CN113286309A - 基于csi的异构通信方法及*** - Google Patents
基于csi的异构通信方法及*** Download PDFInfo
- Publication number
- CN113286309A CN113286309A CN202110554717.0A CN202110554717A CN113286309A CN 113286309 A CN113286309 A CN 113286309A CN 202110554717 A CN202110554717 A CN 202110554717A CN 113286309 A CN113286309 A CN 113286309A
- Authority
- CN
- China
- Prior art keywords
- csi
- zigbee
- wifi
- signal
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于CSI的异构通信方法及***,所述方法至少包括:在ZigBee信号以在频域重叠的方式与WiFi信号重叠并嵌入CSI序列的情况下,接收WiFi信号并基于分类模型对含有ZigBee编码的CSI序列的信息特征进行分类。在WiFi信号与ZigBee信号存在重叠频谱分布的基础上,本发明通过分析编码的ZigBee信号通过重叠频谱引起的干扰WiFi CSI序列,可以建立直接的接触,在不兼容的无线设备之间实现直接通信。
Description
技术领域
本发明涉及无线通信技术领域,尤其涉及一种基于CSI的异构通信方法及***。
背景技术
跨技术通信(CTC)旨在在不需要额外硬件的情况下,在不兼容的无线设备之间实现直接通信。关键的挑战是将符号信息嵌入物理频谱中,从而可以通过另一种异构通信协议对其进行精确解码。
根据IOT Analytics的预测,到2025年,全球活跃的物联网设备数量将达到220亿台。物联网设备的丰富多样性给异构设备的互联带来了挑战。这将导致无线频谱的拥塞。使用不同无线技术(如WiFi、ZigBee和蓝牙)的设备在公共空间共存时必须共享未经许可的频谱(如ISM频段)。
传统上,桥接无线技术通过多个无线网关实现异构设备之间的间接连接。网关也称为协议转换器,是用于网络间信息传输和交换的网际连接器。通过配备多个无线接口,本地网关可以转换来自不同设备的数据,遵循不同的通信标准。然而,这种方法会带来额外的硬件、维护成本、部署复杂性和进出网关的流量开销。
现有技术提出了一种跨协议通信技术,可以在不兼容的设备之间进行直接通信,而无需额外的硬件。现有的跨协议通信技术可分为包级跨协议通信和物理级跨协议通信。包级跨协议通信技术的核心思想是将传输的符号信息嵌入包级特征(包括包长、时间信息、序列特征等),从而实现WiFi、ZigBee和蓝牙之间的直接通信和跨技术通信。但是,包级跨协议通信技术的核心思想是将传输的符号信息嵌入包级特征,从而实现WiFi、ZigBee和蓝牙之间的直接通信和跨技术通信。包级跨技术通信由于受到包的数量和能量的限制,无法实现较高的吞吐率。
例如,中国专利CN107682830B公开了一种ZigBee到WiFi的通信方法及装置。该通信方法包括:第二WiFi终端获取第一WiFi终端到所述第二WiFi终端的WiFi链路的链路信息,其中所述链路信息至少包括第一频段和子信道在每一个解码窗口内的CSI序列;所述第二WiFi终端对每一段CSI序列进行解析以获取每一位待发送数据,其中所述子信道在第二频段的覆盖范围内,所述第二频段为ZigBee终端发送ZigBee数据包的频段且所述第二频段在所述第一频段的覆盖范围内,所述ZigBee终端用于对待发送数据进行解析以判定在与每一位待发送数据相对应的预设发送窗口是否发送ZigBee数据包,若发送,则在与所述发送窗口相对应的时间段内,在所述第二频段发送所述ZigBee数据包,所述解码窗口与所述发送窗口相对应且两者的长度相等。
例如,中国专利CN107750061B公开了一种ZigBee到WiFi的自适应通信方法。所述方法包括第二WiFi终端在第一频段向第一WiFi终端和ZigBee终端发送第一数据和第二数据,以供所述第一WiFi终端根据所述第一发送功率、所述WiFi包长和所述WiFi包间隔在所述第一频段建立一条所述第一WiFi终端到第二WiFi终端的WiFi链路,所述ZigBee终端根据对待发送数据的解析判定是否在与每一位待发送数据相对应的发送窗口发送ZigBee数据包;所述第二WiFi终端获取所述WiFi链路的链路信息的CSI信息并解析得到所述待发送数据。
但是,现有技术中的桥接无线技术通过多个无线网关实现异构设备之间的间接连接。这种方法会带来额外的硬件、维护成本、部署复杂性和进出网关的流量开销。
本发明希望提供一种CSI的异构通信方法及***,能够不需要额外的硬件支持来实现ZigBee到WiFi的异构通信。
