1.一种基于改进随机森林算法的CSI系统多径分类方法，其具体步骤如下：

步骤1：以LOS和NLOS传播环境下统计特征的分布特性为建模条件，建立多径分类系统模型，系统包括三部分组成，分别为数据采集与预处理模块、特征提取模块、多径分类模块，利用搭载无线网卡的笔记本采集CSI数据，执行数据预处理操作，并对预处理之后的CSI样本进行特征提取；

步骤2：以无线信号在LOS和NLOS环境下的传播特点为基础，构造基于K均值聚类算法的特征因子，鉴于LOS环境中的CIR样本的信号能量主要集中在主径中，而与主径相邻的采样点是与主径属于同一类的样本，通过K均值聚类算法对LOS和NLOS场景下采集的CIR样本按照其能量的不同进行聚类；

步骤3：在LOS场景下，首先对采集到的CIR样本的振幅随机选择K个点作为初始聚类中心，然后将每一个点分配到最近的聚类中心，形成K个簇，再重新计算每个簇的聚类中心并且不断更新，直到迭代次数达到最大或者簇内元素不发生变化停止，然后比较聚类中心的能量，选择聚类中心能量较大的类别为所要分的类别；

步骤4：采用步骤3中的方法，对NLOS环境下的CIR样本的振幅进行聚类，以此为基础，定义基于K均值聚类算法的特征因子为ξ，ξ＝‑1/lg(M)·M/R，其中M表示采集到的CIR样本中最大能量值所属类的所有能量之和，R表示CIR样本中除最大能量值所在那一类样本之外的其他路径样本能量之和，‑1/lg(M)表示距离因子；

步骤5：鉴于不同的特征组合会有不同的分类性能，依据费歇尔准则，对属于LOS和NLOS的每个特征进行评估，在每个特征下，定义所有样本的类内散射距离为 式中其中k表示特征索引号，m表示所分类别的数

(k)

量，m＝2，x表示样本数据集，x 表示第k个特征的样本集， 表示第i类样本的第k个特征样本集的均值，Di表示第i类的样本集，ni表示属于第i类样本的数量，类内离散距离表征的是属于同一类别的样本在被测特征上的方差，在被测特征上，定义所有样本的类间散射距离为 其中 n表示各类样本总数，D(k)

表示样本集，μ 表示所有样本中第k个特征样本集的均值，类间离散距离表征的是属于不同类别的样本在特征k处的相似性；

步骤6：以步骤5中的类内散射距离 和类间散射距离 为基础，计算特征k的判别函数

步骤7：依据步骤5、步骤6中的特征筛选方法，对不同的特征组合进行筛选，然后利用基于C4.5算法的随机森林算法进行训练和测试，在训练阶段，从训练数据集中随机获取三个不同特征，计算每个特征的信息增益率，选择信息增益率突出的特征作为根节点，而其他特征留待进一步分裂，在每个决策节点处应用相同的分割标准，令树持续增长，直到此节点成为包含预测类别的叶节点时停止分裂，其中从根节点到叶节点的路径表示分类规则，步骤7中，定义属性“x1”、“x2”和“x3”分别为从训练数据集中随机获取的三个不同特征，LOS和NLOS的类标签分别设置为“1”和“‑1”，将特征值分类为左子节点和右子节点，若特征“x3”的值为

3.4535，且它为根节点，则表示在所有特征中“x3”的信息增益率最高，“x3”的右子节点变为叶节点，其类预测为1，这意味着大于3.4535的所有特征“x3”的值都属于LOS，右子节点的熵为零，而“x3”的左子节点进一步分裂，在其他决策节点处递归地应用分裂标准，直到到达叶节点则表示这棵决策树构建完成；在测试阶段，每个需要测试的值同时通过森林内的所有树，从根节点开始，直到它到达相应的叶节点，通过各棵树的多数投票得到随机森林算法的预测值，根据测试数据集的第i次观察值，树p(p＝1，...，P)的输出预测值为yip，则整个随机森林算法的预测输出为 分类结果描述为基于yi的假设检验，即当yi≥0时，则属于LOS，当yi＜0时，则属于NLOS。