CN107241696B

CN107241696B - 基于信道状态信息的多径效应辨别方法和距离估计方法

Info

Publication number: CN107241696B
Application number: CN201710506034.1A
Authority: CN
Inventors: 陈益强; 李啸海; 彭晓晖; 于佃存
Original assignee: Institute of Computing Technology of CAS
Current assignee: Institute of Computing Technology of CAS
Priority date: 2017-06-28
Filing date: 2017-06-28
Publication date: 2020-05-26
Anticipated expiration: 2037-06-28
Also published as: CN107241696A

Abstract

本发明提供一种基于信道状态信息的多径效应辨别方法。该方法包括：从采集的待测试点的信道状态信息数据中提取反应多径效应的特征；以所述特征作为输入，利用多径效应强弱分类模型判断所述待测试点的多径效应情况，其中，所述多径效应分类模型是基于历史的信道状态信息数据中提取的特征利用分类算法通过训练而获得。通过本发明的方法，能够基于信道状态信息数据中的时域频域特征来判断多径效应强弱的情况，并可进一步用于终端的距离估计或定位中。

Description

基于信道状态信息的多径效应辨别方法和距离估计方法

技术领域

本发明涉及通信技术领域，尤其涉及一种基于信道状态信息(CSI)的多径效应辨别方法。

背景技术

随着智能终端设备和移动互联网技术的快速发展，以及大量传感器在移动智能设备中的普遍使用，基于位置的服务得到越来越广泛的应用。例如，在商场中，通过对顾客的移动位置轨迹进行分析来开展个性化服务和商品推荐工作；在监狱、工厂或者煤矿安全监控中，通过获取移动终端的移动轨迹，可以对移动人员进行监控管理。

在现有技术中，室外用户的移动运动轨迹信息可利用全球定位***(GPS)或北斗定位***，但是对于室内用户，由于建筑物对卫星信号的遮挡，GPS等定位***无法进行准确定位，通常采用红外线定位、超声波定位、射频识别定位、蓝牙定位、基于wifi信号强度的室内定位等方法。

然而，目前广泛应用的基于wifi信号强度的室内定位方法只能反映整个信道的信号接收强度，不能很好地排除多径效应的干扰，多径效应成为影响室内定位精度的一个重要因素。

因此，需要对现有技术进行改进，以提供准确的多径效应的辨别方法并根据辨别的多径效应来进一步定位终端用户的移动轨迹。

发明内容

本发明的目的在于克服上述现有技术的缺陷，提供基于信道状态信息的多径效应辨别方法和距离估计方法。

根据本发明的第一方面，提供了一种基于信道状态信息的多径效应辨别方法。该方法包括以下步骤：

步骤1：从采集的待测试点的信道状态信息数据中提取反应多径效应的特征；

步骤2：以所述特征作为输入，利用多径效应强弱分类模型判断所述待测试点的多径效应情况，其中，所述多径效应分类模型是基于历史的信道状态信息数据中提取的特征利用分类算法通过训练而获得。

在本发明的多径效应辨别方法中，所述特征包括信道状态信息数据中时域视距路径信号强度与非视距路径信号强度的比值、信道状态信息数据的频域方差、信道状态信息数据的频域偏度。

在本发明的多径效应辨别方法中，所述时域视距路径信号强度与非视距路径信号强度的比值是信道状态信息数据经过傅里叶变换后得到的时域30个子波中，第一个子波的幅值与其他29个子波子波幅值之和的比值。

在本发明的多径效应辨别方法中，所述分类算法包括决策树、贝叶斯算法、神经网络算法、支持向量机。

根据本发明的第二方面，提供了一种基于信道状态信息的距离估计方法。该方法包括：

步骤51：根据本发明的多径效应辨别方法获得待测试点的多径效应情况；

步骤52：基于所述多径效应情况筛选出受多径效应干扰小的点；

步骤53：根据所筛选出的受多径效应干扰小的点对应的接收信号强度指示估计各测试点的距离。

在本发明的距离估计方法中，步骤52包括：对于每个待测试的点，计算出判别为多径效应弱的数据占该点总数据的百分比，如果该百分比超过预定的阈值，则认为该点是受多径效应干扰较小的点。

在本发明的距离估计方法中，所述阈值为60％。

在本发明的距离估计方法中，步骤53包括根据以下公式估计各测试点的距离：

其中，RSSI(d)是传播距离d后的RSSI值，RSSI(d₀)是在距离参考点d₀处的RSSI值，n是路径损耗指数，X_σ是反映遮挡导致的能量衰减的一个随机变量。

与现有技术相比，本发明的优点在于：通过从信道状态信息(CSI)数据中提取反应多径效应的特征，利用分类模型来判断终端在各个点的受多径效应干扰的情况；利用受多径效应干扰小的点计算终端距离，提高了终端的定位精度。