此外,一方面由于对本领域技术人员的理解存在差异;另一方面由于发明人做出本发明时研究了大量文献和专利,但篇幅所限并未详细罗列所有的细节与内容,然而这绝非本发明不具备这些现有技术的特征,相反本发明已经具备现有技术的所有特征,而且申请人保留在背景技术中增加相关现有技术之权利。
发明内容
针对现有技术之不足,本发明提供一种基于CSI的异构通信方法,所述方法至少包括:在ZigBee信号以在频域重叠的方式与WiFi信号重叠并嵌入CSI序列的情况下,接收WiFi信号并基于分类模型对含有ZigBee编码的CSI序列的信息特征进行分类。本发明通过利用ZigBee信号与WiFi信号在重叠频域对WiFi信号造成的信号变化影响来选择含有ZigBee信号信息的CSI序列,通过对CST序列进行分类来获取ZigBee信号信息。本发明使得ZigBee发送终端发送的ZigBee信号嵌入WiFi信号进行传输并且能够被WiFi接收终端接收并获取ZigBee信号信息,实现了不设置额外的硬件就能够使得ZigBee发送终端与被WiFi接收终端之间进行通信的良好效果。
优选地,所述方法还包括:提取CSI序列的振幅特征,基于CSI序列波动的振幅特征和限定振幅范围选择含有ZigBee编码的CSI序列。由于ZigBee信号会使得WiFi信号的振幅明显增大,因此通过振幅范围的选择能够准确筛选到含有ZigBee信息的CSI序列。
优选地,所述方法还包括:基于至少一种深度学习算法提取含有ZigBee编码的CSI序列的信息特征。通过深度学习算法能够精确地提高信息特征提取的准确度,从而更准确的获取ZigBee信息。
优选地,所述方法还包括:基于至少一种神经网络分类模型对所述含有ZigBee编码的CSI序列的信息特征进行分类。通过神经网络模型将若干种信息特征进行快速、准确的分类,实现高达95%的识别准确精度,比现有技术中通过硬件转接进行异构通信的设备的准确度高。
优选地,所述信息特征至少包括CSI值的方差、时域峰间、峰度、偏倚、标准差、均值、模态、中值中的一种及其组合。信息特征是由于WiFi信号受到ZigBee信号嵌入的影响以后显现出的特征。因此,通过单一的信息特征能够选择得到含有ZigBee信号的WiFi的CSI序列。不仅如此,信息特征越多,越能够准确筛选得到含有ZigBee信号的WiFi的CSI序列。
优选地,所述方法还包括:在接收WiFi信号后,基于接收天线的信号强度来选择至少一个接收天线及其CSI序列信息。对于多个接收天线,受到传输环境的影响以及信号路径的影响,有的接收天线接收到的振幅变化较大的WiFi信号比较多,有的接收天线接收到的振幅变化较大的WiFi信号少,因此,通过接收天线的选择能够获取更多的含有ZigBee信息的WiFi信号的CSI序列,提高获取ZigBee信息的准确度。
本发明还提供一种基于CSI的异构通信***,所述***至少能够接收WiFi信号的接收模块和解析装置,所述解析装置至少包括特征提取模块和分类模块,所述接收模块接收WiFi信号,在ZigBee信号以在频域重叠的方式与WiFi信号重叠并嵌入CSI序列的情况下,所述分类模块基于分类模型对由所述特征提取模块提取的含有ZigBee编码的CSI序列的信息特征进行分类。本发明的通信***,能够通过将ZigBee信号与WiFi信号共用频域的方式将ZigBee信号与WiFi信号共同接收,并且能够根据信息特征筛选出含有ZigBee信息的CSI序列,能够准确的提取CSI内的ZigBee信息,准确率高达95%。本发明的异构通信***,接收端仅需要WiFi接收端和解析装置,不需要设置额外的信息转换硬件,因此不需要更多的硬件维护。本发明的异构通信***的硬件设置更简单,解析精确度更高。
优选地,所述解析装置还包括预处理模块,所述预处理模块提取CSI序列的振幅特征,基于CSI序列波动的振幅特征和限定振幅范围选择含有ZigBee编码的CSI序列。预处理模块的设置,能够提取将不含有ZigBee信号的WiFi信号排出,减少特征提取模块和分类模块的数据处理量。
优选地,所述特征提取模块基于至少一种深度学习算法提取含有ZigBee编码的CSI序列的信息特征。特征提取模块中的深度学习算法,通过对样本数据的学习训练能够精确地对信息特征进行提取。
本发明还提供一种基于CSI异构通信***的网络框架,至少包括特征提取层和分类层,在ZigBee信号以在频域重叠的方式与WiFi信号重叠并嵌入CSI序列的情况下,所述分类层基于分类模型对由所述特征提取层提取的含有ZigBee编码的CSI序列的信息特征进行分类。本发明的网络框架为LSTM网络框架,利用时间序列CSI数据的序列相关性进行鲁棒信息解码。
优选地,基于CSI异构通信***的网络框架还包括预处理层,预处理层提取CSI序列的振幅特征,基于CSI序列波动的振幅特征和限定振幅范围选择含有ZigBee编码的CSI序列。
附图说明
图1是本发明的异构通信***结构示意图;
图2是WiFi与ZigBee的频谱分布示意图;
图3是ZigBee传输对WiFi CSI的影响的曲线示意图;
图4是分类器窗口大小与支持向量机准确率的关系示意图;
图5是LSTM网络结构图;
