基于無線網絡的被動定位和行為識別研究.pdf

1、基于無線網絡的被動定位和行為識別技術（Device-Free wireless Localization and Activity Recognition，DFLAR）是近年來提出的一種新興技術。該技術在目標不需要攜帶任何設備的條件下，僅利用目標對無線網絡的遮蔽效應對人體進行智能感知，使傳統(tǒng)的用以通信的無線網絡演進為具有人體位置和行為感知能力的智能網絡，在智能空間、智慧城市、智能家居等方面具有廣闊的應用前景。
　　DFLAR問題是

2、一種模式識別問題，從測量數(shù)據(jù)中提取的反應目標對無線鏈路信號影響模式的特征分量對最終的識別效果至關重要。傳統(tǒng)的研究方法從測量信號中提取時域或者頻域特征來表征人體對無線鏈路的遮蔽效應。為了進一步確定目標對無線鏈路的影響模式，本文探索了采用小波分解將測量數(shù)據(jù)分解到不同的頻帶，提取兩個低頻帶的過零點數(shù)，方差和能量等包含時頻域信息的特征。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和行為識別的性能。
　　無論是傳統(tǒng)的特征

3、提取方法還是基于小波分解的特征提取方法，均需要針對具體的問題手動設計特征，這些特征在場景發(fā)生變化或者目標進行不同的行為動作時不具有普適性。為了解決該問題，本文采用了基于深度學習的網絡模型自動的學習完備的特征表達來實現(xiàn) DFLAR。具體地，文中采用一種稀疏自編碼網絡自動的從信號中學習特征，并結合softmax回歸模型微調整個網絡實現(xiàn)分類。得益于深度特征的精細描述能力，本文基于提取的信號深度特征探索了人體更加細粒度行為對無線信號的影響模式，

4、不僅實現(xiàn)了對目標進行定位和行為識別，同時實現(xiàn)了對目標的手勢識別，增加了DFLAR系統(tǒng)的智能感知范圍。
　　本文在兩套硬件測試平臺下，選取不同的實驗場景進行了大量的實驗。實驗結果表明，基于小波分解提取的特征分量從時頻域對原始信號進行表達，因此，比傳統(tǒng)特征在目標定位和行為識別方面性能要好，對復雜場景的適應能力也更強；基于深度學習網絡自動提取的特征相對于手動設計的特征，不僅可以節(jié)省時間、人力，提取的特征更加魯棒，而且，對不同的實驗場景具