一種基于直視路徑識別的無線接入點定位方法

李耀輝，蘇元茂

(1.南京航空航天大學 計算機科學與技術學院，江蘇 南京 211106；2.93586部隊，河北 唐山 063000)

0 引 言

為了使家庭的多個設備同時接入互聯網，人們通常會通過構建無線接入點搭建自己的無線局域網，以連接筆記本電腦、智能手機、平板電腦等設備，不需要布線或者改變建筑格局，給生活帶來了巨大便利。但WLAN的數量迅速增加，在極大地方便網絡接入應用的同時，也存在巨大的安全隱患，如WiFi釣魚陷阱、WiFi接入點被偷梁換柱等，因此對無線接入點的管理也變得越來越迫切。無線接入點管理的一個關鍵部分是通過無線接入點的信號來確定其位置，即實現AP定位。這樣做有很多好處，最重要的是有助于找到非法AP[1](rogue access point)。非法AP[2]是指沒有經過網絡管理人員的同意或授權，私自或非法搭建的AP。其次在定位算法中，通常假定AP的位置已知來進行終端定位，因此實現AP定位是實現WLAN中終端定位的前提。但是在有些情況下，例如在一個陌生的環境中，并不知道AP的部署，這時要想實現終端定位，首先需要進行AP定位，確定環境中AP的位置后才能進行終端定位。明確AP的位置，還可以對多個AP進行合理配置，減少相互干擾、增加信號覆蓋范圍。

現有室內定位方法的設計思路多是利用RSSI進行的，由于室內復雜環境對信號折射、反射、衍射等的影響，使得接收的信號是多個有不同延時的原始版本信號的疊加，測得的信號穩定性較差。因此利用從物理層提取出的比RSSI更細粒度更穩定的信道狀態信息(channel state information，CSI)來進行定位。利用CSI進行定位通常的方法是對幾個主要路徑的子載波幅度值進行加權平均，得到有效CSI，然后使用傳播模型或者指紋進行定位。這不可避免地存在非直視路徑(non-line-of-sight，NLOS)信號的影響。

對此，文中提出了基于直視路徑(line-of-sight，LOS)識別的定位方法，對LOS與NLOS之間的區分特征進行了分析，利用接收端的移動來增大LOS和NLOS路徑上的差別，采用偏度和峰度來進行LOS識別，有效消除了室內多徑效應的影響。

1 相關工作

CSI是比RSSI更細粒度的信道特征，采用CSI進行定位，可以充分利用CSI的能量、時間、角度和波形信息，其中基于能量的方法更適合基于傳播模型的定位方法。由于目前主流商用的基于802.11n的無線頻段的帶寬為20/40 MHz，導致信道響應在時域上的區分度不夠，限制了時間分辨率和區分多路徑的能力，因此使用時間進行定位的效果不是特別理想。如果給定一個系統帶寬為B，允許的最大延時為tmax(一般室內環境中不超過500 ns[3])，那么相關路徑的信道響應采樣數N可以表示為：

N=?B×tmax」

(1)

采用時間進行定位排除后，可以考慮用角度進行定位。文獻[4]中PinLoc系統試圖根據角度進行定位，以實現在較大的室內范圍粗略地估計出目標的位置，利用了多徑鏈路相比視距鏈路有更長時延的特點。但是該系統受到帶寬的限制，不能區分視距分量和多徑分量，而且由于人的身體的影響，會導致一定程度的角度偏差，使得定位精度不高。

文獻[5]利用CSI加權平均得到有效CSI值，然后利用有效CSI值與距離傳播模型采用三角方法來進行定位。由于對多徑信息的處理太粗糙，導致定位精度不高。

文獻[6]對CSI進行加權處理后，利用無線信號的CSI和RSSI作為指紋，采用貝葉斯過濾法進行數據處理，有效降低了多徑影響，提高了接收信號的穩定性，實現了精確穩定的室內定位。文獻[7]采用指數加權移動平均法，對歷史數據賦予不同權重，對是否出現干擾進行預測，當發現探測到在檢測區域的目標之后，使用一種類似指紋匹配的方式實現目標精確定位。AP一旦部署，通常位置就固定不動，因此基于指紋匹配的定位方法雖然精度較高，但是更適合對移動端進行定位，而不適合對AP進行定位。

