一种基于WiFi的室内重点区域监测方法

发布时间：2020-12-28 16:28

　　针对无设备的室内重点区域监测问题,本文提出一种Wi-KAM方法,通过获取室内人员的实时位置信息,判断重点区域内部的人员存在情况和区域边界的入侵情况.本方法使用高斯低通滤波算法和主成分分析（PCA）法对提取出的信道状态信息（CSI）进行预处理,并提取位置特征信息.结合最小二乘支持向量机（LSSVM）,对样本集进行离线训练和在线分类,获取人员实时位置,实现对重点区域内部及周边人员位置情况的监测.实验表明,本方法可以更精确地进行重点区域内人员入侵检测和位置判别,并提高了室内人员定位的准确性. 

【文章来源】：小型微型计算机系统. 2020年02期 北大核心

【文章页数】：6 页

【部分图文】：

Wi-KAM算法流程图

对原有位置参考点的指纹信息进行低通滤波处理后，可得到降噪后的数据矩阵向量如式(4)所示:图3为第20号位置第2天线30个数据包的单条天线CSI原始数据和经过高斯低通滤波处理的图像．

根据上述步骤，PCA处理效果如图4所示．图4(a)为图3(b)为使用PCA处理后的得分矩阵特征波形，图4(b)为PCA得分矩阵进行加权平均后得到的特征波形．图像结果表明低通滤波数据经过PCA处理后，波形收束相比之前更加紧密，提取得到的新波形在保留原有数据特征的情况下，自身幅值细节信息更加明显，在对多条特征数据进行加权平均后，可将单个位置点的一次采样信息凝练为一组有效特征波形，以提高后续样本训练与分类的效率和精度．

【参考文献】：
期刊论文
[1]基于近邻法的WIFI室内定位改进算法研究[J]. 田家英,张志华.  测绘工程. 2018(12)
[2]基于距离测量和位置指纹的室内定位方法研究[J]. 李方敏,张韬,刘凯,刘果,马小林.  计算机学报. 2019(02)
[3]一种基于二维相控阵天线的RFID定位方法[J]. 梁笑轩,黄樟钦,邱兰馨.  电子学报. 2018(04)
[4]一种结合众包的WIFI指纹数据库自构建及更新算法[J]. 张熠,陈璟,王革超.  小型微型计算机系统. 2017(11)
[5]基于SVM分类和回归的WiFi室内定位方法[J]. 桑楠,袁兴中,周瑞.  计算机应用研究. 2014(06)
[6]一种传播模型无关的快速WiFi访问点定位算法[J]. 白云,喻莉,谢长生,张东华.  小型微型计算机系统. 2013(02)
[7]超宽带定位研究与应用:回顾和展望[J]. 肖竹,王勇超,田斌,于全,易克初.  电子学报. 2011(01)



本文编号：2944056