原理

  接收到的CSI可以表示为:
C S I ( f , t ) = A noise  ( f , t ) e − j θ offset  ( f , t ) ( H s ( f ) + H d ( f , t ) ) C S I(f, t)=A_{\text {noise }}(f, t) e^{-j \theta_{\text {offset }}(f, t)}\left(H_{s}(f)+H_{d}(f, t)\right) CSI(f,t)=Anoise ​(f,t)e−jθoffset ​(f,t)(Hs​(f)+Hd​(f,t))
  其中, A noise  A_{\text {noise }} Anoise ​是幅度噪声 , θ offset  \theta_{\text {offset }} θoffset ​是随机相位偏移, H s ( f ) H_{s}(f) Hs​(f)是静态分量, H d ( f , t ) H_{d}(f, t) Hd​(f,t)是动态分量

  CSI的共轭相乘可以表示为:
H c m ( f , t ) = C S I 1 ( f , t ) C S I 2 ( f , t ) ‾ = ( A noise  ( f , t ) e − j θ offset  ( f , t ) ( H s 1 ( f ) + H d 1 ( f , t ) ) ) ( A noise  ( f , t ) e − j θ offset  ( f , t ) ( H s 2 ( f ) + H d 2 ( f , t ) ) ) ‾ = ( A noise  ( f , t ) e − j θ offset  ( f , t ) ( H s 1 ( f ) + H d 1 ( f , t ) ) ) ( A noise  ( f , t ) e j θ offset  ( f , t ) ( H s 2 ( f ) + H d 2 ( f , t ) ) ‾ ) = A noise  ( f , t ) 2 ( H s 1 ( f ) + H d 1 ( f , t ) ) ( H s 2 ( f ) ‾ + H d 2 ( f , t ) ‾ ) = A noise  ( f , t ) 2 ( H s 1 ( f ) H s 2 ( f ) ‾ ⏟ ( 1 ) + H s 1 ( f ) H d 2 ( f , t ) ‾ ⏟ (2)  + H s 2 ( f ) ‾ H d 1 ( f , t ) ⏟ (3)  + H d 1 ( f , t ) H d 2 ( f , t ) ‾ ) ⏟ (4)  ≈ A noise  ( f , t ) 2 ( H s 1 ( f ) H s 2 ( f ) ‾ + H s 1 ( f ) H d 2 ( f , t ) ‾ + H s 2 ( f ) ‾ H d 1 ( f , t ) ) \begin{aligned} &H_{c m}(f, t)=C S I_{1}(f, t) \overline{C S I_{2}(f, t)}\\ &=\left(A_{\text {noise }}(f, t) e^{-j \theta_{\text {offset }}(f, t)}\left(H_{s 1}(f)+H_{d 1}(f, t)\right)\right) \overline{\left(A_{\text {noise }}(f, t) e^{-j \theta_{\text {offset }}(f, t)}\left(H_{s 2}(f)+H_{d 2}(f, t)\right)\right)}\\ &=\left(A_{\text {noise }}(f, t) e^{-j \theta_{\text {offset }}(f, t)}\left(H_{s 1}(f)+H_{d 1}(f, t)\right)\right)\left(A_{\text {noise }}(f, t) e^{j \theta_{\text {offset }}(f, t)} \overline{\left(H_{s 2}(f)+H_{d 2}(f, t)\right)}\right)\\ &=A_{\text {noise }}(f, t)^{2}\left(H_{s 1}(f)+H_{d 1}(f, t)\right)\left(\overline{H_{s 2}(f)}+\overline{H_{d 2}(f, t)}\right)\\ &=A_{\text {noise }}(f, t)^{2}(\underbrace{H_{s 1}(f) \overline{H_{s 2}(f)}}_{(1)}+\underbrace{H_{s 1}(f) \overline{H_{d 2}(f, t)}}_{\text {(2) }}+\underbrace{\overline{H_{s 2}(f)} H_{d 1}(f, t)}_{\text {(3) }}+\underbrace{\left.H_{d 1}(f, t) \overline{H_{d 2}(f, t)}\right)}_{\text {(4) }}\\ &\approx A_{\text {noise }}(f, t)^{2}\left(H_{s 1}(f) \overline{H_{s 2}(f)}+H_{s 1}(f) \overline{H_{d 2}(f, t)}+\overline{H_{s 2}(f)} H_{d 1}(f, t)\right) \end{aligned} ​Hcm​(f,t)=CSI1​(f,t)CSI2​(f,t)​=(Anoise ​(f,t)e−jθoffset ​(f,t)(Hs1​(f)+Hd1​(f,t)))(Anoise ​(f,t)e−jθoffset ​(f,t)(Hs2​(f)+Hd2​(f,t)))​=(Anoise ​(f,t)e−jθoffset ​(f,t)(Hs1​(f)+Hd1​(f,t)))(Anoise ​(f,t)ejθoffset ​(f,t)(Hs2​(f)+Hd2​(f,t))​)=Anoise ​(f,t)2(Hs1​(f)+Hd1​(f,t))(Hs2​(f)​+Hd2​(f,t)​)=Anoise ​(f,t)2((1) Hs1​(f)Hs2​(f)​​​+(2)  Hs1​(f)Hd2​(f,t)​​​+(3)  Hs2​(f)​Hd1​(f,t)​​+(4)  Hd1​(f,t)Hd2​(f,t)​)​​≈Anoise ​(f,t)2(Hs1​(f)Hs2​(f)​+Hs1​(f)Hd2​(f,t)​+Hs2​(f)​Hd1​(f,t))​
  其中,(1)是时不变项;(4)相较于(2)(3)很弱,可以忽略;(2)和(3)是时变的,(3)包含感兴趣的多普勒频移,而(2)包含一个算术上相反的数字,这可能会产生模棱两可的多普勒速度估计。

