào)，2012, 33(3): 336-341. XU Dingjie, LYU Dongze, SHEN Feng. A two-stage disturbance cancellation method for GPS based passive radar[J]. Journal of Harbin Engineering University, 2012, 33(3): 336-341.

[2]CROW B P, WIDJAJA I, KIM J G, et al. IEEE 802.11 wireless local area networks[J]. IEEE communications magazine, 1997, 35(9): 116-126.

[3]LI Z, BRAUN T, DIMITROVA D C. A passive WiFisource localization system based on fine-grained power based trilateration.[C]//World of Wireless, Mobile and Multimedia Networks, 2015: 1-9.

[4]LIU H, DARABI H, BANERJEE P, et al. Survey of wireless indoor positioning techniques and systems[J]. IEEE transactions on systems man & cybernetics part C, 2007, 37(6): 1067-1080.

[5]ELNAHRAWY E, LI X, MARTIN R P. The limits of localization using signal strength: a comparative study[C]// IEEE Secon First IEEE Communications Society Conference on Sensor & Ad Hoc Communications & Networks， 2004: 406-414.

[6]HALPERIN D, HU W, SHETH A, et al. Predictable 802.11packet delivery from wireless channel measurements[J].ACM sigcomm computer communication review, 2010, 40(4): 159-170.

[7]ZHOU Z, YANG Z, WU C, et al. Towards omnidirectio-nal passive Human Detection[J]. Proceedings of IEEE INFOCOM, 2013, 12(11): 3057-3065.

[8]LI B, SALTER J, DEMPSTER A G, et al. Indoor positioning techniques based on wireless LAN[C]// IEEE International Conference on Lan， 2007: 13-16.

[9]朱榮, 白光偉, 沈航, 等. 基于貝葉斯過濾法的CSI室內(nèi)定位方法[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2015(3): 567-571. ZHU Rong, BAI Guangwei, SHEN Hang, et al. Bayesian filtering based CSI indoor localization method[J]. Computer engineering and design, 2015, 36(3): 567-571.

[10]畢曉君, 夏曉蕾. 基于自適應(yīng)匹配追蹤的MIMO-OFD-M窄帶干擾檢測[J]. 哈爾濱工程大學(xué)學(xué)報(bào), 2015(9): 1287-1291. BI Xiaojun, XIA Xiaolei. Narrow band interference detection forMIMO-OFDM systems based on sparsityadaptive matching pursuit[J]. Journal of Harbin Engineering University, 2015(9): 1287-1291.

[11]WU X, KUMAR V, QUINLAN J R, et al. Top 10 algorithms in data mining[J]. Knowledge & information systems, 2007, 14(1): 1-37.

本文引用格式：

吳哲夫，徐強(qiáng)，王中友，等. 基于信道狀態(tài)信息的無源室內(nèi)定位[J]. 哈爾濱工程大學(xué)學(xué)報(bào)， 2017， 38(8): 1328-1334.

WU Zhefu, XU Qiang, WANG Zhongyou, et al. Passive indoor human localization based on channel state information[J]. Journal of Harbin Engineering University， 2017， 38(8): 1328-1334.

Passive indoor human localization based on channel state information

WU Zhefu1, XU Qiang1, WANG Zhongyou2, CHEN Bin3, XUAN Qi1

(1.College of Information Engineering, Zhejiang University of Technology, Hangzhou 310023, China; 2.China Comservice Hangzhou Construction Co., Ltd., Hangzhou 310050, China; 3.College of Art, Zhejiang University of Technology, Hangzhou 310023, China)

To deal with the shortcomings of indoor localization in terms of accuracy and stability, a method based on channel state information (CSI) was proposed to realize passive indoor positioning. A platform was set up with off-the-shelf equipment to collect CSI data. During the offline stage of the method, gathered data from each location were stored as a fingerprint in the database. During the online stage, naive Bayes classification from machine learning was utilized to classify the locations. Furthermore, the degree of confidence was proposed to combine the estimation from different antenna pairs. Result shows that the proposed method can effectively realize passive indoor human localization with an accuracy of more than 90%.

passive localization; orthogonal frequency division multiplexing; multiple input multiple output; channel state information; outlier; fingerprint; naive Bayes classification; degree of confidence

2016-05-02.

日期：2017-04-27.

國家自然科學(xué)基金項(xiàng)目(61273212); 浙江省自然科學(xué)基金項(xiàng)目(LY13F010011,LY14F050004); 浙江省科技廳重大專項(xiàng)項(xiàng)目(2014NM002).

吳哲夫(1971-), 男, 副教授.

吳哲夫，E-mail: wzf@zjut.edu.cn.

10.11990/jheu.201605001

TP393

A

1006-7043(2017)08-1328-07

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/23.1390.u.20170427.1413.060.html