CN113419212A - 基于灰度共生矩阵和因子分析特征提取的无设备定位方法 - Google Patents

基于灰度共生矩阵和因子分析特征提取的无设备定位方法 Download PDF

Info

Publication number
CN113419212A
CN113419212A CN202110665525.7A CN202110665525A CN113419212A CN 113419212 A CN113419212 A CN 113419212A CN 202110665525 A CN202110665525 A CN 202110665525A CN 113419212 A CN113419212 A CN 113419212A
Authority
CN
China
Prior art keywords
matrix
online
csi
gray level
line
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
Application number
CN202110665525.7A
Other languages
English (en)
Other versions
CN113419212B (zh
Inventor
颜俊
高畅蔓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202110665525.7A priority Critical patent/CN113419212B/zh
Publication of CN113419212A publication Critical patent/CN113419212A/zh
Application granted granted Critical
Publication of CN113419212B publication Critical patent/CN113419212B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于灰度共生矩阵和因子分析特征提取的无设备定位方法，包括离线阶段和在线阶段，离线阶段中首先获取在参考点上的离线CSI，然后利用线性映射方法构建离线CSI幅度图像，通过灰度共生矩阵和因子分析提取特征并降维，得到每个参考点的离线降维矩阵，最后利用支持向量机进行分类学习，得到位置分类模型；在线阶段：首先对获得的在线CSI构建在线CSI幅度图像，通过灰度共生矩阵和因子分析提取特征并降维得到在线降维矩阵，带入位置分类模型估计位置。本发明利用灰度共生矩阵和因子分析对由获取的CSI转变的CSI幅度图像进行特征提取并降维，降低了计算复杂度，提高离线阶段学习效率并改善在线阶段估计性能。

Description

基于灰度共生矩阵和因子分析特征提取的无设备定位方法
技术领域
本发明涉及一种基于灰度共生矩阵和因子分析特征提取的无设备定位方法，属于机器学习与定位导航领域。
背景技术
随着基于位置信息服务的不断发展以及无线网络的广泛部署,人们对于位置信息的需求日益提高，包括查找路径，消费推介，兴趣点发现等等，利用无线WIFI信号获取目标的位置信息成为研究的热点。
现有技术包括：一种基于随机森林的WIFI信号CSI特征提取方法(专利号：CN202011108873.6)，该发明首先获取发射端信息，采集WiFi指纹信息，其次设置随机森林决策树参数，构建决策树，最后处理子载波数据，得到准确率。该发明的主要缺点是随机森林在训练时需要的空间和时间会比较大，并且在噪音比较大的样本集上，模型容易陷入过拟合。
另一现有技术：无线传感网中基于RSSI的定位方法(专利号：CN201010271252.X)，该发明首先无线传感网中的一接收节点接收一发射节点以射频方式发送的射频信号，接着接收节点将接收到的经过多径衰落的射频信号进行解调滤波获得基带信号，再对基带信号中的每个码片进行过采样，然后对每一码片的第一个采样点进行解扩得到比特级信息，最后根据比特级信息计算出RSSI值确定距离，从而实现定位。该发明的主要缺点是RSSI易受到多径效应的影响，最终定位结果存在较大误差。
此外，RSSI值在远离发射源位置时，参考点间区分度较低；且受室内多径效应的影响，在同一参考点处RSSI值波动较大。
有鉴于此，确有必要对现有的定位方法提出改进，以解决上述问题。
发明内容
本发明的目的在于提供一种不需要改变***的硬件且能够提高离线学习效率并改善在线估计性能的定位方法。
为实现上述目的，本发明提供了一种基于灰度共生矩阵和因子分析特征提取的无设备定位方法，包括离线阶段和在线阶段，所述离线阶段包括以下步骤：
步骤1：采集定位区域内人员位于不同参考点时的离线CSI，上传至数据处理设备；
步骤2：按照时域和频域将数据处理设备接收的离线CSI的幅度信息排列成离线CSI幅度矩阵，并通过该离线CSI幅度矩阵获取离线CSI幅度图像；
步骤3：利用灰度共生矩阵和因子分析方法对步骤2中的离线CSI幅度图像进行图像特征提取并降维，得到离线降维矩阵；
