无设备无线定位与动作识别(DFLAR)是一种新兴的技术,这种技术不需要目标佩戴任何设备,能够很好地保护个人隐私,在有烟雾、黑暗、甚至有遮挡的情况下都能够进行定位及动作识别。由于人体对无线信号有良好的反射作用,所以可以通过监测Wi-Fi信号的变化来估计人的位置和活动,但如何表征目标的不同位置和动作对Wi-Fi信号的影响是关键性的问题。由于无线信号是无法进行标注的,所以无法直接对所收集到的信道状态信息进行监督学习研究。本文提出一种方法,使得将其转换成一种监督学习方法,本文的研究内容主要包括:(1)提取幅值矩阵与相位矩阵。收集连续时间T的CSI信息,并提取出相应的幅值和相位。相较于把幅值和相位分别组成的C× T的矩阵,本文组成了T×C× 9的矩阵,即增加了一维天线对信息,使得矩阵包含的信息更加丰富。另外,对于所有分类的幅值矩阵都减去无人情境下的幅值矩阵,相位矩阵也减去相应频偏,从而得到最终的幅值矩阵和相位矩阵。(2)制作标签,把数据矩阵同标签一起输入到卷积神经网络中,完成分类。对最终得到的信号幅值矩阵和相位矩阵,直接在相关程序中人工输入其One-Hot编码形式的类别标签,以此解决无线信号无法标注的问题,也使类别距离计算更为合理,然后采用卷积神经网络对其进行识别分类。另外,本文还使用了一种人工设计特征的方式进行识别分类作为对照,通过把人工设计的特征输送到决策树中,进而识别出相应类别。(3)对比分类方法所能达到的精度。相较于把数据矩阵转换成radio image的方法,本论文直接对多维数据矩阵进行处理,减小了误差。在论文最后,对比了本论文提出的方法、把数据矩阵转换成radio image的方法、决策树三种方式的分类精度,证明仅使用简单的卷积神经网络进行分类识别,本文方法就能够提高1.3%和2.3%的识别精度,证明了本论文所提出方法的可行性。