基于图卷积神经网络的室内穿墙无源目标检测算法
文档名：基于图卷积神经网络的室内穿墙无源目标检测算法
摘要：针对室内穿墙场景下目标状态差异而导致的信道状态信息(ChannelStateInformation,CSI)功率谱密度在时序发生相应变化规律的不同,本文提出了一种基于图卷积神经网络(GraphConvolutionalNeural,GCN)的室内穿墙无源目标检测算法.不同于传统的基于CSI的统计特征实现目标检测的相关系统,该算法从CSI的图域出发,基于CSI时频图特征构建得到GCN图结构后,使用可实现对复杂图中各节点进行分类的GCN作为分类器,提高了室内复杂环境下目标检测的性能.该方法在对原始CSI进行异常值去除和小波阈值去噪的基础上,利用短时傅里叶变换得到每个子载波上CSI幅值的时频图;然后根据各子载波CSI时频图特点,将存在能量的频率平均分为5个频段,再计算每个频段的平均功率谱密度,并在每个时序对其进行排序;最后基于对平均功率谱密度排序后各频段索引的变化规律构造GCN图,并将其邻接矩阵和特征矩阵输入GCN网络中进行训练,最终实现图节点特征与目标状态的一一映射.实验结果表明,在玻璃墙和砖墙场景下,本文提出的算法能够很好地刻画目标状态不同而导致的CSI功率谱密度变化规律的差异,且其平均检测准确率均高于现有的R-TTWD(Robustdevice-freeThrough-The-WallDetection)和TWMD(The-WallMovingDetection)目标检测算法.
Abstract：Accordingtovariationlawsofchannelstateinformation(CSI)powerspectraldensity(PSD)inthetimingseriescausedbydifferenttargetstatesinindoorthrough-the-wallscenarios,thispaperproposesapassivetargetdetectional-gorithmbasedongraphconvolutionalneural(GCN).DifferentfromthetraditionalcorrelationsystemfortargetdetectionbasedonCSIstatisticalfeatures,thisalgorithmstartsfromthegraphdomainofCSI,constructstheGCNgraphstructurebasedonCSItime-frequencydiagram,andusestheGCNthatcanclassifythenodesinthecomplexgraphastheclassifier,whichimprovestheperformanceoftargetdetectionintheindoorcomplexenvironment.BasedonoutlierremovalandwaveletthresholddenoisingfororiginalCSIinformation,itusestheshort-timeFouriertransformtoobtainthetime-frequen-cydiagramoftheCSIamplitudeoneachsubcarrier.Then,accordingtothecharacteristicsofeachsubcarrier'sCSItime-frequencydiagram,thetotalspectrumisdividedintofivefrequencybandsonaverage,andtheaveragePSDofeachfrequen-cybandiscalculatedandsortedateverysampletime.Finally,aGCNgraphisconstructedbasedonthevariationlawoftheindexofeachfrequencybandaftersortingtheaveragePSD,andthenitsadjacencymatrixandfeaturematrixareinputintotheGCNnetworkfortraining,whichcanfinallyrealizetheone-to-onemappingbetweengraphnodefeaturesandtargetstates.Experimentalresultsshowthatunderthescenariosofglasswallandbrickwall,theproposedalgorithmcanessential-lycharacterizethedifferenceofCSIPSDchangeregularitycausedbydifferenttargetstates;anditsaveragedetectionaccu-racyishigherthanthatoftheexistingR-TTWD(Robustdevice-freeThrough-The-WallDetection)andTWMD(The-WallMovingDetection)targetdetectionalgorithms.
作者：杨小龙唐婷李兆玉唐鑫星Author：YANGXiao-longTANGTingLIZhao-yuTANGXin-xing
作者单位：重庆邮电大学通信与信息工程学院,重庆400065
刊名：电子学报
Journal：ActaElectronicaSinica
年，卷(期)：2024, 52(2)
分类号：TN929.5
关键词：Wi-Fi信道状态信息穿墙目标检测短时傅里叶变换图卷积神经网络
Keywords：Wi-Fichannelstateinformationthrough-the-walltargetdetectionshort-timeFouriertransformgraphconvolutionalneuralnetwork
机标分类号：TN929.5TP393.08H3.1
在线出版日期：2024年4月19日
基金项目：基于图卷积神经网络的室内穿墙无源目标检测算法[
期刊论文]电子学报--2024, 52(2)杨小龙唐婷李兆玉唐鑫星针对室内穿墙场景下目标状态差异而导致的信道状态信息(ChannelStateInformation,CSI)功率谱密度在时序发生相应变化规律的不同,本文提出了一种基于图卷积神经网络(GraphConvolutionalNeural,GCN)的室内穿墙无源目标...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于图卷积神经网络的室内穿墙无源目标检测算法Indoor Through-The-Wall Passive Target Detection Algorithm Based on Graph Convolutional Neural Network
基于图卷积神经网络的室内穿墙无源目标检测算法.pdf
页:
[1]