论文部分内容阅读
随着计算机、物联网以及移动智能设备的普及,人们使用智能设备的时间日渐增多,而人机交互技术(Human-Computer Interaction,HCI)的好坏决定了人们使用智能设备的效率。人体姿态识别技术作为一种新兴的人机交互技术也因此成为了研究人员的研究热点。已有的人体姿态识别技术主要分为三种实现形式,分别是光识别(Camera-Based)、传感器识别(Sensor-Based)以及无线电识别(Wireless Signal-Based),无线电识别以其不受室内光照条件,无需使用者佩戴额外设备以及保护隐私等诸多优势脱颖而出。本文结合无线通信、计算机技术以及机器学习原理,使用现今室内分布最广的Wi-Fi信号作为载体,搭建了一个室内手写识别系统,对人体手写内容进行识别。本文从系统搭建,数据处理,特征选取,分类算法优化几个方面对该系统进行研究,并采集数据对系统性能进行验证。本文的主要工作有以下三个部分。一、针对信道状态信息(Channel State Information,CSI)只适用于少数网卡和802.11n以上协议这一缺点,本文使用软件无线电设备提取Wi-Fi信号和所有商用网卡都能够得到的接收信号强度指示(Received Signal Strength Indication,RSSI)作为数据载体,实现一发多收(SIMO)的RSSI接收系统。二、对接收信号进行预处理,针对已有数据截取算法阈值设定不合理、易受噪声影响的特点,设计了一个基于信号平均绝对离差(MAD)的自适应数据截取算法,实现截取阈值的动态变化。通过实验证明其有更高的截取准确率和抗噪能力。三、通过分析已有的特征提取方法的优缺点,最终决定使用离散小波变换(Discrete Wavelet Transform,DWT)提取截取数据的波形特征,通过对不同波形匹配算法的分析,将动态时间规整(Dynamic Time Warping,DTW)的变体导数动态时间规整(DDTW)和多维动态时间规整(MD-DTW)相结合,设计了一种导数多维动态时间规整(MD-DDTW)算法,使用其对波形数据进行匹配,将最小规整距离作为波形之间的匹配距离,来优化权重k近邻(WKNN)算法。通过和已有算法的比较,证明优化后的WKNN具有更加优良的识别效果。最终本文提出的基于改进WKNN的Wi-Fi手写识别系统,能够在测试者书写习惯不同的情况下,实现对26个英文大写字母的识别,平均检测率达到了89.12%,平均识别率达到了 80.09%,具有一定的实用性和研究价值,为基于Wi-Fi的手写识别技术和使用RSSI细粒度分类提供了新的想法和思路。