CN114158004A - 一种基于图卷积神经网络的室内无源移动目标检测方法 - Google Patents
一种基于图卷积神经网络的室内无源移动目标检测方法 Download PDFInfo
- Publication number
- CN114158004A CN114158004A CN202111498377.0A CN202111498377A CN114158004A CN 114158004 A CN114158004 A CN 114158004A CN 202111498377 A CN202111498377 A CN 202111498377A CN 114158004 A CN114158004 A CN 114158004A
- Authority
- CN
- China
- Prior art keywords
- graph
- frequency
- time
- network structure
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出了一种基于图卷积神经网络的室内无源移动目标检测方法。首先,本方法提取接收端每根天线接收到的CSI幅值,分别计算每根天线所有子载波上CSI幅值对应的频谱。然后,对频谱图频率分布进行平均划分得到多个频段,分别对每个频段所有频率对应的能量计算平均能量值。对计算得到的平均能量值进行降序排序之后,得到对应的索引矩阵。再对该索引矩阵第一列对应的索引值进行降序排序,并基于该索引矩阵第一列的变化得到对应变化后的索引矩阵其他列的索引,依据该变化后的索引矩阵即可构造图网络结构。最后,依据得到的图网络结构构造图卷积神经网络(Graph Convolutional Network,GCN)的输入,GCN的输出即为所检测图网络结构的特征,将该特征与检测类一一映射,最终完成检测类的识别。
Description
技术领域
本发明属于室内移动目标检测方法,具体涉及在Wi-Fi系统下,收发机位于墙体的异侧时对墙后无源移动目标进行检测的一种方法。
背景技术
近年来,室内目标检测在社会生活以及生产中越来越重要。尤其是在一些重要的场合,如监狱、大型仓库、博物馆等,需要实时检测是否有人员非法出入。以往在视距内的目标检测,可以通过红外线、摄像机等来完成,但是该类方法在目标处于墙体等遮挡物后时无法实现检测,而且一定程度上会侵犯个人隐私。因此,实现非视距目标的检测十分必要。
现有的非视距目标检测方法主要包括基于RFID、基于超宽带雷达、基于Wi-Fi的穿墙目标检测技术,这些目标检测技术将采集的数据进行分析,从而检测目标是否存在。由于Wi-Fi设备的普及性、轻便性以及保护个人隐私等优点,目前大多数入侵检测技术都是在Wi-Fi系统上进行研究。Wi-Fi信号在室内环境中传播时会经过多条传输路径,当环境变化时会使Wi-Fi信号发生一定程度上的波动。因此,Wi-Fi信号物理层的信道状态信息(Channel State Information,CSI)携带了环境的变化信息,包括多径信息、目标位置、目标姿势等,可以细致地表征环境的变化情况。目前基于CSI的检测系统,主要是使用CSI的幅值、相位信息作为目标检测特征。通过观察和分析CSI的相关统计特征(均值、方差、标准差、一阶均方、子载波相关性等),可得到与环境变化相对应的映射关系。但是,当Wi-Fi信号穿过墙体等障碍物时,信号强度会大幅衰减,信噪比大幅度较低。在这种情况下,基于此类统计特征不能很好地实现目标的检测。
针对上述问题,本发明借助短时傅里叶变换(Short Time Fourier Transform,STFT)方法,将信号特征表现在时频图中。时频图可以展现更加丰富的信道信息,通过分析其中的特征点可实现对目标进行检测。在无目标、有目标两种情况下,时频图中的不同频率的能量分布不同,因此,可通过分析能量关系来实现检测。具体地,本发明首先将短时傅里叶变换之后得到的频率均匀分段,提取每个频率段中所有频率对应能量的平均值。然后通过对所有频段中平均能量值的特殊转换,得到对应的索引矩阵,使用该索引矩阵构造图结构。最后通过图网络结构生成相应的数据集,并把数据集输入到图卷积神经网络(GraphConvolutional Network,GCN)中进行训练。将GCN网络训练之后输出图的特征与检测类别一一映射,进而实现高精度的无源动目标检测。
发明内容
本发明的目的是在Wi-Fi系统下,提供一种基于图卷积神经网络的移动目标检测方法。它能够在收发机位于墙的异侧情况下,仅使用CSI的幅值信息,对墙后的无源移动目标进行高精度的检测。
