基于WiFi信号的人体行为感知技术研究

发布时间：2022-10-08 10:36

　　随着计算机技术的高速发展以及物联网规模的持续扩大,以机器为中心的计算模式正朝着以人为中心的计算模式不断演变。实现高层次的人机交互,从而促进物理世界和信息世界的融合是未来计算机发展必不可少的一环。而准确地感知人体行为,以控制机器的工作方式则是人机交互过程中重要的技术支撑。传统的人体行为感知技术,如计算机视觉感知技术、红外感知技术以及专用传感器感知技术等,需依赖特定的部署环境与技术,已逐渐无法满足用户对可靠性、安全性、实用性和普适性的需求。近年来,随着WiFi热点部署数量的不断增多以及WiFi在室内定位领域的广泛运用,基于WiFi信号的人体行为感知技术引起了人们的广泛关注。与传统的人体行为感知方法相比,基于WiFi信号的人体行为感知技术具有非视距、被动感知（无须携带传感器）、成本低、易部署、不受光照条件限制与扩展性强等一系列优势。为进一步提升对WiFi感知技术的关注和理解,并提升WiFi感知技术的精度,本文主要开展以下几方面的研究工作:（1）分析WiFi传播特性,构建人体行为与WiFi信号变化的对应模型,提取WiFi信道状态信息（Channel State Information,CSI）... 

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 运动检测与识别
        1.2.2 运动参数分析与估计
        1.2.3 身份识别与认证
    1.3 本文主要研究内容
    1.4 本文组织结构
    1.5 本章小结
第二章 理论基础
    2.1 无线网络概述
    2.2 WLAN协议标准概述
    2.3 无线信号传播特性
        2.3.1 无线信号路径损耗模型
        2.3.2 无线信号多径衰落特性
    2.4 MIMO-OFDM技术
        2.4.1 MIMO技术
        2.4.2 OFDM技术
        2.4.3 MIMO-OFDM技术
    2.5 信道冲激响应与信道频率响应
        2.5.1 信道冲激响应
        2.5.2 信道频率响应
        2.5.3 信道状态信息
    2.6 本章小结
第三章 信道状态信息预处理与特征分析
    3.1 引言
    3.2 系统模型
    3.3 数据预处理及特征提取
        3.3.1 数据采集
        3.3.2 数据预处理
        3.3.3 特征提取
    3.4 本章小结
第四章 基于DTW-SVM的行为识别算法与实现
    4.1 特征分类算法
        4.1.1 DTW-SVM分类器
        4.1.2 基于布谷鸟优化算法的分类器参数寻优
        4.1.3 基于后验概率的分类器结果加权合并策略
    4.2 实验环境设置
        4.2.1 硬件部署
        4.2.2 实验设置
        4.2.3 测试指标
        4.2.4 测试方法
    4.3 行为识别结果
        4.3.1 系统性能
        4.3.2 系统方法及模型参数设置的分析及比较
    4.4 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
附录 :攻读学位期间主持的科研项目与公开发表的学术成果


【参考文献】：
期刊论文
[1]MIMO—OFDM系统同步技术分析[J]. 韩凌云.  中国新通信. 2009(11)
[2]多输入多输出系统信道容量研究[J]. 王君,朱世华,王磊.  电子与信息学报. 2005(04)

硕士论文
[1]室内典型环境下毫米波传播特性的仿真与测量[D]. 陈枫.南京邮电大学 2016



本文编号：3687561