现有的WiFi感知方法对数据的采集量及接收器的硬件资源需求较高,同时海量的数据处理也会消耗大量软硬件资源.基于模型的WiFi感知方法通过建立动作模式与信号变化之间的数学模型,一定程度上降低了对数据量的依赖,但是主流方案仍然需要多个接收天线或者天线阵列.本文提出一种使用单天线接收器的感知方案,利用不同子载波的信道状态信息的比值消除硬件及噪声干扰,并提出基于方差和极差的子载波组合选择算法,筛选出优质的子载波组合得到动作特征.进一步提出基于菲涅尔区理论的高可用特征生成算法,巧妙地结合反射路径变化与信道状态信息(Channel State Information,CSI)动态相位旋转之间的关系,通过在复平面上的数据拟合与相位对齐获得高可用特征.理论分析和实验结果表明,本文提出的单天线方案完全符合菲涅尔区理论,同时,可以有效提升不同动作在不同场景下的识别效果.对于七种不同的动作,本文方案的总体识别准确率保持在95%左右,CSI选择和特征强化获得了约2%的准确率提升.
针对传统跳频网台分选技术在低信噪比条件下检测效果不佳且实时性差的问题,本文提出一种基于YOLOv8(You Only Look Once version 8)的跳频信号分选算法.首先,对接收到的混叠信号进行短时傅里叶变换生成灰度时频图作为YOLOv8网络模型的输...
详细信息
针对传统跳频网台分选技术在低信噪比条件下检测效果不佳且实时性差的问题,本文提出一种基于YOLOv8(You Only Look Once version 8)的跳频信号分选算法.首先,对接收到的混叠信号进行短时傅里叶变换生成灰度时频图作为YOLOv8网络模型的输入.其次,针对混叠信号中扫频、定频信号以及跳频信号之间发生频率碰撞对检测精度的影响,在C2f层中引入可变形卷积核(Deformable Convolutional Net-works v2,DCNv2)提高网络特征提取的泛化能力.再次,在Backbone层中加入SimAM注意力机制,解决低信噪比下背景噪声易与跳频信号混淆影响检测精度的问题.最后,将Detect检测头的卷积核替换为局部卷积核(Partial Convolution,PConv),在mAP@0.5精度损失不超过0.37%的情况下使网络计算复杂度降低32.18%,提高网络模型的推理速度.实验结果表明,本文所提算法在信噪比为-5 dB时分选率达到97.68%,且模型收敛快,鲁棒性强.
暂无评论