基于Wi-Fi 802.11n信道状态信息的定位技术研究

摘要

随着无线通信的高速发展和广泛普及，基于移动终端位置信息的服务在人们的生产生活中有着日趋重要的作用。由于卫星定位精度受限于环境中的阴影效应与非视距传播条件，在室内场景下不再适用，针对于复杂信道环境下的高精度定位问题亟待解决。考虑到Wi-Fi无线系统已广泛部署，几何定位技术的定位精度受限于精确的几何参数测量，不仅对通信带宽有极大需求也对移动终端的硬件模块性能有极大要求，人们日常通信条件难以满足。因此本文重点研究基于Wi-Fi无线系统的指纹定位技术，为复杂信道环境中的高精度定位技术提出解决方案与建议。 论文使用工业界现有的Intel5300网络适配器和修改驱动器测量IEEE802.11n信道状态信息，分析多种特征以说明实验平台的可行性以及信道状态信息作为指纹定位数据源的可行性。为了尽可能地增加信道状态信息特征数量以提高定位精度，采用发射天线轮换测量的方法以模拟虚拟发射天线阵列。从实际定位应用场景出发，本文通过设计两种信道状态信息采集方案研究定位环境动态变化对定位精度的影响。为了满足定位系统的实时性需求，主成分分析法被提出用于对信道状态信息数据集进行特征维度压缩以建立离线指纹库。本文重点实现了两种常用的指纹定位算法——K最近邻分类与神经网络回归，通过分析上述方法的主要定位误差来源，提出度量学习改进信道状态信息样本间的距离度量以降低定位误差。此外，多样本统计定位与局部异常因子算法被提出用于降低坐标估计的方差，提升定位结果的稳定性。 通过实现论文提出的定位算法，分析定位结果可知神经网络比K最近邻算法定位精度更高，在本文研究的两种定位场景下，神经网络平均定位误差分别为1.60米与8.54×10?2米，并得知在离线建立数据库阶段，密集选取训练点与增加数据样本多样性是提升定位精度的有效方法。最大间隔最近邻居算法学习出的距离度量有助于增加属于不同训练点的数据样本差异性，从而降低平均定位误差，使得定位精度接近基于大规模多输入多输出的卷积神经网络定位技术。多样本统计定位与局部异常因子算法在保证平均定位误差不增的情况下，可普遍降低终端坐标估计误差的四分位距。

目录

声明

缩略词表

第一章 绪论

1.1 研究背景与意义

1.2.1 研究现状

1.2.2 发展趋势

1.3 主要研究内容

1.4 创新点与贡献

1.5 论文结构安排

第二章 Wi-Fi 802.11n信道状态信息的获取实验

2.1 实验平台和环境

2.1.1 实验设备和参数设置

2.1.2 实验环境和场景

2.2 实验数据获取

2.2.1 数据要求

2.2.2 测量方法

2.3.1 数据结构

2.3.2 数据特征

2.3.3 数据误差

2.4.1 样本平均

2.4.2 维度重排

2.4.3 特征压缩

2.5 本章小结

第三章 基于信道状态信息的指纹定位方法及原理

3.1 K最近邻

3.2 人工神经网络

3.2.1 神经网络基本模型

3.2.2 超参数设置与选择

3.3 度量学习

3.3.1 大间隔最近邻居基本原理

3.3.2 优化问题的转化与求解

3.4 多样本统计

3.5 局部异常因子算法

3.6 本章小结

第四章 定位结果与分析

4.1 验证集选择

4.2.1 KNN超参数选择

4.2.2 ANN数据输入格式

4.2.3 ANN输出坐标处理

4.2.4 ANN超参数选择

4.2.5 定位结果对比与分析

4.3 度量学习应用

4.3.1 场景分析

4.3.2 定位结果与分析

4.4 多样本统计定位与局部异常因子算法结果与分析

4.5 算法复杂度分析

4.6 结论

第五章 总结与展望

5.1 工作总结

5.2 潜在研究

致谢

参考文献