[发明专利]一种基于CSI指纹信息的室内被动定位方法

说明书

本发明公开了一种基于CSI指纹信息的室内被动定位方法，充分利用WiFi环境中的有效信息，将CSI相位信息作为指纹信息进行室内被动定位，通过集成学习算法提高匹配准确率，再对匹配结果进行置信回归，提高了室内被动定位的精度。

技术领域

本发明涉及室内定位技术领域，具体是一种基于CSI指纹信息的室内被动定位方法。

背景技术

随着社会的发展和科技的进步，基于位置的服务已经成为人们生活中必不可少的一部分。基于WiFi的室内定位系统由于其设备成本低、易部署等优点，成为近年来室内定位研究的热点。

传统的WiFi室内定位方法一般采用接收信号强度(RSS)作为参量，但RSS作为MAC层信息，仅仅是各个子载波接收信号强度的简单叠加，容易受到墙壁、家具等外界因素的干扰，影响定位精度。随着OFDM技术和MIMO技术在WiFi标准的应用，使得获取物理层的信道状态信息(CSI)成为可能，CSI较RSS是一种反映信道状态更加细颗粒度的参量，使用CSI代替RSS作为指纹信息，可以提高定位精度。

信道状态信息是基于物理层的信息，描述了各个子载波接收信号的幅值和相位两个特征。在现有技术中，大多数基于CSI的室内定位方法都利用CSI的幅值信息，原因在于，虽然我们能够从Intel5300网卡中获取到CSI的相位信息，但是因为误差等原因，获取到的原始相位往往是随机杂乱分布的，并不能直接用来作为指纹信息；而幅值信息又很容易因其他设施的阻碍而大幅度下降，从而影响定位精度。

发明内容

针对上述问题，本发明提供一种基于CSI指纹信息的室内被动定位方法。

一种基于CSI指纹信息的室内被动定位方法，包括离线训练阶段和在线定位阶段，采用CSI相位信息作为指纹信息，

所述离线训练阶段至少包括以下步骤：

步骤1、对划分好的指纹点采集CSI数据，对其CSI的原始相位信息进行线性变换以消除相位偏移，得到修正后的相位信息作为样本数据，建立CSI指纹库；

步骤2、利用集成学习算法(即adaboost算法)对样本数据进行权重训练，得到一个强分类器；

所述在线定位阶段至少包括以下步骤：

步骤3、采集待测点CSI数据，对其CSI的原始相位信息进行线性变换以消除相位偏移，得到修正后的相位信息作为待测数据，并输入步骤2中的强分类器中得到分类结果；

步骤4、对待测点的分类结果进行统计，选取所有分类结果中最多的r个分类结果，标记位置坐标为L_r(x,y)，其中r＝1,2,…,R，标记对应的分类结果数量分别n₁,n₂,…,n_R，标记r个分类结果的总数为N＝n₁+n₂+…+n_R，则每个坐标L_r(x,y)在这N个结果的概率p_r＝n_r/N，根据概率分布对r个分类结果的坐标(x,y)分别进行加权回归得到最终输出坐标

进一步的，所述步骤1中的线性变换式为其中代表第i个子载波修正后的相位，代表第i个子载波未修正的相位，wave_i代表第i个子载波的索引值，A、b分别代表线性变换的两个参数，

进一步的，所述步骤2具体包括以下步骤：

S1、将CSI指纹库分成训练样本和验证样本，初始化训练样本的权值分布，使得每一个训练样本都被赋予相同的权值w_i＝1/N，训练样本的权值初始分布满足D₁(i)＝(w1,w2,…,wN)＝(1/N,1/N，…,1/N)；

S2、对训练样本输入多个分类器中，进行分类器训练，得到训练好的多个弱分类器；