前言
我们进行CSI定位时,无论是主动还是被动定位,无论是基于指纹还是模型定位,在一个真实的室内场景下势必会产生视距与非视距的信号,有时候我们需要对这两种型号进行有效划分,这样才能选择合适的方法来削弱非视距信号对定位的影响。当然进行信号的区分,我们肯定会想到用一些分类模型去实现,这也是我们比较常规的思维。
1、视距(LOS)传播
无线电波沿直线传播的方式称为视距传播。
2、非视距(NLOS)传播
当CSI接收机与基站(BS)之间的直射路径被障碍物挡住后,无线电波只能在经过反射和衍射后到达接收端,此时测量到的数据,如到达时间、时间差、入射角度等,将不能正确反映发送端与接受端的真实距离,这种现象被称为非视距传播(NLOS )。
3、方法上判断CSI信号的传播是LOS还是NLOS
方法1:专利《一种移动状态下的视距/非视距路径识别方法》
该发明公开了一种移动状态下的视距/非视距路径识别方法,获取连续W个数据包的CSI数据;对每个CSI数据进行反傅里叶变换,获得对应的信道冲击响应;找出每个信道冲击响应的最高能量值及该最高能量值所对应的到达时间序列;对W个时间序列组成的时间序列集进行标准方差计算,得到方差值STD;根据计算得到的方差值STD,判断所述CSI数据属于LOS环境或NLOS环境;获取新的W1个CSI数据包,将新获取的数据包与原数据中的后面W-W1个数据包合并组成新的数据集合,重复判断过程。
方法2:用基于深度学习的神经网络算法识别NLOS
方法3:使用支持向量机将LOS与NLOS的wav文件进行分类。使用遗传算法(GA)从训练样本再选择、参数寻优以及每代种群的最优保存策略三方面对 SVM 进行升级,提升了SVM性能。
方法4:进行信道参数萃取
方法5:首先使用无线信号采集设备在不同的视距点位和非视距点位采集无线信号信道状态信息;再将采集的无线信号信道状态信息进行傅里叶反变换,得到相应的信道冲激响应信号,构成训练数据集;使用LSTM网络构建编码器‑解码器模块,训练完成得到特征提取编码器,提取信道冲激响应信号的信道特征;采用层神经网络作为分类器,训练完成的神经网络能够对信道特征进行分类,输出信道状态信息为视距传输或非视距传输的结果。
4、特征上区分LOS与NLOS信号
(1)接收信号强度(Received Signal Strength, RSS):视距信号通常具有较高的接收信号强度,而非视距信号由于路径损耗较大,接收信号强度较低。
(2)多径效应(Multipath Effects):非视距信号由于经过反射、绕射等多个路径传播,信号到达接收器时会出现多个不同时延的成分。这导致信号的时域特性和频域特性发生变化,与视距信号相比,CSI信息的时变性更强。
(3)信号延迟(Signal Delay):非视距信号由于路径的复杂性,通常会有较大的信号延迟,即信号到达接收器的时间较长。
(4)CSI的变化性:非视距信号的CSI信息通常比视距信号更不稳定,由于信号传播路径的不确定性和多变性,CSI的幅度和相位可能会发生较大的变化。
下面是LOS信号与NLOS信号简单区分:文章来源:https://www.toymoban.com/news/detail-486443.html
文章来源地址https://www.toymoban.com/news/detail-486443.html
到了这里,关于如何判断测量所得的CSI是视距还是非视距的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!