步骤4：利用支持向量机对步骤3得到的离线降维矩阵进行分类学习，得到位置分类模型；
所述在线阶段包括以下步骤：
步骤5：采集在线CSI，并上传至所述数据处理设备；
步骤6：对步骤5所获得的在线CSI的幅度信息按照时域和频域排列成在线CSI幅度矩阵，并通过该在线CSI幅度矩阵获取在线CSI幅度图像；
步骤7：利用灰度共生矩阵和因子分析方法对步骤6得到的在线CSI幅度图像进行图像特征提取并降维，得到在线降维矩阵；
步骤8：将步骤7得到的所述在线降维矩阵代入步骤4得到的所述位置分类模型，得到预测位置。
作为本发明的进一步改进，步骤1中所述离线CSI的采集所需设备包括信号发射设备和信号采集设备，所述信号发射设备能够发射WIFI信号，所述信号采集设备能够接收来自所述信号发射设备的WIFI信号，并对离线CSI进行采集，且能够将所述离线CSI上传至所述数据处理设备。
作为本发明的进一步改进，步骤2中，通过线性映射方法将所述离线CSI幅度矩阵转变成离线CSI幅度图像。
作为本发明的进一步改进，步骤1中不同参考点在所述定位区域内等间隔的划分，以便采集每个参考点上的离线CSI。
作为本发明的进一步改进，步骤3具体包括以下步骤：
步骤31：在0°，45°，90°，135°四个方向上利用灰度共生矩阵G分别提取所述离线CSI幅度图像的离线图像特征，所述灰度共生矩阵G为：
Figure BDA0003117220660000031
所述灰度共生矩阵G是维数为Ng的正方形，其中Ng是所述离线CSI幅度图像中的灰度级数，矩阵的元素[i，j]是通过计算值为i的像素与值为j的像素相邻的次数，然后将整个矩阵除以所进行的此类比较的总数而生成的；
步骤32：对步骤31中四个方向上基于所述灰度共生矩阵G的所述离线图像特征进行统计计算，得到离线图像统计特征；
步骤33：对步骤32中得到的所述离线图像统计特征进行特征融合，得到离线位置指纹；
步骤34：利用因子分析方法对步骤33得到的离线位置指纹进行降维，得到离线降维矩阵，所述因子分析方法所使用的因子分析模型为：
X＝Af+ε
其中X＝(x1,x2,…,xp)T是特征数据向量，xp＝μp+ap1f1+ap2f2+…+aPmfm+eP，f＝(f1,f2,…,fm)T(m<p)是公共因子，ε＝(e1,e2,…,ep)T是特殊因子，f和ε均为随机变量，A是载荷矩阵，A＝(aij)p*m，其中aij是第i个向量在第j个公共因子上的载荷。
作为本发明的进一步改进，步骤32中所述离线图像统计特征的统计量包括能量、熵、对比度、均匀性、相关性、方差、和平均、和方差、和熵、差方差、差平均、差熵、相关信息测度。
作为本发明的进一步改进，步骤5中，通过所述信号采集设备接收来自所述信号发射设备的WIFI信号，并对在线CSI进行采集，且将所述在线CSI上传至所述数据处理设备。
作为本发明的进一步改进，步骤6中，通过线性映射方法将所述在线CSI幅度矩阵转变成在线CSI幅度图像。
作为本发明的进一步改进，步骤7具体包括以下步骤：
步骤71：在0°，45°，90°，135°四个方向上利用灰度共生矩阵G分别提取所述在线CSI幅度图像的在线图像特征，所述灰度共生矩阵G为：
Figure BDA0003117220660000041
所述灰度共生矩阵G是维数为Ng的正方形，其中Ng是所述在线CSI幅度图像中的灰度级数，矩阵的元素[i，j]是通过计算值为i的像素与值为j的像素相邻的次数，然后将整个矩阵除以所进行的此类比较的总数而生成的；
步骤72：对步骤71中四个方向上基于所述灰度共生矩阵G的所述在线图像特征进行统计计算，得到在线图像统计特征；
步骤73：对步骤72中得到的在线图像统计特征进行特征融合，得到在线位置指纹；
步骤74：利用因子分析方法对步骤73得到的在线位置指纹进行降维，得到在线降维矩阵，所述因子分析方法所使用的因子分析模型为：
X＝Af+ε
其中X＝(x1,x2,…,xp)T是特征数据向量，xp＝μp+ap1f1+ap2f2+…+aPmfm+eP，f＝(f1,f2,…,fm)T(m<p)是公共因子，ε＝(e1,e2,…,ep)T是特殊因子，f和ε均为随机变量，A是载荷矩阵，A＝(aij)p*m，其中aij是第i个向量在第j个公共因子上的载荷。
作为本发明的进一步改进，步骤72中所述在线图像统计特征的统计量包括能量、熵、对比度、均匀性、相关性、方差、和平均、和方差、和熵、差方差、差平均、差熵、相关信息测度。
本发明的有益效果是：
1.本发明利用灰度共生矩阵和因子分析方法对CSI幅度图像进行特征提取并降维，降低了计算复杂度，提高了离线阶段的学习效率并改善了在线阶段的定位精度。
2.本发明属于无设备定位方法，无需人员佩戴设备，利用CSI进行位置估计，具有实现简单，应用范围广的优点。
3.本发明属于基于机器学习的定位方法，因此在线阶段定位速度快，时间开销小，定位精度高。
附图说明
图1是本发明的流程图。
图2是本发明中灰度共生矩阵图像特征提取示意图。
图3是本发明中图像统计特征的提取流程图。
图4是本发明因子分析方法步骤图。
