一种基于信道状态信息和支持向量机的简单目标识别方法与流程

本发明涉及目标识别领域，尤其涉及一种基于信道状态信息并使用支持向量机技术进行简单目标识别的方法。

背景技术：

基于wi-fi的无线局域网在室内获得广泛部署，在提供数据传输服务的同时，还可提供简单目标识别服务。人体内的水占的比重是百分之七十，而水对无线射频信号是有很强的吸收能力的，所以人体会对周围的wi-fi信号产生反射、散射、衍射、衰减等效果，通过监测人体对wi-fi信号所造成的干扰会形成的特殊指纹特征，可以对目标是否是人进行简单的目标识别。

从wi-fi信号中可以获取接收信号强度指示(receivedsignalstrengthindicator,rssi)和信道状态信息(channelstateinformation,csi)。rssi是目前使用最广泛的能量特性，但其粗粒度及易变性不适合多径室内环境下的精确感知，用于目标识别精度很差。csi是物理层特征，描述信号在发射器和接收器之间传播的衰减因子，包括散射、环境衰减、距离衰减等信息，能够抵抗来自频段的窄频带信号的干扰，在静态环境中足够稳定，被干扰时能立即做出反应，并能够分辨来自多条路径的信号，多径效应影响小。随着正交频分复用(orthogonalfrequencydivisionmultiplexing,ofdm)技术在无线局域网中的应用，目前可以较便捷地获得csi。csi包含每个子载波的幅度和相位信息，能够提供丰富的频域信息，从而提高目标识别的精确性。

简单目标识别的过程本质上也是一个分类的过程，csi信号对于人体的干扰表现明显，有很好的辨识度，所以可以利用分类的思想来求解简单目标识别的问题。支持向量机(supportvectormachines,svm)是一种基于统计学习理论的机器学习方法，在解决高维和非线性问题方面表现出很多优势，借助于svm分类，可以获得识别目标和信号指纹之间非线性依赖关系的统计模型。

技术实现要素：

本发明是一种基于信道状态信息(csi)和支持向量机(svm)分类的简单目标识别方法，包括以下步骤：

步骤一：环境部署，基于wi-fi的简单目标识别要求室内覆盖wi-fi信号，选择信号干扰较小的5g频段，设备为两台笔记本电脑，均装有intellink5300agn无线商业网卡；

步骤二：csi原始数据采集，采集不同目标对象的若干csi原始数据，包括：发送天线个数，接收天线个数，发送频率，信道状态信息csi矩阵；

步骤三：csi数据预处理，其中包括：(1)移除原始数据中csi矩阵第一维度，将产生的二维矩阵从线性(电平)空间转换到对数(功率)空间，将矩阵中每一个复数转换成量值；(2)每一对发送和接收天线组成的信道中有30条子载波，应用基于密度的聚类算法density-basedspatialclusteringofapplicationswithnoise(dbscan)对每一条信道进行聚类，通过删除离群点去噪；(3)使用基于权值的滑动平均算法对去噪后的csi数据进行平滑；

步骤四：csi特征值提取，使用主成分分析(principalcomponentanalysis,pca)算法对预处理后的csi数据进行降维和特征值提取，产生csi指纹样本；

步骤五：svm模型训练；步骤如下：(1)将csi指纹样本归一化；(2)基于csi指纹样本，建立svm多分类模型，每一个分类对应一个目标；

步骤六：简单目标识别，步骤如下：(1)按照步骤二进行csi原始数据采集；(2)按照步骤三进行csi数据预处理；(3)按照步骤四进行csi数据降维和特征值提取，获得实时信号指纹；(4)根据svm多分类模型的投票结果来确定实时测量的csi指纹所代表的目标，实现简单目标识别；

附图说明

图1为基于csi和svm的简单目标识别方法流程图；

图2为基于csi的简单目标识别的环境部署图；

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，可能淡化和忽略与本发明有关的已知功能和设计的内容介绍。

在本实施方案中，本发明对简单目标识别方法主要包括以下环节：数据采集、数据预处理、数据的特征提取、简单目标分类识别，流程图如图1所示，具体实施步骤如下：

步骤一：环境部署，基于wi-fi的简单目标识别要求室内覆盖wi-fi信号，实验场景的布局长为6米，宽为7米，系统选择信号干扰较小的5g频段，设备为两台笔记本电脑，型号分别是联想的thinkpad的t400和x201i，他们都装有intellink5300agn无线商业网卡，该网卡具有3根天线。t400设置定向发送广播包数据，作为发送信号的设备，x201i设为监听模式，作为接受信号的设备，布局方式示意图参见图2。

步骤二：csi原始数据采集，训练阶段，将分成4种场景来采集训练数据的样本，分别是无人、泡沫做的假人、男实验员和女实验员。令目标静止处于图2所示位置，x201i每秒采集来自t400的20个csi原始数据，包括：发送天线个数ntx，接收天线个数nrx，数据包发送频率f，信道状态信息矩阵h。信道状态信息h是一个ntx×nrx×30的三维矩阵，第三维是ofdm信道中的30条子载波信息h＝|h|e^jsinθ，|h|是子载波幅值，θ是子载波相位。

步骤三：csi数据生成，针对采集的csi原始数据，首先移除csi矩阵h的第一个维度，获得ntx个nrx×30的二维矩阵，将二维矩阵从线性(电平)空间转换成对数(功率)空间，并将矩阵中每一个复数转换成量值。

步骤四：csi数据去噪，每一对发送和接收天线组成一条信道，因此一对ap-mp包含ntx×nrx条信道；每条信道包含30条子载波，因此一对ap-mp包含ntx×nrx×30条子载波。按照信道将csi数据集分成ntx×nrx个子数据集，每个子数据集包含30条子载波信息。令子数据集中每条子载波的序号为index(1～30)，幅值为value，在每个子数据集上应用基于密度的聚类算法dbscan进行聚类。dbscan中的两个参数分别是领域半径e和最小包含点数minopt，其聚类步骤包括：(1)将子数据集中所有对象标记为未访问状态，即“unvisited”；(2)随机选择一个未访问对象o(index,value)，标记为“visited”；检查o的邻域是否至少包含minopt个对象：如果不是，则标记o为离群点；如果是，则为o创建一个新的簇c和一个候选集合n，把o的邻域中所有对象放在候选集合n中；(3)dbscan迭代地把n中不属于其它簇的对象添加到c中，直到n为空，簇c完成；(4)转到步骤(2)处理下一个对象；(5)将标记成离群点的对象对应的样本数据从训练集中删除，达到数据去噪的目的。

步骤五：csi数据平滑，使用基于权值的滑动平均算法对去噪后的csi数据进行平滑以减小数据波动。假设到时刻t的一个csi子载波序列为(v1，v2,…,vt)，则在时刻t的csi平滑值是前m个值的加权平均，m为滑动窗口大小：

步骤六：csi特征值提取，(1)假设存在nap对ap-mp组合，每对ap-mp包含ntx×nrx条信道，每条信道具有30条子载波，则每条csi数据的维数为nap×ntx×nrx×30，维数很高。csi数据中每个值对分类的贡献是不同的，因此使用主成分分析pca算法对csi数据进行降维并提取最有效的特征。pca的目标是寻找r(r<nap×ntx×nrx×30)个新特征，每个新特征是原有特征的线性组合，新特征能够反映原有数据的主要特征，并能压缩原有数据的规模。(2)假设训练样本集合矩阵为x，样本数量为n。通过pca，可以获得转换矩阵c，样本矩阵x经过转换后的矩阵s，和按降序排列的特征权重l＝(l1,l2,…,ln)，n为特征维数。计算特征lr的累积贡献率为：

如果lr>95％，即前r个特征的累积贡献率大于预设阈值95％，则取l＝(l1,l2,…,ln)中的前r个特征f＝(l1,l2,…,lr)作为提取的特征。矩阵s中的前r列构成主成分矩阵r。r作为后续模型训练的样本数据。

步骤七：csi指纹样本生成及归一化，假设检测区域的csi样本集合为x＝{c1,c2,…,cn}，n为样本个数；ci＝{ci1,ci2,…,cir}表示特征提取后的样本，r为样本维数，归一化得到：

cij表示样本ci的第j个特征值，cmin表示所有特征值的最小值，cmax表示表示所有特征值的最大值；

步骤八：svm分类模型训练,对各目标进行svm分类模型训练。由于存在多个识别目标，因此多目标分类是一个多分类过程，采用one-against-one策略将svm从二分类扩展到多分类，最后进行投票取得最终分类结果。假设目标数量为k，每个目标对应一个类，则

类的数量为k，需要训练k(k-1)/2个分类器，每个分类器对两个目标进行二分类。假设ωi和ωj分别代表目标di和目标dj对应的类，则针对类ωi和类ωj的svm分类器的训练就是使用来自ωi和ωj中的csi指纹样本解决如下问题：

其中c为常量，ξ是一组松弛变量，ct是一个csi指纹样本，n是样本个数。

步骤九：在线目标识别，实际目标识别时，算法根据实时采集的csi指纹，通过训练得到的svm分类器确定目标的分类。包括如下步骤：(1)步骤二的方式采集csi原始数据；(2)按照步骤三至步骤六的方式对csi数据进行预处理和特征提取；(3)按照步骤七的方式产生csi指纹并归一化；(4)根据多个svm分类模型的投票结果来确定实时测量的csi指纹所代表的目标。

本发明的有益效果是：基于csi的简单目标识别解决方案不需要搭建专门的硬件设施，充分利用现有无线网络，使用普通商业路由器就可以达到简单目标识别的功能。在获取csi原始数据后，本发明对数据进行预处理，首先采用基于密度的聚类算法dbscan对信道中的子载波数据进行聚类以去噪，然后采用基于权值的滑动平均算法对去噪后的数据进行平滑。数据预处理后，本发明采用主成分分析算法对数据进行特征值提取。预处理和特征提取后的数据能够更加准确地反映信号的主要变化并且维数大大降低，有助于提高目标识别精度并降低计算复杂度。本发明借助于基于one-against-one策略的svm多分类算法，获得目标对象和信号指纹之间非线性依赖关系的统计模型，从而达到简单目标识别的目的。本发明能够达到98.7％以上目标识别的精度。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。