针对使用视频监控的入侵检测存在的图像存储占用空间大、监测死角的问题,提出一种基于信道状态信息(Channel State Information,CSI)的入侵检测模型。该模型融合了双向长短期记忆(Bidirectional Long Short-Term Memory,BiLSTM)网络、...针对使用视频监控的入侵检测存在的图像存储占用空间大、监测死角的问题,提出一种基于信道状态信息(Channel State Information,CSI)的入侵检测模型。该模型融合了双向长短期记忆(Bidirectional Long Short-Term Memory,BiLSTM)网络、卷积递归混合网络(Convolutional Recurrent Neural Network,CRNN)和多头注意力机制(Multi-Head Attention,MHA),结合空间特征提取、时序依赖信息的建模和全局注意力机制,增强从CSI数据中挖掘特征的能力。将处理后的CSI数据输入所提模型中进行判识,并在不同场景下对该模型进行实验测试。实验结果表明,将判别的入侵检测结果与使用长短期记忆模型(Long Short-Term Memory,LSTM)的检测结果对比,所提模型面向人员入侵检测任务的识别准确率为98%,优于LSTM模型,能够满足不同场景下的入侵检测需求。展开更多
针对传统人体动作识别中的硬件成本高和隐私泄露等问题,本文提出了一种基于三维卷积神经网络(3DCNN)和Wi-Fi信道状态信息(Channel State Information,CSI)的人体动作识别方法。首先,从采集到的信号中提取原始CSI数据的幅值和相位;其次,...针对传统人体动作识别中的硬件成本高和隐私泄露等问题,本文提出了一种基于三维卷积神经网络(3DCNN)和Wi-Fi信道状态信息(Channel State Information,CSI)的人体动作识别方法。首先,从采集到的信号中提取原始CSI数据的幅值和相位;其次,进行异常点去除和滤波去噪,通过应用CSI幅度与相位的结合以及滑动方差进行人体动作切割,得到处理后的CSI数据;然后,在此基础上使用3DCNN神经网络提取CSI数据的时间和空间特征,并通过引入注意力机制进一步提升人体动作识别的准确度;最后,在实验室采集的CSI数据集上进行了人体动作识别的实验验证,其准确率达到96.1%。展开更多
针对传统室内定位方法在准确性及稳定性上的不足,本文提出了一种基于信道状态信息(channel state information,CSI)的无源室内定位方法。该方法采用普通设备搭建了实验平台,离线阶段采集CSI数据建立位置指纹库,在线阶段则利用机器学习...针对传统室内定位方法在准确性及稳定性上的不足,本文提出了一种基于信道状态信息(channel state information,CSI)的无源室内定位方法。该方法采用普通设备搭建了实验平台,离线阶段采集CSI数据建立位置指纹库,在线阶段则利用机器学习的朴素贝叶斯算法进行位置分类。为进一步提高分类准确度,本文还提出了置信度方法,通过综合多条天线对的结果来减少位置误判。实验结果表明,本文所提出方法能有效实现对室内人员的无源定位,可以达到90%以上的准确度。展开更多
文摘针对传统人体动作识别中的硬件成本高和隐私泄露等问题,本文提出了一种基于三维卷积神经网络(3DCNN)和Wi-Fi信道状态信息(Channel State Information,CSI)的人体动作识别方法。首先,从采集到的信号中提取原始CSI数据的幅值和相位;其次,进行异常点去除和滤波去噪,通过应用CSI幅度与相位的结合以及滑动方差进行人体动作切割,得到处理后的CSI数据;然后,在此基础上使用3DCNN神经网络提取CSI数据的时间和空间特征,并通过引入注意力机制进一步提升人体动作识别的准确度;最后,在实验室采集的CSI数据集上进行了人体动作识别的实验验证,其准确率达到96.1%。
文摘针对传统室内定位方法在准确性及稳定性上的不足,本文提出了一种基于信道状态信息(channel state information,CSI)的无源室内定位方法。该方法采用普通设备搭建了实验平台,离线阶段采集CSI数据建立位置指纹库,在线阶段则利用机器学习的朴素贝叶斯算法进行位置分类。为进一步提高分类准确度,本文还提出了置信度方法,通过综合多条天线对的结果来减少位置误判。实验结果表明,本文所提出方法能有效实现对室内人员的无源定位,可以达到90%以上的准确度。