图5是本发明不同图像张数下的定位性能图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
请参阅图1所示，本发明揭示了一种基于灰度共生矩阵和因子分析特征提取的无设备定位方法，包括离线阶段和在线阶段，离线阶段包括以下步骤：
步骤1：在定位区域内等间隔的划分参考点，通过信号发射设备发射WIFI信号，通过信号采集设备接收来自信号发射设备的WIFI信号，通过软件CSItool采集信号采集设备上接收的来自各参考点上的离线CSI(Channel State Information，信道状态信息)，然后将离线CSI上传至数据处理设备；
步骤2：按照时域和频域把将数据处理设备内接收的离线CSI的幅度信息排列成离线CSI幅度矩阵形式，利用线性映射方法将离线CSI幅度矩阵转变成离线CSI幅度图像；
步骤3：利用灰度共生矩阵G和因子分析(Factor Analysis，FA)方法对步骤2中的离线CSI幅度图像进行特征提取并降维，得到离线降维矩阵，具体包括以下步骤：
步骤31：在0°，45°，90°，135°四个方向上利用灰度共生矩阵G分别提取离线CSI幅度图像的离线图像特征，灰度共生矩阵G为：
Figure BDA0003117220660000061
灰度共生矩阵G是维数为Ng的正方形，其中Ng是离线CSI幅度图像中的灰度级数，矩阵的元素[i，j]是通过计算值为i的像素与值为j的像素相邻的次数，然后将整个矩阵除以所进行的此类比较的总数而生成的；
步骤32：对步骤31中四个方向上基于灰度共生矩阵G的离线图像特征进行统计计算，得到离线图像统计特征，计算离线图像统计特征的统计量包括能量、熵、对比度、均匀性、相关性、方差、和平均、和方差、和熵、差方差、差平均、差熵、相关信息测度；
步骤33：对步骤32中得到的离线CSI幅度图像的离线图像统计特征进行特征融合，得到离线位置指纹；
步骤34：利用因子分析方法对步骤33得到的离线位置指纹进行降维，得到离线CSI幅度图像的离线降维矩阵，因子分析方法所使用的因子分析模型为：
X＝Af+ε
其中X＝(x1,x2,…,xp)T是特征数据向量，xp＝μp+ap1f1+ap2f2+…+aPmfm+eP，f＝(f1,f2,…,fm)T(m<p)是公共因子，ε＝(e1,e2,…,ep)T是特殊因子，f和ε均为随机变量，优选的，f和ε为不可直接观测的随机变量；进一步的，A是载荷矩阵，A＝(aij)p*m，其中aij是第i个向量在第j个公共因子上的载荷；
步骤4：利用支持向量机(SVM)对离线降维矩阵进行分类学习，得到位置分类模型；
在线阶段包括以下步骤：
步骤5：通过信号发射设备发射WIFI信号，通过信号采集设备接收来自信号发射设备的WIFI信号，采集在线CSI，并上传数据处理设备；
步骤6：对步骤5所获得的在线CSI的幅度信息按照时域和频域排列成在线CSI幅度矩阵形式，利用线性映射方法将在线CSI幅度矩阵转变成在线CSI幅度图像；
步骤7：利用灰度共生矩阵和因子分析方法对步骤6中的在线CSI幅度图像进行特征并降维，得到在线降维矩阵，具体包括以下步骤：
步骤71：在0°，45°，90°，135°四个方向上利用灰度共生矩阵G分别提取在线CSI幅度图像的在线图像特征，灰度共生矩阵G为：
Figure BDA0003117220660000071
灰度共生矩阵G是维数为Ng的正方形，其中Ng是在线CSI幅度图像中的灰度级数，矩阵的元素[i，j]是通过计算值为i的像素与值为j的像素相邻的次数，然后将整个矩阵除以所进行的此类比较的总数而生成的；
步骤72：对步骤71中四个方向上基于灰度共生矩阵G的在线图像特征进行统计计算，得到在线图像统计特征，计算在线图像统计特征的统计量包括能量、熵、对比度、均匀性、相关性、方差、和平均、和方差、和熵、差方差、差平均、差熵、相关信息测度；
步骤73：对步骤72中得到的在线CSI幅度图像的在线图像统计特征进行图像融合，得到在线位置指纹；
步骤74：利用因子分析方法对步骤73得到的在线位置指纹进行降维，得到在线CSI幅度图像的在线降维矩阵，因子分析方法中所使用的因子分析模型为：
X＝Af+ε
其中X＝(x1,x2,…,xp)T是特征数据向量，xp＝μp+ap1f1+ap2f2+…+aPmfm+eP，f＝(f1,f2,…,fm)T(m<p)是公共因子，ε＝(e1,e2,…,ep)T是特殊因子，f和ε为随机变量，优选的，f和ε均为不可直接观测的随机变量，A是载荷矩阵，A＝(aij)p*m，其中aij是第i个向量在第j个公共因子上的载荷；
步骤8：将步骤7得到的在线降维矩阵代入步骤4得到的位置分类模型，得到预测位置。
在本实施例中，信号发射设备选用路由器，型号为华为ax3pro，信号接收设备选用5300网卡，数据处理设备选用电脑，型号为ThinkPadX301笔记本电脑，但信号发射设备、信号接收设备及数据处理设备的选用不应局限于此，其他能起到发射WIFI信号的信号发射设备、能接收WIFI信号的信号接收设备及能处理数据的数据处理设备均可替换使用。
在本实施例中，离线阶段，路由器和网卡之间的区域为定位区域，通过CSItool软件采集网卡接收的离线CSI信息，采集后上传到数据处理设备。采集的离线CSI信息进行滤波处理，取数据发射设备的第一根天线与数据接收设备的第一根天线之间的离线CSI为本实施例的采集数据。
在本实施例中，定位区域等间隔划分出18个参考点。测试人员依次站在18个参考点上，采样频率1000HZ，在每个参考点采集4500个有效数据包。
采集的每个数据包内有30个子载波，按照时域和频域把数据包中的离线CSI的幅度信息排成离线CSI幅度矩阵形式，利用线性映射方法将离线CSI幅度矩阵转变成离线CSI幅度图像，30个数据包形成一张离线CSI幅度图像。每个参考点各需要生成离线60张CSI幅度图像，18个参考点共计生成1080张离线CSI幅度图像。
请参阅图2所示，对于生成的1080张离线CSI幅度图像，使用灰度共生矩阵(GrayLevel Co-occurrence Matrix,GLCM)进行处理，灰度共生矩阵G公式为：
Figure BDA0003117220660000091
灰度共生矩阵G是维数为Ng的正方形，其中Ng是离线CSI幅度图像中的灰度级数，矩阵的元素[i，j]是通过计算值为i的像素与值为j的像素相邻的次数，然后将整个矩阵除以所进行的此类比较的总数而生成的。
在每张CSI幅度图像的0°，45°，90°，135°四个方向获取4个不同的灰度共生矩阵G，即获得4个离线图像特征。
在4个不同方向的灰度共生矩阵G上均提取出13个离线图像统计特征，13个提取的离线图像统计特征公式如下，x和y是灰度共生矩阵G中的行和列，px+y(i)是共生矩阵G坐标和x+y的概率，P(i,j)表示归一后的灰度共生矩阵G，i为矩阵行数，j为矩阵列数：
能量/角二阶矩(Angular Second Moment)公式：ASM＝∑i∑jp(i,j)2
对比度(Contrast)公式：CON＝∑i∑j(i-j)2P(i,j)
相关性(Correlation)公式：
Figure BDA0003117220660000092
其中，μx、μy是px、py的平均值，px、py是σx、σy的标准偏差；
方差(Variance)公式：Var＝∑i∑j(i-u)2p(i,j)
反差矩(Inverse Different Moment)公式：
Figure BDA0003117220660000093
和平均(Sum Average)公式：
Figure BDA0003117220660000094
和方差(Sum Variance)公式：
Figure BDA0003117220660000095
熵(entropy)公式：ENT＝-∑i∑jP(i,j)logP(i,j)
和熵(sum entropy)公式：
Figure BDA0003117220660000101
差熵(difference entropy)公式：
Figure BDA0003117220660000102
差方差(difference Variance)公式：
Figure BDA0003117220660000103
相关信息测度(info.measure of correlation)公式：
Figure BDA0003117220660000104
其中HXY＝-∑i∑jp(i,j)log(p(i,j))，HX，HY是px和py的熵；
最大相关系数(max.correlation coeff)公式：
Figure BDA0003117220660000105
将每张离线CSI幅度图像的0°，45°，90°，135°四个方向的4个共生矩阵G中提取出的13个图像统计特征中的特征值输出为一个4×13的离线特征数据矩阵。
请参阅图3所示，对四个方向的灰度共生矩阵G上的离线图像统计特征进行图像特征融合，得到离线位置指纹，即将每张图像的4×13的离线特征数据矩阵拆分成4个1×13矩阵并依次拼接，得到1×52的离线融合矩阵，1×52的离线融合矩阵就是离线位置指纹。
请参阅图4所示，因子分析方法的具体步骤为：对于提取出的1080张图像的离线融合矩阵进行标准化处理，标准化处理的操作是将离线融合矩阵按列减去平均值，再除以方差。处理后，对于每列，所有数据都聚集在0附近，方差为1，计算时对每列分别进行。
标准化公式为：
(X-mean)/std
其中X是列元素，mean是离线融合矩阵按列的平均值，std是离线融合矩阵按列的方差。
然后将数据进行归一化处理，归一化是将按列的最大值和最小值之间的距离看成是单位1，然后求x和最小值的距离占总距离的比例。把离线融合矩阵中的数据变成(0,1)之间的小数，归一化公式为：
(X-min)/(max-min)
其中X是列元素，min和max分别是离线融合矩阵按列的最小值和最大值。
因子分析方法中的公共因子是不可直接观测但又客观存在的共同影响因素，每个变量都可以表示成公共因子的线性函数与特殊因子之和，即
xi＝μi+ai1f1+ai2f2+…+a imfm+e i
因子分析方法中所使用的因子分析模型为：
X＝Af+ε