图6是本发明的实验装置设置图。
附图标记列表
10:样本数据集;20:测试数据集;30:接收模块;40:预处理模块;50:特征提取模块;60:分类模块。
具体实施方式
下面结合附图进行详细说明。
本发明提供一种基于CSI的异构通信方法及***,也可以是一种通信装置,或者一种基于机器学习和深度学习的CTC***。
本发明中,基于CSI的异构通信是指将ZigBee信息以频域重叠的方式嵌入wifi的CSI序列中,从而接收WiFi的CSI序列就能够接收到ZigBee信息的跨协议通信***。
现有技术中,从ZigBee到WiFi的信号的发送需要多种硬件才能够实现,如此的缺陷在于,硬件较多且部署复杂,存在额外的维护成本和进出网关的流量开销。如何在不需要额外硬件的情况下,在不兼容的无线设备之间实现直接通信,是现有技术一直没有解决的技术问题。
本发明的基本思想是,由于两种协议都具有重叠频谱分布,通过分析编码的ZigBee信号通过重叠频谱引起的干扰WiFi的CSI序列,可以建立直接的接触。本发明提出了一种新的长短时记忆(LSTM)网络框架,该框架研究了时间序列CSI数据中的序列相关性,以实现鲁棒信息解码。
WiFi是一种允许电子设备连接到基于ieee802.11标准的WLAN的技术。ZigBee是一种符合ieee802.15.4标准的低功耗局域网协议技术。ZigBee和WiFi通常使用2.4G带宽。ZigBee适合于数据量小、功耗低、稳定性好的工业应用。但WiFi数据量大、距离短、相对不稳定,主要适合家庭和商务应用。
2.4GHz的ZigBee和WiFi的频谱分布如图2所示。ZigBee与WiFi的频谱分布重叠,理论上可以实现ZigBee到WiFi信号层的异构通信。
CSI是无线通信中描述信道的一种非常重要的实用数据。在无线通信中,CSI表示通信链路的传播特性,它描述了信道中散射、衰落和功率衰减等多种效应的综合响应。CSI的幅度和相位受多径效应的影响,包括幅度衰减和相移。它描述了信号如何从发射机传播到接收机,其中包含每个子载波的振幅和相位
其中,H(fi)是中心频率为fi的子载波处的CSI值,∠H是相位。所以通过CSI的变化来观察ZigBee传输对WiFi的影响。
图3中的左图表示无ZigBee传输的CSI序列。图3中的右图表示有ZigBee传输的CSI序列。如图3所示,WiFi信号内存在ZigBee信息传输,CSI序列振幅范围是16-20。WiFi信号内不存在ZigBee信息传输,CSI序列振幅范围是9-12。含有ZigBee信息的CSI序列的波动范围大于没有ZigBee信息传输的CSI序列的波动范围。因此,可以利用CSI的振幅变化来判断是否存在ZigBee信息传输。
因此,选择振幅范围为16-20的CSI序列作为进一步提取信息特征的待处理CSI序列。
图4显示了窗口长度和SVM分类器精度之间的拟合曲线。拟合函数为f(x)=p1x4+p2x3+p3x2+p4x+p5
其中,f(x)是分类准确率,x是窗口长度,P1=0.0001,p2=-0.0019,,p3=0.0249$,p4=-0.1541$,p5=1.2557$。
随着窗长的增加,SVM分类器的分类精度会提高,但在一定的窗长后,分类精度几乎没有提高。因此,选择16的窗长,在SVM分类器中可以达到94%以上的准确率。
实施例1
如图1所示,本发明的基于CSI的异构通信***包括发送装置和解析装置。
发送装置包括WiFi发送终端和ZigBee发送终端。
WiFi发送终端例如是intel5300网卡和数据采样模块。数据采样模块例如是CSITool数据采样模块。CSITool数据采样模块的采样率设置为2KHz。WiFi数据包间隔为0.5ms,数据包长度为145字节。
ZigBee发送终端例如是TelosB节点CC2420模块。WiFi信号在信道6传输,ZigBee信号配置在信道18传输,以便WiFi信号与ZigBee信号在频域中重叠。ZigBee包间隔为0.192ms,包长度为28字节。
如图6所示,WiFi发送终端与ZigBee发送终端之间的第一距离小于WiFi发送终端与WiFi接收终端之间的第二距离。如此设置的优势在于,ZigBee发送终端靠近于WiFi发送终端,ZigBee信号与WiFi信号接触的概率必然较大,ZigBee信号必然能够与部分WiFi信号的路径接触并重合,从而在相同的频域内进行传输。
优选地,ZigBee发送终端设置在WiFi发送终端与WiFi接收终端之间。如此设置,ZigBee发送终端处于WiFi信号的传输路径中,使得ZigBee信号能够随时与WiFi信号在相同频域接触并且共同进行传输,能够提高ZigBee信号嵌入至WiFi信号CSI序列的成功率。
优选地,第一距离是第二距离的二分之一,更有利于获取更多的含有ZigBee信号的CSI序列,从而提高CSI徐磊的信息特征分类的准确率。
解析装置至少包括接收模块30、预处理模块40、特征提取模块50和分类模块60。
预处理模块40不是必须的,也可以不设置。设置预处理模块40能够使得经过筛选的信号的质量更高,得到的信息更精确。