本发明所述的一种基于图卷积网络的室内无源移动目标检测方法,具体包括以下步骤:
步骤1:假设Wi-Fi系统的发射端(Tx)包含1根天线,接收端(Rx)是由I根天线组成的线性均匀天线阵列,OFDM系统包括K个子载波。Wi-Fi信号从发射端发出,通过空间传播到接收端,接收端接收到总时长为TS的CSI数据。则第i(1≤i≤I)根天线上频率为fk的第k子载波在TS时间内接收到的CSI为:
Hi,k=[hi,k(1),…,hi,k(t),…,hi,k(TS)]
其中,k(1≤k≤K)表示子载波的索引,第k个载波的频率为fk,hi,k(t)表示在时间t(1≤t≤TS)第i根天线第k个载波接收到的CSI:
其中,|hi,k(t)|表示hi,k(t)的幅值,∠hi,k(t)表示hi,k(t)的相位。c是光速,L表示信号传播路径总数,l(1≤l≤L)表示第l条路径。dl(t)、αl(t)分别是Wi-Fi信号在时间t时沿第l条路径传播的传播路径长度和幅值衰减系数,ni,k(t)是加性高斯白噪声。
步骤2:提取CSI数据的幅值信息,将其通过STFT转化到时频域,进而得到频谱图。
具体方法如下:
其中,g(m)是汉明窗函数,其窗长为M。STFTi,k(n,fk)表示的频谱密度,它是关于离散时间n和频率fk的二维函数。即其为一个二维矩阵,矩阵的行表示采样时间点,矩阵的列表示采样频率值。所以,其时间和频率维度和窗函数窗长、采样率、窗重叠数、傅里叶变换的点数有关。
STFTi,k(n,fk)的能量谱密度表示为:
Pi,k(n,fk)=|STFTi,k(n,fk)|2
其同样是关于离散时间n和频率fk的二维函数。
步骤3:按照频谱图频率进行分段,求各频段的平均能量值并对其去趋势后,构成平均能量值矩阵P'。具体方法如下:
首先,基于步骤2得到“初始的频谱图”之后,依据频谱图频率将总频率平均划分为五个频段,记为第1频段、第2频段,……,第5频段。如果取频段的最大范围为N(0≤N≤Fs),则每一频段的长度为Len=N/5,即每个频段包含Len个频率点。
然后,对各频率段中所有频率成分的能量求平均值,得到各频段的平均能量值。用P(n,t)表示第n(1≤n≤N/5)个频率段中所有频率在时间t的平均能量值,计算方法如下:
其中,p(f,t)为时间t和频率f(0≤f≤Fs)对应的能量值,Len表示每一个频段的频点数。
最后,即可得到Ts采样时间内的平均能量矩阵P,且其维度为Ts×5:
为了集中分析能量值本身的波动情况,对P中每个频段得到的平均能量值使用进行去趋势处理。将P中每个频段得到的平均能量值减去一条最优的拟合直线,使去趋势之后的平均能量值均值为零。记去趋势之后得到的平均能量矩阵为P'。P'在每个时间点t的所有频段对应的索引矩阵St为:
St=[1,2,…,5]
将时间Ts内的索引矩阵记为S,其维度为Ts×5
步骤4:构造频谱图的图网络结构。
首先,对P'在时间t处的平均能量值进行升序排序,记录其变化后的频段索引值,即可得到S在平均能量值升序排序后总Ts时间内的变化索引矩阵S',其维度为Ts×5。
然后,对S'第一时间点的索引值进行升序排序,其余时间点的索引值依据第一时间点的变化情况构造新的索引矩阵Sη,维度为Ts×5。为了使用索引值一一对应图网络结构中的节点类别,使用矩阵相加使得索引矩阵的值对应某个节点的类属性。方法如下:
其中,Send对应的索引值即表示图网络结构中的节点类别。
最后,分别连接Send的每一列,即可得到构造的图网络结构。
该图网络结构中,总的节点个数为Npoint=Ts×5。S'索引值的变化使P'中对应的平均能量排序发生相应的变化,记变化后得到的索引矩阵Sη对应的平均能量矩阵为Pend。因为Pend的平均能量是频谱图中每一频段所有频率对应能量的平均值,所以步骤2得到的频谱图中所有频段对应频率的能量也会发生相应的变化。此时,基于Sη可以得到“变化后的时频图”。又因Send每一列代表每一频段,所以每个频段、每个时间点所有频率对应的能量值分别表示该频段所属节点类的特征,即每个节点有D=N/5个特征值。
步骤5:提取频谱图的图网络结构对应的特征数据集、图标签数据集、图的邻接矩阵、节点标签数据集。
依据步骤4得到的图网络结构得到数据集。其中,节点特征数据集Fpoint表示对应频率段中所有频率对应的能量值,维度为Npoint×D,D=N/5表示每个节点的特征数;图标签数据集Glabel表示每个图中节点对应类别(检测有无目标时,无目标为一类,有目标为一类),维度为Npoint×1;图的邻接矩阵Gadj表示各节点在图网络结构中的相互关系,维度为Npoint×Npoint;节点标签矩阵N'label表示图网络结构所属类别,维度为1×1。
