摘要

　　随着物联网技术的快速发展，情景感知技术逐渐走入人们生活，其目的在于通过数据的采集和分析使得计算设备能够具备感知周围环境的能力，从而提供更为智能化的服务。此处所提到的环境不仅仅包括用户所在的物理环境信息，如网络状况、室内布置等，同时也包括用户自身的状态信息，如用户的位置及动作等。利用WiFi信号进行情景感知是一种可行的方案，其原因在于通过对接收信号进行分析可以解析其所调制的环境特征信息。传统基于WiFi的感知技术主要是基于接收信号指示强度RSSI（ReceivedSignalStrengthIndicator）来实现的，然而RSSI本身粒度较粗且时间稳定性差，因此亟需研究WiFi环境下的新型感知技术与方法。

　　本文深入物理层，提取更为细粒度的信道状态信息CSI（ChannelStateInformation）代替RSSI,从而实现更为鲁棒和精细的情景感知。论文首先阐述了基于CSI的感知技术的基本思想，总结了CSI相比较于RSSI所带来的优势。针对传统基于RSSI的感知技术的研究不足，本文以两个典型的情景感知应用场景为例，提出了基于CSI的网络划分和基于CSI的全向人员侵入检测算法。前者实现了对网络状况这一物理信息的场景感知，通过对无线信道进行指纹建模，提取Rician-K系数、时延扩展以及多普勒展宽三个信道参数并通过K-means聚类算法实现了更为鲁棒的网络划分。后者则实现了对人员存在性及人员存在位置等人员状态信息的感知，采用主成分分析PCA（PrincipalComponentAnalysis）提取信号特征并利用EMD（EarthMover'sDistance）算法进行指纹匹配，实现了全向的人员侵入检测。最后，通过实验对上述两个算法的性能分别进行验证和分析。

　　关键词：情景感知，WiFi,CSI信息，全向人员检测，网络划分

Abstract

　　ith the rapid development of IOT technology, the context-aware techniques are graduallyincorporated into people's daily lives, with the purpose of enabling computing devices to sensethe surrounding environment through data collection and analysis so as to provide moreintelligent services. The environment here includes both user's physical environmentinformation, such as network conditions, interior layout, etc., and user's own status information, such as user's location and actions. WiFi can be used for sensing as the received signal can beidentified as the reflection of the environmental characteristics. Traditional WiFi-based sensingtechniques are mainly implemented by RSSI （Received Signal Strength Indicator）， which isdetermined by its convenience and easy accessibility. However, they are suffering from coarsegranularity and poor time stability of RSSI.

　　In this thesis, we deep into the physical layer to extract CSI （Channel State Information）and realize more robust and sophisticated context-aware techniques.The thesis elaborates thebasic idea of CSI-based sensing technology and summarizes the advantages of CSI compared toRSSI. Aiming at solving the problems of traditional RSSI-based sensing technology, this thesistakes two typical scenarios as examples and proposes the CSI-based omnidirectional humandetection and network segmentation. The former extracts three channel fingerprints,which areRician-K, delay spread and Doppler spread. We use K-means clustering algorithm to achievenetwork segmentation. The latter uses PCA （Principal Component Analysis） to extract the CFRamplitudes as the feature and utilizes EMD （Earth Mover's Distance） algorithm to determine thedirection of the intruder. Finally, we analyze the performance of the two applications and a largenumber of experiments are conducted to verify their performance.

　　Key words:Context-aware, WiFi, CSI information, Omnidirectional human detection, Networksegmentation

目录

　　第一章绪论

　　1.1课题背景

　　随着计算机及通信技术的迅速发展，计算资源将遍布人们周围的环境，情景感知技术应运而生[1].顾名思义，情景感知技术就是通过传感器等设备采集环境信息，对信息进行智能处理，使得计算设备能够感知周围环境，从而实现更为智能化的服务。此处提到的环境不仅仅包括用户所在的物理环境信息，如网络状况、室内布置等，同时也包括用户自身的状态信息，如用户的位置及动作等。伴随着人们生活水平的不断提高，随之而来的是人们对生活品质的追求，作为信息技术与人们生活融合的产物，情景感知技术也在人们生活中发挥着越来越重要的作用。例如，智能家居、精准农业、医疗病人监护、安全监控等。情景感知的一个目标是在用户很少参与或者不需要用户参与的情况下实现对情景的感知，即我们所说的被动式感知，这跟传统的基于传感器的需要用户携带设备的感知存在本质的区别，能够带来更好的用户体验以及实现更为智能化的自动感知。WiFi信号因为其广泛部署的基础设施以及面向设备无关的特性成为情景感知技术中的一个研究热点。无线电信号不仅可以用于传输数据，还可以用来感知环境[2-3].在移动通信中，发送端和接收端之间通过电磁波来传输信号，我们可以想象两者之间有一些看不见的电磁通路，并把这些电磁通路称为无线信道。