接收模块30用于接收信号。接收模块30包括至少一个WiFi终端及其接收天线。
预处理模块40用于对接收模块30发送的接收信号进行预处理。
预处理步骤至少包括对接收天线的选择和子载波的选择。
优选地,预处理模块40包括天线选择模块41和子载波选择模块42。天线选择模块41用于对接收天线进行选择。天线选择模块41选择接收天线的依据包括:通过CSI的方差来选择CSI序列波动最明显的一根天线。方差越大,说明CSI序列波动越明显。本申请在三根接收天线上的CSI序列的信息特征都进行了样本数据集的分类,选择分类准确率最高的那一根接收天线。
对天线选择有利于选出受ZigBee影响最大的一根接收天线,以提高CSI序列的分类准确率。天线选择模块41将所选择的接收天线接收的信号发送至子载波选择模块42。由于CSI的方差越大,CSI序列的幅度波动越明显,越容易提取到信息的特征。子载波选择模块42基于CSI值的方差值选择方差最大的载波作为提取信息的子载波。
本发明中,每个接收天线都有30个子载波。先对接收天线进行选择,再对子载波进行选择,能够得到振幅表动较大且明显的CSI序列。
WiFi信号的每个子载波受到ZigBee信号的影响会不一样。选择受ZigBee信号影响最大的子载波,能够获得更好的分类准确性。
特征提取模块50用于对于子载波信息进行信息特征提取。信息特征至少包括CSI值的方差。信息特征还可以包括时域峰间、峰度、偏倚、标准差、均值、模态、中值中的一种或几种。
信息特征表示当ZigBee传输发生时WiFi-CSI的不同变化。
分类模块60用于对时域峰间、峰度、偏倚、标准差、均值、模态、中值等信息特征进行分类。
分类模块60包括学习分类器61和LSTM神经网络模块62。
学习分类器61基于机器学习算法从数据中自动分析和获取规则,并利用这些规则对未知数据进行预测。机器学习算法例如是决策树、判别分析、logistic回归、SVM、KNN和集成分类器等算法。
分类学习的目的是从给定的人工标注的分类训练样本数据集中学习分类函数或分类模型。当新的数据输入时,分类模块60可以根据函数预测将新数据项映射到给定类别中的某个类。
LSTM神经网络模块62内设置有LSTM神经网络。如图5所示,LSTM神经网络是一种递归神经网络(RNN),它能够学习序列数据时间步长之间的长期相关性。在原始RNN的训练中,随着训练时间的增加和网络层数的增加,容易出现梯度***或梯度消失的问题,导致无法处理远程数据和获取远程数据的信息。LSTM神经网络的应用包括文本生成、序列分类、语音识别、图像描述生成和视频标记。
优选地,分类模块60对经过预处理的样本数据集进行学习分类训练,构建LSTM分类模型。
例如,数据样本中,CSI序列标记为“0”或“1”。只有WiFi传输(不与ZigBee重叠)的CSI序列被标记为“0”。来自WiFi和ZigBee的重叠传输的CSI序列被标记为“1”。
在构建LSTM分类模型之后,对接收的数据进行CSI序列分类。
本发明能够广泛应用。
例如,现有的传感器普遍使为ZigBee传感器,ZigBee传感器收集信息,比如温度、湿度、空气质量等。智能手机普遍只能采集WiFi信号。ZigBee传感器无法直接将ZigBee信号发送至手机。根据本发明的方法以及通信***,将ZigBee传感器发出的ZigBee信号与WiFi信号在相同的频域发送,使得ZigBee信号与WiFi信号在同频域一起被手机的WiFi接收模块接收,并且能够解析ZigBee数据包。本发明使得ZigBee传感器与WiFi接收终端实现直接的通信以传输信息。
实施例2
本实施例是对实施例1的进一步改进,重复的内容不再赘述。
图6为本发明的其中一个设置应用场景。WiFi终端为Intel link 5300WiFi网卡。Intel link 5300WiFi网卡配备有2.16GHz Intel Celeron n2830处理器、2GB内存和12.04版Ubuntu操作***。
ZigBee终端使用IOT-NODE24T节点。IOT-NODE24T节点是一种超低功耗无线传感器网络节点,符合IEEE802.15.4协议规范,使用PCB天线。该节点采用TI公司的MSP430F1611处理器,工作频率高达8MHz,并且集成了符合IEEE802.15.4协议规范的无线收发芯片CC2420。IOT-NODE24T节点适用于ZigBee协议的研究和开发。
本发明使用TinyOS来控制ZigBee节点的工作功率、通信信道和数据包长度。TinyOS是由加州大学伯克利分校(University of California,Berkeley)开发的开源操作***。TinyOS是专门为嵌入式无线传感器网络设计的。基于组件的操作***架构使得程序能够快速更新,同时减少了传感器网络节点内存限制的代码长度。
接收模块的天线至如图6所示。WiFi发送终端和WiFi接收终端之间的距离为100cm。WiFi发送终端和ZigBee发送终端之间的距离为50cm。
设置WiFi发送终端在信道6上传输。设置ZigBee终端在信道18上传输,以便两种信号在频域上重叠。
