无源感知及传输技术作为一种超低功耗、低开销的通信技术近几年来受到了十分广泛的关注。而蓬勃发展的物联网产业也为无源感知及传输技术孕育出大量潜在应用场景,如仓储管理、环境监测、物流监测等等。这些应用场景的特点是:大量的无源设备将被部署在十分广阔的区域中并传递大量感知数据。而此时,无源感知网络设备低吞吐的问题便成为其应用于大规模物联网场景的主要瓶颈。虽然研究者们提出了无源感知并发解码技术来解决这一问题,这些现有的并发解码技术通常只能工作在信号质量非常高的情况下。而在实际应用场景中无源设备会被放在监测区域的各个角落。此时,较长的传输距离以及非视距传输路径都会导致较低的信号质量。因此本文提出了一种高可靠性的无源感知设备并发解码技术Signal Scope。Signal Scope即使在信号质量很差的情况下也能达到较高的解码成功。本文研究具体内容包括:(1)通过对标签信号的运动模式的研究建立基于马尔科夫的信号模型本文通过实验证明现有的无源标签并发解码技术之所以在实际应用场景中表现出极低的成功率,其根本原因是这些方法对弱信号(即信噪比(SNR)较低的信号)的容忍度很低。当参与并发的标签信号中存在弱信号时,各个信号状态之间的能量差很低,因此碰撞信号的跳变(并发解码的重要依据)被埋没在噪声之中无法识别,从而导致极低的解码成功率。因此,并发解码的关键在于准确识别每一个采样点所属的状态,并检测出信号的跳变。本文通过实验证明,虽然碰撞信号状态之间十分相似的能级导致我们无法识别每个采样点的状态,但碰撞信号在IQ域运动的时空规律却能够为信号状态的识别提供线索。因此,我们通过观察信号运动的规律建立了基于马尔科夫的信号运动模型(名为Flow模型)来描述信号的时空分布特征。该模型为后续的信号状态个数识别以及信号状态追踪提供有力依据。(2)基于信号模型实现高可靠性的信号状态数量识别以及信号状态追踪为了实现信号状态的追踪,首先需要提取出信号的状态:即确定碰撞信号总共有多少个状态,且找到IQ域中代表不同状态的信号簇的中心位置。为此本文提出一种信号状态提取方法。该方法能够根据信号在IQ域的时空分布特征识别出信号的状态个数及状态所代表的簇的簇心位置。因此即使在信号质量很差的情况下也能达到较高的识别精度。在此基础上,本文进一步根据Flow模型以及所观察到的信号采样点的位置、信号采样点在各个信号簇的驻留时间、以及信号采样点在各个簇之间的转移概率这3个因素识别每个采样点的状态。最后,还对状态识别过程出现的错误进行了检测和矫正,以提高可靠性,并通过动态规划优化了算法以降低开销。