一种基于低秩数据驱动权重模型的射频层析成像方法技术

本发明专利技术公开了一种基于低秩数据驱动权重模型的射频层析成像方法，包括以下步骤：构建包括多个传感器节点的无线传感器网络，所述传感器节点之间互相通信，组成多条链路；构建数学权重矩阵，所述数学权重矩阵用于表示每条链路的阴影损耗和像素额外损耗之间的关系；基于数学权重矩阵的低秩特点构建训练权重模型；将训练数据输入训练权重模型，训练获得训练权重矩阵；基于训练权重矩阵进行射频层析成像。本发明专利技术提供的射频层析成像权重模型设计方法中，权重模型并非基于传统的椭圆权重模型，可以准确地表示目标引起链路中RSS值的变化信息，计算不受椭圆权重模型参数的影响。

A method of rfct based on low rank data driven weight model

【技术实现步骤摘要】
一种基于低秩数据驱动权重模型的射频层析成像方法
本专利技术涉及射频领域，尤其涉及一种基于低秩数据驱动权重模型的射频层析成像方法。
技术介绍
阴影衰减权重矩阵是RSS值(信号衰减强度)与感知区域像素阴影衰落之间的纽带，权重因子的设置则是反映出链路的信号衰减对对应像素衰落值的贡献。权重矩阵的设计需反映出测量链路对像素的覆盖范围以及在覆盖范围下权重的大小。目前主流的权重矩阵一般是基于椭圆权重模型进行设计的。即将收、发节点作为椭圆的焦点，以L(＝d+λ)作为椭圆的长轴，d为收、发节点间的距离，λ为椭圆参数。链路的阴影衰落分布若在椭圆内，则对应的像素具有一定的权重值，若落在椭圆外，则权重值为0。以椭圆模型为基础设计的权重模型有如下共同特点：(1)均椭圆权重模型作为描述链路与阴影衰落区域的方法，因此，链路权重的范围受到椭圆参数λ的影响较明显。特别地，当感知区域的像素划分发生变化时，链路的权重覆盖范围随之发生变化，因此，这种模型对参数的选择和网格像素划分大小都比较敏感，对目标恢复的性能不稳定。(2)三种权重模型都的是将目标对射频信号的遮挡作为信号衰减本文档来自技高网...

【技术保护点】
1.一种基于低秩数据驱动权重模型的射频层析成像方法，其特征在于，包括以下步骤：/n构建包括多个传感器节点的无线传感器网络，所述传感器节点之间互相通信，组成多条链路；/n构建数学权重矩阵，所述数学权重矩阵用于表示每条链路的阴影损耗和像素额外损耗之间的关系；/n基于数学权重矩阵的低秩特点构建训练权重模型；/n将训练数据输入训练权重模型，训练获得训练权重矩阵；/n基于训练权重矩阵进行射频层析成像。/n

【技术特征摘要】
1.一种基于低秩数据驱动权重模型的射频层析成像方法，其特征在于，包括以下步骤：
构建包括多个传感器节点的无线传感器网络，所述传感器节点之间互相通信，组成多条链路；
构建数学权重矩阵，所述数学权重矩阵用于表示每条链路的阴影损耗和像素额外损耗之间的关系；
基于数学权重矩阵的低秩特点构建训练权重模型；
将训练数据输入训练权重模型，训练获得训练权重矩阵；
基于训练权重矩阵进行射频层析成像。


2.根据权利要求1所述的一种基于低秩数据驱动权重模型的射频层析成像方法，其特征在于，所述步骤：基于数学权重矩阵的低秩特点构建训练权重模型，具体包括：
根据数学权重矩阵Φ、数学测量矩阵Y和数学目标矩阵X之间的关系，构建基础权重表达模型：



其中，Y＝[y1,…,yi,…,yM]T，yi表示第i个目标进入感知区域时，所有链路的RSS值构成的测量矢量；X＝[x1,x2,…xi,…,xM]T，表示第i个目标位置对应的像素；M表示单一目标在感知区域内出现的次数，N表示感知区域划分的总像素个数；Φ＝{φij}i＝1…M，j＝1…N，φij表示第i条链路对应第j个像素的权重因子；
基于数学权重矩阵的低秩特点，将所述基础权重表达模型转化为训练权重模型。


3.根据权利要求2所述的一种基于低秩数据驱动权重模型的射频层析成像方法，其特征在于，所述步骤：基于数学权重矩阵的低秩特点，将所述基础权重表达模型转化为训练权重模型，具体包括：
基于数学权重矩阵的低秩特点，将所述基础权重表达模型重新表示为权重表示模型；
根据交替方向乘子法对所述权重表示模型进行迭代求解，获得权重迭代方案；
根据所述权重迭代方案构建训练权重模型。


4.根据权利要求3所述的一种基于低秩数据驱动权重模型的射频层析成像方法，其特征在于，所述权重表示模型具体包括：



其中，λ为正则化参数，||Φ||*表示核范数，所述核范数表示矩阵的所有奇异值之和。


5.根据权利要求4所述的一种基于低秩数据驱动权重模...

【专利技术属性】
技术研发人员：郝晓曦，郑成勇，王国利，
申请(专利权)人：五邑大学，
类型：发明
国别省市：广东;44