优选地,WiFi发送终端在ZigBee发送终端开始后再开始发射信号,能够避免ZigBee信号数据包被遗漏,使得ZigBee能够全部与WiFi信号同频域输送。
ZigBee发送终端与WiFi发送终端、WiFi接收终端的相对设置位置不做限定,可以是任意摆设位置。
优选地,如图6所示,ZigBee发送终端与WiFi发送终端、WiFi接收终端的至少一个接收天线设置在同一条直线上,并且ZigBee发送终端设置在三者的中间位置。如此设置,有利于采集到WiFi CSI序列变化较大的数据,有利于后面的机器学习分类和神经网络分类。
CSITool的采样率设置为2KHz。WiFi数据包间隔为0.5ms,数据包长度为145字节。ZigBee包间隔为0.192ms,包长度为28字节。如此设置,能够保证一个ZigBee数据包与至少一个WiFi数据包重叠。
特征提取模块采用23种机器学***均值;七个特征是方差、峰间、峰度、偏度、标准差和平均值;八个特征是指方差、峰间、峰度、偏度、标准差、平均值、模式和介质。
在实施的过程中,随着信息特征的增加,大部分学习分类器61的识别准确度都相应提高。
由于一些分类器对复杂树、中间树、样本树等特征的敏感性不同。优选地,本发明的识别特征加入标准差特征,学习分类器61的精度得到了很大的提高。在学习分类器为线性判别分类器或二次判别分类器的情况下,增加或减少信息特征不会影响分类器的精度。
标准差(Standard Deviation)是离均差平方的算术平均数(即:方差)的算术平方根,用σ表示。标准差也被称为标准偏差,或者实验标准差,在概率统计中最常使用作为统计分布程度上的测量依据。标准差的计算公式如下:
优选地,当学习分类器61为SVM分类器时,信息特征分类的精度较高。
优选地,在LSTM神经网络基于样本数据集进行训练时,样本数据集的准确率为96.3%。本发明的测试数据集的准确率为94.2%。LSTM神经网络的分类精度较高。
需要注意的是,上述具体实施例是示例性的,本领域技术人员可以在本发明公开内容的启发下想出各种解决方案,而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白,本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。
本发明说明书包含多项发明构思,申请人保留根据每项发明构思提出分案申请的权利。本发明说明书包含多项发明构思,诸如“优选地”、“根据一个优选实施方式”或“可选地”均表示相应段落公开了一个独立的构思,申请人保留根据每项发明构思提出分案申请的权利。
Claims (10)
1.一种基于CSI的异构通信方法,其特征在于,所述方法至少包括:
在ZigBee信号以在频域重叠的方式与WiFi信号重叠并嵌入CSI序列的情况下,接收WiFi信号并基于分类模型对含有ZigBee编码的CSI序列的信息特征进行分类。
2.根据权利要求1所述的基于CSI的异构通信方法,其特征在于,所述方法还包括:
提取CSI序列的振幅特征,基于CSI序列波动的振幅特征和限定振幅范围选择含有ZigBee编码的CSI序列。
3.根据权利要求2所述的基于CSI的异构通信方法,其特征在于,所述方法还包括:
基于至少一种深度学习算法提取含有ZigBee编码的CSI序列的信息特征。
4.根据权利要求1所述的基于CSI的异构通信方法,其特征在于,所述方法还包括:
基于至少一种神经网络分类模型对所述含有ZigBee编码的CSI序列的信息特征进行分类。
5.根据权利要求1~4任一项所述的基于CSI的异构通信方法,其特征在于,
所述信息特征至少包括CSI值的方差、时域峰间、峰度、偏倚、标准差、均值、模态、中值中的一种及其组合。
6.根据权利要求5所述的基于CSI的异构通信方法,其特征在于,所述方法还包括:
在接收WiFi信号后,基于接收天线的信号强度来选择至少一个接收天线及其CSI序列信息。
7.一种基于CSI的异构通信***,所述***至少能够接收WiFi信号的接收模块(30)和解析装置,其特征在于,
所述解析装置至少包括特征提取模块(50)和分类模块(60),
所述接收模块(30)接收WiFi信号,
在ZigBee信号以在频域重叠的方式与WiFi信号重叠并嵌入CSI序列的情况下,所述分类模块(60)基于分类模型对由所述特征提取模块(50)提取的含有ZigBee编码的CSI序列的信息特征进行分类。
8.根据权利要求7所述的基于CSI的异构通信***,其特征在于,所述解析装置还包括预处理模块(40),
所述预处理模块(40)提取CSI序列的振幅特征,基于CSI序列波动的振幅特征和限定振幅范围选择含有ZigBee编码的CSI序列。
9.根据权利要求7所述的基于CSI的异构通信***,其特征在于,所述特征提取模块基于至少一种深度学习算法提取含有ZigBee编码的CSI序列的信息特征。
10.一种基于CSI异构通信***的网络框架,其特征在于,至少包括特征提取层和分类层,
