NWI:基于CSI的非视距信号识别方法

由于室内环境复杂多变和多径效应对WiFi传播信号的影响,因此产生了大量的非视距路径,导致信号严重衰落,通信链路质量恶化,造成应用识别精度不高、实现系统复杂等问题。文中提出了一种基于CSI的非视距信号识别方法NWI(NLOS recognition based on Wavelet Packet Trans form Identification),主要用于对WiFi的物理层信息——CSI信号进行特征提取,识别当前链路中是否存在遮挡。所提方法对CSI信号的幅值进行三层小波包分解,分别提取第3层8个频段的小波包系数、小波包能量谱、信息熵和对数能量熵作为特征向量,利用支持向量机进行分类,从而识别出非视距信号。相比其他方法,该方法无须对CSI信号进行预处理,最大程度地保留了环境对传播信号的影响,更真实地反映室内环境。实验结果表明,该方法在动态环境中的识别精度为96.23%,在静态环境中的识别精度为94.75%,证明了基于小波包变换的CSI信号特征提取方法能够有效识别非视距信号,具有较高的识别精度和普适性。

利用CNN和小波变换的室内定位信号识别

在超宽带(UWB)室内定位系统中,采用时域特征识别非视距信号(NLOS)不能达到令人满意的性能。为了解决这一问题,利用小波变换方便同时提取时频域特征的特点,提出了一种基于连续小波变换和卷积神经网络(CWT-CNN)的NLOS识别方法。仿真实验使用一个网络开源数据集。仿真结果表明,对于6种不同的室内场景,NLOS信号识别准确率分别为87.50%、84.50%、88.00%、87.00%、90.50%和88.50%,CWT-CNN能够较好的识别时频域内的NLOS信号。