论文部分内容阅读
21世纪是科学技术迅猛发展的时代,计算机技术的进步推动了各个行业的科技化进程。智能化的普及使得过去需要人工操作的任务渐渐由机器代替,各种智能管理系统也广泛应用于各个领域。智能化发展需要依靠智能系统提供安全的服务,因此不论什么场景下系统的隐私性和安全性都是用户关注的重点内容,要保证系统的安全性就需要系统能够对用户进行身份识别,因此身份识别方法的研究具有重要的意义。生物特征的身份识别方法已经在实际生产和生活中被广泛应用,并且取得较好的效果,它能够保证较高的识别准确率,其中最具有代表性的是指纹识别、面部识别和声音识别。不可否认这些识别方式虽然在可靠性方面具有优势,但也存在一定的缺陷,需要特定的识别设备才能识别用户,并且在识别过程中能够被用户所感知。本文研究利用信道状态信息进行身份识别的方法,能够在被动条件下对室内的人进行识别。研究主要针对以下两个方面。一方面,实验证明人在走过视距路径位置的时候信道状态信息波动最明显,本文针对当前特征区间定位方法的不足之处,提出一种动态定位特征区间选择算法。该特征区间选择算法能够准确定位标识人身份信息的信道状态信息区间,另外信道状态信息包含丰富的子载波信息,同时也包含冗余的信息。针对丰富的信道状态信息,本文使用主成分分析方法,能够在三十个子载波中选择最敏感的子载波信息从而得到对人身份标识最有效的信息,利用机器学习的方法对人的身份进行识别分类,最终通过对比实验证明方法的有效性和可行性。总结得到在固定路径条件下基于信道状态信息的身份识别的方法,提高身份识别的识别率。另一方面,由于非固定路径条件下影响因素较多,所以对身份进行标识的特征具有不确定性。本文针对身份识别方法在实验路径条件方面的不足之处,对非固定路径条件下身份识别方法进行研究。因此提出一种基于ReliefF算法的身份识别方法。该方法使用ReliefF特征值选择算法,利用排序后得到的特征组合标识非固定路径条件下人的身份,并结合Adaboost算法对多个弱分类器进行训练,提高分类效果。使用户能够在室内任意位置走动就完成身份识别,从而排除实验过程需要通过视距路径位置才能进行身份识别的不足,最后通过实验验证方法的可行性。