附图说明

以下附图仅对本发明作示意性的说明和解释，并不用于限定本发明的范围，其中：

图1示出了根据本发明一个实施例的基于CSI的多径效应辨别方法的流程图。

图2是wifi***中各个子波的幅值示意图。

图3示出了根据本发明一个实施例的决策树的示意图。

图4示出了根据本发明一个实施例的基于CSI的距离估计方法的流程图。

图5示出了本发明的距离估计方法与现有的平均距离估计方法的误差对比图。

具体实施方式

为了使本发明的目的、技术方案、设计方法及优点更加清楚明了，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

图1示出了根据本发明一个实施例的基于CSI的多径效应辨别方法的流程图。具体包括以下步骤：

1)S110，采集CSI数据

CSI是用于衡量信道状况的信道状态信息(Channel State Information)，其能够更细粒度的描述无线信道状态，并可靠的区分多径成分。

可利用笔记本路由器等设备采集各种典型场景的CSI数据，例如，采集多径效应干扰较小的场景(如室外足球场)和多径效应干扰较大的场景(如室内工位区)以及大厅、走廊等。具体地，对于每种场景，可设置每隔一定距离采集一点，例如每隔0.5m或1m，采集各个点对应的CSI值。

2)S120，对采集的CSI数据提取特征

此步骤的目的在于从CSI数据中提取反应多径效应成分的特征。

首先，对于采集的各点数据，利用傅里叶逆变换进行处理，将其转换为时域信号；然后，从处理之后的数据中提取特征，所提取的特征包括CSI时域视距路径信号强度与非视距路径信号强度的比值，例如，对于wifi***，对CSI数据做傅里叶逆变换之后得到的时域30个子波中第一个子波的幅值与其他29个子波幅值之和的比值(参见图2)，该比值越大表示多径效应越弱；CSI数据的频域方差，即CSI信号30个子波的频域幅值的方差，该频域方差越小表示多径效应越弱；CSI数据的频域偏度，即CSI信号30个子波的频域幅值的偏度，该偏度越小则表示多径效应越弱。对于傅里叶逆变换过程的特征提取过程属于现有技术，在此不再赘述。

CSI反映子载波信道的频率特性，包含振幅和相位两种信息。对CSI的子波做傅里叶逆变换，能够将信号从频域转换到时域，清晰的观测到信号沿着不同路径到达接收端的信号强度。通过这种方式，多径效应情况能够很好地从这些时域和频域信号中反映出来，所提取的时域频域特征可较精确地表征接收端受多径效应干扰的强弱程度。

4)S130，根据提取的特征生成训练样本

以从CSI数据中提取的特征组成特征向量，加上环境类别标识，生成训练样本，参见表1示意的训练样本。

表1

在此步骤中，为了清楚起见，仅以示例性的方式描述了少量数据，本领域的技术人员应理解，在实际的应用中，对于每种场景下的不同位置，可多次采集数据作为训练样本，从而提高分类的准确性。

5)S140，利用训练样本训练分类模型

根据由所有训练样本组成的训练集合，利用分类算法，训练分类模型，以获得各个数据采集点的多径效应强弱的辨别模型。

采用的分类算法包括决策树、贝叶斯算法、神经网络算法、支持向量机(SVM)等。

以决策树为例，其是一个树结构，每个非叶节点表示一个特征，例如，本实施例中的CSI时域视距路径信号强度与非视距路径信号强度的比值、频域方差、频域偏度等，每个分支代表这个特征在某个值域上的输出，而每个叶节点存放一个类别，例如，分类为多径效应强或多径效应弱两种类别。使用决策树进行决策的过程就是从根节点开始，测试待分类项中相应的特征属性，并按照其值选择输出分支，直到到达叶子节点，将叶子节点存放的类别作为决策结果。

图3示出了基于表1中的训练样本生成决策树的示意图，例如，可将CSI时域视距路径信号强度与非视距路径信号强度的比值阈值定义为5，频域方差阈值定义为1，频域偏度阈值定义为0.5，对表1的示意的训练样本进行多径效应强弱的分类判断，例如，样本10、11、13、15、18判断为多径效应弱，而其他样本判断为多径效应强。

图4示出了根据本发明一个实施例的利用获得的分类模型的进行多径效应辨别和距离估计方法的流程图。

1)S410，采集测试数据并提取CSI数据特征

在此步骤中包括采集需要测试的CSI数据提取CSI数据特征，具体过程与步骤S110和步骤S120相同。此外，对于各个采集点同时采集接收到的信号强度指示(RSSI)。

2)S420，以提取的特征为输入利用训练好的分类模型辨别多径效应情况

在此步骤中，对于待测试的各点，将所采集的CSI数据提取的特征作输入训练好的分类模型，即可获得各点多径效应强弱判断结果。

3)S430，筛选出受多径效应干扰小的点

在一个采集点对应多个采集数据的情况下，根据多径效应强弱判别结果，计算出每个点被判别为多径效应弱的数据占该点总数据的百分比。例如，如果该百分比超过某个阈值(例如60％)，则认为该点是受多径效应干扰较小的点。

