基于低算力平台的WiFi无线感知系统设计与实现

这是一篇关于无线感知,手势识别,信道状态信息的论文, 主要内容为随着物联网技术的发展,使用手势动作操作智能家居设备逐渐成为了一种新兴的交互方式。目前利用无线信号对手势动作进行识别的技术包括毫米波、WiFi等多种方案,其中WiFi部署简单,价格低廉,具有较强的实用价值,因此备受关注。现有的相关研究重点在于解决手势动作识别的准确率问题,较少关注智能家居场景中,在低算力的嵌入式设备上实际应用的性能问题。本文主要关注在智能家居场景下,使用较低算力的平台,实现基于WiFi信号的手势动作无线感知系统,并提供了一套应用程序编程接口,满足各种智能家居设备接入的需求。本文主要工作包括:(1)开发搭建了基于低算力平台的手势动作数据采集平台,面向智能家居场景手势识别任务,针对四种交互手势动作采集了数千条样本。(2)设计了一种高效的CSI信号预处理方法,能够快速去除信号中的异常值并进行平滑,减少预处理流程耗时,提高系统的实时性;设计了 一种基于动态阈值的手势动作检测算法,能够低延迟地对输入的CSI数据流进行不间断检测,提取出包含手势动作的数据段。(3)提出了一种轻量级的手势动作识别模型,利用深度可分离卷积降低传统卷积神经网络的卷积操作所需要的计算量。将提取到的手势动作数据处理为一张特征图片,利用卷积神经网络结合注意力机制实现手势动作识别。(4)搭建了基于WiFi无线感知的低延迟手势交互系统,实现了手势动作识别结果的展示、控制照片浏览、控制视频播放等功能,并提供了应用程序编程接口供智能家居设备接入。对系统的各项需求进行了功能测试和性能测试,并与其它识别模型进行了性能对比,本系统对四种手势动作识别的准确率能够达到98%以上。

基于深度学习的位置指纹室内定位算法研究

这是一篇关于室内定位,深度学习,接收信号强度,信道状态信息,神经网络的论文, 主要内容为随着移动互联网与移动终端的蓬勃发展,人们在室内活动中花费越来越多的时间。与此同时,基于位置服务的应用的大量需求推动了室内定位技术的研究与发展。得益于可以提供较高的定位精度与稳定性且成本低的优势,基于WLAN指纹的技术成为了目前室内定位技术的研究热点,其流程主要包括线下指纹库建立阶段与线上定位阶段。位置指纹主要分为接收信号强度(Received Signal Strength,RSS)与信道状态信息(Channel State Information,CSI):RSS易于采集,但是其仅是一种粗粒度信息,随时间变化大,且对多径衰落敏感,进而使得定位精度提升困难;CSI是一种物理层细粒度的高维度信息,但是不同天线的子载波间CSI存在大量冗余信息与噪声,其高维度的特点也提高了定位算法的计算复杂度。针对以上问题,本文基于RSS空间相关性提出基于谱聚类的参考点聚类方法,并提出基于深层自编码器的CSI降维与特征提取方法对CSI编码;进一步,联合RSS与CSI以丰富位置指纹特征,提出基于深度学习的定位方法以提高定位精度与稳定性,主要工作与贡献如下:(1)为了提高在3D室内定位场景下基于RSS定位方法的定位精度,本文提出了基于谱聚类和加权反向传播神经网络的3D室内定位方法,其主要创新点在于:线下阶段,利用RSS的空间相关性,定义指纹间相似度,提出的基于谱聚类的参考点聚类算法划分子指纹库,并训练基于反向传播神经网络的定位预测模型;线上阶段,根据定义的指纹相似度计算不同定位预测模型的权重,获得加权平均预测坐标,进而提高定位精度。实验结果表明,与基于神经网络的定位方法相比,本算法的中值定位误差降低了11.9%,训练时间减少了41.48%。(2)为了进一步提升定位精度,本文提出了联合RSS与CSI的基于深度学习的室内定位方法:为了降低不同子载波间CSI的冗余与噪声,提出基于深层自编码器的CSI降维与特征提取方法,将CSI降维并抽象编码;为了降低定位预测模型的计算复杂度与训练时间,联合RSS与基于CSI编码建立指纹库;基于深度神经网络的定位预测,进而提高定位精度。本算法优势在于:可扩展性强(以AP角度建立指纹库,可根据实际场景添加AP选择算法),可迁移性高(基于深度神经网络,更新指纹库时可利用已训练好的模型),定位精度较高(实验结果表明,本算法的平均定位误差为0.72m,中值误差为0.5m)。(3)为了应对实际室内定位场景中大量移动客户端高并发定位请求的巨大的挑战,本文设计并开发了基于Netty,SpringBoot,RabbitMQ框架的室内定位系统。该系统包括服务器端与客户端,其设计思想是:根据功能将服务器端的模块化,通过系统核心调度器与异步化的思想降低模块间耦合度,提高系统性能与稳定性。此外,利用电脑端客户端模拟高并发定位请求的场景并对定位系统测试,结果表明:在定位请求间隔为500ms或700ms的条件下,系统可以支持1500个用户稳定的定位服务。因此,本文设计的室内定位系统可以提供快速、高效、稳定的定位服务。

