| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 课题研究背景 | 第16-17页 |
| 1.2 研究现状 | 第17-19页 |
| 1.3 研究动机 | 第19-20页 |
| 1.4 本文研究内容及论文结构 | 第20-22页 |
| 1.4.1 研究内容 | 第20-21页 |
| 1.4.2 研究结构 | 第21-22页 |
| 第二章 基于无线信号的活动识别相关技术理论 | 第22-32页 |
| 2.1 相关概念 | 第22页 |
| 2.2 信号传输模型 | 第22-24页 |
| 2.3 收到信号强度指示（RSSI）特性 | 第24-25页 |
| 2.4 信道状态信息（CSI）特性 | 第25-28页 |
| 2.5 活动模型 | 第28-30页 |
| 2.5.1 活动步骤 | 第28-29页 |
| 2.5.2 意外分类 | 第29-30页 |
| 2.6 本章小结 | 第30-32页 |
| 第三章 数据预处理与活动特征提取 | 第32-48页 |
| 3.1 方案概述 | 第32-33页 |
| 3.2 数据收集阶段 | 第33-35页 |
| 3.2.1 数据采集 | 第33-34页 |
| 3.2.2 目标探测 | 第34-35页 |
| 3.3 数据预处理阶段 | 第35-38页 |
| 3.4 特征提取 | 第38-43页 |
| 3.4.1 基于统计的特征提取 | 第38-40页 |
| 3.4.2 基于离散小波变换（DWT）的频谱图转化 | 第40-42页 |
| 3.4.3 基于短时傅里叶变换（STFT）的频谱图转化 | 第42-43页 |
| 3.5 活动截取 | 第43-46页 |
| 3.6 本章小结 | 第46-48页 |
| 第四章 基于信道状态信息的活动识别方法 | 第48-62页 |
| 4.1 支持向量机 | 第48-50页 |
| 4.2 卷积神经网络概述 | 第50-54页 |
| 4.2.2 卷积层 | 第51-52页 |
| 4.2.3 池化层 | 第52-53页 |
| 4.2.4 全连接层 | 第53-54页 |
| 4.3 减少过拟合 | 第54-56页 |
| 4.3.1 数据增量 | 第55-56页 |
| 4.3.2 Dropout | 第56页 |
| 4.4 训练阶段 | 第56-58页 |
| 4.5 活动识别与预警算法 | 第58-59页 |
| 4.5.1 活动分析阶段 | 第58页 |
| 4.5.2 活动识别与预警算法流程 | 第58-59页 |
| 4.6 本章小结 | 第59-62页 |
| 第五章 实验结果与性能评价 | 第62-70页 |
| 5.1 实验环境设置 | 第62-64页 |
| 5.2 活动识别准确率 | 第64-66页 |
| 5.3 活动识别率与降噪有效性 | 第66-67页 |
| 5.4 有效性分析 | 第67-69页 |
| 5.5 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 研究结论 | 第70页 |
| 6.2 研究展望 | 第70-72页 |
| 参考文献 | 第72-78页 |
| 致谢 | 第78-80页 |
| 作者简介 | 第80-82页 |