留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于CSI-XGBoost的高精度WiFi室内定位算法

张玄黎 修春娣 王延昭 杨东凯

张玄黎, 修春娣, 王延昭, 等 . 基于CSI-XGBoost的高精度WiFi室内定位算法[J]. 北京航空航天大学学报, 2018, 44(12): 2536-2544. doi: 10.13700/j.bh.1001-5965.2018.0268
引用本文: 张玄黎, 修春娣, 王延昭, 等 . 基于CSI-XGBoost的高精度WiFi室内定位算法[J]. 北京航空航天大学学报, 2018, 44(12): 2536-2544. doi: 10.13700/j.bh.1001-5965.2018.0268
ZHANG Xuanli, XIU Chundi, WANG Yanzhao, et al. High-precision WiFi indoor localization algorithm based on CSI-XGBoost[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(12): 2536-2544. doi: 10.13700/j.bh.1001-5965.2018.0268(in Chinese)
Citation: ZHANG Xuanli, XIU Chundi, WANG Yanzhao, et al. High-precision WiFi indoor localization algorithm based on CSI-XGBoost[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(12): 2536-2544. doi: 10.13700/j.bh.1001-5965.2018.0268(in Chinese)

基于CSI-XGBoost的高精度WiFi室内定位算法

doi: 10.13700/j.bh.1001-5965.2018.0268
基金项目: 

北航金华北斗技术成果转化及产业化基金项目(多传感器融合智能室内定位系统研发) BARI1701

详细信息
    作者简介:

    张玄黎  女, 硕士研究生。主要研究方向:基于CSI的WiFi室内定位指纹匹配算法研究

    修春娣  女, 讲师。主要研究方向:无线通信和室内定位

    通讯作者:

    修春娣,E-mail: xcd@buaa.edu.cn

  • 中图分类号: TN966;TN929.5

High-precision WiFi indoor localization algorithm based on CSI-XGBoost

Funds: 

Beihang Jinhua Beidou Technology Achievement Transformation and Industrialization Fund Project (Multi-sensor Fusion Intelligent Indoor Positioning System R&D) BARI1701

More Information
  • 摘要:

    考虑到室内环境的复杂性和多径效应对WiFi指纹定位性能的影响从Intel 5300无线网卡中提取信道状态信息(CSI),利用修正后的CSI幅值和相位信息作为指纹特征,使用极限梯度提升(XGBoost)算法构建高精度指纹库,实现分米级的高精度室内定位。进一步通过实测数据分析了采样间隔、室内视距(LOS)和非视距(NLOS)环境、缺失值和数据维度等因素对所提算法定位性能的影响。实际室内环境下的实验结果表明,本文算法受NLOS影响较小,对室内复杂环境有很强的鲁棒性;此外,该算法能够很好地处理高维稀疏数据,解决CSI指纹特征的"误匹配"问题,且对缺失数据不敏感,定位准确度优于90%。

     

  • 图 1  系统结构

    Figure 1.  System architecture

    图 2  幅值滤波前后的波形

    Figure 2.  Waveform before and after amplitude filtering

    图 3  相位延拓前后的波形

    Figure 3.  Phase waveform before and after unwrapping

    图 4  线性变换之后的相位波形

    Figure 4.  Phase waveform after linear transformation

    图 5  指纹数据库

    Figure 5.  Fingerprint database

    图 6  XGBoost原理图

    Figure 6.  Schematic diagram of XGBoost

    图 7  在线阶段框图

    Figure 7.  Online phase block diagram

    图 8  实际实验环境

    Figure 8.  Actual experimental layout

    图 9  不同采样间隔的实验场景图

    Figure 9.  Experiment scene diagram with different sampling intervals

    图 10  不同采样间隔的定位结果CDF

    Figure 10.  Positioning result CDF at different sampling intervals

    图 11  NLOS和LOS环境下的实验场景图

    Figure 11.  Experiment scene diagram in NLOS and LOS environments

    图 12  NLOS和LOS环境下的定位结果CDF

    Figure 12.  Positioning result CDF in NLOS and LOS environments

    图 13  有无缺失值的定位结果CDF

    Figure 13.  Positioning result CDF with and without missing values on positioning performance

    图 14  不同算法的数据维度实验定位结果CDF

    Figure 14.  Positioning result CDF of different algorithms in data dimension experiment

    表  1  不同采样间隔的定位性能比较

    Table  1.   Comparison of positioning performance at different sampling intervals

    定位性能 采样间隔/m
    1.2 0.8 0.4
    定位准确度/% 97.7 97.5 97.4
    平均定位误差/m 0.054 0.060 0.066
    训练时间/s 1.69 14.29 322.99
    下载: 导出CSV

    表  2  NLOS和LOS环境下的定位性能比较

    Table  2.   Comparison of positioning performance in NLOS and LOS environments

    算法 定位性能 NLOS LOS
    CSI-XGBoost 定位准确度/% 99.01 98.84
    平均定位误差/m 0.029 0.038
    CSI-SVM 定位准确度/% 98.97 98.27
    平均定位误差/m 0.030 0.054
    CSI-KNN 平均定位误差/m 3.392 3.191
    CSI-MKNN 平均定位误差/m 0.652 1.248
    下载: 导出CSV

    表  3  缺失值对不同算法定位性能的影响

    Table  3.   Effect of missing values on positioning performance of different algorithms

    算法 定位性能 无缺失值 有缺失值
    CSI-XGBoost 定位准确度/% 98.8 95.9
    平均定位误差/m 0.038 0.147
    CSI-SVM 定位准确度/% 98.3 93.7
    平均定位误差/m 0.054 0.225
    CSI-KNN 平均定位误差/m 1.004 4.875
    CSI-MKNN 平均定位误差/m 0.658 5.273
    下载: 导出CSV

    表  4  数据维度对不同算法定位性能的影响

    Table  4.   Effect of data dimensions on positioning performance of different algorithms

    算法 平均定位误差/m
    RSSI-KNN 1.331
    RSSI-MKNN 0.249
    CSI-KNN 1.773
    CSI-MKNN 0.746
    CSI-PCA-KNN 1.772
    CSI-PCA-MKNN 0.150
    CSI-SVM 0.038
    CSI-XGBoost 0.054
    下载: 导出CSV
  • [1] BAHL P, PADMANABHAN V N. RADAR: An in-building RF-based user location and tracking system[C]//Proceedings of IEEE INFOCOM.Piscataway, NJ: IEEE Press, 2000: 775-784.
    [2] YOUSSEF M, AGRAWALA A.The Horus WLAN location determination system[C]//International Conference on Mobile Systems.New York: ACM, 2005: 205-218.
    [3] HALPERIN D, HU W J, SHETH A, et al.802.11 with multiple antenna for dummies[J].ACM SIGCOMM Computer Communication Review, 2010, 40(1):19-25. doi: 10.1145/1672308
    [4] HALPERIN D, HU W J, SHETH A, et al.Predictable 802.11 packet delivery from wireless channel measurements[J] ACM SIGCOMM Computer Communication Review, 2010, 40(10):159-170. http://d.old.wanfangdata.com.cn/NSTLQK/NSTL_QKJJ0220057194/
    [5] YANG Z, ZHOU Z M, LIU Y H.From RSSI to CSI:Indoor localization via channel response[J].ACM Computing Surveys, 2013, 46(2):1-32. http://dl.acm.org/citation.cfm?id=2543592
    [6] WANG X Y, GAO L J, MAO S W, et al.DeepFi: Deep learning for indoor fingerprinting using channel state information[C]//2015 IEEE Wireless Communications & Networking Conference.Piscataway, NJ: IEEE Press, 2015: 1666-1671.
    [7] WANG X Y, GAO L J, MAO S W.PhaseFi: Phase fingerprinting for indoor[C]//Proceedings of IEEE Global Communication Conference.Piscataway, NJ: IEEE Press, 2015: 1-6.
    [8] WU K S, XIAO J, YI Y W, et al.CSI-based indoor localization[J].IEEE Transactions on Parallel and Distributed System, 2013, 24(7):1300-1309. doi: 10.1109/TPDS.2012.214
    [9] XIAO J, WU K S, YI Y W, et al.FIFS: Fine-grained indoor fingerprinting system[C]//Proceedings of IEEE ICCCN.Piscataway, NJ: IEEE Press, 2012: 1-7.
    [10] CHAPRE Y, IGNJATOVIC A, SENEVIRATNE A, et al.CSI-MIMO:An effcient WiFi fingerprinting using channel state information with MIMO[J].Pervasive Mobile Computing, 2015, 23:89-103. doi: 10.1016/j.pmcj.2015.07.002
    [11] CHEN T Q, GUESTRIN C.XGBoost: A scale tree boosting system[C]//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.New York: ACM, 2016: 13-17.
    [12] LAN/MAN Standards Committee.IEEE Standard for Information technology-Telecommunications and information exchange between systems-Local and metropolitan area networks-Specific requirements: Part 11.Wireless LAN medium access control (MAC) and physical layer (PHY) specifications: IEEE 802.11n[S].Piscataway, NJ: IEEE Press, 2009: 312-335.
    [13] SEN S, RADUNOVIC B, CHOUDHURY R R, et al.You are facing the Mona Lisa: Spot localization using PHY layer information[C]//Proceedings of the 10th International Conference on Mobile Systems, Applications, and Services.New York: ACM, 2012: 183-196.
    [14] WANG X Y, GAO L J, MAO S W.CSI phase fingerprinting for indoor localization with a deep learning approach[J].IEEE Internet of Things Journal, 2016, 3(6):1113-1123. doi: 10.1109/JIOT.2016.2558659
    [15] 杨萌, 修春娣, 杨东凯.基于感知概率的室内定位系统[J].全球定位系统, 2013, 38(6):238-241. http://www.cnki.com.cn/Article/CJFDTOTAL-CHWZ201404011.htm

    YANG M, XIU C D, YANG D K.Indoor positioning system using perceptual probability[J].Global Positioning System, 2013, 38(6):238-241(in Chinese). http://www.cnki.com.cn/Article/CJFDTOTAL-CHWZ201404011.htm
  • 加载中
图(14) / 表(4)
计量
  • 文章访问数:  1141
  • HTML全文浏览量:  119
  • PDF下载量:  532
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-05-11
  • 录用日期:  2018-06-15
  • 网络出版日期:  2018-12-20

目录

    /

    返回文章
    返回
    常见问答