基于迁移机制的非接触式手势动作识别方法研究

这是一篇关于Wi-Fi感知,信道状态信息,手势动作感知,数据增强,迁移学习的论文, 主要内容为随着人工智能和无线感知技术的发展,基于Wi-Fi的非接触式手势感知技术被广泛应用于智能家居、游戏控制以及康复治疗等领域,并逐步融入日常生活中,对于人机交互的需求也不断提高,促使了Wi-Fi手势感知研究的推进。目前的研究方法虽然对手势动作感知可获得较高的识别准确度,但当模型训练样本不足、手势运动方向改变、手势所在场景与识别类别变化时,存在模型感知普适性差、识别精度低的问题。针对以上问题,本文从Wi-Fi信号设备中提取手势引起的信道状态信息(Channel State Information,CSI)数据感知动作,根据少量样本与不同手势运动朝向、不同场景及类别,研究不同的特征提取与分类识别方法,实现高鲁棒的非接触式手势动作感知。本文主要围绕常用的几种手势动作进行研究,具体工作如下:(1)针对少量标注样本出现的模型过拟合和手势动作运动方向变化时识别精度降低的问题,设计了一种基于时间卷积神经网络与几何变换的手势识别方法CSI-VGR。首先,在Wi-Fi感知设备上采集手势动作并利用中值滤波器与SavitzkyGolay滤波器进行降噪处理,再采用主成分分析算法做降维与主成分提取的操作,使用短时傅里叶变换提取出多普勒频移并借助几何变换对数据样本扩充。之后,设计编码-解码时间卷积神经网络分割数据,将分割的活动数据输入到时间卷积神经网络提取特征。最后,引入回声状态网络对手势特征分类。通过在两种不同真实场景进行实验测试,CSI-VGR方法的识别精度达到了96.3%,实现了对少量手势样本较好的识别。(2)针对手势所在场景与类别不同时的感知精度低与几何变换数据增强的局限问题,提出了一种基于迁移学习和生成对抗网络的手势识别方法Wi-TCG。首先,对采集的CSI数据降噪并变换出多普勒频移图像。其次,将图像数据及对应的类别标签数据作为条件生成对抗网络的输入,并通过条件生成对抗网络生成伪数据扩充样本数据。最后,采用基于模型的迁移学习从源域Widar3.0数据集训练的Res Net18深度残差网络迁移到本文新场景新手势类别中进行网络参数微调,以适应采集手势动作数据的识别。在办公室与会议室两种环境中对Wi-TCG进行评估,Wi-TCG方法的平均识别准确度为93.1%,实现了对不同场景及类别的手势识别。(3)为了解决迁移学习中样本数据分布存在的局限性与深度学习大量训练样本较难采集与标注问题,提出了一种基于双向门控循环单元与元学习的手势识别方法Meta-WGR,该方法以元学习的方式借助Wi AR数据集的人体动作与Widar3.0数据集手势动作学习分类经验,将学习到的知识迁移到本文自建手势类别数据集中。首先,对数据集与采集的CSI数据通过组合滤波器去噪与平滑并转为多普勒频移。之后,借助融入注意机制的卷积神经网络提取图像的特征张量。最后,以双向门控循环神经网络为分类模型,在元训练阶段对两个数据集的分类任务训练学习,把得到的初始化参数作为元测试的输入并在少量不同手势样本新类别任务中微调与识别。经过多组实验验证,Meta-WGR对手势动作的识别准确度达到了92.5%,可以满足非接触式Wi-Fi感知的交互需求,并实现了对不同类别及少量样本数据的识别。