在ZigBee信号以在频域重叠的方式与WiFi信号重叠并嵌入CSI序列的情况下,所述分类层基于分类模型对由所述特征提取层提取的含有ZigBee编码的CSI序列的信息特征进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110554717.0A CN113286309B (zh) | 2021-05-18 | 2021-05-18 | 基于csi的异构通信方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110554717.0A CN113286309B (zh) | 2021-05-18 | 2021-05-18 | 基于csi的异构通信方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113286309A true CN113286309A (zh) | 2021-08-20 |
CN113286309B CN113286309B (zh) | 2023-02-07 |
Family
ID=77280446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110554717.0A Active CN113286309B (zh) | 2021-05-18 | 2021-05-18 | 基于csi的异构通信方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113286309B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107682830A (zh) * | 2017-09-27 | 2018-02-09 | 清华大学 | 一种ZigBee到WiFi的通信方法及装置 |
CN107750061A (zh) * | 2017-09-27 | 2018-03-02 | 清华大学 | 一种ZigBee到WiFi的自适应通信方法及装置 |
CN108763216A (zh) * | 2018-06-01 | 2018-11-06 | 河南理工大学 | 一种基于中文数据集的文本情感分析方法 |
US20190097865A1 (en) * | 2012-12-05 | 2019-03-28 | Origin Wireless, Inc. | Apparatus, systems and methods for event recognition based on a wireless signal |
CN109548046A (zh) * | 2018-11-16 | 2019-03-29 | 清华大学 | 一种信道自适应跨协议通信***及方法 |
US20190158340A1 (en) * | 2012-12-05 | 2019-05-23 | Origin Wireless, Inc. | Apparatus, systems and methods for fall-down detection based on a wireless signal |
CN110414468A (zh) * | 2019-08-05 | 2019-11-05 | 合肥工业大学 | WiFi环境下基于手势信号的身份验证方法 |
CN110659677A (zh) * | 2019-09-10 | 2020-01-07 | 电子科技大学 | 一种基于可移动传感器组合设备的人体跌倒检测方法 |
CN110826327A (zh) * | 2019-11-05 | 2020-02-21 | 泰康保险集团股份有限公司 | 情感分析方法、装置、计算机可读介质及电子设备 |
CN111053549A (zh) * | 2019-12-23 | 2020-04-24 | 威海北洋电气集团股份有限公司 | 一种智能生物信号异常检测方法及*** |
US20200177418A1 (en) * | 2017-06-19 | 2020-06-04 | Nokia Technologies Oy | Data transmission network configuration |
CN111325112A (zh) * | 2020-01-31 | 2020-06-23 | 贵州大学 | 基于深度门控循环单元神经网络的刀具磨损状态监测方法 |
CN111327379A (zh) * | 2020-02-03 | 2020-06-23 | 清华大学 | 一种基于跨协议信号的信道分配方法和装置 |
CN111835492A (zh) * | 2020-06-09 | 2020-10-27 | 北京邮电大学 | 面向非对称信道的对称的跨协议通信方法及装置 |
CN112637093A (zh) * | 2020-12-09 | 2021-04-09 | 齐鲁工业大学 | 一种基于模型驱动深度学习的信号检测方法 |