类比步骤4和步骤5,即可构造I根天线的图网络结构及其对应的数据集。一根天线可以构建K个图网络结构,I根天线可构建I×K个图网络结构。该I×K个图网络结构可得到:节点特征数据集F'point,维度为IKNpoint×D;图标签数据集G'label,维度为IKNpoint×1;图的稀疏邻接矩阵G'adj(对角线上是每个图的邻接矩阵);节点标签数据集N'label,维度为IK×1。
步骤6:使用GCN进行检测识别。
将G'adj和F'point作为GCN网络的输入,并记录其节点标签集N'label和图标签集G'label。GCN网络包含2个隐藏层(Hidden layer),每个隐藏层的神经元个数分别为32和64,每个隐藏层的激活函数都为修正线性单元函数(RectifiedLinearUnit,ReLU)。其表达式为:
通过GCN网络训练之后即可得到图的输出特征,其对应图的类别,即得到最终检测的类别。
有益效果
本发明提出了一种基于图卷积神经网络的室内无源移动目标检测方法。首先,本方法提取接收端每根天线接收到的CSI幅值,分别计算每根天线所有子载波上CSI幅值对应的频谱。然后,对频谱图频率分布进行平均划分得到多个频段,分别对每个频段所有频率对应的能量计算平均能量值。对计算得到的平均能量值进行降序排序之后,得到对应的索引矩阵。再对该索引矩阵第一列对应的索引值进行降序排序,并基于该索引矩阵第一列的变化得到对应变化后的索引矩阵其他列的索引,依据该变化后的索引矩阵即可构造图网络结构。最后,依据得到的图网络结构构造图卷积神经网络(Graph Convolutional Network,GCN)的输入,GCN的输出即为所检测图网络结构的特征,将该特征与检测类一一映射,最终完成检测类的识别。本方法在收发机放置在墙体异侧场景下,从信号的时频域分析信号特征,能够在移动目标未携带任何设备的情况下实现目标的高精度检测。本方法对于无目标、有目标的检测准确率可达到97%左右。
附图说明
图1为本发明基于图卷积神经网络的室内无源移动目标检测方法的流程图。
图2为本发明中通过步骤2得到的“初始的时频图”参考图及其频段划分表示。
图3为本发明对图2进行步骤3后得到的“变化后的时频图”参考图。
图4为基于图2得到的图网络结构图参考图,图中的序号表示节点类型。
具体实施方案
步骤1:假设Wi-Fi系统的发射端(Tx)包含1根天线,接收端(Rx)是由I根天线组成的线性均匀天线阵列,OFDM系统包括K个子载波。Wi-Fi信号从发射端发出,通过空间传播到接收端,接收端接收到总时长为TS的CSI数据。则第i(1≤i≤I)根天线上频率为fk的第k子载波在TS时间内接收到的CSI为:
Hi,k=[hi,k(1),…,hi,k(t),…,hi,k(TS)]
其中,k(1≤k≤K)表示子载波的索引,第k个载波的频率为fk,hi,k(t)表示在时间t(1≤t≤TS)第i根天线第k个载波接收到的CSI:
其中,|hi,k(t)|表示hi,k(t)的幅值,∠hi,k(t)表示hi,k(t)的相位。c是光速,L表示信号传播路径总数,l(1≤l≤L)表示第l条路径。dl(t)、αl(t)分别是Wi-Fi信号在时间t时沿第l条路径传播的传播路径长度和幅值衰减系数,ni,k(t)是加性高斯白噪声。
步骤2:提取CSI数据的幅值信息,将其通过STFT转化到时频域,进而得到频谱图。
具体方法如下:
其中,g(m)是汉明窗函数,其窗长为M。STFTi,k(n,fk)表示的频谱密度,它是关于离散时间n和频率fk的二维函数。即其为一个二维矩阵,矩阵的行表示采样时间点,矩阵的列表示采样频率值。所以,其时间和频率维度和窗函数窗长、采样率、窗重叠数、傅里叶变换的点数有关。
STFTi,k(n,fk)的能量谱密度表示为:
Pi,k(n,fk)=|STFTi,k(n,fk)|2
其同样是关于离散时间n和频率fk的二维函数。
步骤3:按照频谱图频率进行分段,求各频段的平均能量值并对其去趋势后,构成平均能量值矩阵P'。具体方法如下:
首先,基于步骤2得到“初始的频谱图”之后,依据频谱图频率将总频率平均划分为五个频段,记为第1频段、第2频段,……,第5频段。如果取频段的最大范围为N(0≤N≤Fs),则每一频段的长度为Len=N/5,即每个频段包含Len个频率点。
然后,对各频率段中所有频率成分的能量求平均值,得到各频段的平均能量值。用P(n,t)表示第n(1≤n≤N/5)个频率段中所有频率在时间t的平均能量值,计算方法如下:
其中,p(f,t)为时间t和频率f(0≤f≤Fs)对应的能量值,Len表示每一个频段的频点数。
最后,即可得到Ts采样时间内的平均能量矩阵P,且其维度为Ts×5:
为了集中分析能量值本身的波动情况,对P中每个频段得到的平均能量值使用进行去趋势处理。将P中每个频段得到的平均能量值减去一条最优的拟合直线,使去趋势之后的平均能量值均值为零。记去趋势之后得到的平均能量矩阵为P'。P'在每个时间点t的所有频段对应的索引矩阵St为:
St=[1,2,…,5]
将时间Ts内的索引矩阵记为S,其维度为Ts×5
步骤4:构造频谱图的图网络结构。
首先,对P'在时间t处的平均能量值进行升序排序,记录其变化后的频段索引值,即可得到S在平均能量值升序排序后总Ts时间内的变化索引矩阵S',其维度为Ts×5。
然后,对S'第一时间点的索引值进行升序排序,其余时间点的索引值依据第一时间点的变化情况构造新的索引矩阵Sη,维度为Ts×5。为了使用索引值一一对应图网络结构中的节点类别,使用矩阵相加使得索引矩阵的值对应某个节点的类属性。方法如下:
Send=Sη+BTs×5
其中,Send对应的索引值即表示图网络结构中的节点类别。
最后,分别连接Send的每一列,即可得到构造的图网络结构。
该图网络结构中,总的节点个数为Npoint=Ts×5。S'索引值的变化使P'中对应的平均能量排序发生相应的变化,记变化后得到的索引矩阵Sη对应的平均能量矩阵为Pend。因为Pend的平均能量是频谱图中每一频段所有频率对应能量的平均值,所以步骤2得到的频谱图中所有频段对应频率的能量也会发生相应的变化。此时,基于Sη可以得到“变化后的时频图”。又因Send每一列代表每一频段,所以每个频段、每个时间点所有频率对应的能量值分别表示该频段所属节点类的特征,即每个节点有D=N/5个特征值。
步骤5:提取频谱图的图网络结构对应的特征数据集、图标签数据集、图的邻接矩阵、节点标签数据集。
依据步骤4得到的图网络结构得到数据集。其中,节点特征数据集Fpoint表示对应频率段中所有频率对应的能量值,维度为Npoint×D,D=N/5表示每个节点的特征数;图标签数据集Glabel表示每个图中节点对应类别(检测有无目标时,无目标为一类,有目标为一类),维度为Npoint×1;图的邻接矩阵Gadj表示各节点在图网络结构中的相互关系,维度为Npoint×Npoint;节点标签矩阵N'label表示图网络结构所属类别,维度为1×1。
类比步骤4和步骤5,即可构造I根天线的图网络结构及其对应的数据集。一根天线可以构建K个图网络结构,I根天线可构建I×K个图网络结构。该I×K个图网络结构可得到:节点特征数据集F'point,维度为IKNpoint×D;图标签数据集G'label,维度为IKNpoint×1;图的稀疏邻接矩阵G'adj(对角线上是每个图的邻接矩阵);节点标签数据集N'label,维度为IK×1。
步骤6:使用GCN进行检测识别。
将G'adj和F'point作为GCN网络的输入,并记录其节点标签集N'label和图标签集G'label。GCN网络包含2个隐藏层(Hidden layer),每个隐藏层的神经元个数分别为32和64,每个隐藏层的激活函数都为修正线性单元函数(RectifiedLinearUnit,ReLU)。其表达式为:
通过GCN网络训练之后即可得到图的输出特征,其对应图的类别,即得到最终检测的类别。
Claims (2)
1.一种基于图卷积神经网络的室内无源移动目标检测方法,包括以下步骤:
步骤1:假设Wi-Fi系统的发射端(Tx)包含1根天线,接收端(Rx)是由I根天线组成的线性均匀天线阵列,OFDM系统包括K个子载波。Wi-Fi信号从发射端发出,通过空间传播到接收端,接收端接收到总时长为TS的CSI数据;则第i(1≤i≤I)根天线上频率为fk的第k子载波在TS时间内接收到的CSI为Hi,k;
步骤2:提取CSI数据的幅值信息,将其通过STFT转化到时频域,进而得到频谱图;
步骤3:按照频谱图频率进行分段,求各频段的平均能量值并对其去趋势后,构成平均能量值矩阵P';
步骤4:构造频谱图的图网络结构;
步骤5:提取频谱图的图网络结构对应的特征数据集、图标签数据集、图的邻接矩阵、节点标签数据集;
步骤6:使用图卷积神经网络(Graph Convolutional Network,GCN)进行检测识别。
2.根据权利要求1所述的一种基于图卷积神经网络的室内无源移动目标检测方法,所述步骤4,构造频谱图的图网络结构,包括以下步骤:
首先,对P'在时间t处的平均能量值进行升序排序,记录其对应变化后的频段索引值,即可得到平均能量值升序排序后总Ts时间内的索引矩阵S',其维度为Ts×5;
其次,对S'第一时间点的索引值进行升序排序,其余时间点索引依据第一时间点变化后构成新的索引矩阵Sη,维度为Ts×5;为了使用索引值一一对应图网络结构中的节点类别,使用矩阵相加使得索引矩阵的值对应某个节点的类属性;方法如下:
其中,Send对应的索引值即表示图网络结构中的节点类别;
最后,分别连接Send的每一列,即可得到构造的图网络结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111498377.0A CN114158004B (zh) | 2021-12-09 | 2021-12-09 | 一种基于图卷积神经网络的室内无源移动目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111498377.0A CN114158004B (zh) | 2021-12-09 | 2021-12-09 | 一种基于图卷积神经网络的室内无源移动目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114158004A true CN114158004A (zh) | 2022-03-08 |
CN114158004B CN114158004B (zh) | 2022-11-08 |
Family
ID=80453699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111498377.0A Active CN114158004B (zh) | 2021-12-09 | 2021-12-09 | 一种基于图卷积神经网络的室内无源移动目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114158004B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114928811A (zh) * | 2022-05-05 | 2022-08-19 | 南京理工大学 | 一种基于神经网络的超宽带矿井下人员精确定位方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109407067A (zh) * | 2018-10-13 | 2019-03-01 | 中国人民解放军海军航空大学 | 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法 |
CN111212379A (zh) * | 2020-01-06 | 2020-05-29 | 天津工业大学 | 一种基于卷积神经网络的新型csi室内定位方法 |
CN112034433A (zh) * | 2020-07-09 | 2020-12-04 | 重庆邮电大学 | 一种基于干扰信号重构的穿墙无源移动目标检测方法 |
CN112147573A (zh) * | 2020-09-14 | 2020-12-29 | 山东科技大学 | 一种基于csi的幅值和相位信息的无源定位方法 |
CN112699771A (zh) * | 2020-12-26 | 2021-04-23 | 南京理工大学 | 基于人体姿态预测的异常行为检测算法 |
-
2021
- 2021-12-09 CN CN202111498377.0A patent/CN114158004B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109407067A (zh) * | 2018-10-13 | 2019-03-01 | 中国人民解放军海军航空大学 | 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法 |
CN111212379A (zh) * | 2020-01-06 | 2020-05-29 | 天津工业大学 | 一种基于卷积神经网络的新型csi室内定位方法 |
CN112034433A (zh) * | 2020-07-09 | 2020-12-04 | 重庆邮电大学 | 一种基于干扰信号重构的穿墙无源移动目标检测方法 |
CN112147573A (zh) * | 2020-09-14 | 2020-12-29 | 山东科技大学 | 一种基于csi的幅值和相位信息的无源定位方法 |
