Abstract

Device-free passive wireless indoor localization is attracting great interest in recent years due to the widespread deployment of Wi-Fi devices and the numerous location-based services requirements. In this paper, we propose DFPhaseFL, the first device-free fingerprinting indoor localization system that purely uses CSI phase information. It utilizes the CSI phase information extracted from simply a single link to estimate the location of the target, neither requiring the target to wear any electronic equipment nor deploying a large number of access points and monitor devices. In DFPhaseFL, the raw CSI phases are extracted from the CSI measurements through the three antennas of the Intel WiFi Link 5300 wireless Network Interface Card (IWL 5300 NIC) firstly. Then, linear transformation and noise filtering are applied to acquire the calibrated CSI phases. Through experimental observations, we find that the calibrated CSI phase owns an unpredictable characteristic over time. Thus, it cannot be directly applied as a fingerprint. To this end, a transfer deep supervised neural network method combining deep neural network and transfer learning is proposed to obtain feature representations with both transferability and discriminability as fingerprints. Then, the DFPhaseFL system uses the SVM algorithm to obtain the estimation of the target location online. Experiment results demonstrate that the DFPhaseFL owns a better estimation precision compared with the other state of art, and maintain a stable localization accuracy for a long time without reacquiring the fingerprint database.

中文翻译：

---

DFPhaseFL：使用CSI相位信息的功能强大的无设备被动指纹无线定位系统

摘要

由于Wi-Fi设备的广泛部署和众多基于位置的服务要求，近年来无设备的无源无线室内本地化引起了极大的兴趣。在本文中，我们提出了DFPhaseFL，这是第一个完全不使用CSI相位信息的无设备指纹室内定位系统。它利用从简单的单个链接中提取的CSI阶段信息来估计目标的位置，既不需要目标佩戴任何电子设备，也不需要部署大量的接入点和监视设备。在DFPhaseFL中，首先通过Intel WiFi Link 5300无线网络接口卡（IWL 5300 NIC）的三个天线从CSI测量中提取原始CSI相位。然后，应用线性变换和噪声滤波来获取校准的CSI相位。通过实验观察，我们发现校准的CSI相位随时间具有不可预测的特征。因此，它不能直接用作指纹。为此，提出了一种将深度神经网络与转移学习相结合的转移深度监督神经网络方法，以获得具有可转移性和可区分性的特征表示作为指纹。然后，DFPhaseFL系统使用SVM算法在线获取目标位置的估计值。实验结果表明，与其他现有技术相比，DFPhaseFL具有更好的估计精度，并且可以长时间保持稳定的定位精度，而无需重新获取指纹数据库。通过实验观察，我们发现校准的CSI相位随时间具有不可预测的特征。因此，它不能直接用作指纹。为此，提出了一种将深度神经网络与转移学习相结合的转移深度监督神经网络方法，以获得具有可转移性和可区分性的特征表示作为指纹。然后，DFPhaseFL系统使用SVM算法在线获取目标位置的估计值。实验结果表明，与其他现有技术相比，DFPhaseFL具有更好的估计精度，并且可以长时间保持稳定的定位精度，而无需重新获取指纹数据库。通过实验观察，我们发现校准的CSI相位随时间具有不可预测的特征。因此，它不能直接用作指纹。为此，提出了一种将深度神经网络与转移学习相结合的转移深度监督神经网络方法，以获得具有可转移性和可区分性的特征表示作为指纹。然后，DFPhaseFL系统使用SVM算法在线获取目标位置的估计值。实验结果表明，与其他现有技术相比，DFPhaseFL具有更好的估计精度，并且可以长时间保持稳定的定位精度，而无需重新获取指纹数据库。它不能直接用作指纹。为此，提出了一种将深度神经网络与转移学习相结合的转移深度监督神经网络方法，以获得具有可转移性和可区分性的特征表示作为指纹。然后，DFPhaseFL系统使用SVM算法在线获取目标位置的估计值。实验结果表明，与其他现有技术相比，DFPhaseFL具有更好的估计精度，并且可以长时间保持稳定的定位精度，而无需重新获取指纹数据库。它不能直接用作指纹。为此，提出了一种将深度神经网络与转移学习相结合的转移深度监督神经网络方法，以获得具有可转移性和可区分性的特征表示作为指纹。然后，DFPhaseFL系统使用SVM算法在线获取目标位置的估计值。实验结果表明，与其他现有技术相比，DFPhaseFL具有更好的估计精度，并且可以长时间保持稳定的定位精度，而无需重新获取指纹数据库。DFPhaseFL系统使用SVM算法在线获取目标位置的估计值。实验结果表明，与其他现有技术相比，DFPhaseFL具有更好的估计精度，并且可以长时间保持稳定的定位精度，而无需重新获取指纹数据库。DFPhaseFL系统使用SVM算法在线获取目标位置的估计值。实验结果表明，与其他现有技术相比，DFPhaseFL具有更好的估计精度，并且可以长时间保持稳定的定位精度，而无需重新获取指纹数据库。