具有认知能力的精确实时被动无线定位技术研究

摘要

随着无线网络环境的普及，无线定位技术在家庭智能、医疗、国防等领域有着广泛的应用前景。被动无线定位作为一种新型的定位技术，和传统的无线定位技术相比，被动无线定位（device-free localization，DFL）不需要给待定位目标安装任何无线设备。同时，这种技术也具备无线信号的一般特点（如可以穿墙和烟雾，全天候工作等），解决了传统定位技术的一些先天性缺陷。但是，受环境时变、障碍物遮挡、算法抗干扰性不强等因素的影响，实现高精度、较强抗干扰能力、适应复杂环境的被动无线定位和跟踪仍然是亟待解决的问题。针对被动无线定位中的一些问题，本文展开了如下研究工作:
　　首先，为了提高DFL定位跟踪算法的性能，本文提出了一种低计算复杂度的、健壮的贝叶斯图表法(Bayesian Graphical Approach，BGA)。BGA算法不但利用了遮蔽链路的观测信息，还利用先前估计的先验信息和非遮蔽链路的限制信息以保证其健壮的性能。同时，BGA算法仅使用低计算量的图表乘法和加法操作，避免了传统算法中复杂的矩阵求逆运算，提高了算法实时性。
　　其次，为了提高DFL系统在复杂电磁环境下的性能，本文研究了电磁环境对DFL的影响，提出一种具有认知能力的DFL(Cognitive DFL，CDFL)方法。与传统DFL不同的是，CDFL能够在线评估和检测受外界干扰较小的无线信道，使CDFL系统工作在一直工作在干扰较小的信道，解决了同信道干扰问题。
　　最后，本文研究了目标对无线链路的遮蔽模型。通过实验论证和理论分析发现，一个精细的遮蔽模型对定位精度的改善是很显著的。为此，本文提出了一种马鞍面(SaddleSurface，SaS)无线链路遮蔽模型来精确地描述目标对无线链路的影响。通过实验结果对比分析，论证了SaS可以较显著的提高定位精度。
　　通过对上述三项内容的研究，本文从定位算法、抗干扰方法、链路模型等角度探索提高DFL的性能，以期实现具有环境认知能力的精确被动无线定位和跟踪，为DFL的发展积累经验。