其中X＝(x1,x2,…,xp)T是特征数据向量，f＝(f1,f2,…,fm)T(m<p)是公共因子，ε＝(e1,e2,…,ep)T是特殊因子，f和ε均为随机变量，优选的，本发明中的f和ε均为不可直接观测的随机变量；进一步的，A是载荷矩阵，公式为：
A＝(aij)p*m
其中aij是第i个向量在第j个公共因子上的载荷。
使用因子分析方法对离线融合矩阵进行标准化处理的目的是用f代替x实现降维，需求出参数u、Λ、Ψ。
x,f的联合多元高斯分布如下：
Figure BDA0003117220660000111
E[(x-E[x])(x-E[x]T)]＝ΛΛT+Ψ
变量x的边缘高斯分布如下:
x～N(u,ΛΛT+Ψ)
利用最大似然法优化目标函数求出u、Λ、Ψ：
Figure BDA0003117220660000112
通过因子分析方法将1×52离线融合矩阵转化为1×10离线降维矩阵。
将1080张图像的1×10离线降维矩阵作为训练集，使用支持向量机(SupportVector Machine,SVM)进行训练，选用径向基函数φ(x,c)＝φ(||x-c||)，c为中心点，选择最佳参数C与gamma(调试所得)；用最佳参数C与g对整个训练集进行训练得到位置分类；最后用所得位置分类模型进行测试。
在线阶段，通过CSItool软件采集网卡接收的在线CSI信息，采集后上传到数据处理设备。
采集的每个数据包内有30个子载波，按照时域和频域在数据处理设备中把数据包中的在线CSI的幅度信息排成在线CSI幅度矩阵形式，利用线性映射方法将在线CSI幅度矩阵转变成在线CSI幅度图像，30个数据包形成一张在线CSI幅度图像。
使用灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)进行处理，灰度共生矩阵G公式为：
Figure BDA0003117220660000121
灰度共生矩阵G是维数为Ng的正方形，其中Ng是在线CSI幅度图像中的灰度级数，矩阵的元素[i，j]是通过计算值为i的像素与值为j的像素相邻的次数，然后将整个矩阵除以所进行的此类比较的总数而生成的。
在在线CSI幅度图像的0°，45°，90°，135°四个方向获取4个不同的灰度共生矩阵G，即获得4个在线图像特征。
在4个不同方向的灰度共生矩阵G上均提取出13个在线图像统计特征，13个提取的在线图像统计特征公式如下，x和y是灰度共生矩阵G中的行和列，px+y(i)是灰度共生矩阵G坐标和x+y的概率，P(i,j)表示归一后的灰度共生矩阵G，i为矩阵行数，j为矩阵列数：
能量/角二阶矩(Angular Second Moment)公式：ASM＝∑i∑jp(i,j)2
对比度(Contrast)公式：CON＝∑i∑j(i-j)2P(i,j)
相关性(Correlation)公式：
Figure BDA0003117220660000131
其中，μx、μy是px、py的平均值，px、py是σx、σy的标准偏差；
方差(Variance)公式：Var＝∑i∑j(i-u)2p(i,j)
反差矩(Inverse Different Moment)公式：
Figure BDA0003117220660000132
和平均(Sum Average)公式：
Figure BDA0003117220660000133
和方差(Sum Variance)公式：
Figure BDA0003117220660000134
熵(entropy)公式：ENT＝-∑i∑jP(i,j)logP(i,j)
和熵(sum entropy)公式：
Figure BDA0003117220660000135
差熵(difference entropy)公式：
Figure BDA0003117220660000136
差方差(difference Variance)公式：
Figure BDA0003117220660000137
相关信息测度(info.measure of correlation)公式：
Figure BDA0003117220660000138
其中HXY＝-∑i∑jp(i,j)log(p(i,j))，HX，HY是px和py的熵；
最大相关系数(max.correlation coeff)公式：
Figure BDA0003117220660000139
将在线CSI幅度图像的0°，45°，90°，135°四个方向的4个共生矩阵G中提取出的13个在线图像统计特征中的特征值输出为一个4×13的在线特征数据矩阵。
将每张图像的4×13的在线特征数据矩阵拆分成4个1×13矩阵并依次拼接，得到1×52的在线融合矩阵，1×52的在线融合矩阵就是在线位置指纹。
对于获取的在线融合矩阵进行标准化处理，标准化处理的操作是将在线融合矩阵按列减去平均值，再除以方差。处理后，对于每列，所有数据都聚集在0附近，方差为1，计算时对每列分别进行。
标准化公式为：
(X-mean)/std
其中X是列元素，mean是在线融合矩阵按列的平均值，std是在线融合矩阵按列的方差。
