论文部分内容阅读
随着计算机技术的高速发展以及物联网规模的持续扩大,以机器为中心的计算模式正朝着以人为中心的计算模式不断演变。实现高层次的人机交互,从而促进物理世界和信息世界的融合是未来计算机发展必不可少的一环。而准确地感知人体行为,以控制机器的工作方式则是人机交互过程中重要的技术支撑。传统的人体行为感知技术,如计算机视觉感知技术、红外感知技术以及专用传感器感知技术等,需依赖特定的部署环境与技术,已逐渐无法满足用户对可靠性、安全性、实用性和普适性的需求。近年来,随着WiFi热点部署数量的不断增多以及WiFi在室内定位领域的广泛运用,基于WiFi信号的人体行为感知技术引起了人们的广泛关注。与传统的人体行为感知方法相比,基于WiFi信号的人体行为感知技术具有非视距、被动感知(无须携带传感器)、成本低、易部署、不受光照条件限制与扩展性强等一系列优势。为进一步提升对WiFi感知技术的关注和理解,并提升WiFi感知技术的精度,本文主要开展以下几方面的研究工作:(1)分析WiFi传播特性,构建人体行为与WiFi信号变化的对应模型,提取WiFi信道状态信息(Channel State Information,CSI)的幅值和相位信息,并利用信号处理方法对其进行滤波及降噪。设计基于滑动窗口及阈值分割的波形检测算法,以从静态环境波形中分离与人体行为对应的有效动作片段。(2)优化特征提取算法,从相位和幅值信息中分别提取特征,并利用基于布谷鸟算法优化的支持向量机(Support Vector Machine,SVM)和动态时间规整(Dynamic Time Warping,DTW)算法分别构建分类器,以得到对样本多维度的预测。最后,研究多决策的融合,提出基于后验概率的分类结果加权合并策略,并设计寻优算法寻找合并的最优权重,实现基于WiFi信号的人体日常行为感知系统。实验表明,本文设计的分类合并策略,在多项评价指标上皆具有相当优异的性能。