4)S440，根据所筛选出的点的RSSI估计距离

把筛选出来的点的RSSI数据带入路径损耗传播模型进行距离估计。

例如，一种适合于复杂室内环境的路径损耗模型是对数距离路径损耗模型LDPL(Log-normal Distance Path Loss)，表示为：

其中，PL(d)是传播距离d后路径损耗，单位是dB；

是在距离参考点d₀处的路径损耗，可通过实际测量获得，例如，距离为1米时的参考路径损耗；n是路径损耗指数，标明路径损耗随距离增长的速率，其依赖于周围环境和建筑物类型；X_σ是反映遮挡导致的能量衰减的一个随机变量。

对数距离损耗模型与RSSI的对应关系为：

其中，RSSI(d)是传播距离d后的RSSI值，RSSI(d₀)是在参考点d₀处的RSSI值。

通过将筛选出的受多径效应干扰小的点对应的RSSI值，代入到公式(2)中即可获得该点的距离估计，通过这种方式可以测量出移动终端的运动轨迹，从而提供终端尤其是室内终端的定位精度。

为了进一步验证本发明的效果，图5示出了本发明的距离估计方法和现有的平均距离估计方法的误差对比，其中，分别示出了走廊、工位、大厅三种典型的室内场景，纵轴为平均距离估计误差(米)，可以看出，采用本发明筛选弱多径效应点估计的误差明显小于未做筛选的平均距离估计误差。

总上所述，本发明通过基于CSI的多径效应强弱判别模型能够准确地选出受多径效应干扰较小的点，为室内定位提供用于轨迹约束的辅助定位点。

本发明的方法可以应用于wifi***、WCDMA***或LTE等无线***，用于判断终端移动过程中的多径效应程度以及定位终端位置。

需要说明的是，虽然上文按照特定顺序描述了各个步骤，但是并不意味着必须按照上述特定顺序来执行各个步骤，实际上，这些步骤中的一些可以并发执行，甚至改变顺序，只要能够实现所需要的功能即可。

本发明可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以包括但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims

1.一种基于信道状态信息的多径效应辨别的距离估计方法，包括以下步骤：

步骤1：从采集的待测试点的信道状态信息数据中提取可表征受多径效应干扰的强弱程度的特征，所述特征包括信道状态信息数据中时域视距路径信号强度与非视距路径信号强度的比值，信道状态信息数据的频域方差，以及信道状态信息数据的频域偏度；

步骤2：以所述特征作为输入，利用多径效应强弱分类模型判断所述待测试点受多径效应干扰的强弱程度，其中，所述多径效应强弱分类模型是基于历史的信道状态信息数据中提取的所述特征利用分类算法通过训练而获得；

步骤3：基于所述待测试点受多径效应干扰的强弱程度，确定受多径效应干扰小的点，并且利用所述受多径效应干扰小的点的无线信号估计各待测试点的距离。

2.根据权利要求1所述的方法，其中所述多径效应强弱分类模型基于决策树分类算法训练获得，并且所述步骤2包括：针对一个待测试点，判断其时域视距路径信号强度与非视距路径信号强度的比值是否小于等于所述决策树相应节点阈值，若是，则将所述待测试点分类为多径效应强，否则继续随后的步骤；判断所述待测试点的频域方差是否大于所述决策树相应节点阈值，若是，则将所述待测试点分类为多径效应强，否则继续随后的步骤；判断所述测试点的频域偏度是否大于所述决策树相应节点阈值，若是，则将所述待测试点分类为多径效应强，否则将所述待测试点分类为多径效应弱。

3.根据权利要求1所述的方法，其中，所述时域视距路径信号强度与非视距路径信号强度的比值是信道状态信息数据经过傅里叶变换后得到的时域30个子波中，第一个子波的幅值与其他29个子波子波幅值之和的比值。

4.根据权利要求1所述的方法，其中，所述分类算法为决策树、贝叶斯算法、神经网络算法或支持向量机之一。

5.根据权利要求1所述的方法，其中步骤3包括：

对于每个待测试的点，计算出判别为多径效应弱的数据占该点总数据的百分比，如果该百分比超过预定的阈值，则认为该点是受多径效应干扰较小的点。

6.根据权利要求5所述的方法，其中，所述阈值为60％。

7.根据权利要求1所述的方法，其中，步骤3包括根据以下公式估计各测试点的距离：

其中，RSSI(d)是传播距离d后的RSSI值，RSSI(d₀)是在距离参考点处的RSSI值，n是路径损耗指数，X_σ是反映遮挡导致的能量衰减的一个随机变量。

8.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现根据权利要求1至7中任一项所述方法的步骤。

9.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7中任一项所述的方法的步骤。