本發(fā)明屬于無(wú)線通信網(wǎng)絡(luò)的定位用戶(hù)或終端的情景感知領(lǐng)域，具體涉及一種適用于室內(nèi)環(huán)境下的視距路徑識(shí)別方法，以識(shí)別室內(nèi)動(dòng)態(tài)與靜態(tài)下的視距路徑。

背景技術(shù)：

當(dāng)前，隨著無(wú)線通信技術(shù)的快速發(fā)展，尤其是在移動(dòng)智能終端流行趨勢(shì)的推動(dòng)下，無(wú)線局域網(wǎng)(Wireless Local Area Network,WLAN)變得非常普及，在家庭、商城、機(jī)場(chǎng)等場(chǎng)所，WLAN信號(hào)隨處可見(jiàn)。這些大量的已經(jīng)安裝部署好的WLAN基礎(chǔ)設(shè)施，為WiFi情景感知的研究奠定了物理基礎(chǔ)。

基于WiFi信號(hào)的感知技術(shù)主要包括室內(nèi)定位、人員檢測(cè)、動(dòng)作識(shí)別和穿墻識(shí)別等。目前已有大量基于WLAN的感知技術(shù)研究，其主要利用接收信號(hào)指示強(qiáng)度信息(Received Signal Strength Indicator,RSSI)感知環(huán)境特征實(shí)現(xiàn)應(yīng)用。然而在室內(nèi)環(huán)境中，RSSI會(huì)因信號(hào)多徑傳播引起的小尺度陰影衰落而不再隨傳播距離增加單調(diào)遞減，且靜止?fàn)顟B(tài)下幅度也會(huì)產(chǎn)生波動(dòng)。最近研究人員通過(guò)修改固件，使得在普通WiFi設(shè)備上也能以物理層信道狀態(tài)信息(Channel State Information,CSI)的形式獲取一個(gè)采樣版本的信道頻率響應(yīng)(Channel Frequency Response,CFR)。與RSSI相比，CSI將單值的RSSI擴(kuò)展至頻域，并且附加了相位信息，從頻域上為無(wú)線感知提供了更為豐富和細(xì)粒度的信道狀態(tài)信息。CSI也使得普通WiFi設(shè)備在一定程度上能夠從時(shí)域上粗略地區(qū)分傳播路徑，從而為基于視距路徑的應(yīng)用奠定了基礎(chǔ)。

利用CSI信息，WiFi環(huán)境感知技術(shù)可以實(shí)現(xiàn)更精確的室內(nèi)定位，還可以實(shí)現(xiàn)被動(dòng)式人員檢測(cè)與活動(dòng)識(shí)別等。其中進(jìn)行視距(Line-Of-Sight,LOS)路徑識(shí)別為以上功能的實(shí)現(xiàn)奠定了基礎(chǔ)。目前，視距路徑識(shí)別技術(shù)存在的問(wèn)題是識(shí)別過(guò)程復(fù)雜。如公開(kāi)號(hào)為CN104168650A、名稱(chēng)為“基于動(dòng)態(tài)無(wú)線接入點(diǎn)的室內(nèi)定位方法”的發(fā)明公開(kāi)的基于動(dòng)態(tài)無(wú)線接入點(diǎn)的室內(nèi)定位方法中，待定位節(jié)點(diǎn)將信息進(jìn)行調(diào)制形成已調(diào)信號(hào)波后通過(guò)無(wú)線信道傳輸至附近的靜態(tài)無(wú)線接入點(diǎn)和動(dòng)態(tài)無(wú)線接入點(diǎn)；靜態(tài)無(wú)線接入點(diǎn)和動(dòng)態(tài)無(wú)線接入點(diǎn)根據(jù)接收到的已調(diào)信號(hào)波計(jì)算其與待定位節(jié)點(diǎn)之間的無(wú)線信道的信道狀態(tài)信息，并發(fā)送至定位服務(wù)器；動(dòng)態(tài)無(wú)線接入點(diǎn)將當(dāng)前位置信息發(fā)送至定位服務(wù)器；定位服務(wù)器根據(jù)無(wú)線接入點(diǎn)的位置信息和接收到的信道狀態(tài)信息，對(duì)任意兩個(gè)無(wú)線接入點(diǎn)進(jìn)行相對(duì)臨近位置檢測(cè)，并根據(jù)相對(duì)臨近位置檢測(cè)結(jié)果利用空間分割法獲取待定位節(jié)點(diǎn)的位置區(qū)域。該發(fā)明可以一定程度優(yōu)化無(wú)線局域網(wǎng)的室內(nèi)定位問(wèn)題，提高定位精度，消除復(fù)雜室內(nèi)環(huán)境多徑和非視距帶來(lái)的定位誤差，但識(shí)別過(guò)程復(fù)雜。此外，已有視距路徑識(shí)別方法主要是基于信號(hào)接收強(qiáng)度，但其存在環(huán)境干擾等因素，識(shí)別魯棒性差。因此，有必要對(duì)室內(nèi)環(huán)境下的視距路徑識(shí)別技術(shù)展開(kāi)深入研究，尋找更好的視距路徑識(shí)別方法，以獲得更為精準(zhǔn)的室內(nèi)定位及感知性能。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問(wèn)題是提供一種過(guò)程簡(jiǎn)單、適應(yīng)性強(qiáng)，適用于室內(nèi)環(huán)境下的視距路徑的識(shí)別方法。

為此，本發(fā)明提出一種適用于室內(nèi)環(huán)境下的視距路徑識(shí)別方法，該方法包含以下步驟：

一、CSI信號(hào)特征提取及預(yù)處理：

步驟1)CSI信號(hào)數(shù)據(jù)采集：針對(duì)特定的信號(hào)發(fā)射源AP與信號(hào)接收機(jī)RT組成的鏈路，利用CSI檢測(cè)工具采集傳輸信道狀態(tài)信息，并進(jìn)行保存為信包文件；

步驟2)讀取上述信包文件，提取相應(yīng)的CSI的一定數(shù)量的子載波的幅度和相位信息；

二、靜態(tài)的視距路徑識(shí)別方案：

步驟3)針對(duì)室內(nèi)靜態(tài)場(chǎng)景，首先采集靜態(tài)場(chǎng)景下的CSI幅度信息，對(duì)步驟2中提取的子載波振幅的相關(guān)特征，建立特征簇，特征包括Rician K因子等；

步驟4)將上述預(yù)采集的特征簇作為訓(xùn)練集，結(jié)合預(yù)定義的標(biāo)簽作為輸出，通過(guò)BP神經(jīng)網(wǎng)絡(luò)的算法生成網(wǎng)絡(luò)；

步驟5)采集靜止點(diǎn)的CSI振幅并提取特征，輸入神經(jīng)網(wǎng)絡(luò)中，通過(guò)輸出判定為視距范圍還是非視距范圍；

三、動(dòng)態(tài)的視距路徑識(shí)別方案：

步驟6)針對(duì)室內(nèi)動(dòng)態(tài)場(chǎng)景，通過(guò)對(duì)預(yù)先采集的LOS/NLOS樣本進(jìn)行計(jì)算，確定出實(shí)時(shí)的K-Mean閥值Kth，使用基于每個(gè)子載波振幅的Rician分布，計(jì)算出CSI樣本中每個(gè)信道的Rician K因子的均值，然后利用K-Mean因子法，通過(guò)假設(shè)檢驗(yàn)的方法來(lái)實(shí)現(xiàn)動(dòng)態(tài)場(chǎng)景下視距與非視距路徑識(shí)別。

作為優(yōu)選，步驟1中所述CSI檢測(cè)工具為virtual CSI以及CSI Tool。

步驟2中所述一定數(shù)量?jī)?yōu)選為30個(gè)。

步驟3中所述特征簇還包括均值、方差、標(biāo)準(zhǔn)差、變異系數(shù)、偏斜度、峰態(tài)、矩。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果包括：

1.簡(jiǎn)便性

本發(fā)明采用物理層信息CSI作為室內(nèi)環(huán)境下人員檢測(cè)評(píng)價(jià)因子，CSI能夠從普通商用WiFi設(shè)備上提取出來(lái)，加上WiFi基礎(chǔ)設(shè)施的廣泛部署，這使得獲得CSI信息變得簡(jiǎn)單可行。并且沒(méi)對(duì)CSI進(jìn)行處理，采用原始CSI數(shù)據(jù)，減少了相關(guān)的計(jì)算與實(shí)際的開(kāi)銷(xiāo)。

2.適應(yīng)性

本發(fā)明采用CSI代替?zhèn)鹘y(tǒng)的RSSI，克服了RSSI粒度粗和時(shí)間穩(wěn)定性差的缺陷，CSI能夠獲得更為細(xì)粒度的信息并且能夠區(qū)分多條路徑，能適用于更多的室內(nèi)應(yīng)用場(chǎng)景。

3.功能性

本發(fā)明進(jìn)一步考慮全面的室內(nèi)視距路徑識(shí)別方案，將視距路徑識(shí)別場(chǎng)景劃分為靜態(tài)與動(dòng)態(tài)兩個(gè)場(chǎng)景，并且針對(duì)每種場(chǎng)景設(shè)計(jì)了不同的視距路徑識(shí)別方法，相比較于傳統(tǒng)的視距檢測(cè)，功能更為強(qiáng)大，效果更好。

4.可優(yōu)化性

本發(fā)明僅僅考慮了CSI信號(hào)的幅度信息，通過(guò)考慮結(jié)合CSI信號(hào)的相位信息、角度信息等能夠獲得更為優(yōu)越的視距檢測(cè)效果，同時(shí)為室內(nèi)定位、手勢(shì)識(shí)別等精確度更高的應(yīng)用提供了先行條件。

附圖說(shuō)明

圖1是室內(nèi)環(huán)境下視距與非視距示意圖。

圖2是基于CSI的室內(nèi)視距路徑識(shí)別方案流程圖。

具體實(shí)施方式

現(xiàn)結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式做進(jìn)一步詳細(xì)的說(shuō)明。

圖1是室內(nèi)環(huán)境下視距路徑和非視距路徑的示意圖，其中在RT處對(duì)應(yīng)其與AP1為視距路徑，在RT’處對(duì)應(yīng)與AP1為非視距路徑；圖2給出了基于CSI的室內(nèi)視距路徑識(shí)別方案的流程圖?，F(xiàn)結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式做進(jìn)一步詳細(xì)的說(shuō)明。本發(fā)明的目的是實(shí)現(xiàn)在室內(nèi)動(dòng)態(tài)與靜態(tài)環(huán)境中的視距與非視距的識(shí)別。工作原理是利用物理層信道狀態(tài)信息(CSI)代替?zhèn)鹘y(tǒng)的接收信號(hào)指示強(qiáng)度信息(RSSI)，利用CSI信息時(shí)間穩(wěn)定性好、對(duì)動(dòng)態(tài)環(huán)境干擾抵抗力強(qiáng)、對(duì)鏈路周?chē)藛T存在敏感性強(qiáng)等優(yōu)勢(shì)，通過(guò)在室內(nèi)環(huán)境下搭載基于Intel 5300系列網(wǎng)卡的功控機(jī)，在動(dòng)態(tài)與靜態(tài)兩種場(chǎng)景中，分別采用不同特征簇的神經(jīng)網(wǎng)絡(luò)方法與動(dòng)態(tài)萊斯K因子法，實(shí)現(xiàn)了室內(nèi)動(dòng)態(tài)與靜態(tài)環(huán)境下的精確視距路徑識(shí)別。

本發(fā)明是一種適用于室內(nèi)環(huán)境下的視距路徑識(shí)別方案，針對(duì)傳統(tǒng)基于RSSI的室內(nèi)人員檢測(cè)方案存在粒度粗、時(shí)間穩(wěn)定性差以及不能區(qū)分多條路徑信息等缺陷，該方案利用物理層信道狀態(tài)信息(CSI)代替RSSI，利用CSI信息時(shí)間穩(wěn)定性好、對(duì)動(dòng)態(tài)環(huán)境干擾抵抗力強(qiáng)、對(duì)鏈路周?chē)藛T存在敏感性強(qiáng)等優(yōu)勢(shì)，通過(guò)在室內(nèi)環(huán)境下搭載基于Intel 5300系列網(wǎng)卡的功控機(jī)，采用不同特征簇的神經(jīng)網(wǎng)絡(luò)方法與動(dòng)態(tài)萊斯K因子法，實(shí)現(xiàn)了室內(nèi)動(dòng)態(tài)與靜態(tài)環(huán)境下的精確視距路徑識(shí)別。

該基于CSI的適用于室內(nèi)環(huán)境下的視距路徑識(shí)別方案，包含在以下具體步驟中：

CSI信號(hào)特征提取及預(yù)處理：

步驟1)CSI信號(hào)數(shù)據(jù)采集：平臺(tái)包括安裝有Ubuntu系統(tǒng)、Intel 5300無(wú)線網(wǎng)卡、virtual CSI以及CSI Tool工具的迷你功控機(jī)一臺(tái)、TP-Link路由器、外接天線若干、液晶顯示屏、筆記本電腦若干。在實(shí)驗(yàn)中，TP-Link作為信號(hào)發(fā)射源AP，迷你功控機(jī)通過(guò)5300網(wǎng)卡接收無(wú)線信號(hào)，外接天線作為信號(hào)接收機(jī)RT，每一對(duì)AP、RT組成一條鏈路。利用virtual CSI以及CSI Tool工具采集傳輸信道狀態(tài)信息并進(jìn)行保存為信包文件；

步驟2)讀取信包文件，提取相應(yīng)的CSI的30個(gè)子載波的幅度和相位信息；

靜態(tài)的視距路徑識(shí)別方案：

步驟3)針對(duì)室內(nèi)靜態(tài)場(chǎng)景，首先采集靜態(tài)場(chǎng)景下的CSI幅度信息，提取30個(gè)子載波振幅的相關(guān)特征，建立特征簇，特征包括均值、方差、標(biāo)準(zhǔn)差、變異系數(shù)、偏斜度、峰態(tài)、矩、Rician K因子；

步驟4)將預(yù)采集的特征簇作為訓(xùn)練集，結(jié)合預(yù)定義的標(biāo)簽作為輸出，通過(guò)BP神經(jīng)網(wǎng)絡(luò)的算法來(lái)生成的網(wǎng)絡(luò)；

步驟5)采集靜止點(diǎn)的CSI振幅并提取特征，輸入神經(jīng)網(wǎng)絡(luò)中，通過(guò)輸出判定為視距范圍還是非視距(NLOS)范圍；

動(dòng)態(tài)的視距路徑識(shí)別方案：

步驟6)針對(duì)室內(nèi)動(dòng)態(tài)場(chǎng)景，通過(guò)對(duì)預(yù)先采集的LOS/NLOS樣本進(jìn)行計(jì)算，確定出實(shí)時(shí)的K-Mean閥值Kth，使用基于每個(gè)子載波振幅的Rician分布，計(jì)算出CSI樣本中每個(gè)信道的Rician K因子的均值，然后利用K-Mean因子法，通過(guò)假設(shè)檢驗(yàn)的方法來(lái)實(shí)現(xiàn)動(dòng)態(tài)場(chǎng)景下視距與非視距路徑識(shí)別。

至此，實(shí)現(xiàn)了室內(nèi)環(huán)境下的動(dòng)態(tài)與靜態(tài)視距路徑識(shí)別方案。

為便于本領(lǐng)域的技術(shù)人員理解本發(fā)明的技術(shù)方案，現(xiàn)對(duì)以上步驟中所涉及的一些關(guān)鍵操作定義如下：

靜態(tài)特征提?。?/p>

在靜態(tài)情境中采用BP神經(jīng)網(wǎng)絡(luò)算法，首先需要對(duì)采集的CSI振幅信息進(jìn)行預(yù)處理，提取相關(guān)特征作為訓(xùn)練集。因此提出了以下的相關(guān)特征：

均值和方差(μ、σ)：反映出每個(gè)CSI樣本中30個(gè)子載波振幅的離散程度，通常境況下，由于NLOS下存在障礙物的干擾，其不同子載波間的振幅會(huì)呈現(xiàn)出較大的波動(dòng)，即在NLOS下比LOS下回有較大的方差與標(biāo)準(zhǔn)差。

變異系數(shù)(A):衡量數(shù)據(jù)資料中各變量觀測(cè)值變異程度的一個(gè)統(tǒng)計(jì)量，A＝σ/μ。

偏斜度(S)：使用skewness來(lái)量化偏斜特征。數(shù)學(xué)上，偏斜度S被定義為：

其中x,μ,σ分別為測(cè)量數(shù)據(jù)，均值和方差。通常情況下，在NLOS情境下會(huì)有一個(gè)較大的正向趨勢(shì)。

峰態(tài)(κ)：通常境況下CSI在LOS情境中比在NLOS中具有更大的峰度，為了量化這種峰度，采用了kurtosis作為候選特征。Kurtosisκ被定義為：

矩(B_k)：一種很好的萊斯K參數(shù)估計(jì)，即K2,4。

其中B₂,B₄分別為測(cè)量數(shù)據(jù)的第二和第四階中心矩。因此也添加了第二與第四階矩作為候選特征。

Rician K Factor(K_r)：被定義為主路徑與分散路徑的功率比，K_r＝ν²/(2σ²)；其中v表示幅度的主峰，v的物理意義為L(zhǎng)OS傳輸?shù)姆逯?，σ表示幅度的方差，而σ代表的是多徑傳輸信?hào)的強(qiáng)度，例如經(jīng)過(guò)散射、反射和衍射之后，到達(dá)接收端的信號(hào)的幅度。Rician-K因子越大，則LOS影響程度越高，即多徑效應(yīng)影響越小。

靜態(tài)的視距路徑識(shí)別方法：

人工神經(jīng)網(wǎng)絡(luò)以其具有自學(xué)習(xí)、自組織、較好的容錯(cuò)性和優(yōu)良的非線性逼近能力。在實(shí)際應(yīng)用中，80％-90％的人工神經(jīng)網(wǎng)絡(luò)模型采用誤差反傳算法(BP神經(jīng)網(wǎng)絡(luò)算法)，對(duì)數(shù)據(jù)分類(lèi)上有十分良好的效果。BP神經(jīng)網(wǎng)絡(luò)的算法原理：利用輸出后的誤差來(lái)估計(jì)輸出層的直接前導(dǎo)層的誤差，再利用這個(gè)誤差來(lái)估計(jì)更前一層的誤差，如此一層一層的反傳下去，就獲得了所有其他層的誤差估計(jì)。對(duì)于靜態(tài)下的LOS/NLOS識(shí)別，選用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)LOS/NLOS進(jìn)行分類(lèi)，具體過(guò)程如下：

步驟1)先采集CSI的樣本組，并計(jì)算出每個(gè)CSI樣本的上述所有特征，作為識(shí)別特征。對(duì)于LOS下采集的CSI特征，添加標(biāo)簽為1；同時(shí)對(duì)于NLOS下的特征，設(shè)標(biāo)簽為-1。將所有的特征樣本作為訓(xùn)練集輸入，其對(duì)應(yīng)的標(biāo)簽集作為訓(xùn)練集輸出，訓(xùn)練該BP神經(jīng)網(wǎng)絡(luò)。

步驟2)BP網(wǎng)絡(luò)參數(shù)設(shè)置，為了簡(jiǎn)化BP神經(jīng)網(wǎng)絡(luò)的運(yùn)算，采用了單隱含層的BP神經(jīng)網(wǎng)絡(luò)，其隱含層節(jié)點(diǎn)設(shè)置個(gè)數(shù)滿(mǎn)足，經(jīng)驗(yàn)公式其中m，n分別為輸入層、輸出層節(jié)點(diǎn)個(gè)數(shù)，α為1～10之間的常數(shù)。

步驟3)重新采集CSI的特征值，作為測(cè)試集。并輸入到已經(jīng)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)中，得到網(wǎng)絡(luò)的輸出，將網(wǎng)絡(luò)的輸出，與預(yù)定義的測(cè)試集標(biāo)簽進(jìn)行對(duì)比。

步驟4)因?yàn)锽P網(wǎng)絡(luò)在使用時(shí)是有誤差的，輸出樣本不會(huì)是預(yù)定義的1或-1，因此對(duì)的LOS識(shí)別方案采用傳統(tǒng)的二進(jìn)制檢驗(yàn)，LOS情況為H₀,NLOS情況為H₁。

對(duì)于輸出的樣本而言，假設(shè)檢驗(yàn)為:

其中l(wèi)abel_output為BP神經(jīng)網(wǎng)絡(luò)的樣本輸出。

動(dòng)態(tài)的視距路徑識(shí)別方法：

當(dāng)目標(biāo)處于運(yùn)動(dòng)狀態(tài)時(shí)，會(huì)對(duì)CSI的樣本產(chǎn)生影響，采用上述靜態(tài)的特征并不能達(dá)到很好的識(shí)別效果。由于目前采用的CSI可以揭露出更細(xì)粒度的信道信息，每個(gè)CSI樣本包含30個(gè)子載波的信息，所以使用對(duì)每個(gè)子載波進(jìn)行Rician K的分布模型，從而提出K-Mean特征。

K-Mean：首先在采集的CSI數(shù)據(jù)集中，計(jì)算其對(duì)應(yīng)的每個(gè)子載波的Rician K因子，其數(shù)學(xué)表示為：

v_i表示第i個(gè)子載波的振幅峰值，σ_i表示第i個(gè)子載波的振幅標(biāo)準(zhǔn)差。在此基礎(chǔ)上，通過(guò)計(jì)算實(shí)時(shí)的每個(gè)CSI樣本的所有子載波的均值，作為當(dāng)前時(shí)刻的一個(gè)標(biāo)簽，來(lái)實(shí)現(xiàn)動(dòng)態(tài)場(chǎng)景下LOS與NLOS的識(shí)別。

其中Rician-K_i為上面提到第i個(gè)子載波的Rician K因子。

通過(guò)對(duì)預(yù)先采集的LOS/NLOS樣本進(jìn)行計(jì)算，確定出實(shí)時(shí)的K-Mean閥值Kth，對(duì)應(yīng)的LOS識(shí)別方案采用如下假設(shè)檢驗(yàn)的方法：

其中H₀為L(zhǎng)OS情況，H₁為NLOS情況，K-Mean為采集的實(shí)時(shí)Rician K均值。

該基于信道狀態(tài)信息的適用于室內(nèi)環(huán)境下的視距路徑識(shí)別方案，包含在以下具體步驟中：

CSI信號(hào)特征提取及預(yù)處理：

步驟1)CSI信號(hào)數(shù)據(jù)采集：平臺(tái)包括安裝有Ubuntu系統(tǒng)、Intel 5300無(wú)線網(wǎng)卡、virtual CSI以及CSI Tool工具的迷你功控機(jī)一臺(tái)、TP-Link路由器、外接天線若干、液晶顯示屏、筆記本電腦若干。在實(shí)驗(yàn)中，TP-Link作為信號(hào)發(fā)射源AP，迷你功控機(jī)通過(guò)5300網(wǎng)卡接收無(wú)線信號(hào)，外接天線作為信號(hào)接收機(jī)RT，每一對(duì)AP、RT組成一條鏈路。利用virtual CSI以及CSI Tool工具采集傳輸信道狀態(tài)信息并進(jìn)行保存為信包文件；

步驟2)讀取信包文件，提取相應(yīng)的CSI的30個(gè)子載波的幅度和相位信息；

靜態(tài)的視距路徑識(shí)別方案：

步驟3)針對(duì)室內(nèi)靜態(tài)場(chǎng)景，首先采集靜態(tài)場(chǎng)景下的CSI幅度信息，提取30個(gè)子載波振幅的相關(guān)特征，建立特征簇，特征包括均值、方差、標(biāo)準(zhǔn)差、變異系數(shù)、偏斜度、峰態(tài)、矩、Rician K因子；

步驟4)將預(yù)采集的特征簇作為訓(xùn)練集，結(jié)合預(yù)定義的標(biāo)簽作為輸出，通過(guò)BP神經(jīng)網(wǎng)絡(luò)的算法來(lái)生成的網(wǎng)絡(luò)；

步驟5)采集靜止點(diǎn)的CSI振幅并提取特征，輸入神經(jīng)網(wǎng)絡(luò)中，通過(guò)輸出判定為視距范圍還是非視距(NLOS)范圍；

動(dòng)態(tài)的視距路徑識(shí)別方案：

步驟6)針對(duì)室內(nèi)動(dòng)態(tài)場(chǎng)景，通過(guò)對(duì)預(yù)先采集的LOS/NLOS樣本進(jìn)行計(jì)算，確定出實(shí)時(shí)的K-Mean閥值Kth，使用基于每個(gè)子載波振幅的Rician分布，計(jì)算出CSI樣本中每個(gè)信道的Rician K因子的均值，然后利用K-Mean因子法，通過(guò)假設(shè)檢驗(yàn)的方法來(lái)實(shí)現(xiàn)動(dòng)態(tài)場(chǎng)景下視距與非視距路徑識(shí)別。

至此，實(shí)現(xiàn)了室內(nèi)環(huán)境下的動(dòng)態(tài)與靜態(tài)視距路徑識(shí)別方案。