-
2021
- 2021-05-18 CN CN202110554717.0A patent/CN113286309B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190097865A1 (en) * | 2012-12-05 | 2019-03-28 | Origin Wireless, Inc. | Apparatus, systems and methods for event recognition based on a wireless signal |
US20190158340A1 (en) * | 2012-12-05 | 2019-05-23 | Origin Wireless, Inc. | Apparatus, systems and methods for fall-down detection based on a wireless signal |
US20200177418A1 (en) * | 2017-06-19 | 2020-06-04 | Nokia Technologies Oy | Data transmission network configuration |
CN107750061A (zh) * | 2017-09-27 | 2018-03-02 | 清华大学 | 一种ZigBee到WiFi的自适应通信方法及装置 |
CN107682830A (zh) * | 2017-09-27 | 2018-02-09 | 清华大学 | 一种ZigBee到WiFi的通信方法及装置 |
CN108763216A (zh) * | 2018-06-01 | 2018-11-06 | 河南理工大学 | 一种基于中文数据集的文本情感分析方法 |
CN109548046A (zh) * | 2018-11-16 | 2019-03-29 | 清华大学 | 一种信道自适应跨协议通信***及方法 |
CN110414468A (zh) * | 2019-08-05 | 2019-11-05 | 合肥工业大学 | WiFi环境下基于手势信号的身份验证方法 |
CN110659677A (zh) * | 2019-09-10 | 2020-01-07 | 电子科技大学 | 一种基于可移动传感器组合设备的人体跌倒检测方法 |
CN110826327A (zh) * | 2019-11-05 | 2020-02-21 | 泰康保险集团股份有限公司 | 情感分析方法、装置、计算机可读介质及电子设备 |
CN111053549A (zh) * | 2019-12-23 | 2020-04-24 | 威海北洋电气集团股份有限公司 | 一种智能生物信号异常检测方法及*** |
CN111325112A (zh) * | 2020-01-31 | 2020-06-23 | 贵州大学 | 基于深度门控循环单元神经网络的刀具磨损状态监测方法 |
CN111327379A (zh) * | 2020-02-03 | 2020-06-23 | 清华大学 | 一种基于跨协议信号的信道分配方法和装置 |
CN111835492A (zh) * | 2020-06-09 | 2020-10-27 | 北京邮电大学 | 面向非对称信道的对称的跨协议通信方法及装置 |
CN112637093A (zh) * | 2020-12-09 | 2021-04-09 | 齐鲁工业大学 | 一种基于模型驱动深度学习的信号检测方法 |
Non-Patent Citations (3)
Title |
---|
XIUZHEN GUO等: "ZigFi: Harnessing Channel State Information for Cross-Technology Communication", 《IEEE/ACM TRANSACTIONS ON NETWORKING》 * |
周健: "无线感知网络中基于CSI的室内入侵检测与行为识别研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
陈慕涵等: "基于深度学习的大规模MIMO信道状态信息反馈", 《物联网学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113286309B (zh) | 2023-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Transparent cross-technology communication over data traffic | |
EP2229792B1 (en) | Using information obtained from one wireless medium for communication in another wireless medium | |