　　无线信道与周围的环境密切相关，不同环境下的无线信道具有一些差异化的特征。我们都知道指纹是一个人独一无二的标识，因此，我们将上面提到的无线信道的差异化特征当做区分无线信道的“指纹”.在先验知识的支撑下，通过提取不同场景情况下无线信道的差异化指纹特征，分析归纳出“指纹”的“数学模型”,从而对无线信道“指纹”的特征进行建模，并针对具体的感知应用场景进行特征的处理与分析，这便构成了基于WiFi的情景感知的基本流程。目前已有大量的基于WLAN的感知技术研究，其中较具代表性的是基于接收信号强度指示RSSI的无线室内感知[4].RSSI的强弱在一定程度上反映了信道质量的好坏，众多无线通信技术如RFID,FM,GSM,WiFi,ZigBee等均可在终端设备上获取RSSI信息，以根据当前信道质量调整通信策略。在无线感知领域，RSSI的普适性使其广泛应用于室内无线定位、被动式人员检测等移动计算应用。

　　理论上，可将RSSI代入无线信号传播模型以估算信号传播距离，也可把RSSI作为特定地点的无线信号特征“指纹”,还能通过RSSI的波动推断是否有人或其他障碍物阻挡无线链路。但在室内环境中，RSSI会因信号多径传播引起的小尺度阴影衰落而不再随传播距离增加单调递减，从而限制测距精度，多径传播也会导致RSSI幅度波动。

　　事实上，制约RSSI的根本原因在于RSSI测量的是信号多径传播的叠加效果，并不能反映单个传播路径的信号特征信息。为了细粒度刻画多径传播特征，无线信道通常用信道冲击响应（ChannelImpulseResponse,CIR）建模。由于多径传播在频域上表现为频率选择性衰落，因而也可通过信道频率响应（ChannelFrequencyResponse,CFR）刻画多径传播。精确测量CIR/CFR通常需要专业信道测量仪器，例如网络矢量分析仪。而自2010年以来，研究人员通过修改固件[5],使得在普通WiFi设备上也能以信道状态信息CSI的形式获取一个采样版本的CFR信息。与RSSI相比，CSI将单值的RSSI扩展至频域，并且附加了相位信息，从频域上为无线感知提供了更为丰富、细粒度的信道状态信息。CSI也使得普通Wi-Fi设备在一定程度上能够从时域上粗略地区分传播路径，从而为基于视距路径的应用提供了更准确的视距能量估计值。如果将RSSI比作一束白光，那么CSI就是由棱镜色散出现的光谱，每一束单色光对应一条传播路径信息。与RSSI信息相比，CSI作为物理层信息，包含了更多的信道信息。

　　1）CSI能够细粒度地区分每一条路径的传播信息，每组CSI的信息包含一个正交频分复用子载波的幅度和相位信息。

　　2）CSI附加了相位信息，并且将单值的RSSI扩展至频域。

　　3）CSI信息相比较于RSSI信息，整体上更为稳定并且鲁棒，提升了WiFi信号对环境的感知能力。利用CSI信息，Wi-Fi环境感知技术可以实现更精确的室内定位，还可以实现被动式人员检测与活动识别等，但WiFi信号同样存在带宽窄和时间分辨率低的缺陷，同时在信号处理设备上与专用雷达信号等也存在较大差距，因此亟需研发基于WiFi的情景感知理论与技术，在普通商用WiFi设备上实现高精度的情景感知。本文旨在利用广泛部署的WiFi信号，对感知的精确度和细粒度方面进行研究，采用信道状态信息CSI代替RSSI,克服RSSI粒度粗和时间稳定性差的特点，实现更为鲁棒的基于CSI的感知技术应用。

　　1.2国内外研究现状

　　基于WiFi的情景感知技术概念从被提出开始便因为其重要的研究意义和实用价值，特别是其广阔的发展前景吸引了国内外大量科研单位及人员的研究热情，其中包括麻省理工学院、华盛顿大学、斯坦福大学、杜克大学、香港科技大学、清华大学、南京大学、西安交通大学等。期间，也涌现出许多基于WiFi的情景感知技术解决方案。