缺点

  • 基于共轭乘法的 DFS 提取方法的一个缺点是放大的噪声。从公式可以看到共轭乘法运算消除了 CSI 相位偏移,但进一步放大了 CSI 幅度噪声。
  • 基于共轭乘法的 DFS 提取方法的另一个缺点是它们必须使用启发式方法来处理模棱两可的速度问题。 WiDance [1] 选择天线并在共轭乘法中仔细分配天线的顺序,以确保正确的估计。 DopplerMUSIC [2] 放大一个天线的 CSI 幅度并降低另一个天线的 CSI 幅度以减轻歧义。尽管上述方法在一定程度上起作用,但在实践中,模糊性仍然是一个挑战。

参考文献

[1] Inferring motion direction using commodity wi-fi for interactive exergames
[2] Indotrack: Device-free indoor human tracking with commodity wifi
本文参考 WiTraj: Robust Indoor Motion Tracking with WiFi Signals

信道状态信息(CSI)共轭相乘去噪法相关推荐

  1. LTE学习:MCS(调制与编码策略) CSI(信道状态信息)

    转自:http://bbs.c114.net/asktech/question.php?qid=15477 MCS(Modulation and Coding Scheme):调制与编码策略 LTE中 ...

  2. csirs参考信号_一种信道状态信息参考信号CSI-RS的发送方法、装置及基站_2015109520063_说明书_专利查询_专利网_钻瓜专利网...

    本发明公开了一种信道状态信息参考信号CSI‑RS的发送方法.装置及基站,其方法包括:根据CSI‑RS与天线的映射关系,通过两个子帧的8端口CSI‑RS组合向用户终端UE发送对应的16端口CSI‑RS: ...

  3. 发送端未知信道状态信息情况下MIMO系统容量仿真

    在发送端与接收端天线个数不同的情况下,MIMO系统的容量 clear all; close all; M=1000;%循环次数 n_bins=round(M/10);%round函数用于舍入到最接近的 ...

  4. 全极化雷达遥感图像的迭代优化非局部均值去噪法

    文章提出了一种迭代优化的PolSAR的非局部均值去噪方法.该方法在每次迭代去噪过程中,通过同时考虑原始图像全极化噪声统计特性和前一次迭代所得影像的全极化信息来完善像素间极化相似性的度量,从而实现对影像 ...

  5. R语言message函数、warning()函数和stop()函数输出程序运行健康状态信息实战

    R语言message函数.warning()函数和stop()函数输出程序运行健康状态信息实战 目录 R语言message函数.warning()函数和stop()函数输出程序运行健康状态信息实战

  6. 学会处理ASP.NET的页面和请求状态信息 (转载)

    作者: BUILDER.COM 2003-04-23 02:41 PM 任何动态Web应用程序都必须能够管理状态信息--ASP.NET的应用程序也不例外.在本文里,我会讨论处理两种类型状态信息的方法: ...

  7. asp.net中此页的状态信息无效,可能已损坏的解决之道

    asp.net中此页的状态信息无效,可能已损坏的解决之道[转] 默认分类 2009-02-06 16:16:06 阅读137 评论0 字号:大中小 针对此问题网上有一种解决办法,就是在该工程中的web ...

  8. zookeeper的名词复盘-Stat状态信息

    每个节点除了存储数据内容以外,还存储了数据节点本身的一些状态信息,通过get命令可以获得状态信息的详细内容

  9. 小波阈值去噪法基础理论

    在机械故障诊断中,由于受周围环境和其他不可避免因素的影响,采集得到的信号往往包含有一定地噪声.然而,噪声对于信号的分析存在一定的干扰,所以在分析之前需要对信号进行去噪.目前,小波在信号去噪中得到了广泛 ...

最新文章

  1. IDEA2020如何设置全局maven路径
  2. 【CNN结构设计】无痛的涨点技巧:ACNet
  3. Java数字包装类基本程序,Java基本数据类型包装类
  4. oschina代码仓库远程push,pull免密实操总结
  5. visual c++ 部分窗口样式设置
  6. Minimum supported Gradle version is 4.1. Current version is 4.0.
  7. gprs模块ftp 远程升级_基于GPRS无线通信技术的冷链监测系统
  8. java byte(字节_Java字节序,java整型数与网络字节序 byte[] 数组转换关系(ByteArrayOutpu......
  9. 吴恩达创建deeplearning.ai讲授AI课程 ,向全世界普及深度学习知识
  10. Word两端对齐问题
  11. NNACL2021 放榜啦~
  12. Python 内置函数介绍
  13. SQL 数据库 函数
  14. HP LINUX打印机驱动安装步骤
  15. 如何做到微信机器人不封号_利用 Xposed 快速实现一个简易微信机器人
  16. 别了甲骨文,别了拉里·埃里森!
  17. 如何运行PHP文件 /创建PHP项目【基于VScode、XAMPP】超级详细,亲测有效,这一篇就够了
  18. 【转】maven Failure to find xxx in 中央仓库
  19. 如何写作品的介绍文档
  20. 大数据分析项目实战--天猫订单综合分析

热门文章

  1. Exception locking surface SurfaceView报错解决
  2. 项目设计:基于YOLO目标检测算法的安全帽/口罩/汽车/行人/交通标志...检测
  3. 电子元器件[1]——晶振
  4. Vue接入Google Adsense
  5. WMI系列--关于WMI
  6. 通过蓝点无限的学习,对UWB实现的过程以及对UWB连接WIFI的遇到的问题进行复盘
  7. .md文件是什么?.md如何打开?
  8. 数据分析 | 岭回归与LASSO回归
  9. oralce函数大全
  10. Nvidia-smi简介