基于IDW插值和幅相融合网络的CSI室内定位方法

针对基于指纹的室内定位在离线阶段指纹点数量较少以及指纹特征缺乏代表性,导致定位性能不佳的问题,提出了基于反距离加权(Inverse Distance Weighted,IDW)插值和幅相融合网络的信道状态信息(Channel State Information,CSI)室内定位方法。采用IDW插值算法生成大容量的指纹库;然后用并行卷积神经网络(convolutional neural network,CNN)处理振幅和相位,得到位置指纹特征。最后用融合随机森林(Random Forest, RF)和多层感知机(Multilayer Perceptron, MLP)的新型集成体系结构进行分类,获得目标位置样本的估计位置。

基于CSI与SVM回归的室内定位方法

为研究室内定位技术在复杂环境中的应用,以楼梯和实验室为实验场景,提出了一种基于信道状态信息(CSI)与SVM回归的室内定位方法。该方法通过基于密度的空间聚类方法(DBSCAN)去除信号噪声,并用主成分分析法(PCA)提取贡献最大的指纹特征,同时降低CSI指纹的维度。通过SVM回归建立CSI指纹与目标位置之间的非线性关系,从而达到根据测得的CSI指纹估计目标位置的目的。实验结果表明,在多径效应较强的楼梯复杂环境中,该定位系统可以在90%以上的概率下达到1 m的定位精度,实验室环境中可以在82%的概率下达到0.8 m的定位精度,这表明基于CSI与SVM回归的室内定位方法具有高效性和可行性。

基于CSI和加权混合回归的室内定位方法

近年来,Wi-Fi感知凭借低成本、非接触、不受光照影响、隐私性好等优势,成为人机交互的新兴研究方向。为了提高室内定位技术的精度,提出了一种基于信道状态信息(Channel State Information,CSI)的加权混合回归(Weighted Mixed Regression,WMR)室内定位算法WMR_SKR。该方法分为离线训练和在线预测两个阶段。离线阶段单独训练支持向量回归(Support Vector Regression,SVR)和K近邻回归(K-Nearest Neighbor Regression,KNR)模型,并获得最优的权重分配,建立加权混合回归模型WMR_SKR。在线阶段通过WMR_SKR模型实时预测目标的位置。实验结果表明,本文的WMR_SKR模型在视距环境中82%的概率下定位精度能够达到1 m,非视距环境中80.6%的概率下达到1.5 m,且平均误差和标准误差均小于1.5 m。WMR_SKR模型有效融合了SVR和KNR的优点,提高了室内定位技术的性能。

基于WPT-MEC的动态自适应卸载方法

针对动态衰落时变的信道状态信息,为解决多用户的任务卸载和资源优化问题,将无线电能传输(WPT,wireless power transmission)技术和移动边缘计算(MEC,mobile edge computing)结合,提出一种基于WPT-MEC的动态自适应卸载(RLDO)方法。无线电能传输技术可为无线终端用户(WEU,wirelessend-user)提供能量,有效缓解传统电池供能有限的问题。为使资源利用最大化,设计一个无线电能的MEC网络模型,无线终端用户从无线接入点(AP,accesspoint)收集的能量存储至可充电电池内,再利用此能量进行任务计算或任务卸载。该方法通过部署在MEC服务器的全连接深度神经网络(DNN,deep neural network)进行实时的卸载决策。采用完全的二元制卸载策略进行卸载决策。仿真结果表明,在面向多用户时变的无线信道环境下,该方法的计算速率仍可以保持在92%以上。与基本方法相比,在提高计算速率、降低时延和能耗方面具有较大优越性,有效降低了计算复杂度。