Ahmed et al. | CR-IoTNet: Machine learning based joint spectrum sensing and allocation for cognitive radio enabled IoT cellular networks | |
Maglogiannis et al. | Enhancing the coexistence of LTE and Wi-Fi in unlicensed spectrum through convolutional neural networks | |
CN107750061B (zh) | 一种ZigBee到WiFi的自适应通信方法及装置 | |
CN106533623B (zh) | 跨协议通信方法及装置 | |
Reus-Muns et al. | Classifying UAVs with proprietary waveforms via preamble feature extraction and federated learning | |
Chan et al. | DeepSense: Enabling carrier sense in low-power wide area networks using deep learning | |
Subray et al. | Towards enhancing spectrum sensing: Signal classification using autoencoders | |
WO2022047410A2 (en) | Unsupervised learning for simultaneous localization and mapping in deep neural networks using channel state information | |
Yi et al. | Interference source identification for ieee 802.15. 4 wireless sensor networks using deep learning | |
CN109450573B (zh) | 一种基于深度神经网络的频谱感知方法 | |
US20220052827A1 (en) | Signaling for a channel state information reference signal (csi-rs) | |
CN113922899A (zh) | 基于神经网络和Welch变换的频谱感知接入方法 | |
Camelo et al. | A general approach for traffic classification in wireless networks using deep learning | |
CN117713967A (zh) | 一种用于自组网无人机智能频谱感知抗干扰通信*** | |
Mirza et al. | Fingerprinting 802.11 rate adaption algorithms | |
CN113286309B (zh) | 基于csi的异构通信方法及*** | |
Huang et al. | Semi-supervised deep learning based wireless interference identification for IIoT networks | |
Kim et al. | Implementation of bistatic backscatter wireless communication system using ambient Wi-Fi signals | |
CN115002703A (zh) | 一种基于Wi-Fi信道状态信息的被动式室内人数检测方法 | |
Ferreira et al. | Improving mmWave backhaul reliability: A machine-learning based approach | |
Almohamad et al. | A deep learning model for LoRa signals classification using cyclostationay features | |
Kapetanovic et al. | Classifying wlan packets from the rf envelope: Towards more efficient wireless network performance | |
Elsebaay et al. | Identifying coexisting Bluetooth and ZigBee technologies employing dynamic mode decomposition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |