Page 156 - 《软件学报》2021年第10期
P. 156

3128                                 Journal of Software  软件学报 Vol.32, No.10, October 2021

                 将会更小,因此公式(9)中求和最后一项的影响可以被忽略掉.进一步地,为了剔除掉公式(9)中由于天线 2 的动态
                                     *
                 路径带来的干扰项 H     1S  H 2D (t   0  ), t 我们调整了两根天线的 CSI 能量的大小.具体地,通过将天线 1 的 CSI 的振幅
                                                  *
                 减去一定数值将 H 1S 减小,从而使得 H      1S  H 2D (t   0  ) t 的影响变小;将天线 2 的 CSI 的振幅增加一定数值将 H 2S 增
                 大,从而使得 H    * 2S    H 1D (t   0  ) t 的影响加强,致使 H  H * 2D (t   ) t 相比于 H * 2S    H 1D (t   ) t 可以被忽略掉.最终,经过
                                                              0
                                                       1S
                                                                                0
                 处理后的 H 可以表示为
                          new
                                                                    L
                                                                               / )
                                                *
                                                     *
                                      H new    H 1S  H 2S    H H 1D (t   0  ) t    H  s   A   l e   2 j   f   ( l v t c  (10)
                                                                              l
                                                     2S
                                                                    l 1
                    由公式(10)可知,新的 CSI 的相位变化再一次对应于人运动引起的多普勒速度.由于静态路径不随时间变
                 化,所以其造成的多普勒速度永远为 0,为了只关注由于人引起的非零的多普勒速度,我们通过减复数均值的方
                 式将 H 带来的影响消除掉,使得最后形成的 CSI 中只包含对应于人活动的动态路径部分,其相位变化反映了
                      s
                 人引起的多普勒速度:
                                                        L
                                                      
                                                                   / )
                                                  H final  A l e   2 j   f   ( l v t c         (11)
                                                                  l
                                                        l 1
                    H final 为多条动态路径叠加而成的信号,从一个叠加信号中分离各个目标信号,是通信领域中的重要问题.其
                 中一个比较经典的方法就是多重信号分类算法(mutiple signal classification algorithm,简称 MUSIC),该方法的基
                 本思想是:通过将叠加的信号进行特征值分解而构造出信号空间和噪声空间,然后利用信号空间和噪声空间的
                 正交性对目标信号进行估计.具体地,假设环境中只有一条传播路径,一段时间窗口内 H final 的采样个数有 M 个
                 (采样时间均匀),那么由于多普勒速度的存在,H final 的相位会随着时间发生规律性的变化.在 M 个采样之间产生
                 相位差,以第 1 个采样的相位为基准,则之后的采样相对于第 1 个采样的相位差可以表示为
                                                     2 j   fv Δt    4 j   fv Δt    j 2(M   1) fv  Δt
                                             () [1,e
                                            av          ,e    ,.. ,.e    ]                           (12)
                     
                     av                                                   a () ( ).v H t  当有多条传播路径(L 条)存在
                      () 也称为信号向量.若初始 t 0 时刻的 CSI 表达为 H(t 0 ),则 H
                                                                     final     0
                 时,H final 的采样可以构成信号矩阵 H matrix :
                                                                   L  
                                      H     [H  0 t  ,H t   0 Δt ,...,H t   0 (M   1)Δt ]    a ( )v H  ( )t   N
                                       matrix  final  final  final     l  l  0
                                                                  l 1
                                                       
                                                 [ ( ), ( ),..., ( )][av av      av  H  ( ),t  H  ( ),...,t  H  ( )]t    N  (13)
                                               1   2     L   1  0  2  0   L  0
                                                   AH   N
                    基于 MUSIC 算法的基本思想对 H matrix 进行特征值分解,得到相关矩阵 H corr :
                                                             
                                                               
                                                                     
                                                H corr =E=AE[HH ]A +E[NN ]                         (14)
                    相关矩阵 H corr 存在 M 个特征值,其中,ML 个小特征值对应的特征向量构成了噪声空间 E N ,L 个大特征值
                                                                                       
                 对应的特征向量构成了信号空间.而根据信号空间和噪声空间的正交性,利用信号向量 (( ))av 在信号空间中检
                 索,就可以获得多普勒速度谱:
                                                             1
                                                   Pv                                               (15)
                                                    ()  
                                                         
                                                          ()E E a v
                                                        av   N    N  ()
                    如图 2(a)所示为真实实验估计获得的多普勒速度谱,图中最高峰的位置对应的就是一条动态路径对应的多
                 普勒速度.而积累一段时间的多普勒速度谱之后,就可以获得多普勒速度随时间的变化,我们称其为时间-多普
                 勒速度谱,如图 2(b)所示.该图展示了一个人胸前手持铁板首先靠近收发设备,然后倒退远离收发设备这一过程
                 中对应的多普勒速度变化.从图中可以看出:时间-多普勒速度谱不仅可以体现多普勒速度大小的变化,也包含
                 着速度的方向信息.当人在 9s~17s 靠近铁板时,由于人与收发设备的距离逐渐变小,所以反射信号传播路径的长
                 度逐渐变小,多普勒速度为负值.并且,由于人是从静止启动,加速到速度最大,最后停止.相应地,其多普勒速度的
                 绝对值从 0 逐渐增大最后减为 0;而当人在 17s~24s 远离收发设备时,反射信号传播路径的长度则逐渐增加,多普
                 勒速度为正值.由于人是从开始启动倒退远离收发设备,逐渐加速,到最后停下静止的运动过程,所以多普勒速
                 度的绝对值也是从 0 逐渐增大最后减为 0.由此我们可以知道:多普勒速度随着时间的变化可以反映人的运动方
   151   152   153   154   155   156   157   158   159   160   161