本文關(guān)鍵詞：基于RSSI的人體行為識(shí)別的研究，由筆耕文化傳播整理發(fā)布。

【摘要】：當(dāng)今,無(wú)線信號(hào)被廣泛的用于人體行為檢測(cè)中。但是,當(dāng)前的基于無(wú)線信號(hào)的人體行為檢測(cè)多數(shù)使用由特定設(shè)備提供的細(xì)粒度的無(wú)線信號(hào)信息進(jìn)行人體行為檢測(cè),例如CSI (Channel State Information),相位信息,多普勒效應(yīng),AOA(Angel Of Arrival)等等。當(dāng)前最為流行的CSI通過(guò)特定的網(wǎng)卡設(shè)備(例如Intel5300網(wǎng)卡)能夠采集到信號(hào)傳輸鏈路的物理屬性,通過(guò)MIMO傳輸過(guò)程中的多徑效應(yīng)能夠分析出人體各個(gè)不同的行為對(duì)信道的影響,通過(guò)機(jī)器學(xué)習(xí)和信號(hào)處理的方法完成人體的行為識(shí)別和檢測(cè)。但是,當(dāng)前能夠采集到CSI的物理設(shè)備很有限,因此,這也極大的限制了CSI在人體行為識(shí)別中的適用范圍。本文針對(duì)這些限制,使用絕大多數(shù)網(wǎng)絡(luò)設(shè)備都支持的RSSI(Received Signal Strenth Indicator)信息對(duì)人體行為進(jìn)行檢測(cè)和識(shí)別。當(dāng)前已有的基于RSS(Received Signal Strenth)的方法僅僅支持粗粒度(動(dòng)作種類(lèi)很少,準(zhǔn)確度很低)的人體行為識(shí)別。本文將會(huì)介紹一種通過(guò)獲得的RSS信息提取出相對(duì)于不同動(dòng)作的頻域特征信息完成人體行為識(shí)別,此種方法的好處在于：相對(duì)于CSI來(lái)說(shuō),只需要市場(chǎng)上常用的網(wǎng)絡(luò)設(shè)備即可完成所需信息的采集,例如任何使用絕大多數(shù)商用網(wǎng)卡的電腦設(shè)備,智能終端,ZigBee等,適用范圍很廣；相對(duì)于之前基于RSS的識(shí)別方法來(lái)說(shuō),本方法能夠完成更多動(dòng)作的識(shí)別和更高的識(shí)別準(zhǔn)確率；相對(duì)于傳統(tǒng)的人體行為識(shí)別方法來(lái)說(shuō),本方法不需要使用者佩戴任何的硬件設(shè)備,能夠完成對(duì)非主動(dòng)配合的目標(biāo)進(jìn)行檢測(cè)。本文對(duì)采集到的RSSI信息進(jìn)行時(shí)頻域分析,使用預(yù)測(cè)模型對(duì)分析的結(jié)果進(jìn)行建模,通過(guò)預(yù)測(cè)模型能夠?qū)?shí)時(shí)以及非實(shí)時(shí)的經(jīng)過(guò)采集分析之后的數(shù)據(jù)進(jìn)行預(yù)測(cè)。時(shí)頻域分析指的是：通過(guò)網(wǎng)卡設(shè)備采集到的RSSI信息是時(shí)域的,即時(shí)間連續(xù)的數(shù)據(jù),通過(guò)時(shí)頻域分析,能夠通過(guò)時(shí)域的信息分析出頻域上的特征,頻域特征能夠反應(yīng)出人體不同行為的速度。通過(guò)這種方法,我們能夠?qū)υO(shè)定的-組人體常用的行為進(jìn)行預(yù)測(cè)并且預(yù)測(cè)準(zhǔn)確率達(dá)到94%。并且在該識(shí)別算法的基礎(chǔ)上,本文提出了一個(gè)實(shí)際應(yīng)用系統(tǒng)的原型以及2個(gè)基于系統(tǒng)原型開(kāi)發(fā)的實(shí)際應(yīng)用。
【關(guān)鍵詞】：無(wú)線信號(hào) RSSI 時(shí)頻域分析 行為識(shí)別 系統(tǒng)原型
【學(xué)位授予單位】：南京大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TP391.41
【目錄】：

• 摘要5-6
• Abstract6-12
• 第一章 緒言12-20
• 1.1 研究背景與主要問(wèn)題12-13
• 1.2 研究現(xiàn)狀13-14
• 1.3 技術(shù)難點(diǎn)與解決方案14-16
• 1.4 本文工作16-18
• 1.5 本文組織18-20
• 第二章 相關(guān)工作20-26
• 2.1 人體行為識(shí)別20-23
• 2.1.1 基于RSS的人體行為識(shí)別20-21
• 2.1.2 基于CSI的人體行為識(shí)別21-22
• 2.1.3 基于特殊設(shè)備的人體行為識(shí)別22
• 2.1.4 基于傳感器的人體行為識(shí)別22-23
• 2.2 Markov模型簡(jiǎn)介23-24
• 2.3 SVM模型簡(jiǎn)介24-25
• 2.4 本章小結(jié)25-26
• 第三章 基于RSS的人體行為識(shí)別的探索26-34
• 3.1 引言26
• 3.2 背景26-27
• 3.3 基于RSS的細(xì)粒度信息的獲取27-29
• 3.4 深入理解RSS信號(hào)中的抖動(dòng)29-30
• 3.5 頻域特征提取30-32
• 3.6 本章小結(jié)32-34
• 第四章 人體行為識(shí)別的建模和預(yù)測(cè)34-42
• 4.1 引言34
• 4.2 背景34-35
• 4.3 人體行為的特征35-36
• 4.4 Markov鏈與SVM模型的構(gòu)建與應(yīng)用36-40
• 4.4.1 SVM模型的構(gòu)建與應(yīng)用36-37
• 4.4.2 Markov鏈的構(gòu)建與應(yīng)用37-40
• 4.4.3 SVM以及Markov鏈的區(qū)別40
• 4.5 識(shí)別流程40-41
• 4.6 本章小結(jié)41-42
• 第五章 系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)42-54
• 5.1 系統(tǒng)簡(jiǎn)介42-43
• 5.2 系統(tǒng)設(shè)計(jì)43-44
• 5.3 系統(tǒng)實(shí)現(xiàn)44-45
• 5.4 系統(tǒng)評(píng)估45-53
• 5.4.1 實(shí)驗(yàn)環(huán)境以及樣本信息45-46
• 5.4.2 SVM識(shí)別準(zhǔn)確率以及用戶(hù)體驗(yàn)46-47
• 5.4.3 識(shí)別準(zhǔn)確率47-49
• 5.4.4 識(shí)別距離49-50
• 5.4.5 魯棒性50-51
• 5.4.6 系統(tǒng)工作效率51-52
• 5.4.7 擴(kuò)展性52-53
• 5.5 本章小結(jié)53-54
• 第六章 基于人體行為識(shí)別系統(tǒng)的應(yīng)用54-64
• 6.1 引言54
• 6.2 行為識(shí)別的創(chuàng)新性54-55
• 6.3 RSS行為識(shí)別系統(tǒng)架構(gòu)55-56
• 6.4 基于RSS的防盜系統(tǒng)56-59
• 6.5 基于RSS的人體醫(yī)療看護(hù)系統(tǒng)59-62
• 6.6 本章小結(jié)62-64
• 第七章 總結(jié)與展望64-68
• 7.1 工作總結(jié)64
• 7.2 研究展望64-68
• 7.2.1 RSS信號(hào)的分辨率64-65
• 7.2.2 運(yùn)動(dòng)的方向65-66
• 7.2.3 多人的識(shí)別66-68
• 致謝68-70
• 簡(jiǎn)歷與科研成果70-72
• 參考文獻(xiàn)72-77

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前1條

1 Xing Su;Hanghang Tong;Ping Ji;;Activity Recognition with Smartphone Sensors[J];Tsinghua Science and Technology;2014年03期

  本文關(guān)鍵詞：基于RSSI的人體行為識(shí)別的研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：326205