針對上述問題，考慮到簡單實用和定位的精度，文中采用CSI對接入點進行定位。通過對直視路徑的識別，利用得到的直視路徑信息進行距離估計和定位，有效提高了定位精度。

2 基于CSI的參數無關定位方法

2.1 CSI概述

1999年，正交頻分多路復用技術(OFDM)被IEEE 802.11a作為物理層標準。通過OFDM，可以將無線信號發射器和接收器之間的信道響應信息以CSI[8]的形式從物理層解析出來。在無線通信領域，CSI是指通信鏈路的信道屬性，它描述了信號在信號發射器和接收器的傳播過程中的衰減因子，包括散射、環境衰減、距離衰減等信息。

在一個平滑衰減的信道中，信道信息可以通過OFDM在頻域建模為：

y=Hx+n

(2)

其中，y和x分別為信號接收端和發射端的向量；H為信道信息矩陣；n為高斯噪聲向量。

由式(2)可以得到所有副載波的CSI計算公式：

H=y/x

(3)

根據接收端底層驅動的不同，CSI將被相應分成不同的副載波組，所以CSI矩陣H可以表示為：

H=[H1,H2,…,Hi,…,HN]

(4)

其中，N為根據驅動被分成的副載波組數，通常N=30；Hi為每一個副載波上的CSI，表示為：

Hi=|H|ejsin∠Hi

(5)

其中，|H|和∠Hi分別為第i個副載波的振幅和相位。

CSI是物理層特性，在當前WLAN環境中物理層使用OFDM，能夠避免不同子信道之間的干擾，從中解析得到的CSI僅受不同副載波的影響，非常穩定。CSI利用OFDM，接收端接收到的一個數據包同時包含多個副載波的信號信息。如果將無線信號傳播信道看作一個簡單的時間線性濾波器，那么每一條信道的響應脈沖在時間域上的值可以表示為：

(6)

其中，αi,θi和τi分別表示第i條路徑上信號的振幅、相位和時間延遲；N為路徑總數；δ(τ)為狄拉克函數[9]。

通過上述分析可以發現，相對RSSI而言，CSI具有兩大優勢：(1)能夠抵抗來自2.4 GHz頻段的窄頻帶信號的干擾，在靜態環境中足夠穩定，同時，被干擾時也能夠馬上做出反應；(2)能夠分辨來自多條路徑的信號，多徑效應影響小。

2.2 直視路徑問題定義

進行直視路徑識別之前，首先對直視路徑問題進行明確。在室內環境中，無線信號通常會通過多個路徑傳輸。直視路徑識別問題是在接收端從多個傳輸路徑中識別出信號直線傳輸的路徑。

由于直視路徑和非直視路徑是相互排斥的，可以用基于統計特征的假設檢驗框架來進行識別[10]。為了利用現有的WiFi架構來區分LOS和NLOS，使用物理層信息CSI，同時通過接收端的移動增大信號的空間擾動，使NLOS路徑產生更多的隨機性，而LOS路徑基本保持不變，從而有利于利用接收信號的統計特征識別LOS路徑。

測量發現，存在一個統一的閾值，能適用于大多數場景，包括不同的鏈路長度、發包數量和阻塞環境[11]。從接收信號中提取的典型特征有均值、標準差、峰度、萊斯K因子等。選擇合適的區分特征是進行直視路徑識別的核心，關系到識別效果。

2.3 特征提取

一個可以區分的特征是LOS路徑識別機制的核心。現有的特征提取是在時域或空域中進行的，分為合作和非合作方式，可以利用信號的幅度和角度等信息。合作式非直視路徑識別機制是通過物理上分散布置的收發器進行連續多點估計實現的[12]。只要有充分的鏈路數量，就可以達到很高的精度，非常適合點對點網絡。為了在WALN中提取特征，通過分析來自單一AP的接收信號來推斷NLOS/LOS條件進行單鏈路(非合作式)LOS路徑識別。單鏈路LOS/NLOS鑒別機制大致分為三類，即基于距離測量、基于信道特征和基于天線陣列?；谛诺捞卣鞯膯捂溌稬OS識別機制能在識別性能和系統要求之間達到更好的均衡，因此采用基于信道特征的方法來進行識別特征提取。

CSI提供了CIR的一個采樣版本，可以利用CSI基于形狀和基于統計的特征來進行LOS識別的研究。

(1)基于形狀的特征。

基于形狀的特征利用LOS和NLOS傳輸之間的延遲和功率特征的差異。首先分析基于形狀的特征(平均過量延遲[13])和基于功率的特征(CIR峰度[14])。通常，LOS條件下有較小的τm(更小的平均延時)和較大的K(更尖銳的功率延遲分布)。

在典型的LOS和NLOS傳輸環境下，從CSI中提取的CIR有較短的平均時延和較大的峰度，用一個閾值來區分LOS和NLOS會導致高的誤識別率。在WiFi的帶寬只有20 MHz時，時間分辨率只有50 ns，在路徑長度小于15 m時，路徑信息會混合在一個CIR采樣中(即使工作在40 MHz，對于室內較短的傳輸距離來說也不足以區分多徑信息)。

(2)基于統計的特征。

基于統計的特征利用空域中LOS和NLOS傳輸的差異。信號沿NLOS路徑傳輸，相比LOS路徑有更多的隨機性。選擇一個基于統計模型的特征(萊斯K因子[15])進行分析。在NLOS/LOS環境下，接收信號包絡分布通常建模為瑞麗/萊斯衰減。萊斯K因子[16]定義為LOS部分與散射的NLOS部分的功率之比。

盡管萊斯衰減能很好地擬合實際分布，但是瑞麗衰減并不能成功擬合NLOS條件，這是因為瑞麗衰減假定了大致相等的多徑分量和功率的均勻分布，更適合于接收器附近存在大量散射物體的環境。然而在很多現實NLOS場景中，并不符合這些假設。萊斯K因子在LOS傳輸下很小，存在較大誤差，直接利用萊斯K因子進行LOS識別是不可行的。

(3)加入移動性的信道統計特征。

兩點之間直線最短，直視路徑經歷最短的信號傳播距離，因此直視路徑的信號要比非直視路徑的信號更早到達；如果沒有障礙物，直視路徑的信號經歷更短的傳輸距離衰減會更小。因此，可以用不同的特征來描述功率的延遲特征，如CIR的形狀，用于LOS/NLOS條件的識別。然而大多數的商用無線設備并沒有高分辨率的CIR。因此，研究歸結為分析多個接收信號測量的統計特征。在一般情況下，基于形狀的特征只需要利用無線信道的一個快照就可以產生良好的性能，然而需要精確的CIR測量。相反，基于統計的特征適用性更廣，但是需要進行大量的信道測量。

為了能利用商業WiFi進行直視路徑識別，基于統計的特征通過整合多個觀察值來彌補原始CIR的不足?；诮y計模型的度量像萊斯-K因子(Rician-K factor)存在較大的誤差。特殊的室內地板和相對短的傳輸距離使得非直視路徑并沒有充足的隨機性，降低了理論模型的可行性。

為了在非直視路徑上引入更多的隨機性，對測量終端進行移動。如圖1所示，接收端1從RX1移動到RX1’，信號的傳輸距離、到達角度和信道衰減沿直視路徑改變很小，但沿非直視路徑的改變相當明顯。然而在沒有直視路徑時，接收端2從RX2移動到RX2’時，幾乎所有的路徑都會產生相當大的變化，產生大量的隨機路徑。因此可以利用時域和頻域的基于分布的信道統計特征來進行直視路徑識別。