然后将数据进行归一化处理，归一化是将按列的最大值和最小值之间的距离看成是单位1，然后求x和最小值的距离占总距离的比例。把在线融合矩阵中的数据变成(0,1)之间的小数，归一化公式为：
(X-min)/(max-min)
其中X是列元素，min和max分别是在线融合矩阵按列的最小值和最大值。
因子分析方法中的公共因子是不可直接观测但又客观存在的共同影响因素，每个变量都可以表示成公共因子的线性函数与特殊因子之和，即
xi＝μi+ai1f1+ai2f2+…+aimfm+ei
因子分析方法中使用的因子分析模型为：
X＝Af+ε
其中X＝(x1,x2,…,xp)T是特征数据向量，f＝(f1,f2,…,fm)T(m<p)是公共因子，ε＝(e1,e2,…,ep)T是特殊因子，f和ε均为不可直接观测的随机变量，A是载荷矩阵，公式为：
A＝(aij)p*m
其中aij是第i个向量在第j个公共因子上的载荷。
同样的，在线阶段中使用因子分析方法对离线融合矩阵进行标准化处理的目的是用f代替x实现在线阶段数据的降维，继而求出参数u、Λ、Ψ。x,f的联合多元高斯分布如下：
Figure BDA0003117220660000141
E[(x-E[x])(x-E[x]T)]＝ΛΛT+Ψ
变量x的边缘高斯分布如下:
x～N(u,ΛΛT+Ψ)
利用最大似然法优化目标函数求出u、Λ、Ψ：
Figure BDA0003117220660000151
通过因子分析方法将1×52在线融合矩阵转化为1×10在线降维矩阵，1×10在线降维矩阵就是在线位置指纹。
将在线位置指纹带入离线阶段得到的位置分类模型中，得到当前估计位置。
请参阅图5所示，为不同图像张数下本发明的的训练测试，最终取每个参考点60张离线CSI幅度图像，定位精度为85％。
综上所述，本发明利用灰度共生矩阵和因子分析方法对CSI幅度图像进行特征提取并降维，降低了计算复杂度，提高了离线阶段的学习效率并改善了在线阶段的定位精度。能够提高离线学习效率，改善在线定位精度。且本发明属于基于机器学习的定位方法，因此在线阶段定位速度快，时间开销小，定位精度高。同时本发明属于无设备定位方法，无需人员佩戴设备，利用CSI进行位置估计，具有实现简单，应用范围广的优点。
以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于灰度共生矩阵和因子分析特征提取的无设备定位方法，其特征在于：包括离线阶段和在线阶段，所述离线阶段包括以下步骤：
步骤1：采集定位区域内人员位于不同参考点时的离线CSI，上传至数据处理设备；
步骤2：按照时域和频域将数据处理设备接收的离线CSI的幅度信息排列成离线CSI幅度矩阵，并通过该离线CSI幅度矩阵获取离线CSI幅度图像；
步骤3：利用灰度共生矩阵和因子分析方法对步骤2中的离线CSI幅度图像进行图像特征提取并降维，得到离线降维矩阵；
步骤4：利用支持向量机对步骤3得到的离线降维矩阵进行分类学习，得到位置分类模型；
所述在线阶段包括以下步骤：
步骤5：采集在线CSI，并上传至所述数据处理设备；
步骤6：对步骤5所获得的在线CSI的幅度信息按照时域和频域排列成在线CSI幅度矩阵，并通过该在线CSI幅度矩阵获取在线CSI幅度图像；
步骤7：利用灰度共生矩阵和因子分析方法对步骤6得到的在线CSI幅度图像进行图像特征提取并降维，得到在线降维矩阵；
步骤8：将步骤7得到的所述在线降维矩阵代入步骤4得到的所述位置分类模型，得到预测位置。
2.根据权利要求1所述的基于灰度共生矩阵和因子分析特征提取的无设备定位方法，其特征在于：步骤1中所述离线CSI的采集所需设备包括信号发射设备和信号采集设备，所述信号发射设备能够发射WIFI信号，所述信号采集设备能够接收来自所述信号发射设备的WIFI信号，并对离线CSI进行采集，且能够将所述离线CSI上传至所述数据处理设备。
3.根据权利要求1所述的基于灰度共生矩阵和因子分析特征提取的无设备定位方法，其特征在于：步骤1中不同参考点在所述定位区域内等间隔的划分，以便采集每个参考点上的离线CSI。
4.根据权利要求1所述的基于灰度共生矩阵和因子分析特征提取的无设备定位方法，其特征在于：步骤2中，通过线性映射方法将所述离线CSI幅度矩阵转变成离线CSI幅度图像。
5.根据权利要求1所述的基于灰度共生矩阵和因子分析特征提取的无设备定位方法，其特征在于：步骤3具体包括以下步骤：
步骤31：在0°，45°，90°，135°四个方向上利用灰度共生矩阵G分别提取所述离线CSI幅度图像的离线图像特征，所述灰度共生矩阵G为：
Figure FDA0003117220650000021
所述灰度共生矩阵G是维数为Ng的正方形，其中Ng是所述离线CSI幅度图像中的灰度级数，矩阵的元素[i，j]是通过计算值为i的像素与值为j的像素相邻的次数，然后将整个矩阵除以所进行的此类比较的总数而生成的；
步骤32：对步骤31中四个方向上基于所述灰度共生矩阵G的所述离线图像特征进行统计计算，得到离线图像统计特征；
步骤33：对步骤32中得到的所述离线图像统计特征进行特征融合，得到离线位置指纹；
步骤34：利用因子分析方法对步骤33得到的所述离线位置指纹进行降维，得到离线降维矩阵，所述因子分析方法所使用的因子分析模型为：
X＝Af+ε
其中X＝(x1,x2,...,xp)T是特征数据向量，xp＝μp+ap1f1+ap2f2+…+aPmfm+eP，f＝(f1,f2,...,fm)T(m<p)是公共因子，ε＝(e1,e2,...,ep)T是特殊因子，f和ε均为随机变量，A是载荷矩阵，A＝(aij)p*m，其中aij是第i个向量在第j个公共因子上的载荷。
6.根据权利要求5所述的基于灰度共生矩阵和因子分析特征提取的无设备定位方法，其特征在于：步骤32中所述离线图像统计特征的统计量包括能量、熵、对比度、均匀性、相关性、方差、和平均、和方差、和熵、差方差、差平均、差熵、相关信息测度。
7.根据权利要求2所述的基于灰度共生矩阵和因子分析特征提取的无设备定位方法，其特征在于：步骤5中，通过所述信号采集设备接收来自所述信号发射设备的WIFI信号，并对在线CSI进行采集，且将所述在线CSI上传至所述数据处理设备。
8.根据权利要求1所述的基于灰度共生矩阵和因子分析特征提取的无设备定位方法，其特征在于：步骤6中，通过线性映射方法将所述在线CSI幅度矩阵转变成在线CSI幅度图像。
9.根据权利要求1所述的基于灰度共生矩阵和因子分析特征提取的无设备定位方法，其特征在于：步骤7具体包括以下步骤：
步骤71：在0°，45°，90°，135°四个方向上利用灰度共生矩阵G分别提取所述在线CSI幅度图像的在线图像特征，所述灰度共生矩阵G为：
Figure FDA0003117220650000031
所述灰度共生矩阵G是维数为Ng的正方形，其中Ng是所述在线CSI幅度图像中的灰度级数，矩阵的元素[i，j]是通过计算值为i的像素与值为j的像素相邻的次数，然后将整个矩阵除以所进行的此类比较的总数而生成的；
步骤72：对步骤71中四个方向上基于所述灰度共生矩阵G的所述在线图像特征进行统计计算，得到在线图像统计特征；
步骤73：对步骤72中得到的在线图像统计特征进行特征融合，得到在线位置指纹；
步骤74：利用因子分析方法对步骤73得到的在线位置指纹进行降维，得到在线降维矩阵，所述因子分析方法所使用的因子分析模型为：
X＝Af+ε
其中X＝(x1,x2,...,xp)T是特征数据向量，xp＝μp+ap1f1+ap2f2+…+aPmfm+eP，f＝(f1,f2,...,fm)T(m<p)是公共因子，ε＝(e1,e2,...,ep)T是特殊因子，f和ε均为随机变量，A是载荷矩阵，A＝(aij)p*m，其中aij是第i个向量在第j个公共因子上的载荷。
10.根据权利要求9所述的基于灰度共生矩阵和因子分析特征提取的无设备定位方法，其特征在于：步骤72中所述在线图像统计特征的统计量包括能量、熵、对比度、均匀性、相关性、方差、和平均、和方差、和熵、差方差、差平均、差熵、相关信息测度。
CN202110665525.7A 2021-06-16 2021-06-16 基于灰度共生矩阵和因子分析特征提取的无设备定位方法 Active CN113419212B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110665525.7A CN113419212B (zh) 2021-06-16 2021-06-16 基于灰度共生矩阵和因子分析特征提取的无设备定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110665525.7A CN113419212B (zh) 2021-06-16 2021-06-16 基于灰度共生矩阵和因子分析特征提取的无设备定位方法

Publications (2)

Publication Number Publication Date
CN113419212A true CN113419212A (zh) 2021-09-21
CN113419212B CN113419212B (zh) 2022-08-23

Family

ID=77788579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110665525.7A Active CN113419212B (zh) 2021-06-16 2021-06-16 基于灰度共生矩阵和因子分析特征提取的无设备定位方法

Country Status (1)

Country Link
CN (1) CN113419212B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105828289A (zh) * 2016-04-20 2016-08-03 浙江工业大学 一种基于信道状态信息的无源室内定位方法
CN107316012A (zh) * 2017-06-14 2017-11-03 华南理工大学 小型无人直升机的火灾检测与跟踪方法
CN108489509A (zh) * 2018-06-06 2018-09-04 天津大学 一种基于商用Wi-Fi的非接触单人计步方法及***
