针对Wi-Fi无源目标跟踪技术中,由于直射路径信号以及噪声等影响造成提取目标反射路径信号困难等难点,本文提出了基于Wi-Fi多维参数特征的无源目标跟踪技术.该技术采用串行干扰消除代替全零初始化来完成某时刻多条路径到达角(Arrival of ...针对Wi-Fi无源目标跟踪技术中,由于直射路径信号以及噪声等影响造成提取目标反射路径信号困难等难点,本文提出了基于Wi-Fi多维参数特征的无源目标跟踪技术.该技术采用串行干扰消除代替全零初始化来完成某时刻多条路径到达角(Arrival of Angle,AoA)、飞行时间(Time of Flight,ToF)以及多普勒频移(Doppler Frequency Shifts,DFS)的初始化,并且对传统频域空间交替广义期望最大化(Frequency Domain Space Alternating Generalized Expectation-maximization,FD-SAGE)算法进行改进,弥补了传统算法收敛速度慢以及噪声影响等缺陷.除此之外,本文采用基于最小代价多路径网络的混合数据关联方法解决了在不同时刻具有不同路径数目时无法进行路径有效关联的问题,同时该方法将固定时间窗中的最优匹配作为某时刻的关联数据,避免了某次关联错误导致后续关联失败所造成的不可逆错误.实验结果表明,本文在复杂室内环境下能够达到1.3m的平均跟踪定位精度.展开更多
文摘针对Wi-Fi无源目标跟踪技术中,由于直射路径信号以及噪声等影响造成提取目标反射路径信号困难等难点,本文提出了基于Wi-Fi多维参数特征的无源目标跟踪技术.该技术采用串行干扰消除代替全零初始化来完成某时刻多条路径到达角(Arrival of Angle,AoA)、飞行时间(Time of Flight,ToF)以及多普勒频移(Doppler Frequency Shifts,DFS)的初始化,并且对传统频域空间交替广义期望最大化(Frequency Domain Space Alternating Generalized Expectation-maximization,FD-SAGE)算法进行改进,弥补了传统算法收敛速度慢以及噪声影响等缺陷.除此之外,本文采用基于最小代价多路径网络的混合数据关联方法解决了在不同时刻具有不同路径数目时无法进行路径有效关联的问题,同时该方法将固定时间窗中的最优匹配作为某时刻的关联数据,避免了某次关联错误导致后续关联失败所造成的不可逆错误.实验结果表明,本文在复杂室内环境下能够达到1.3m的平均跟踪定位精度.
