基于WiFi信道状态信息多人室内环境监控系统的设计与实现

摘要

无处不在的WiFi设备以及学术界对于无线感知的广泛研究使能够以Device-Free的方式感知周围环境的变化，对智能家居、物联网具有深远意义。然而由于多人环境的复杂性、人体运动的不可知性，目前大部分使用WiFi的智能感知工作集中于单人环境，这无疑极大的阻碍了无线感知的实际应用。实现人数的确定则是多人环境下智能感知的基础，具有深远的意义。因此本文设计了一种利用信道状态信息(Channel State Information,CSI)的多人环境人数识别系统：DeepCount，其中包括两个部分： 1.基于深度学习的人数识别模型。本阶段DeepCount利用神经网络强大的学习能力，拟合CSI振幅、相位信息和人数的直接映射关系，借助深度学习方法建立人数识别模型。其中包括分析CSI数据基本特征、利用巴特沃斯和权重滤波器去除CSI振幅噪声、研究CSI相位纠正算法、使用全连接神经网络建立深度学习人数识别模型等内容。最终深度学习人数识别模型能够实现82.3%的识别准确率。 2.具有纠错功能的基于人进出的人数识别模型。本阶段探索如何进一步提高人数识别的准确率，DeepCount提出一种具有纠错功能的，利用CSI动作识别模型以纠正人数识别模型的方案。通过动作模型判断当前环境下人的进出行为以纠正人数模型的识别结果，其中构建动作模型包括离散小波变换(DiscreteWavelet Transform,DWT)提取特征、隐马尔科夫(Hidden Markov Model,HMM)构建模型，通过重新训练网络最后一层权值的方式纠正人数识别模型预测结果。实验表明，DeepCount可以进一步提高人数识别准确率，最终达到87%的准确率。

目录

第一个书签之前

空白页面

摘　要

ABSTRACT

图表清单

缩略词

第一章 绪论

1.1研究背景

1.2研究意义

1.3论文研究内容

1.4论文组织结构

第二章 相关研究

2.1背景知识

2.1.1WiFi信号传播模型

2.1.2 CSI

2.1.3深度学习

2.2传统的室内人数识别技术

2.2.1基于视觉的人数识别研究

2.2.2基于传感器的人数识别研究

2.2.3基于特殊硬件的人数识别研究

2.3基于CSI的环境感知研究

2.3.1室内定位

2.3.2大尺度动作识别

2.3.3小尺度动作识别

2.3.4身份认证

2.3.5人数识别

2.4本章小结

第三章 基于深度学习的人数识别模型

3.1问题描述

3.1.1 CSI波形去噪

3.1.2模型选择

3.2 CSI波形去噪流程

3.2.1 CSI数据采集

3.2.2振幅滤波

3.2.3 相位纠正

3.3深度学习模型建立

3.3.1训练流程

3.3.2前向传播

3.3.3损失函数

3.3.4反向传播

3.4实验与分析

3.4.1实验设备

3.4.2实验设置

3.4.3实验结果

3.5本章小结

第四章 具有纠错功能的基于人进出的人数识别模型

4.1问题描述

4.1.1特征提取

4.1.2构建动作识别模型

4.1.3纠错机制

4.2特征提取

4.3动作识别模型构建

4.4纠错机制实现

4.5实验与分析

4.5.1实验设置

4.5.2实验结果

4.6本章小结

第五章 总结与展望

5.1论文主要工作及贡献

5.2下一步工作的思考

参考文献

致 谢