本发明涉及一种闯入检测方法,特别是一种基于信道状态信息和随机森林的煤矿井下闯入检测方法,属于无线通信技术领域。
背景技术:
煤矿井下重要区域的监测监控一直是煤矿物联行业中“感知矿山”建设关注的重点。现存井下监控大多是利用摄像头、激光、红外线等技术,由于井下环境灰暗,拍摄画面不清晰,激光红外线只在视距路径下才能得到准确信息的缺点,使得最终的闯入监控效果并不理想。寻找到一种适合井下通信的技术,设计一款可以在煤矿井下这种恶劣环境下准确识别是否有人闯入并判定其运动状态的系统十分有必要。
随着无线网络技术和智能设备的发展,wifi技术已经在煤矿井下得到广泛的应用。利用wifi进行闯入检测,采集接收信号强度(receivedsignalstrength,rss)作为感知信道质量的度量值,因为人体的存在或者是移动都会对rss产生不同的影响。但是rss容易受多径环境的干扰,具有粗粒度的缺点,存在高度易变性等问题。
技术实现要素:
本发明的目的是提供一种基于信道状态信息和随机森林的煤矿井下闯入检测方法,所述方法不易受多径环境干扰,具有高稳定性、高精度的特点。
为了达到上述目的,本发明所采用的技术方案为:一种基于信道状态信息和随机森林的煤矿井下闯入检测方法,包括以下步骤:
步骤一:布置设备:在井下需要检测的区域布置信号发射装置以及信息接收装置,信号发射装置使用普通的商用ap,信息接收装置使用装有可以采集到csi信息的微型计算机,其中微型计算机上的网卡驱动可以用于解析csi信息;
步骤二:采集原始csi数据:将信号发射端连接信息接收端,通过接收机ping信号发射端ip地址的方式接收k个原始信息数据包,每个原始信息数据包包含一个nt×nr×30的高维矩阵,nt表示为发射天线根数,nr为接收天线根数,30表示intel5300网卡设备驱动程序所能捕获30个子载波,以复数的形式存储在矩阵中:
步骤三:原始csi数据预处理:包括离群点的剔除、数据的滤波和相位差提取;
利用hampel滤波器剔除原始csi数据同一子载波上偏离csi向量的离群点;
利用低通滤波器滤除剔除离群点之后的数据中的高频噪声信号,
将相邻接收天线所接收到的相位信息相减对csi相位差进行提取;
步骤四:提取csi特征信息:将步骤三的csi数据进行归一化处理,对所有归一化后的相位差序列和幅度序列按照固定时间长度窗口,分别构造其对应的协方差特征矩阵,作为特征信息;
步骤五:对特征信息进行分类训练:将特征信息作为样本输入到随机森林分类算法中进行训练,建立有人状态和无人状态的分类模型;
步骤六:在线人员闯入检测:重复步骤二至步骤四,在连续时间内实时的采集csi数据进行预处理,提取实时csi特征信息;将实时csi特征信息输入步骤五的有人状态和无人状态的分类模型中,来确定是否有人进入当前监控的区域;
步骤七:判断实时csi特征信息为有人时,信息接收端发出报警信号,流程结束;判断实时csi特征信息为无人时,进入步骤六。
进一步,所述信号发射端使用的商用ap为tp-linktl-wr880n无线路由器,有三根发射天线。
进一步,所述信息接收端为装有intel5300nic的微型机,所述信息接收端的网卡通过外接三根通信线缆引出天线。
进一步,步骤四中所述低通滤波器为中值滤波器或butterworth低通滤波器。
与现有技术相比,本发明不需要构建如红外、视频监控等专用的硬件系统,利用已有的设备布置在井下需要检测的环境中,便可以对井下环境进行实时的监控,实现人员误闯入判断;本发明利用信道状态信息这种细粒度的物理量,从子载波维的幅度和相位差信息,具有高稳定性、高精确度的特点。本发明为的全方位覆盖被动式无源人员检测,被检测人员不需要携带任何的物理设备,具有布置简单、全方位检测、识别精度高的优点。
附图说明
图1为本发明的流程图;
图2为本发明基于csi闯入检测装置的结构示意图;
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1、图2所示,一种基于信道状态信息和随机森林的煤矿井下闯入检测方法,包括以下步骤:
步骤一:布置设备:在井下需要检测的区域布置wifi信号发射装置以及信息接收装置,信号发射端与信息接收端形成无线通信链路;信号发射端使用普通的商用ap,信息接收端使用装有可以采集到csi信息的微型机,基中微型机上的网卡驱动是经过特殊修改的,可以用于解析csi信息,所述信息接收端用于接收来自信号发射端的信号值;
进一步,所述信号发射端使用的商用ap,由于tp-linktl-wr880n无线路由器具有信号稳定,功能丰富实用,无线传输速率高达450mbps等优点,因此信号发射端采用有三根发射天线的tp-linktl-wr880n无线路由器。
进一步,所述信息接收端为装有intel5300nic的微型机,该微型机结构小巧,散热性强,支持多任务双开,运行流畅,所述信息接收端的网卡通过外接三根通信线缆引出天线。
步骤二:采集原始csi数据:信号发射端连接信息接收端,通过接收机ping信号发射端ip地址的方式接收k个原始信息数据包,每个数据包均包含一个nt×nr×30的高维矩阵,nt表示为发射天线根数,nr为接收天线根数,30表示网卡设备驱动程序所能捕获30个子载波,以复数的形式存储在矩阵中:
步骤三:原始csi数据预处理,包括离群点的剔除、数据的滤波和相位差提取;
离群点剔除:由于一些环境噪声以及协议规范因素,使得测得的原始csi数据存在一些偏离值,这里可以使用如hampel滤波器,有效的将其剔除;
高频滤波:由于电磁干扰会造成高频噪声信号,对所有的数据包的30个子载波使用低通滤波器有效的过滤掉这些高频信号;所述低通滤波器为中值滤波器或butterworth低通滤波器。
csi相位差的提取:为了进一步消除相位测量相位噪声的影响,相邻接收天线所接收到的相位信息相减得到相位差可以有效的滤除一些相位的干扰值;对原始相邻天线之间的相位相减,可以得到所需的相位差信息。
首先,第i个子载波的测得的csi相位
其中,∠hi表示为第i个子载波的真实csi相位值;δi是在接收端由于采样频率偏移所造成的时间同步误差,β表示为由于中心频率偏移造成的常数相位误差,zi是由测量噪声带来的随机误差。ki表示30个子载波的索引号(1-30),n是fft窗口大小。
正是由于δi,β和zi的存在,很难获取真实的相位信息。将相邻接受天线之间第i条子载波的相位相减可以得到相位差φi:
式中,δ∠hi表示第i个子载波的真实的csi相位差。δδi为时间同步误差值;δβ是未知的相位偏差;δzi是测量中的噪声产生的随机误差。
三根天线是以半波长的间距放置的,令λ表示波长,c为光速,f为中心频率θ为到达角,ts表示为采样间隔。我们可以粗略的估算出时间滞后差δδi的大小:
因为在2.4ghz频段带宽20mhz,所以ts为50ns,δδi约等于0。因此,测量的相位差可以表示为:
φi=δ∠hi+δβ+δzi
所以,经过相邻天线相减后的相位差不再包含时间同步误差δi,可以表示成真实相位差的一个线性叠加。
步骤四:提取csi特征信息:将步骤三处理后的数据进行归一化处理,
首先,对定长时间窗口内的所有csi样本的相位差φi和幅度hi进行归一化处理得到
其次,对所有归一化之后的相位差序列
再次,求出每个协方差矩阵
连续时间内,将会得到多个特征值序列αi和βi,形成最终所需要的特征矩阵f=[αi,βi]。
步骤五:对特征信息进行分类训练:将特征信息作为样本输入到随机森林分类算法中进行训练,建立有人状态和无人状态的分类模型;
步骤六:在线人员闯入检测:重复步骤二至步骤四部分,在连续时间内实时的采集csi数据进行预处理,提取实时csi特征信息;将实时csi特征信息输入步骤五的有人状态和无人状态的分类模型中,来确定是否有人进入当前所监控的区域。
步骤七:判断实时csi特征信息为有人时,由于人体的存在对信道环境产生干扰,csi信号会出现很大波动,信息接收端发出报警信号,流程结束;判断实时csi特征信息为无人时,进入步骤六。