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-long TANGTing LIZhao-yu TANGXin-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-Fi channelstateinformation through-the-walltargetdetection short-timeFouriertransform graphconvolutionalneuralnetwork
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
- 文件大小:
- 2.15 MB
- 下载次数:
- 60
-
高速下载
|