大规模MIMO系统智能信道状态信息反馈研究

这是一篇关于大规模MIMO,信道状态信息,深度学习,注意力机制,非局部神经网络的论文, 主要内容为相比于传统多输入多输出(Multiple-Input Multiple-Output,MIMO)技术,大规模MIMO拥有多种优势,如频谱利用率高,系统容量大等,但是这些都以基站能够获取准确的下行信道状态信息(Channel State Information,CSI)为前提。而在频分双工(Frequency Division Duplex,FDD)模式中上下行链路不再具有互易性,因此基站只能通过反馈获得准确的下行链路CSI,但在大规模MIMO系统中基站处通常部署了大量的天线,使得CSI反馈开销急剧增大,造成通信系统性能下降,因此如何降低CSI反馈开销是FDD模式大规模MIMO系统研究的热点问题之一。近年来深度学习技术快速发展并被应用到多种行业中,并且其表现出了比传统技术更好的性能。同时,深度学习技术在实施的过程中,只对输入数据做简单的矩阵乘法和加法,没有复杂的运算操作,这给研究大规模MIMO系统低开销高精度的CSI反馈方法提供了新思路,基于此,本文对如何将深度学习技术与大规模MIMO系统CSI反馈结合进行了研究,旨在降低大规模MIMO系统CSI反馈开销并提高CSI恢复精度。本文主要的工作如下:(1)介绍了大规模MIMO技术演进过程,拥有的优势以及实施过程中面临的挑战,在此基础上引出了大规模MIMO系统模型并阐述了信道特性,接着介绍了常用来进行CSI反馈的方法,包括码本方法,压缩感知方法以及深度学习方法。为后续的研究奠定了基础。(2)针对现有CSI反馈方法数据恢复精度低的问题,提出了一种基于注意力机制的CSI反馈方法。所提方法在用户端采用卷积神经网络(Convolutional Neural Network,CNN)对信道特征进行提取,接着使用全连接神经网络(Fully Connected Neural Network,FCNN)对提取的特征进行压缩;在基站端先将接收到的数据恢复到原始大小,然后使用CNN对信道数据进行预测恢复,为了提高CSI恢复的精度,利用空间注意力机制对重要特征进行恢复以及通道注意力机制获得不同通道数据的权重。最后仿真结果表明,相比于传统方法以及Csi Net方法,所提方法具有更好的反馈性能。(3)研究了大规模MIMO系统信道的空间相关性以及针对现有基于深度学习的CSI反馈方法提取特征不够完善,提出了一种基于非局部神经网络的CSI反馈方法。为了增大网络的感受野,所提方法在数据压缩阶段采用扩张卷积神经网络(Dilated Convolutional Neural Network,DCNN)对特征进行提取,该网络能够在不增加计算复杂度情况下扩大网络的感受野获取更多的信道特征;在CSI恢复过程中,利用大规模MIMO信道的空间相关性,使用非局部神经网络获得远程依赖信息,提高CSI重构精度。仿真结果表明,所提方法与传统方法以及Csi Net方法相比,能够进一步提升CSI反馈性能。

基于压缩感知和深度学习的FDD大规模MIMO CSI获取算法研究

这是一篇关于大规模MIMO,信道状态信息,压缩感知,深度学习的论文, 主要内容为大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)作为第五代(Fifth Generation,5G)移动通信关键技术之一,凭借高频谱效率和能量效率受到了广泛关注和研究。为实现大规模MIMO系统的性能增益,基站端(Base Station,BS)需要获得准确的下行链路信道状态信息(Channel State Information,CSI)。在频分双工(Frequency Division Duplex,FDD)制式下,需要通过用户先估计CSI后再将其反馈回基站的方式来获取CSI。然而大规模MIMO系统中巨大的天线数量不仅使得现有CSI获取算法的复杂度增加,同时也增加了导频与反馈开销。为解决该问题,本文利用压缩感知和深度学习技术进行CSI的获取,主要完成了以下两项工作:针对FDD大规模MIMO系统中,将CSI从用户反馈回基站时造成反馈开销巨大的问题,本文根据大规模MIMO信道在角度时延域的稀疏特性,提出了一种基于压缩感知和深度学习的CSI反馈方案。首先将用户端获得的空频域下的CSI变换到稀疏域,即角度时延域,得到新的稀疏信道矩阵。利用压缩感知技术,将稀疏信道矩阵进行任意比例的压缩,然后将得到的不同压缩比下的测量值反馈回基站,从而得以减少反馈量。同时设计了一种基于深度学习技术的CSI重建网络模型,Re Net,在基站端通过Re Net完成CSI的重建。仿真结果表明,与当前基于压缩感知和基于深度学习的经典算法相比,本文所提的算法充分降低了CSI反馈时的开销,保证并提升了CSI重建的准确度,同时降低了重建计算复杂度。针对FDD大规模MIMO时变信道下,由于CSI快速过时进一步导致CSI获取更加困难的问题,本文设计了基于压缩感知和深度学习技术的CSI估计方案。建立了多天线基站和单天线设备间通信的OFDM时变系统模型,分析了大规模MIMO信道在时延域的结构化稀疏特性,并设计了自适应结构化正交匹配追踪(Adaptive structured-Joint Orthogonal Matching Pursuit,AS-JOMP)和深度神经网络架构联合信道估计算法。首先提出了AS-JOMP算法并对其重建性能进行理论分析,然后提出两个基于深度学习的优化模型,Dn Net网络和Dn LSTM网络来进一步优化CSI估计结果。仿真结果表明,与传统方法相比,本文所提的联合算法在减小导频和反馈开销的同时,也降低了计算复杂度,提升了重建性能。综上,本文研究了基于压缩感知和深度学习的大规模MIMO CSI获取的方案,所提方案可以有效减小信道估计和反馈过程中的开销,同时也保证和提升了获取到的CSI的准确度。

基于深度迭代网络的智能超表面信道估计研究

这是一篇关于智能超表面,信道状态信息,信道估计,自监督,深度迭代的论文, 主要内容为智能超表面(Reconfigurable Intelligent Surface,RIS)是未来6G无线系统中有前景的候选技术,可经济高效地实现智能无线电环境(Smart Radio Enviroment,SRE)。为了获得RIS带来的好处,RIS辅助无线通信系统需要精确的信道状态信息(Channel State Information,CSI)来控制无线信道。然而,由于下面两个原因导致很难精确估计RIS辅助信道的状态信息:1)由于RIS阵列由无源器件构成,不具备收发和处理导频信号的能力;2)在用户和基站之间加入RIS,导致信道的维度急剧增加,这导致训练开销大和计算复杂度高。一般的传统算法要达到好的信道估计性能通常以更高的计算复杂度为代价。由于深度学习技术强大的非线性映射能力,本文构建深度学习模型以较低的复杂度精确估计信道。主要工作如下:反射模式的RIS辅助无线信道估计。首先本文对RIS辅助的无线通信系统建模,然后将信道估计的领域知识与优化算法逐渐嵌入神经网络,提出了基于LS-Net的信道估计方法、基于有监督网络的信道估计方法和基于自监督网络的信道估计方法。值得注意的是,自监督网络在训练中不需要真实标签信道,也能实现和有监督网络近乎一样的性能。透射和反射模式并存条件下的RIS(Simultaneously Transmitting and Reflecting Reconfigurable Intelligent Surface,STAR-RIS)辅助无线信道估计。相比单一反射模式的RIS,STAR-RIS可以实现高度灵活的全空间SRE。因此,本文进一步研究了STAR-RIS辅助的无线通信系统的信道估计问题。首先构建了STAR-RIS辅助的通信系统模型。然后将信道估计问题转化为优化问题求解。最后,将物理模型与迭代优化算法融入到深度迭代网络,提出了两种基于GD-Net的深度迭代信道估计方法和基于ALISTA-Net的深度迭代信道估计方法。仿真结果表明,相较于传统算法,本文提出的基于深度迭代网络的信道估计方法不但具有良好的泛化性和鲁棒性,还能以较低的导频开销实现更好的估计性能。

基于压缩感知和深度学习的FDD大规模MIMO CSI获取算法研究

这是一篇关于大规模MIMO,信道状态信息,压缩感知,深度学习的论文, 主要内容为大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)作为第五代(Fifth Generation,5G)移动通信关键技术之一,凭借高频谱效率和能量效率受到了广泛关注和研究。为实现大规模MIMO系统的性能增益,基站端(Base Station,BS)需要获得准确的下行链路信道状态信息(Channel State Information,CSI)。在频分双工(Frequency Division Duplex,FDD)制式下,需要通过用户先估计CSI后再将其反馈回基站的方式来获取CSI。然而大规模MIMO系统中巨大的天线数量不仅使得现有CSI获取算法的复杂度增加,同时也增加了导频与反馈开销。为解决该问题,本文利用压缩感知和深度学习技术进行CSI的获取,主要完成了以下两项工作:针对FDD大规模MIMO系统中,将CSI从用户反馈回基站时造成反馈开销巨大的问题,本文根据大规模MIMO信道在角度时延域的稀疏特性,提出了一种基于压缩感知和深度学习的CSI反馈方案。首先将用户端获得的空频域下的CSI变换到稀疏域,即角度时延域,得到新的稀疏信道矩阵。利用压缩感知技术,将稀疏信道矩阵进行任意比例的压缩,然后将得到的不同压缩比下的测量值反馈回基站,从而得以减少反馈量。同时设计了一种基于深度学习技术的CSI重建网络模型,Re Net,在基站端通过Re Net完成CSI的重建。仿真结果表明,与当前基于压缩感知和基于深度学习的经典算法相比,本文所提的算法充分降低了CSI反馈时的开销,保证并提升了CSI重建的准确度,同时降低了重建计算复杂度。针对FDD大规模MIMO时变信道下,由于CSI快速过时进一步导致CSI获取更加困难的问题,本文设计了基于压缩感知和深度学习技术的CSI估计方案。建立了多天线基站和单天线设备间通信的OFDM时变系统模型,分析了大规模MIMO信道在时延域的结构化稀疏特性,并设计了自适应结构化正交匹配追踪(Adaptive structured-Joint Orthogonal Matching Pursuit,AS-JOMP)和深度神经网络架构联合信道估计算法。首先提出了AS-JOMP算法并对其重建性能进行理论分析,然后提出两个基于深度学习的优化模型,Dn Net网络和Dn LSTM网络来进一步优化CSI估计结果。仿真结果表明,与传统方法相比,本文所提的联合算法在减小导频和反馈开销的同时,也降低了计算复杂度,提升了重建性能。综上,本文研究了基于压缩感知和深度学习的大规模MIMO CSI获取的方案,所提方案可以有效减小信道估计和反馈过程中的开销,同时也保证和提升了获取到的CSI的准确度。

基于深度学习的位置指纹室内定位算法研究

这是一篇关于室内定位,深度学习,接收信号强度,信道状态信息,神经网络的论文, 主要内容为随着移动互联网与移动终端的蓬勃发展,人们在室内活动中花费越来越多的时间。与此同时,基于位置服务的应用的大量需求推动了室内定位技术的研究与发展。得益于可以提供较高的定位精度与稳定性且成本低的优势,基于WLAN指纹的技术成为了目前室内定位技术的研究热点,其流程主要包括线下指纹库建立阶段与线上定位阶段。位置指纹主要分为接收信号强度(Received Signal Strength,RSS)与信道状态信息(Channel State Information,CSI):RSS易于采集,但是其仅是一种粗粒度信息,随时间变化大,且对多径衰落敏感,进而使得定位精度提升困难;CSI是一种物理层细粒度的高维度信息,但是不同天线的子载波间CSI存在大量冗余信息与噪声,其高维度的特点也提高了定位算法的计算复杂度。针对以上问题,本文基于RSS空间相关性提出基于谱聚类的参考点聚类方法,并提出基于深层自编码器的CSI降维与特征提取方法对CSI编码;进一步,联合RSS与CSI以丰富位置指纹特征,提出基于深度学习的定位方法以提高定位精度与稳定性,主要工作与贡献如下:(1)为了提高在3D室内定位场景下基于RSS定位方法的定位精度,本文提出了基于谱聚类和加权反向传播神经网络的3D室内定位方法,其主要创新点在于:线下阶段,利用RSS的空间相关性,定义指纹间相似度,提出的基于谱聚类的参考点聚类算法划分子指纹库,并训练基于反向传播神经网络的定位预测模型;线上阶段,根据定义的指纹相似度计算不同定位预测模型的权重,获得加权平均预测坐标,进而提高定位精度。实验结果表明,与基于神经网络的定位方法相比,本算法的中值定位误差降低了11.9%,训练时间减少了41.48%。(2)为了进一步提升定位精度,本文提出了联合RSS与CSI的基于深度学习的室内定位方法:为了降低不同子载波间CSI的冗余与噪声,提出基于深层自编码器的CSI降维与特征提取方法,将CSI降维并抽象编码;为了降低定位预测模型的计算复杂度与训练时间,联合RSS与基于CSI编码建立指纹库;基于深度神经网络的定位预测,进而提高定位精度。本算法优势在于:可扩展性强(以AP角度建立指纹库,可根据实际场景添加AP选择算法),可迁移性高(基于深度神经网络,更新指纹库时可利用已训练好的模型),定位精度较高(实验结果表明,本算法的平均定位误差为0.72m,中值误差为0.5m)。(3)为了应对实际室内定位场景中大量移动客户端高并发定位请求的巨大的挑战,本文设计并开发了基于Netty,SpringBoot,RabbitMQ框架的室内定位系统。该系统包括服务器端与客户端,其设计思想是:根据功能将服务器端的模块化,通过系统核心调度器与异步化的思想降低模块间耦合度,提高系统性能与稳定性。此外,利用电脑端客户端模拟高并发定位请求的场景并对定位系统测试,结果表明:在定位请求间隔为500ms或700ms的条件下,系统可以支持1500个用户稳定的定位服务。因此,本文设计的室内定位系统可以提供快速、高效、稳定的定位服务。

基于低算力平台的WiFi无线感知系统设计与实现

这是一篇关于无线感知,手势识别,信道状态信息的论文, 主要内容为随着物联网技术的发展,使用手势动作操作智能家居设备逐渐成为了一种新兴的交互方式。目前利用无线信号对手势动作进行识别的技术包括毫米波、WiFi等多种方案,其中WiFi部署简单,价格低廉,具有较强的实用价值,因此备受关注。现有的相关研究重点在于解决手势动作识别的准确率问题,较少关注智能家居场景中,在低算力的嵌入式设备上实际应用的性能问题。本文主要关注在智能家居场景下,使用较低算力的平台,实现基于WiFi信号的手势动作无线感知系统,并提供了一套应用程序编程接口,满足各种智能家居设备接入的需求。本文主要工作包括:(1)开发搭建了基于低算力平台的手势动作数据采集平台,面向智能家居场景手势识别任务,针对四种交互手势动作采集了数千条样本。(2)设计了一种高效的CSI信号预处理方法,能够快速去除信号中的异常值并进行平滑,减少预处理流程耗时,提高系统的实时性;设计了 一种基于动态阈值的手势动作检测算法,能够低延迟地对输入的CSI数据流进行不间断检测,提取出包含手势动作的数据段。(3)提出了一种轻量级的手势动作识别模型,利用深度可分离卷积降低传统卷积神经网络的卷积操作所需要的计算量。将提取到的手势动作数据处理为一张特征图片,利用卷积神经网络结合注意力机制实现手势动作识别。(4)搭建了基于WiFi无线感知的低延迟手势交互系统,实现了手势动作识别结果的展示、控制照片浏览、控制视频播放等功能,并提供了应用程序编程接口供智能家居设备接入。对系统的各项需求进行了功能测试和性能测试,并与其它识别模型进行了性能对比,本系统对四种手势动作识别的准确率能够达到98%以上。