針對(duì)無源目標(biāo)分類系統(tǒng)中精度和費(fèi)用之間不平衡、采用手工提取特征的方法進(jìn)行特征提取工作量較大的問題,提出了一種基于誤差逆?zhèn)鞑ィ˙P）神經(jīng)網(wǎng)絡(luò)的信道狀態(tài)信息（CSI）無源目標(biāo)分類方法.通過提取WiFi信號(hào)的CSI作基信號(hào),并結(jié)合具有自主學(xué)習(xí)數(shù)據(jù)特征能力的神經(jīng)網(wǎng)絡(luò)方法,設(shè)計(jì)了BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練模型,減少了手工提取特征帶來的開銷.實(shí)驗(yàn)結(jié)果表明,以身高分類為例,所提方法能夠區(qū)分4個(gè)不同身高段,且平均分類準(zhǔn)確度可以達(dá)到90%以上. 

【文章來源】：北京郵電大學(xué)學(xué)報(bào). 2020年01期 北大核心

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

無源目標(biāo)分類系統(tǒng)模型

為了驗(yàn)證基于BP神經(jīng)網(wǎng)絡(luò)的CSI無源目標(biāo)分類方法，設(shè)計(jì)了一個(gè)人體高度分類系統(tǒng)，系統(tǒng)框圖如圖2所示．分類系統(tǒng)共有4個(gè)組成部分:數(shù)據(jù)收集、數(shù)據(jù)預(yù)處理、神經(jīng)網(wǎng)絡(luò)訓(xùn)練和分類結(jié)果．在數(shù)據(jù)預(yù)處理階段，將收集到的CSI數(shù)據(jù)先進(jìn)行幅值抽取，再進(jìn)行小波變換去除部分噪聲，具體實(shí)現(xiàn)過程見3.3節(jié)．在神經(jīng)網(wǎng)絡(luò)訓(xùn)練階段，根據(jù)不同的分類要求建立不同的神經(jīng)網(wǎng)絡(luò)模型．3.2 實(shí)驗(yàn)數(shù)據(jù)收集

其中:A為低頻近似系數(shù)，D為高頻細(xì)節(jié)成分，n為分解層次，在本文中n取3．去噪后的信號(hào)如圖5所示．可以看出，小波變換去除了信號(hào)噪聲時(shí)保載波變化的局部特征．圖4 小波變換前單個(gè)子載波CSI的變化情況

【參考文獻(xiàn)】：
期刊論文
[1]基于WiFi信號(hào)的人體動(dòng)作識(shí)別系統(tǒng)[J]. 肖玲,潘浩.  北京郵電大學(xué)學(xué)報(bào). 2018(03)



本文編號(hào)：2953180