　　2000年，第一个利用WLAN解决室内定位问题的系统RADAR由微软研究院设计提出[6],该系统主要采用基于RSSI的指纹匹配算法，首先通过选取一定间隔的若干采样点信号进行信息采集，构建一份包含RSSI、MAC地址、采样点位置等的指纹数据库。接着在实际定位的时候实时采集信号数据，通过指纹匹配算法计算相似度，选择指纹数据库中与信号相似程度最高的采样点作为对当前位置的估计，从而实现室内目标的定位。该系统中设计到的基于RSSI的室内定位系统的思想和方法为后来很多方案的提出提供了参考，具有重要的意义。Youssef等人在RADAR的基础上通过增加离线采样点数量，提出了基于指纹数据库的WLAN室内定位系统HORUS[7],该系统不依赖于无线信号传播模型，而是对采样点采集到的信号信息进行标准高斯分析建模，不同于RADAR所采用的基于距离的定位，HORUS基于概率计算目标最可能出现的位置，因此HORUS系统比RADAR系统精确度更高。YanWang等[8]考虑到室内有意义的活动与特定地点之间的相关性，通过研究CSI对环境变化的高度敏感性实现与设备无关的面向位置的日常活动识别。SouvikSen等[9-10]利用CFR的环境稳定性以及邻近位置的异构性，通过指纹匹配方法实现细粒度的精确室内定位。

　　ZimuZhou等[11]利用CFR幅度信息，利用CFR幅度直方图作为信号指纹特征，通过指纹匹配的方法实现全向人员检测。针对视距路径判断问题，ZimuZhou等[12]利用移动性增加NLOS的随机性，通过Rician-K及Skewness两个评价指标，实现实时的LOS路径判断方法。KaishunWu等[13]通过构建调整后的路径传播模型，利用截断窗口弱化多径衰落和阴影影响，利用频率衰落补偿机制弱化频率选择性衰落影响，实现基于测距的室内定位。然而，在复杂的室内环境下有时候概率方法定位比确定性方法定位更为精确，基于此，JiangXiao等[14]利用CFR幅度和相位信息，构造室内位置指纹数据库，利用指纹相关性匹配方法，实现室内指纹定位系统。针对移动性检测，JiangXiao等[15]提取CSI相关矩阵的最大特征值作为特征，将对象移动性检测问题抽象成一种突发性检测模式，选用基于密度的聚类方法DBSCAN,实现面向设备无关的移动性检测。SouvikSen[16]研究人体对无线信号的遮蔽作用，通过追踪CIR信息输出的视距路径信息，判断出无线接入点相对于人体的方向，实现基于方向的室内定位。

　　SouvikSen[17]利用路径损耗公式计算用户距离AP的距离，同时利用用户移动性判断用户相对于AP的方向，实现了室内单AP定位。SouvikSen[18]为了解决测量误差较大，定位精度不高的缺陷，提出利用直达路径的到达时间以及基于智能手机的航位推算技术，实现基于单AP的精准室内定位。针对人员状态信息的感知研究，WeiWang等[19]基于CSI构建人体活动识别系统，利用CSI变化与人体运动速度的关系建立CSI速度模型，在此基础上再根据不同人体活动的时频特性的不同构建CSI活动模型，实现了更加普适的人体活动识别系统CARM.Kamran等[20]利用CSI的细粒度感知特性，研究人体击键活动对CSI信号的影响，根据不同击键产生的CSI信号波形的不同，对击键活动进行检测和识别。总体而言，基于信道状态信息的情景感知技术目前仍处于探索阶段，相关技术还不成熟。经过文献调研，我们认为目前本领域的研究主要存在如下研究问题和发展趋势：

　　（1）在复杂的室内环境下，情景感知系统性能受环境干扰严重，CSI采集信息包含噪声、衰落等多种不可控因素，对系统性能造成影响。如何对采集到的源数据进行处理，滤除异常数据的干扰，将会成为情景感知系统方案研究的重要考虑内容。

　　（2）是否存在视距路径对情景感知方案性能影响很大，如何设计合理的视距路径检测方案，如何利用多个移动设备的合作对方案进行改进是一个值得研究的问题。

　　（3）与RSSI相比，CSI主要是在频域进行扩展。随着MIMO技术的发展，可以将多天线带来的空间分集特性与CSI的频率分集特性相结合来解决室内的多径问题，如何在普适计算的环境下利用MIMO技术是Wi-Fi情景感知的一个研究趋势。

　　1.3本文工作

　　本文对基于无线信道状态信息的情景感知技术进行研究，分析了传统基于RSSI的感知技术的缺陷以及CSI相比较于RSSI带来的优势，针对物理环境信息以及人员状态信息两类典型的感知环境，分别实现了基于CSI的网络划分和全向人员侵入检测两个应用，主要完成了以下几个方面的工作：

