CN116930963A - 一种基于无线通信***的穿墙成像方法 - Google Patents
一种基于无线通信***的穿墙成像方法 Download PDFInfo
- Publication number
- CN116930963A CN116930963A CN202310921227.9A CN202310921227A CN116930963A CN 116930963 A CN116930963 A CN 116930963A CN 202310921227 A CN202310921227 A CN 202310921227A CN 116930963 A CN116930963 A CN 116930963A
- Authority
- CN
- China
- Prior art keywords
- wall
- channel response
- channel
- compressed sensing
- imaging
- 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.)
- Pending
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 85
- 238000004891 communication Methods 0.000 title claims abstract description 36
- 230000004044 response Effects 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000013178 mathematical model Methods 0.000 claims description 24
- 230000007613 environmental effect Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000000149 penetrating effect Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 abstract 1
- 230000008447 perception Effects 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/887—Radar or analogous systems specially adapted for specific applications for detection of concealed objects, e.g. contraband or weapons
- G01S13/888—Radar or analogous systems specially adapted for specific applications for detection of concealed objects, e.g. contraband or weapons through wall detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于无线通信***的穿墙成像方法。该无线通信***由基站和用户终端组成,其中基站位于室外,用户终端位于室内,基站与用户终端之间进行无线通信,并通过此过程获取信道响应数据。本方法通过对无线信道的建模和成像算法的设计,实现了基于上述信道响应数据的穿墙成像,相比于现有穿墙成像方法,本方法可以完全基于现有无线通信***,亦可以融入下一代无线通信***形成感知通信一体化***,避免了成像***硬件方面的额外成本,并且穿墙成像的准确性较高,为穿墙成像功能的实现和应用提供了新思路。
Description
技术领域
本发明属于无线通信领域,具体涉及一种基于无线通信***的穿墙成像方法。
背景技术
穿墙成像(Through-the-Wall Imaging,TWI)利用电磁波可以穿透遮挡介质的特性,实现了对于墙体后方、地表下或者叶簇密集处目标的成像探测,包括测距、定位、识别、跟踪以及二维成像、三维成像等任务。
TWI技术被广泛用于城市反恐以及灾后救援等任务,比如对在城市掩体中或地道、废墟下的活动目标进行探测等等。穿墙成像的广泛应用使其成为了研究热点,目前主流的穿墙成像方法一般属于雷达机制,其具有受环境影响小、成像分辨率高等优点,但是其也存在着设备昂贵、使用不方便、应用场景受限等问题,限制了其的进一步推广。
现有的无线通信***的信号频率一般为GHz级别,其信号也具备一定的穿透家庭中房间墙体的能力,并且其部署广泛,成本低廉,因此可以考虑研究基于无线通信***的穿墙成像流程与方法。
确定好穿墙成像***的基本架构之后,如何实现高效而准确穿墙成像依然面临着不少难题。其一是包含目标信息的信道有效部分的能量过于微弱,在此***中,一次信道的路径并不经过目标物体,因此其不包含室内目标信息,可被视为干扰项,而二次信道包含了全部的目标信息,但是其占据信道能量的比例很小,因此必须设计算法来放大有效信号并减小干扰。另一个则是墙体参数的未知性带来的挑战,具体来说,墙体的存在会引起电磁波传播路径和速度的变化,也会降低信号的强度,如果不对墙体影响进行补偿,会导致成像结果出现伪影、位置偏移或者细节丢失,而当墙体的位置和电磁特性未知时,墙体补偿问题变得更加棘手。穿墙成像***必须深入考虑这两个问题,并设计对应的处理方案,才能实现高准确性的穿墙成像。
发明内容
针对上述现有技术的不足,本发明提供一种基于无线通信***的穿墙成像方法,其基于通信***周期性进行信道估计任务得到信道响应数据,来实现穿墙成像,无需对现有通信***的硬件或软件做出重大修改,是一种经济而高效的穿墙成像方法。
本发明的目的是通过以下技术方案实现的:
提出一种基于无线通信***的穿墙成像方法,包括以下步骤:
使用无线通信***中的基站接收同一***中用户终端所发送的无线信号,并在基站端进行信道估计,得到信道响应数据;
将环境空间和墙体进行离散化处理,使用电磁波传播机制,构建信道响应与环境目标的数学模型;
使用所述信道响应数据,基于所述信道响应与环境目标的数学模型,将穿墙成像问题转化为广义压缩感知优化问题;
将转化成所述广义压缩感知优化问题的数学模型进行基于全局搜索和最小二乘的墙体参数估计处理,实现墙体影响补偿,将所述广义压缩感知优化问题转化为标准压缩感知问题;
将所述标准压缩感知问题进行基于近似消息传递的逆问题求解,完成对于环境目标的穿墙成像。
进一步地,构建所述信道响应与环境目标的数学模型具体包括以下步骤:
步骤S21,将环境空间和墙体进行离散化处理,设成像的环境空间大小分别为LL,LW,LH,划分后的小立方体的尺寸大小为ll,lw,lh,则整个环境中一共有N=LL/ll×LW/lw×LH/lh个体素;使用xn来表示第n个体素的反射系数,因此,使用N维的反射系数向量x=[x1,...,xN]T来表示待感知的环境空间;同理,墙体的大小为划分为使用/>来表示墙体的第nw个体素的透射系数,因此,使用Nw维的向量/>来代表整个墙体;
步骤S22,使用电磁波传播机制,从第m个用户,穿透第nw块墙体,到达基站的一次散射路径的信道响应可以表达为:
其中,e是自然常数,j是虚数单位,是信道的幅值,/>是信道的相位,其值均依赖于墙体参数dw,具体表达为
其中,λ是载波信号的波长,是第m个用户到第nw块墙体的距离,/>是从第nw块墙体到基站天线的距离,σ是物体的雷达反射截面积;
步骤S23,使用电磁波传播机制,从第m个用户出发,经过第n个体素,穿透第nw块墙体,到达基站的二次散射路径的信道响应可以表达为:
具体表达为
其中,dm.n是第m个用户到第n个体素的距离,是从第n个体素到第nw块墙体的距离,/>是从第nw块墙体的距离到基站天线的距离,其中后两个距离的值均依赖于dw;
步骤S24,总体的信道响应是一次信道响应和二次信道响应的综合,依据多径信道模型,构建信道响应与环境目标的数学模型:
hc=hw+h+v
=Hw·yw+H·x+v
其中,hc是信道响应数据,hw是一次信道响应,h是二次响应,v是高斯白噪声,Hw是一次信道矩阵,yw是墙体的透射系数;H是测量矩阵,其计算方式为x是环境目标的散射系数。
进一步地,将所述穿墙成像问题转化为所述广义压缩感知优化问题具体包括以下步骤:
使用所述信道响应数据,基于所述步骤S24中得到的信道响应与环境目标的数学模型,将穿墙成像问题转化为广义压缩感知优化问题,表达如下:
其中x表示环境的反射系数向量,yw表示墙体的透射系数向量,||·||1,||·||2分别是向量的一范数、二范数,hc是信道响应,h′是二次信道的信道响应,Hw(dw)是按照所述步骤S22所计算的一次散射路径的信道响应矩阵,H(dw)示按照所述步骤S23和所述步骤S24所计算的测量矩阵,ε是松弛变量,dw表示墙体在x轴的坐标,是墙***置的取值集合,其中Dmin和Dmax分别是取值的最小值和最大值,dw是候选值的间隔,当设定dw足够小时,其能无限逼近于墙体的真实位置。
进一步地,构建所述标准压缩感知问题具体包括以下步骤:
步骤S41,基于转化成广义压缩感知优化问题的数学模型,忽略其中二次信道h,得到简化模型如下:
hc=Hw·yw+v
基于该简化模型得到墙体参数估计子问题,具体表达如下:
步骤S42,对集合中的每一个元素进行遍历,设定墙***置di=Dmin+(i-1)·w,按照所述步骤S22计算一次信道的信道响应hw(di),采用最小二乘算法对c进行线性回归,具体有/>计算生成信道hw(di)和S1中信道响应数据hc的向量相似度指标,具体有/>保存该数据,当遍历步骤完成后,求出向量相似度指标最大时的i,得到预估的墙***置/>以及预估的墙体参数/>
步骤S43,采用所述步骤S42估计得到的墙体参数和所述步骤S22的公式估计一次信道,并将其从整体信道响应中减去,得到二次信道的估计值;
同时要按照所述步骤S42估计得到的墙体参数和所述步骤S23的公式进行测量矩阵H的修正,将所述广义压缩感知问题转化为标准压缩感知问题,表达为:
进一步地,将所述标准压缩感知问题进行基于近似消息传递的逆问题求解具体包括以下步骤:
对关于所述标准压缩感知问题的数学模型采用基于近似消息传递的期望最大化-广义近似消息传递算法进行求解,需要注意的是,此时的测量矩阵H存在着部分列的二范数偏小的情况,因此需要对测量矩阵进行列归一化预处理,而在求得稀疏向量x之后,也需要进行反归一化处理,得到的结果就是穿墙成像的结果。
进一步地,所述无线通信***中的基站应位于户外的空旷场地,用户终端可位于室内或室外,但仅有室内的用户终端的信道响应数据会参与后续穿墙成像环节。
本发明的有益效果是:首先,本发明考虑了基于无线通信***的穿墙成像方法。该***中既有分布于室内的用户终端设备,也有位于室外的基站设施,并借助用户与基站的通信数据,无需采用昂贵的穿墙雷达等设备,就能实现对于室内目标的穿墙成像,是一种经济而有效的方案。其次,本方法把穿墙成像问题建模为广义的压缩感知优化问题,并把成像过程分为墙体参数估计和目标成像两个步骤。在墙体参数估计阶段,采取全局搜索以及最小二乘参数估计方法,对墙体的位置和透射系数进行估计。在目标成像阶段,首先进行墙体参数补偿,然后采用逆问题求解,因此是一种具有较高准确性的穿墙成像算法,能在一定范围内克服未知墙体参数的影响。相比现有的穿墙成像算法,本发明的基于无线通信***的穿墙成像方法较为显著地提升了环境目标成像的准确度,为在移动通信***中实现穿墙成像提供了一种有效的方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为一示例性实施例提供的基于无线通信***的穿墙成像***场景示意图;
图2为一示例性实施例提供的墙***置估计算法的度量曲线;
图3为一示例性实施例提供的将本发明的算法与其他穿墙成像算法相比较的案例展示图;
图4为一示例性实施例提供的在不同SNR条件下,本发明算法的成像性能MSE与其他重构算法的MSE比较图;
图5为一示例性实施例提供的本发明的算法的MSE性能表现与用户终端UE数量的关系图。
具体实施方式
为了更好的理解本申请的技术方案,下面结合附图对本申请实施例进行详细描述。
应当明确,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
如图1所示,考虑的场景是上行通信场景,在户外的某一区域中部署有一个多天线的基站接入点(AP),且同时存在着多个活跃的单天线的用户终端设备(UE),仅考虑位于室内的UE。在该场景中,用户发送信号至AP,AP端则进行信道估计并得到信道响应数据,穿墙成像的计算任务在中心端服务器进行。值得关注的是,用户发送的信号会被环境物体和墙体所影响,其中部分信号直接从UE到达AP,这些信号不包含目标物体的信息,另外一些信号则从UE出发,经过环境目标的反射后,才穿透墙体到达AP,因此包含了环境目标的信息。
在一实施例中,提供了一种基于无线通信***的穿墙成像方法,包括以下步骤:
步骤S1,使用无线通信***中的基站接收同一***中用户终端所发送的无线信号,并在基站端进行信道估计,得到信道响应数据;
在一实施例中,无线通信***中的基站应位于户外的空旷场地,用户终端可位于室内或室外,但仅有室内的用户终端的信道响应数据会参与后续穿墙成像环节。
步骤S2,将环境空间和墙体进行离散化处理,使用电磁波传播机制,构建信道响应与环境目标的数学模型;
在一实施例中,构建所述信道响应与环境目标的数学模型具体包括以下步骤:
步骤S21,将环境空间和墙体进行离散化处理,设成像的环境空间大小分别为LL,LW,LH,划分后的小立方体的尺寸大小为ll,lw,lh,则整个环境中一共有N=LL/ll×LW/lw×LH/lh个体素;使用xn来表示第n个体素的反射系数,因此,使用N维的反射系数向量x=[x1,...,xN]T来表示待感知的环境空间;同理,墙体的大小为划分为使用/>来表示墙体的第nw个体素的透射系数,因此,使用Nw维的向量/>来代表整个墙体;
步骤S22,使用电磁波传播机制,从第m个用户,穿透第nw块墙体,到达基站的一次散射路径的信道响应可以表达为:
其中,e是自然常数,j是虚数单位,是信道的幅值,/>是信道的相位,其值均依赖于墙体参数dw,具体表达为
其中,λ是载波信号的波长,是第m个用户到第nw块墙体的距离,/>是从第nw块墙体到基站天线的距离,σ是物体的雷达反射截面积;
步骤S23,使用电磁波传播机制,从第m个用户出发,经过第n个体素,穿透第nw块墙体,到达基站的二次散射路径的信道响应可以表达为:
具体表达为:
其中,dm.n是第m个用户到第n个体素的距离,是从第n个体素到第nw块墙体的距离,/>是从第nw块墙体的距离到基站天线的距离,其中后两个距离的值均依赖于dw;
步骤S24,总体的信道响应是一次信道响应和二次信道响应的综合,依据多径信道模型,构建信道响应与环境目标的数学模型:
hc=hw+h+v
=Hw·yw+H·x+v
其中,hc是信道响应数据,hw是一次信道响应,h是二次响应,v是高斯白噪声,Hw是一次信道矩阵,yw是墙体的透射系数;H是测量矩阵,其计算方式为x是环境目标的散射系数。
步骤S3,使用信道响应数据,基于信道响应与环境目标的数学模型,将穿墙成像问题转化为广义压缩感知优化问题;
在一实施例中,将穿墙成像问题转化为广义压缩感知优化问题具体包括以下步骤:
使用信道响应数据,基于步骤S24中得到的信道响应与环境目标的数学模型,将穿墙成像问题转化为广义压缩感知优化问题,表达如下:
其中x表示环境的反射系数向量,yw表示墙体的透射系数向量,||·||1,||·||2分别是向量的一范数、二范数,hc是信道响应,h′是二次信道的信道响应,Hw(dw)是按照步骤S22所计算的一次散射路径的信道响应矩阵,H(dw)示按照步骤S23和步骤S24所计算的测量矩阵,ε是松弛变量,dw表示墙体在x轴的坐标,是墙***置的取值集合,其中Dmin和Dmax分别是取值的最小值和最大值,dw是候选值的间隔,当设定dw足够小时,其能无限逼近于墙体的真实位置。
步骤S4,将转化成广义压缩感知优化问题的数学模型进行基于全局搜索和最小二乘的墙体参数估计处理,实现墙体影响补偿,将广义压缩感知优化问题转化为标准压缩感知问题;
在一实施例中,构建标准压缩感知问题具体包括以下步骤:
步骤S41,基于转化成广义压缩感知优化问题的数学模型,忽略其中二次信道h,得到简化模型如下:
hc=Hw·yw+v
基于该简化模型得到墙体参数估计子问题,具体表达如下:
步骤S42,对集合中的每一个元素进行遍历,设定墙***置di=Dmin+(i-1)·w,按照步骤S22计算一次信道的信道响应hw(di),采用最小二乘算法对c进行线性回归,具体有计算生成信道hw(di)和S1中信道响应数据hc的向量相似度指标,具体有/>保存该数据,当遍历步骤完成后,求出向量相似度指标最大时的i,得到预估的墙***置/>以及预估的墙体参数/>
步骤S43,采用步骤S42估计得到的墙体参数和步骤S22的公式估计一次信道,并将其从整体信道响应中减去,得到二次信道的估计值;
同时要按照步骤S42估计得到的墙体参数和步骤S23的公式进行测量矩阵H的修正,将广义压缩感知问题转化为标准压缩感知问题,表达为:
步骤S5,将标准压缩感知问题进行基于近似消息传递的逆问题求解,完成对于环境目标的穿墙成像。
在一实施例中,将标准压缩感知问题进行基于近似消息传递的逆问题求解具体包括以下步骤:
对关于标准压缩感知问题的数学模型采用基于近似消息传递的期望最大化-广义近似消息传递算法进行求解,需要注意的是,此时的测量矩阵H存在着部分列的二范数偏小的情况,因此需要对测量矩阵进行列归一化预处理,而在求得稀疏向量x之后,也需要进行反归一化处理,得到的结果就是穿墙成像的结果。
通过计算机仿真可以看出:如图2所示,从图中可以看出该曲线有一个显著的峰值,有一个候选值所对应的相似性度量值远高于其他候选值,它就是墙体的真实位置。从这个案例中可以看出,所提出的墙体参数估计算法具有较好的区分度,在真实值和其他候选值之间有着约一个数量级的差距,不容易出现位置的错误判决,因此具有较好的准确性。
图3展示了一个典型的仿真案例,其中上图是设定的***场景,包含一个AP,一堵墙以及一些具有一定复杂度的目标,左下图是一种对比算法的成像结果,该算法完全不考虑墙体影响,而直接进行成像,因此成像性能较差,而右下图是本发明算法的成像结果,其性能表现较好。
图4说明本发明算法的环境感知性能显著优于其他算法,且领先优势随着SNR的增大而越来越大。图5表明本发明的方法的环境感知性能随着用户数量的增加而提升。
综上所述,本发明考虑了基于无线通信***的穿墙成像方法。该***中既有分布于室内的用户终端设备,也有位于室外的基站设施,并借助用户与基站的通信数据,无需采用昂贵的穿墙雷达等设备,就能实现对于室内目标的穿墙成像,是一种经济而有效的方案。其次,本方法把穿墙成像问题建模为广义的压缩感知优化问题,并把成像过程分为墙体参数估计和目标成像两个步骤。在墙体参数估计阶段,采取全局搜索以及最小二乘参数估计方法,对墙体的位置和透射系数进行估计。在目标成像阶段,首先进行墙体参数补偿,然后采用逆问题求解,因此是一种具有较高准确性的穿墙成像算法,能在一定范围内克服未知墙体参数的影响。相比现有的穿墙成像算法,本发明的基于无线通信***的穿墙成像方法较为显著地提升了环境目标成像的准确度,为在移动通信***中实现穿墙成像提供了一种有效的方法。
以上仅为本说明书一个或多个实施例的较佳实施例而已,并不用以限制本说明书一个或多个实施例,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何修改。
Claims (6)
1.一种基于无线通信***的穿墙成像方法,其特征在于,包括以下步骤:
使用无线通信***中的基站接收同一***中用户终端所发送的无线信号,并在基站端进行信道估计,得到信道响应数据;
将环境空间和墙体进行离散化处理,使用电磁波传播机制,构建信道响应与环境目标的数学模型;
使用所述信道响应数据,基于所述信道响应与环境目标的数学模型,将穿墙成像问题转化为广义压缩感知优化问题;
将转化成所述广义压缩感知优化问题的数学模型进行基于全局搜索和最小二乘的墙体参数估计处理,实现墙体影响补偿,将所述广义压缩感知优化问题转化为标准压缩感知问题;
将所述标准压缩感知问题进行基于近似消息传递的逆问题求解,完成对于环境目标的穿墙成像。
2.根据权利要求1所述的基于无线通信***的穿墙成像方法,其特征在于,构建所述信道响应与环境目标的数学模型具体包括以下步骤:
步骤S21,将环境空间和墙体进行离散化处理,设成像的环境空间大小分别为LL,LW,LH,划分后的小立方体的尺寸大小为ll,lw,lh,则整个环境中一共有N=LL/ll×LW/lw×LH/lh个体素;使用xn来表示第n个体素的反射系数,因此,使用N维的反射系数向量x=[x1,...,xN]T来表示待感知的环境空间;同理,墙体的大小为划分为/>使用来表示墙体的第nw个体素的透射系数,因此,使用Nw维的向量/>来代表整个墙体;
步骤S22,使用电磁波传播机制,从第m个用户,穿透第nw块墙体,到达基站的一次散射路径的信道响应可以表达为:
其中,e是自然常数,j是虚数单位,是信道的幅值,/>是信道的相位,其值均依赖于墙体参数dw,具体表达为
其中,λ是载波信号的波长,是第m个用户到第nw块墙体的距离,/>是从第nw块墙体到基站天线的距离,σ是物体的雷达反射截面积;
步骤S23,使用电磁波传播机制,从第m个用户出发,经过第n个体素,穿透第nw块墙体,到达基站的二次散射路径的信道响应可以表达为:
具体表达为
其中,dm.n是第m个用户到第n个体素的距离,是从第n个体素到第nw块墙体的距离,是从第nw块墙体的距离到基站天线的距离,其中后两个距离的值均依赖于dw;
步骤S24,总体的信道响应是一次信道响应和二次信道响应的综合,依据多径信道模型,构建信道响应与环境目标的数学模型:
hc=hw+h+v
=Hw·yw+H·x+v
其中,hc是信道响应数据,hw是一次信道响应,h是二次响应,v是高斯白噪声,Hw是一次信道矩阵,yw是墙体的透射系数;H是测量矩阵,其计算方式为x是环境目标的散射系数。
3.根据权利要求2所述的基于无线通信***的穿墙成像方法,其特征在于,将所述穿墙成像问题转化为所述广义压缩感知优化问题具体包括以下步骤:
使用所述信道响应数据,基于所述步骤S24中得到的信道响应与环境目标的数学模型,将穿墙成像问题转化为广义压缩感知优化问题,表达如下:
s.t.||h′-H(dw)·x||2≤ε
h′=hc-Hw(dw)·yw
其中x表示环境的反射系数向量,yw表示墙体的透射系数向量,||·||1,||·||2分别是向量的一范数、二范数,hc是信道响应,h′是二次信道的信道响应,Hw(dw)是按照所述步骤S22所计算的一次散射路径的信道响应矩阵,H(dw)示按照所述步骤S23和所述步骤S24所计算的测量矩阵,ε是松弛变量,dw表示墙体在x轴的坐标,是墙***置的取值集合,其中Dmin和Dmax分别是取值的最小值和最大值,dw是候选值的间隔,当设定dw足够小时,其能无限逼近于墙体的真实位置。
4.根据权利要求3所述的基于无线通信***的穿墙成像方法,其特征在于,构建所述标准压缩感知问题具体包括以下步骤:
步骤S41,基于转化成广义压缩感知优化问题的数学模型,忽略其中二次信道h,得到简化模型如下:
hc=Hw·yw+v
基于该简化模型得到墙体参数估计子问题,具体表达如下:
步骤S42,对集合中的每一个元素进行遍历,设定墙***置di=Dmin+(i-1)·dw,按照所述步骤S22计算一次信道的信道响应hw(di),采用最小二乘算法对c进行线性回归,具体有计算生成信道hw(di)和S1中信道响应数据hc的向量相似度指标,具体有/>保存该数据,当遍历步骤完成后,求出向量相似度指标最大时的i,得到预估的墙***置/>以及预估的墙体参数/>
步骤S43,采用所述步骤S42估计得到的墙体参数和所述步骤S22的公式估计一次信道,并将其从整体信道响应中减去,得到二次信道的估计值;
同时要按照所述步骤S42估计得到的墙体参数和所述步骤S23的公式进行测量矩阵H的修正,将所述广义压缩感知问题转化为标准压缩感知问题,表达为:
5.根据权利要求4所述的基于无线通信***的穿墙成像方法,其特征在于,将所述标准压缩感知问题进行基于近似消息传递的逆问题求解具体包括以下步骤:
对关于所述标准压缩感知问题的数学模型采用基于近似消息传递的期望最大化-广义近似消息传递算法进行求解,需要注意的是,此时的测量矩阵H存在着部分列的二范数偏小的情况,因此需要对测量矩阵进行列归一化预处理,而在求得稀疏向量x之后,也需要进行反归一化处理,得到的结果就是穿墙成像的结果。
6.根据权利要求1所述的基于无线通信***的穿墙成像方法,其特征在于,所述无线通信***中的基站应位于户外的空旷场地,用户终端可位于室内或室外,但仅有室内的用户终端的信道响应数据会参与后续穿墙成像环节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310921227.9A CN116930963A (zh) | 2023-07-25 | 2023-07-25 | 一种基于无线通信***的穿墙成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310921227.9A CN116930963A (zh) | 2023-07-25 | 2023-07-25 | 一种基于无线通信***的穿墙成像方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116930963A true CN116930963A (zh) | 2023-10-24 |
Family
ID=88384083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310921227.9A Pending CN116930963A (zh) | 2023-07-25 | 2023-07-25 | 一种基于无线通信***的穿墙成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116930963A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117630924A (zh) * | 2023-11-30 | 2024-03-01 | 中国科学院空天信息创新研究院 | 一种基于先验信息的穿墙雷达三维成像方法和装置 |
-
2023
- 2023-07-25 CN CN202310921227.9A patent/CN116930963A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117630924A (zh) * | 2023-11-30 | 2024-03-01 | 中国科学院空天信息创新研究院 | 一种基于先验信息的穿墙雷达三维成像方法和装置 |
CN117630924B (zh) * | 2023-11-30 | 2024-06-07 | 中国科学院空天信息创新研究院 | 一种基于先验信息的穿墙雷达三维成像方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mazuelas et al. | Soft range information for network localization | |
Ye et al. | Neural-network-assisted UE localization using radio-channel fingerprints in LTE networks | |
Zhang et al. | DeepPositioning: Intelligent fusion of pervasive magnetic field and WiFi fingerprinting for smartphone indoor localization via deep learning | |
Chang et al. | Robust indoor positioning using differential Wi-Fi access points | |
Gan et al. | Deep learning for weights training and indoor positioning using multi-sensor fingerprint | |
Alamu et al. | An overview of massive MIMO localization techniques in wireless cellular networks: Recent advances and outlook | |
He et al. | A novel radio map construction method to reduce collection effort for indoor localization | |
Yiu et al. | Locating user equipments and access points using RSSI fingerprints: A Gaussian process approach | |
Guo et al. | Multipath analysis and exploitation for MIMO through-the-wall imaging radar | |
CN116930963A (zh) | 一种基于无线通信***的穿墙成像方法 | |
CN115150744A (zh) | 一种大型会议场馆室内信号干扰源定位方法 | |
CN116148829A (zh) | 一种基于非合作外辐射源的多基雷达定位方法 | |
Zhang et al. | A training-free multipath enhancement (TFME-RTI) method for device-free multi-target localization | |
Zhang et al. | Integrated sensing and communication channel: Measurements, characteristics, and modeling | |
Gao et al. | TWR-MCAE: A data augmentation method for through-the-wall radar human motion recognition | |
He et al. | 3d radio imaging under low-rank constraint | |
Li et al. | Automatic indoor radio map construction and localization via multipath fingerprint extrapolation | |
Sun et al. | Wireless communication indoor positioning method in 5G sub-station using deep neural network and location fingerprint algorithm | |
CN110907925A (zh) | 一种高频地波雷达双站模型下的权重定位方法 | |
Diao et al. | CMD-based NLOS identification and mitigation in wireless sensor networks | |
Farid et al. | A WLAN fingerprinting based indoor localization technique via artificial neural network | |
Wei et al. | Novel indoor positioning system based on ultra-wide bandwidth | |
Sarkar et al. | RADIANCE: Radio-Frequency Adversarial Deep-learning Inference for Automated Network Coverage Estimation | |
Guo et al. | A novel density-based geolocation algorithm for a noncooperative radio emitter using power difference of arrival | |
Catrein et al. | Gaussian random fields as a model for spatially correlated log-normal fading |
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 |