基于無(wú)線網(wǎng)絡(luò)的被動(dòng)定位和行為識(shí)別研究.pdf

1、基于無(wú)線網(wǎng)絡(luò)的被動(dòng)定位和行為識(shí)別技術(shù)（Device-Free wireless Localization and Activity Recognition，DFLAR）是近年來(lái)提出的一種新興技術(shù)。該技術(shù)在目標(biāo)不需要攜帶任何設(shè)備的條件下，僅利用目標(biāo)對(duì)無(wú)線網(wǎng)絡(luò)的遮蔽效應(yīng)對(duì)人體進(jìn)行智能感知，使傳統(tǒng)的用以通信的無(wú)線網(wǎng)絡(luò)演進(jìn)為具有人體位置和行為感知能力的智能網(wǎng)絡(luò)，在智能空間、智慧城市、智能家居等方面具有廣闊的應(yīng)用前景。
　　DFLAR問(wèn)題是

2、一種模式識(shí)別問(wèn)題，從測(cè)量數(shù)據(jù)中提取的反應(yīng)目標(biāo)對(duì)無(wú)線鏈路信號(hào)影響模式的特征分量對(duì)最終的識(shí)別效果至關(guān)重要。傳統(tǒng)的研究方法從測(cè)量信號(hào)中提取時(shí)域或者頻域特征來(lái)表征人體對(duì)無(wú)線鏈路的遮蔽效應(yīng)。為了進(jìn)一步確定目標(biāo)對(duì)無(wú)線鏈路的影響模式，本文探索了采用小波分解將測(cè)量數(shù)據(jù)分解到不同的頻帶，提取兩個(gè)低頻帶的過(guò)零點(diǎn)數(shù)，方差和能量等包含時(shí)頻域信息的特征。與傳統(tǒng)方法相比，基于小波變換的DFLAR系統(tǒng)能夠顯著提高位置估計(jì)和行為識(shí)別的性能。
　　無(wú)論是傳統(tǒng)的特征

3、提取方法還是基于小波分解的特征提取方法，均需要針對(duì)具體的問(wèn)題手動(dòng)設(shè)計(jì)特征，這些特征在場(chǎng)景發(fā)生變化或者目標(biāo)進(jìn)行不同的行為動(dòng)作時(shí)不具有普適性。為了解決該問(wèn)題，本文采用了基于深度學(xué)習(xí)的網(wǎng)絡(luò)模型自動(dòng)的學(xué)習(xí)完備的特征表達(dá)來(lái)實(shí)現(xiàn) DFLAR。具體地，文中采用一種稀疏自編碼網(wǎng)絡(luò)自動(dòng)的從信號(hào)中學(xué)習(xí)特征，并結(jié)合softmax回歸模型微調(diào)整個(gè)網(wǎng)絡(luò)實(shí)現(xiàn)分類。得益于深度特征的精細(xì)描述能力，本文基于提取的信號(hào)深度特征探索了人體更加細(xì)粒度行為對(duì)無(wú)線信號(hào)的影響模式，

4、不僅實(shí)現(xiàn)了對(duì)目標(biāo)進(jìn)行定位和行為識(shí)別，同時(shí)實(shí)現(xiàn)了對(duì)目標(biāo)的手勢(shì)識(shí)別，增加了DFLAR系統(tǒng)的智能感知范圍。
　　本文在兩套硬件測(cè)試平臺(tái)下，選取不同的實(shí)驗(yàn)場(chǎng)景進(jìn)行了大量的實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，基于小波分解提取的特征分量從時(shí)頻域?qū)υ夹盘?hào)進(jìn)行表達(dá)，因此，比傳統(tǒng)特征在目標(biāo)定位和行為識(shí)別方面性能要好，對(duì)復(fù)雜場(chǎng)景的適應(yīng)能力也更強(qiáng)；基于深度學(xué)習(xí)網(wǎng)絡(luò)自動(dòng)提取的特征相對(duì)于手動(dòng)設(shè)計(jì)的特征，不僅可以節(jié)省時(shí)間、人力，提取的特征更加魯棒，而且，對(duì)不同的實(shí)驗(yàn)場(chǎng)景具