CN112699771A (zh) * | 2020-12-26 | 2021-04-23 | 南京理工大学 | 基于人体姿态预测的异常行为检测算法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114928811A (zh) * | 2022-05-05 | 2022-08-19 | 南京理工大学 | 一种基于神经网络的超宽带矿井下人员精确定位方法 |
CN114928811B (zh) * | 2022-05-05 | 2024-05-07 | 南京理工大学 | 一种基于神经网络的超宽带矿井下人员精确定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114158004B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Dense people counting using IR-UWB radar with a hybrid feature extraction method | |
CN104135327B (zh) | 基于支持向量机的频谱感知方法 | |
CN112147573A (zh) | 一种基于csi的幅值和相位信息的无源定位方法 | |
CN112308008B (zh) | 基于迁移学习的工作模式开集的雷达辐射源个体识别方法 | |
CN110133599B (zh) | 基于长短时记忆模型的智能雷达辐射源信号分类方法 | |
CN112712557B (zh) | 一种基于卷积神经网络的超分辨率cir室内指纹定位方法 | |
CN111982273B (zh) | 一种轨道交通车站站台的噪声监测方法 | |
CN107992882A (zh) | 一种基于WiFi信道状态信息和支持向量机的室内人数统计方法 | |
CN110929842B (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
Bihl et al. | Dimensional reduction analysis for Physical Layer device fingerprints with application to ZigBee and Z-Wave devices | |
CN108122310A (zh) | 一种基于WiFi信道状态信息和动态时间规整的人流量统计方法 | |
CN114158004B (zh) | 一种基于图卷积神经网络的室内无源移动目标检测方法 | |
CN109633289A (zh) | 一种基于倒谱和卷积神经网络的电磁红信息检测方法 | |
CN108090462A (zh) | 一种基于盒维数的辐射源指纹特征提取方法 | |
CN114355298B (zh) | 一种雷达复合调制脉冲信号识别方法 | |
KR102407835B1 (ko) | 기계학습 기반의 펄스 레이더 신호 속성 분류 방법 및 장치 | |
Tabaa et al. | LOS and NLOS identification based on UWB stable distribution | |
CN111385037A (zh) | 室内可用频谱的实时预测方法 | |
CN109034088A (zh) | 一种无人机信号探测方法及装置 | |
CN111983569B (zh) | 基于神经网络的雷达干扰抑制方法 | |
Tian et al. | Indoor device-free passive localization for intrusion detection using multi-feature PNN | |
Baggenstoss | Processing advances for localization of beaked whales using time difference of arrival | |
CN106850104A (zh) | 基于无源监测的nvis快速选频系统及其方法 | |
CN109446910A (zh) | 一种通信辐射源信号分类识别方法 | |
CN109031193A (zh) | 一种基于信号到达方向的室内非法信号源定位系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |