基于WiFi多径效应的积水检测方法

文档序号:33713770发布日期:2023-04-01 02:39阅读:62来源:国知局
基于WiFi多径效应的积水检测方法
基于wifi多径效应的积水检测方法
技术领域
1.本发明属于无线感知领域,涉及基于wifi多径效应的积水检测方法。


背景技术:

2.近年来,基于射频信号的检测技术逐渐受到追捧。因为射频信号属于无线,非常适用于非接触式感知,故研究者们把射频信号引入到行为识别、室内定位、物体感知等领域。其中,最受瞩目的应该是利用商用wifi硬件实现的感知系统,其低廉的成本、广泛的普及性、较强的隐私性,能够有效代替接触式传感器以及摄像设备。早期的wifi传感系统采用接收信号强度(received signal strength,rss)来实现感知,但仅使用于粗粒度感知,对微小、细节变化的感知效果不如人意。幸运的是,由于正交频分复用(ofdm)技术不断成熟,研究者们成功从wifi信道频率响应中获得更细粒度的信道状态信息。基于此,我们使用信道状态信息进行细粒度感知。
3.而不被期望的水会给人类日常生活、特殊工种带来灾难。在室内家庭中,泄漏的水会导致电器、家具的损坏;在户外勘测中,积累的水会增加施工难度。现阶段普遍采用接触式液体传感器或红外热成像摄像机来检测积水。然而,接触式液体传感器只能检测到能够接触的积水,红外热成像摄像机成本高且隐私性差。


技术实现要素:

4.有鉴于此,本发明的目的在于提供基于wifi多径效应的积水检测方法。来克服有线设备检测积水的局限性,实现非接触式、灵敏度较高的积水感知。本发明不仅能识别已知环境中是否含有积水,而且当被布置到新环境时,也能识别新环境中是否含有积水。
5.为达到上述目的,本发明提供如下技术方案:
6.1、基于wifi多径效应的积水检测方法,其特征在于:该方法包括以下步骤:
7.s1:采集不同环境地面含有积水与不含积水的信道状态信息,提取信道状态信息幅度,根据幅度得到多径方差v(xj)和多径能量矩阵e,计算多径相量叠加强度i和多径相量叠加紊乱度c这两个特征;再使用奇异值分解由多径能量矩阵e构造的时变hankel矩阵a,得到表示每条传播路径能量的多径映射矩阵s,计算多径占比率r这一特征。组合多径相量叠加强度i、多径相量叠加紊乱度c和多径占比率r构建积水检测的特征矩阵f(i,c,r);
8.s1具体包括以下步骤:
9.s11:在部署wifi的室内和室外环境下,分别得到地面含有积水、不含积水的信道状态信息矩阵h,按时间顺序提取信道状态信息的幅度矩阵,采用巴特沃斯低通滤波,对数据中存在的无关信息进行过滤,无关信息包括异常值;
10.s12:利用信道状态信息幅度计算多径方差v(xj)和多径能量e,再根据幅度矩阵计算幅度均值m(xj),得到多径相量叠加强度i,根据多径方差v(xj)计算多径相量叠加紊乱度c,再对多径能量矩阵的列向量构造时变hankel矩阵a,对时变hankel矩阵a使用奇异值分解,得到表示每条传播路径能量信息的多径映射矩阵s,再根据多径映射矩
阵s计算直射路径相对所有路径的多径占比率r;
11.s13:组合多径相量叠加强度i、多径相量叠加紊乱度c和多径占比率r,来构建积水检测的特征矩阵f(i,c,r)。将含有积水与不含积水的信道状态信息特征矩阵按照时间顺序作标记处理,构建室内和室外环境下含有积水数据集与不含积水数据集。
12.s2:使用基于强敏感度和弱相关性的子载波选择算法构建对环境敏感的、不包含重复信息的弱相关性子载波集合形成只包含环境敏感、弱相关性的部分子载波的特征矩阵,实现数据降维;
13.s2具体包括以下步骤:
14.s21:计算每个子载波在含有积水与不含积水幅度差值矩阵d,按平均幅度差值从大到小的顺序挑选子载波,构建环境敏感的子载波集合
15.s22:在环境敏感的子载波集合中,计算子载波间的相关性,构建相关性矩阵p,按相关性从小到大的顺序挑选子载波,构建环境敏感且弱相关性的子载波集合从特征矩阵中删去该子载波集合以外的子载波的观测值完成数据降维。
16.s3:使用基于最小虚警率和漏警率的最优置信区间选择算法,根据最优置信区间设定动态检测门限判定新环境是否含有积水;s3具体包括以下步骤:
17.s31:在已知环境计算样本在含有积水、不含积水两种情况下的概率密度函数和找到使得虚警率和漏警率之和达到最小的识别阈值kj,根据识别阈值kj计算置信水平l,然后设置[0,l]为最优置信区间。
[0018]
s32:计算新环境中不含积水的概率密度函数利用s31设置的最优置信区间,找到新环境中的动态检测门限k
′j。当新环境中样本特征大于动态检测门限k
′j,则判定为含有积水;当新环境中样本特征小于等于动态门限k
′j,则判定为不含积水。最终当前时刻的判定结果由多个特征的局部结果投票得到;
[0019]
s4:利用滑动窗口组合一段时间多个时刻的判定结果,进行积水结果校正,得到该时间段对积水有无的判定结果,当判定结果为正,证明地面有积水,则向用户报警;当判定结果为负,证明地面没有积水,则不报警。
[0020]
2、根据权利要求1所述的基于wifi多径效应的积水检测方法,其特征在于:所述s1中,提取幅度的方式,以及多径方差、能量、多径映射矩阵和多径占比率的计算方式,具体包括如下:
[0021]
1)提取多径相量叠加强度i
[0022]

信道频率响应:信道状态信息由不同时刻、不同子载波的频率响应组成,在频域上描述了发射器到接收器时变的信道状态。第j个子载波在t时刻的信道频率响应h(fj,t)表示为
[0023]
y(fj,t)=h(fj,t)
×
x(fj,t)
ꢀꢀ
(1)
[0024]
其中,j∈[1,30],x(fj,t)和y(fj,t)分别表示发射信号和接收信号,t表示采样时间,fj表示第j个子载波的频率,通信的中心频率设置为5.620ghz,频带宽度设置为40mhz,频率范围为fj∈[5.600ghz,5.640ghz]。wifi无线信号通过多径传播,信道频率响应是多条传播路径信道频率响应的线性叠加,表示为
[0025][0026]
n表示传播路径数量,ak(fj,t)表示第k条路径的幅度,表示第k条路径的相位。fj表示第j个子载波的频率,τk表示第k条路径的传播时延,e-j2πδft
表示发射器和接收器时钟不同步导致的相位偏移,n(fj,t)表示高斯白噪声。
[0027]
每条传播路径的频率响应都是一个正弦量的复数,称为相量。将所有路径的相量和称为多径相量的叠加值。
[0028]

信道状态信息:信道状态信息(channel state information,csi)是wifi网卡从ieee802.11信标帧中测量30个特定ofdm子载波得到的,每次信道状态信息测量包含30个矩阵,尺寸为发射器到接收器之间的链路数量n
tx
×nrx
,n
tx
和n
rx
分别表示发射器和接收器的数量。其中,单条链路上的信道频率响应构成的信道状态信息矩阵h表示为
[0029][0030]
其中,h(fj,t)表示信道频率响应,fj表示第j个子载波的频率,t表示采样时间,这样的矩阵有n
tx
×nrx
个。
[0031]

提取幅度均值m(xj):通过对信道状态信息矩阵中的每一个复值元素取模,得到n
tx
×nrx
个信道状态信息的幅度矩阵。幅度的均值是按列对幅度矩阵求均值,第j个子载波的幅度均值m(xj)计算方式为
[0032][0033]
其中,xj代表频率为fj的子载波的观测向量。x
lj
指信道状态信息矩阵h中第j个子载波在l时刻的观测值。
[0034]

计算多径相量叠加强度i:多径相量叠加强度i为所有子载波多径相量叠加值的强度,计算方式为:
[0035][0036]
其中,m(xj)表示第j个子载波的幅度均值以及ns表示子载波的数量。
[0037]
2)提取多径相量叠加紊乱度c
[0038]

计算多径方差:含有积水的地面会吸收无线信号,多径方差会随积水增多而降低,导致多径相量叠加紊乱度改变。多径方差v(xj)的计算方式为
[0039][0040]
其中,x
lj
指信道状态信息矩阵h中第j个子载波在l次测量的观测值,t表示采样时间,m(xj)表示第j个子载波的幅度均值。
[0041]

计算多径相量叠加紊乱度:多径相量叠加紊乱度表示所有子载波多径相量叠加值的波动程度,取决于多径方差v(xj)以及子载波的数量ns。多径相量叠加紊乱度c计算方式

[0042][0043]
3)提取多径占比率r
[0044]

求信道状态信息的多径能量矩阵:将信道状态信息矩阵h乘以其复共轭矩阵h
*
,得到信道状态信息的多径能量矩阵e,计算方式为
[0045][0046]
其中,e(fj,t)表示信道频率响应的能量,fj表示第j个子载波的频率,j∈[1,30],t表示采样时间。
[0047]

依次提取多径能量矩阵e的第1行e1到第t行e
t
,假设第t行表示为e1,e2,

,分别表示多径能量矩阵e中第t行的第1个值、第2个值到第ns个值,ns表示子载波的数量,t表示采样时间。计算时变hankel矩阵的行数m,计算方式为
[0048][0049]

时变hankel矩阵的行数等于列数,构造时变hankel矩阵a,构造方式为
[0050][0051]
其中,e1,em,e
2m-1
表示步骤

中多径能量矩阵e中第t行的第1个值、第2个值到第2m一1个值即第ns个值。
[0052]

使用奇异值分解时变hankel矩阵a,由a=usv得到的对角矩阵s,就是每条传播路径能量信息的多径映射矩阵s
[0053][0054]
对角线元素是时变hankel矩阵a的奇异值,共有ns个奇异值,分别表示模拟信道空间中第1条传播路径到第ns条传播路径的能量。
[0055]

计算多径占比率r:奇异值分解将真实的无线信道重新建模成新的模拟信道,本发明利用多径映射矩阵s分离出直射路径和反射路径各自的能量。计算直射路径相对于所有路径的多径占比率r,计算方式为
[0056][0057]
其中,直射路径具有最强能量,是多径映射矩阵s中第1条传播路径的能量σ1,而反射路径能量包括第2条传播路径σ2到第ns条传播路径的能量
[0058]
4)组合积水检测的特征矩阵:利用上述步骤得到的多径相量叠加强度i、多径相量叠加紊乱度c和直射路径相对所有路径多径占比率r,构建不同时刻积水检测的特征矩阵f
(i,c,r)为
[0059][0060]
其中,i
t
、c
t
和r
t
的下角标t表示采样时间。
[0061]
3、根据权利要求1所述的基于wifi多径效应的积水检测方法,其特征在于:所述s2中,使用基于强敏感度和弱相关性的子载波选择算法,构建只包含环境敏感、弱相关性的子载波的特征集合,具体包括以下步骤:
[0062]
1)构建环境敏感的子载波集合
[0063]

计算每个子载波在含有积水与不含积水幅度差值矩阵d,将含有积水的信道状态信息与不含积水的信道状态信息对应元素相减,得到幅度差值矩阵d;
[0064]

根据幅度差值矩阵计算每个子载波的平均幅度差值,对d按列计算平均值,得到平均幅度差值向量其中,d1,d2,

,分别表示第1个子载波的平均幅度差值、第2个子载波的平均幅度差值到第ns个子载波的平均幅度差值;
[0065]

从平均幅度差值向量d中选择ns个子载波中最大平均幅度差值d
max

[0066]

遍历平均幅度差值向量d,判断各个子载波的平均幅度差值dj是否满足不等式k*dj≥d
max
。其中,k是人为指定的倍数,k∈[1,10],默认为10。如果满足不等式,则将第j个子载波加入环境敏感的子载波集合如果不满足不等式,则检查下一个子载波d
j+1
,直到所有子载波都被遍历。
[0067]
2)构建环境敏感、弱相关性的子载波集合
[0068]

在环境敏感的子载波集合中,计算子载波间的相关性。计算信道状态矩阵中第i个子载波xi和第j个子载波xj间的相关性为
[0069][0070]
其中,σ(xi)、σ(xj)分别是第i个子载波数据xi和第j个子载波数据xj的标准差,分别是第i个子载波数据xi和第j个子载波数据xj的均值。x
li
、x
lj
分别是第i个子载波第l次的观测值和第j个子载波第l次的观测值。cov(xi,xj)是求第i个子载波数据xi和第j个子载波数据xj之间的协方差。
[0071]

使用环境敏感的子载波集合中的所有子载波,两两组合构成,相关性矩阵p为
[0072]
[0073]

搜索相关性矩阵p的上三角部分或下三角部分,依次寻找最小的w个相关性值,构成弱相关向量p=[p1,p2,

,pw]。其中,p1,p2,

,pw分别表示弱相关向量p中的第1个值、第2个值到第w个值,w∈[1,ns]为人为指定的数,默认为使得10*p1<pw的最小整数;
[0074]

将弱相关向量p中的弱相关值p1,p2,

,pw所对应的所有子载波i和子载波j,同时加入弱相关性的子载波集合如果子载波集合中已经存在该子载波,则不重复加入。
[0075]
4、根据权利要求1所述的基于wifi多径效应的积水检测方法,其特征在于:所述s3中,使用基于最小虚警率和漏警率的最优置信区间选择算法,设置最优置信区间和动态检测门限判定是否含有积水,具体包括以下步骤:
[0076]
1)利用已知环境样本建模
[0077]

计算已知环境样本概率密度函数:用已知环境的不含积水和含有积水样本进行建模,来解决新环境在训练时缺乏含有积水的样本的情况。利用核密度估计得到已知环境不含积水和含有积水两种情况下的概率密度函数和
[0078]

计算已知样本最小虚警率和漏警率的识别阈值kj:虚警率表示实际不含积水时、被检测出含有积水的概率,由不含积水的概率密度函数计算得到
[0079][0080]
漏警率表示实际含有积水时、被检测出不含积水的概率,由含有积水的概率密度函数计算得到
[0081][0082]
最小虚警率和漏警率的识别阈值kj是使得虚警率和漏警率之和达到最小的阈值,计算方式为
[0083][0084]

设定最优置信区间:根据最小虚警率和漏警率的识别阈值kj,利用不含积水的概率密度函数计算的置信水平l,计算方式为
[0085][0086]
将不含积水概率密度的最优置信区间设置为[0,l]。
[0087]
2)设置新环境动态检测门限k
′j判定结果
[0088]

计算新环境样本概率密度函数:新环境中采集不含积水的样本作为训练数据,利用核密度估计新环境中不含积水的概率密度函数
[0089]

从新环境中不含积水的概率密度函数中,寻找最优检测置信区间[0,l],将置信区间的右边界值l设置为动态阈值k
′j;
[0090]

判定当前时刻结果:当新环境中样本特征大于动态阈值k
′j,判定为含有积水;当新环境中样本特征小于等于动态阈值k
′j,判定为不含积水。当前时刻有无积水的最终判
定结果由多个特征的局部结果投票得到。
[0091]
5、根据权利要求4所述的基于wifi多径效应的积水检测方法,其特征在于:所述s4中,基于移动平均的校正算法,具体包括以下内容:
[0092]
利用滑动窗口截取信道状态信息一段时间序列,包含多个时刻的判定结果,使用基于移动平均的校正算法。滑动窗口的大小为z∈[1,t
p
],t
p
取决于设定的最长检测时间。移动平均校正算法的计算公式为
[0093][0094]
其中,x
t
表示第t时刻的检测结果,经过步骤s3后,被测环境的地面如果含有积水则检测结果x
t
等于1,如果不含积水则检测结果x
t
等于-1。而y表示该时间段的校正结果。最后,当y值为正,证明地面在该时间段出现积水,则向用户报警;当y值为负,证明地面一直没有积水,则不报警。
[0095]
本发明的有益效果在于:本发明克服了有线设备检测积水的局限性,具有非接触、灵敏度高、适应用于新环境的特点,当布置到新环境也能检测地面积水。
[0096]
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0097]
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
[0098]
附图1为本发明结构图;
[0099]
附图2为本发明基于强敏感度、弱相关性的子载波选择算法流程图;
[0100]
附图3为本发明基于最小虚警率和漏警率的置信区间最优算法流程图。。
具体实施方式
[0101]
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
[0102]
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
[0103]
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系
为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
[0104]
请参阅图1~图3,基于wifi多径效应的积水检测方法,包括以下步骤:
[0105]
s1:采集不同环境地面含有积水与不含积水的信道状态信息,提取信道状态信息幅度,根据幅度得到多径方差v(xj)和多径能量矩阵e,计算多径相量叠加强度i和多径相量叠加紊乱度c这两个特征;再使用奇异值分解由多径能量矩阵e构造的时变hankel矩阵a,得到表示每条传播路径能量的多径映射矩阵s,计算多径占比率r这一特征。组合多径相量叠加强度i、多径相量叠加紊乱度c和多径占比率r构建积水检测的特征矩阵f(i,c,r);包括以下步骤:
[0106]
s11:在部署wifi的室内、室外环境下,分别得到地面含有积水、不含积水的信道状态信息矩阵h,按时间顺序提取信道状态信息的幅度矩阵,采用巴特沃斯低通滤波,对数据中存在的无关信息进行过滤,如异常值;
[0107]
s12:利用信道状态信息幅度计算多径方差v(xj)和多径能量e,再根据幅度矩阵计算幅度均值m(xj),得到多径相量叠加强度i,根据多径方差v(xj)计算多径相量叠加紊乱度c,再对多径能量矩阵的列向量构造时变hankel矩阵a,对时变hankel矩阵a使用奇异值分解,得到表示每条传播路径能量信息的多径映射矩阵s,再根据多径映射矩阵s计算直射路径相对所有路径的多径占比率r;
[0108]
s13:组合多径相量叠加强度i、多径相量叠加紊乱度c和多径占比率r,来构建积水检测的特征矩阵f(i,c,r)。将含有积水与不含积水的信道状态信息特征矩阵按照时间顺序作标记处理,构建室内和室外环境下含有积水数据集与不含积水数据集。
[0109]
s2:使用基于强敏感度和弱相关性的子载波选择算法构建对环境敏感、尽可能不包含重复信息的弱相关性子载波集合形成只包含环境敏感、弱相关性的部分子载波的特征矩阵,实现数据降维;包括以下步骤:
[0110]
s21:计算每个子载波在含有积水与不含积水幅度差值矩阵d,按平均幅度差值从大到小的顺序挑选子载波,构建环境敏感的子载波集合
[0111]
s22:在环境敏感的子载波集合中,计算子载波间的相关性,构建相关性矩阵p,按相关性从小到大的顺序挑选子载波,构建环境敏感且弱相关性的子载波集合从特征矩阵中删去该子载波集合以外的子载波的观测值完成数据降维。
[0112]
s3:使用基于最小虚警率和漏警率的最优置信区间选择算法,根据最优置信区间设定动态检测门限判定新环境是否含有积水。包括以下步骤:
[0113]
s31:在已知环境计算样本在含有积水、不含积水两种情况下的概率密度函数和找到使得虚警率和漏警率之和达到最小的识别阈值kj,根据识别阈值kj计算置信水平l,然后设置[0,l]为最优置信区间。
[0114]
s32:计算新环境中不含积水的概率密度函数利用s31设置的最优置信区间,找到新环境中的动态检测门限k
′j。当新环境中样本特征大于动态检测门限k
′j,则判定为含有积水;当新环境中样本特征小于等于动态门限k
′j,则判定为不含积水。最终当前时刻的
判定结果由多个特征的局部结果投票得到;
[0115]
s4:利用滑动窗口组合一段时间多个时刻的判定结果,进行积水结果校正,得到该时间段对积水有无的判定结果,当判定结果为正,证明地面有积水,则向用户报警;当判定结果为负,证明地面没有积水,则不报警。
[0116]
最后说明的是,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,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1