圖1 終端移動對傳輸路徑的影響

2.3.1 偏 度

終端加入移動性放大了NLOS路徑上的信號波動，增大了非直視路徑的隨機性。在移動的室內環境中，因為需要終端位置的變化和模型匹配，選定的特征要求簡單并獨立于特定的分布模型。

為了降低識別LOS路徑時的干擾，利用更穩定的CSI來區分主導路徑，通過濾波減輕NLOS路徑的長時延和噪聲的影響。從CSI得到CIR樣本方法如下：

(1)保留前10個CIR采樣。在一個典型的室內環境中,最大過延遲為500 ns[3],時間分辨率為50 ns，最多10個路徑樣本是相關的多徑傳播。

(2)把接收的CIR樣本序列中斜率最大的CIR樣本(例如兩個連續CIR樣本之間區別最大)作為主導路徑的開始。

(3)把最大CIR樣本中與后續樣本斜率最大的CIR作為主導路徑功率。這是考慮到由于不確定時滯引起的校準誤差，如果下一個CIR樣品超過指標，簡單地丟棄這個CIR序列。

加入移動性后，在直視路徑下的接收信號包絡分布幾乎是對稱的，而在非直視路徑下有相當大的偏度。

因此，可以采用偏度特征來量化功率的偏斜度分布[11]。在數學上偏度定義如下：

(7)

其中，x、μ和σ分別代表測量值、均值和標準差。

通常，偏度特征在NLOS條件下有更大的正趨勢，并且存在一個閾值來精確區分LOS和NLOS的情況。

2.3.2 峰 度

在LOS主導的情況下，信道衰落相對平坦。信號通過直視路徑傳輸同樣的距離，歸一化到相同的頻率后，從任一個包中收集的CSI都是相似的。相反，在NLOS主導的情況下，豐富的多徑疊加導致更顯著的頻率選擇性衰落。因此，歸一化到相同的頻率后即使從一個包中測量的CSI也會有所不同。把一個接收到的數據包的CSI振幅正規化到中心頻率f0：

(8)

其中，Hnorm(fk)和H(fk)分別為第k個載波的原始和正規化后的幅度；fk為第k個載波的頻率。

通常，在LOS傳輸下正規化的CSI有較小的變化，因為這個信號傳輸相同的距離，經歷相似的衰減。然而，利用一個包的CSI并不足以識別LOS路徑。即使對GHz的帶寬頻譜，信號衰減只占很少一部分。在NLOS傳輸條件下，頻率選擇衰減引起的變化并不足夠大。為了進一步增加在NLOS條件下歸一化的CSI的振幅變化，再次利用了接收機的移動性。在LOS傳播的情況下，當接收機輕微運動時，LOS路徑仍然傳輸幾乎相同的距離。然而在NLOS非視距傳播時，非視距路徑可能急劇變化，導致不同的傳播距離，即使接收機位置只略微改變。在加入了接收機的移動后，從多個包中得到的歸一化幅度變化在LOS傳播中是類似的，但在非視距傳播情況下波動明顯。

歸一化后的CSI幅度標準差在LOS傳輸情況下分布更尖銳，而在NLOS傳輸情況下分布更平坦。

為了量化標準差分布的尖銳與平緩程度，把峰度作為一個可選的特征。峰度k定義為：

(9)

其中，x、μ和σ分別代表測量值、均值和標準差。

通常，在視距LOS條件下的峰度要比NLOS條件下的大，因此存在一個閾值并且有較高精度，可以用來區分LOS和NLOS路徑。

2.4 直視路徑識別

(1)預處理。

在測量復雜信道響應時，由于缺少時間和頻率同步會引起相位噪聲[13]。在頻域的相位變換等價于在時域的時間延遲，從原始CSI樣本中計算CIR樣本時相位噪聲會導致未知的時間延遲。通過采用線性修正[13]來降低由相位噪聲引起的CIR校準誤差，修正后的相位與幅度重組為CFR樣本，相關的CIR樣本是通過CFR樣本經過逆傅里葉變換得到的。用2.3.1的方法從主路徑提取偏度特征，因為峰度特征是從CSI幅度中得到的，它并不包含前面的歸一化過程。幅度轉化為中心頻率的方法如2.3.2。

(2)正規化。

為了使LOS識別機制獨立于功率衰減，通過除以它們的平均幅度來正規化CIR樣本和CSI幅度測量，例如在提取所需特征前，設置平均幅度為1。

(3)識別。

用上述方法，利用從N個數據包中得到的正規化后的CIR樣本和CSI幅度，計算出相應的偏度特征s和峰度特征k。然后LOS識別問題轉化為經典的二元假設檢驗，LOS條件用H0表示，NLOS條件用H1表示。

對于偏度特征，假設檢測為：

(10)

對于峰度特征，假設檢測為：

(11)

其中，sth和kth分別表示偏度特征和峰度特征相關的識別閾值。

通過測量和預校準，每個特征都有一個統一的閾值，并且適應不同的場景，包括不同的傳輸距離，信道衰減和不同的阻塞情況。給定一個固定的虛警概率10%，單一特征的識別率能達到90%，如果同時用兩個特征進行聯合識別，則識別概率[11]高達95%。因此，在大多數情況下，能夠很好地識別出直視路徑。

2.5 功率值獲取與定位

傳統的方法獲取有效CSI值[6-7]，是在收集到了頻域的信道響應CFR之后，將其進行傅里葉逆變換轉換成時域的CIR。CIR由公式(6)所示，反映了不同時延下的信號強度，由此可以大致區分出視距分量與多徑分量。為了得到視距或者接近視距的信息，設定一個閾值(如CIR中第一個波峰的50%)，將不足閾值的部分刪去，可以消除大部分多徑分量和噪聲引起的干擾。在經過時域的多徑消除之后，重新將信號進行傅里葉變換轉換到頻域中。一般地，如果兩個子載波之間的間隔大于相干帶寬的話，它們將獨立地衰落。802.11n的信道帶寬在室內環境下大于相干帶寬，因此不同子載波呈現出頻率選擇性衰落。為了對抗無線信號的頻率選擇性衰落，將得到的30組子載波組成的CSI結合到一起。將30組子載波的CSI進行加權平均，得到：

(12)

其中，f0為中心頻率；fk為第k個子載波的頻率；|Hk|為第k個子載波CSI的幅度。

通過濾波把大延遲的非直視路徑信息和噪聲去掉，然后對幾個主要路徑信號進行加權平均。該方法因為簡單而廣泛使用，但是對主路徑信息并不明確，而且不可避免地混入了有較強信號的非直視路徑信息，影響定位的精度。

在進行LOS識別后，當存在直視路徑時，把CIR樣本中與其相鄰的下一個CIR樣本中斜率最大的樣本作為主導路徑。當不存在主路徑時，可以采用幾個主要路徑信息的加權平均值。

則有效CSI值表示為：

(13)

在得到CSIeff之后，需要研究與距離之間的關系以實現定位。因為基于RSSI的信號傳播模型已不適用于CSI系統，所以需要一個新的方法來表示CSIeff與距離d之間的關系。文獻[17]中給出：

(14)

其中，c為光速；σ為環境變量；n為路徑衰落指數。后面兩個參數在不同的室內環境中的值各不相同，需要由實際測量得出。環境變量σ表示發射端基帶到RF頻段的增益，接收端RF頻段到基帶的增益以及天線增益。路徑衰落指數n在不同的環境中取值一般2～4。

在獲得有效CSI值后，就可以利用式(14)計算測量點到AP的距離，得到多組距離值后，在二維平面就可以利用三邊定位法等方法進行定位，計算AP的坐標。由于采用了直視路徑的信息，因此定位精度比直接采用幾個主路徑信息進行平均來定位的精度高。

3 實 驗

3.1 實驗設置

3.1.1 硬件配置

實驗采用市場上現成的小米路由器mini作為AP，其外置雙頻全向企業級PCB陣列天線兩根。接收端主機采用Intel NUC D54250WYKH，該主機采用第四代Intel核心處理器i5，安裝Ubuntu 10.04操作系統，配置Intel Wi-Fi Link 5300(iwl5300)網卡，采用Intel相關固件和開源驅動，有三根全向接收天線，采用CSI Tool集成工具包可以從網卡中收集CSI值[18]，從接收端對AP發送ping命令來收集數據，并在MATLAB中進行處理。把設備放置在帶滾輪的桌子上，以保證其移動性。在每個測量點收集1 000個數據包，共收集100個測量點數據。接收端每秒可以從AP接收500個數據包，則一個測量點需要1 s的數據收集時間。

3.1.2 實驗場景

分別在學校的空房間和有人的實驗室內進行測量，模擬大廳、辦公室等室內環境，對提出的方法進行驗證，發射源放置在桌面上。場景如下：

(1)12 m*10 m*4 m的空曠房間。

首先在12 m*10 m*4 m的空曠房間進行測量，所有的傳輸路徑都存在直視路徑，即直視路徑占主要地位，可以忽略多徑反射或額外的干擾。

(2)10 m*10 m*4 m的實驗室。

房間布局如圖2所示。

圖2 實驗室的布局

實驗在工作日進行，模擬正常的辦公室或者有人的大廳，測量點與AP位于相同高度的桌面，桌面上有電腦、書籍、盆栽等物品，座位之間有木制擋板(擋板為復合材料，厚2 cm，高35 cm，圖中虛線只為區分座位用)，部分測量點可以與接入點通視，部分測量點與AP之間有擋板阻隔。

3.2 性能評估

3.2.1 精 度

室內定位的誤差主要來自于室內較短的傳輸距離及復雜環境使得多徑傳輸的信號在接收端進行疊加，接收信號發生改變，對距離的估計產生誤差?；谥币暵窂阶R別的定位方法LBLM，利用直視路徑信息，信號更加穩定，定位精度更高。

在兩種典型室內場景中，LBLM的平均定位誤差分別可以達到1.6 m和1.8 m，比直接使用CSI進行加權平均得到的值進行定位的FILA更精確。在空房間中，傳輸環境相對簡單，兩種定位方法都可以得到滿意的定位準確度；在相對復雜的實驗室環境中，因為對信號的不同處理，使得基于直視路徑識別得到的信號更穩定，定位效果更好。

圖3顯示了對20組數據每組四個進行定位的累積定位誤差分布。在空房間中，85%的數據點的定位誤差在1 m以內，有30%的精度在0.5 m以內；在實驗室中,90%的數據點的定位誤差在2 m以內，60%的在1 m以內。

實驗測量的結果誤差如圖4所示。

圖3 誤差對比

圖4 不同環境下的累積概率密度分布

3.2.2 時 延

LBLM的時延主要包括兩個階段：歸一化階段和定位階段。歸一化階段主要是指測量和計算有效的CSI值，并對傳播模型參數進行訓練。相比于FILA，引入了直視路徑識別，為了增加識別準確度，需要收集大量數據包，增加了時間開銷。定位階段都采用三角形定位方法，時間與FILA大致相同。

4 結束語

針對無線接入點的安全問題，采用CSI信息，利用直視路徑識別機制，直接使用直視路徑的參數進行定位，消除了多徑信息的干擾，比采用幾個主要路徑信息的加權平均提高了對距離估計的精度，整體定位精度更高。在空曠房間和工作日的實驗室中進行了實驗，驗證了基于直視路徑識別的定位方法的性能。

當前對利用CSI進行定位的方法研究已經取得了很多成果，隨著更高帶寬的無線信號的使用，對直視路徑識別也會變得更容易。下一步的工作方向是聯合利用CSI的幅度與其他信息來提高定位精度，特別是高帶寬在無線局域網中的使用，可以提高對多徑信息的分辨率，利用少量數據就可以有效進行直視路徑識別，縮短區分多個路徑信息的數據采集時間；另一方面，CSI信息的提取必將會對更多的網卡開放，甚至能利用手機來提取，這樣就可以直接在智能手機中利用該方法進行精確定位。

[1] LE T M,LIU R P,HEDLEY M.Rogue access point detection and localization[C]//23rd international symposium on personal,indoor and mobile radio communications.[s.l.]:IEEE,2012:2489-2493.

[2] 陳 潮,靳慧云.無線局域網中非法AP的定位問題研究[J].信息網絡安全,2010(10):72-73.

[3] JIN Y,SOH W S,WONG W C.Indoor localization with channel impulse response based fingerprint and nonparametric regression[J].IEEE Transactions on Wireless Communications,2010,9(3):1120-1127.

[4] 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.[s.l.]:ACM,2012:183-196.

[5] WU Kaishun,XIAO Jiang,YI Youwen,et al.CSI-based indoor localization[J].IEEE Transactions on Parallel and Distributed Systems,2013,24(7):1300-1309.

[6] 朱 榮,白光偉,沈 航,等.基于貝葉斯過濾法的CSI室內定位方法[J].計算機工程與設計,2015,36(3):567-571.

[7] 鄧曉華.基于CSI的被動式室內定位與目標計數方法研究[D].杭州:杭州電子科技大學,2014.

[8] XIA P F,ZHOU S L,GIANNAKIS G B.Adaptive MIMO-OFDM based on partial channel state information[C]//IEEE signal processing workshop on signal processing advances in wireless communications.[s.l.]:IEEE,2004:551-555.

[9] CORREA J,ADAMS M,PEREZ C.A Dirac delta mixture-based random finite set filter[C]//International conference on control,automation and information sciences.[s.l.]:[s.n.],2015:231-238.

[10] ABBASI A,LIU Huaping.Improved line-of-sight/non-line-of-sight classification methods for pulsed ultra-wideband localization[J].IET Communications,2014,8(5):680-688.

[11] ZHOU Zimu,YANG Zheng,WU Chenshu,et al.WiFi-based indoor line-of-sight identification[J].IEEE Transactions on Wireless Communications,2015,14(11):6125-6136.

[12] CONTI A,DARDARI D,GUERRA M,et al.Experimental characterization of diversity navigation[J].IEEE Systems Journal,2014,8(1):115-124.

[13] GUVENC L,CHONG C C,WATANABE F,et al.NLOS identification and weighted least-squares localization for UWB systems using multipath channel statistics[J].EURASIP Journal on Advances in Signal Processing,2008,2008:36.

[14] MUCCHI L,MARCOCCI P.A new parameter for UWB indoor channel profile identification[J].IEEE Transactions on Wireless Communications,2009,8(4):1597-1602.

[15] BENEDETTO F,GIUNTA G,TOSCANO A,et al.Dynamic LOS/NLOS statistical discrimination of wireless mobile channels[C]//65th vehicular technology conference.[s.l.]:IEEE,2007:3071-3075.

[16] TEPEDELENLIOGLU C,ABDI A,GIANNAKIS G B.The Ricean K factor:estimation and performance analysis[J].IEEE Transactions on Wireless Communications,2003,2(4):799-810.

[17] WU Kaishun,XIAO Jiang,YI Youwen,et al.FILA:fine-grained indoor localization[C]//Proceedings of IEEE INFOCOM.[s.l.]:IEEE,2012:2210-2218.

[18] HALPERIN D,HU Wenjun,SHETH A,et al.Tool release:gathering 802.11n traces with channel state information[J].ACM SIGCOMM Computer Communication Review,2011,41(1):53.