　　（1）对目前情景感知技术的研究现状进行归纳总结，介绍了几种典型的感知技术，同时对各个技术的优缺点进行了讨论。

　　（2）利用信道状态信息CSI代替传统的RSSI,克服了RSSI粒度粗和时间稳定性差等缺陷。

　　（3）提取CSI信息作为网络划分的评价因子，对当地网络状况这一物理环境进行场景感知，提取多个量化的无线信道指纹信息，实现了更为鲁棒的网络划分系统。

　　（4）提取CSI幅度信息，对人员存在性及存在位置等人员状态信息进行感知，实现了基于CSI的人员存在性检测以及人员存在方向的自适应识别系统。

　　（5）对提出的两种基于CSI的情景感知应用进行实验验证，验证了算法的准确性与鲁棒性。

【由于本篇文章为硕士论文，如需全文请点击底部下载全文链接】

　　第二章情景感知技术研究
　　2.1基于传感器的感知技术
　　2.1.1传感器分类
　　2.1.2发展趋势
　　2.2基于RFID的感知技术
　　2.2.1RFID工作原理
　　2.2.2基于RFID的应用
　　2.2.3发展趋势

　　2.3基于WiFi的感知技术
　　2.3.1基于WiFi的室内定位技术
　　2.3.2基于WiFi的识别技术
　　2.4本章小结

　　第三章基于WiFi的情景感知技术
　　3.1无线信号传播特性
　　3.2RSSI信号特征描述
　　3.3CSI信号特征描述
　　3.4CSI与RSSI比较
　　3.5本章小结

　　第四章基于CSI的网络划分技术
　　4.1指纹特征提取
　　4.1.1Rician-K系数
　　4.1.2时延扩展
　　4.1.3多普勒展宽
　　4.2基于k-means的网络划分算法

　　4.3实验仿真
　　4.3.1Rician-K系数结果分析
　　4.3.2均方根时延结果分析
　　4.3.3多普勒展宽结果分析
　　4.3.4三个指纹综合评价
　　4.3.5基于k-means聚类算法的网络划分
　　4.4本章小结

　　第五章基于CSI的全向人员侵入检测
　　5.1CSI对人员存在敏感程度分析
　　5.2CSI对人员存在方向敏感程度分析
　　5.3信号特征提取
　　5.4匹配算法

　　5.5基于CSI的全向人员入侵检测
　　5.6实验仿真
　　5.6.1实验场景与平台
　　5.6.2特征提取
　　5.6.3EMD距离匹配
　　5.6.4基于CSI的全向人员入侵检测
　　5.7本章小结

第六章总结与展望

　　随着物联网和人工智能技术的兴起，越多越多的技术开始融入人们的生活，各种智能化的人机交互设备改变了人们传统的生活方式，提高了人们生活的品质。在这样的大环境下，情景感知技术应运而生。目前已经出现了大量的情景感知应用，很多技术可以被运用来感知环境，包括传感器、RFID、WiFi等。其中，WiFi因为其广泛部署的基础设施逐渐成为情景感知领域的一个研究热点。无线信号不仅能够传输数据，同时能够携带反映环境的信息，原因在于复杂的无线传输环境会给接收信号带来多径效应以及阴影衰落的影响，因此，我们能够通过对接收信号特征的提取来实现基于WiFi的情景感知技术。传统的基于WiFi的感知技术主要通过提取RSSI来实现，然而RSSI获得的只是多个路径信号的叠加结果，粒度粗且时间稳定性差，因此亟需研究WiFi环境下的新型感知技术与方法，实现普通商用WiFi设备上的高精度的环境感知。

　　基于此，本文利用信道状态信息CSI代替RSSI,分析了传统基于RSSI的感知技术的缺陷以及CSI相比较于RSSI带来的优势，针对物理环境信息以及人员状态信息两类典型的感知环境，分别实现了基于CSI的网络划分和全向人员侵入检测两个情景感知应用，主要完成了以下几个方面的工作：

　　（1）对目前情景感知技术的研究现状进行归纳总结，介绍了几种典型的感知技术，同时对各个技术的优缺点进行了讨论。

　　（2）利用信道状态信息CSI代替RSSI,克服了RSSI粒度粗和时间稳定性差的缺陷。

　　（3）提取CSI信息作为网络划分的评价因子，对当地网络状况这一物理环境进行场景感知，提取多个量化的无线信道指纹信息，实现了更为鲁棒的网络划分系统。

　　（4）提取CSI幅度信息，对人员存在性及存在位置等人员状态信息进行感知，实现了基于CSI的人员存在性检测以及人员存在方向的自适应识别系统。

　　（5）对提出的两种基于CSI的情景感知应用进行实验验证，验证了其准确性与鲁棒性。

　　当然，我们所做的工作还存在很多不足，例如基于CSI的全向人员检测不能有效区分多个人存在的情况以及人员的运动对系统检测的准确率会造成干扰等等，此外，如何保证系统的实时性也是接下来我们需要重点考虑的问题。如果这些问题得到解决，基于CSI的情景感知技术必将迎来新的春天

　　参考文献

【由于硕士论文篇幅较长，此页面不展示全文，如需全文，请点击下方下载全文链接】

TAG标签： 情景感知     WiFi     CSI信息