CN110636466A (zh) * 2019-09-06 2019-12-31 联泰集群（北京）科技有限责任公司 一种机器学习下基于信道状态信息的WiFi室内定位***
CN111757250A (zh) * 2020-05-27 2020-10-09 重庆邮电大学 一种基于张量分解的信道状态信息定位指纹构造方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105828289A (zh) * 2016-04-20 2016-08-03 浙江工业大学 一种基于信道状态信息的无源室内定位方法
CN107316012A (zh) * 2017-06-14 2017-11-03 华南理工大学 小型无人直升机的火灾检测与跟踪方法
CN108489509A (zh) * 2018-06-06 2018-09-04 天津大学 一种基于商用Wi-Fi的非接触单人计步方法及***
CN110636466A (zh) * 2019-09-06 2019-12-31 联泰集群（北京）科技有限责任公司 一种机器学习下基于信道状态信息的WiFi室内定位***
CN111757250A (zh) * 2020-05-27 2020-10-09 重庆邮电大学 一种基于张量分解的信道状态信息定位指纹构造方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
于海鹏等: "应用空间灰度共生矩阵定量分析木材表面纹理特征", 《林业科学》 *

Also Published As

Publication number Publication date
CN113419212B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN106851573B (zh) 基于对数路径损耗模型的联合加权k近邻室内定位方法
EP3644581B1 (en) Edge-cloud collaboration system for analyzing internet of things data and operating method thereof
CN103916954B (zh) 基于wlan的概率定位方法及定位装置
Zhang et al. Fingerprint-based localization using commercial LTE signals: A field-trial study
Hanna et al. Wisig: A large-scale wifi signal dataset for receiver and channel agnostic rf fingerprinting
CN110933628B (zh) 基于孪生网络的指纹室内定位方法
CN111080105A (zh) 基于电压时序数据的台区户变关系识别方法及***
CN113206860B (zh) 一种基于机器学习和特征选择的DRDoS攻击检测方法
CN112040397B (zh) 一种基于自适应卡尔曼滤波的csi室内指纹定位方法
CN111050315A (zh) 一种基于多核双路网络的无线发射机识别方法
Shi et al. Towards environment-independent human activity recognition using deep learning and enhanced CSI
CN111817803A (zh) 一种基于相关系数和k-均值聚类算法的频谱感知方法、***及计算机可读存储介质
CN112613443A (zh) 一种基于深度学习的鲁棒性通信辐射源智能识别方法
CN112637834A (zh) 一种无线通信设备的指纹融合识别方法及装置
KR102014234B1 (ko) 무선 프로토콜 자동 분석 방법 및 그를 위한 장치
CN115915226A (zh) 一种基于残差比较的异常节点检测与迭代定位方法
CN117388893B (zh) 一种基于gps的多设备定位***
CN113419212B (zh) 基于灰度共生矩阵和因子分析特征提取的无设备定位方法
CN112953961B (zh) 配电房物联网中设备类型识别方法
CN113938823A (zh) 基于多频段csi协同的无线定位装置及方法
CN117040824A (zh) 一种网络威胁检测方法及***
CN116566777A (zh) 一种基于图卷积神经网络的跳频信号调制识别方法
KR101858987B1 (ko) Src 기반의 rf 핑커프린팅 장치 및 방법
CN113326300A (zh) 一种无线测绘数据的传输方法
TWI776094B (zh) 用於室內空間之連網行為偵測器及其連網行為偵測方法

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