基于WiFi信道状态信息的反网瘾系统
致谢 | 第7-8页 |
摘要 | 第8-9页 |
ABSTRACT | 第9页 |
1 绪论 | 第15-22页 |
1.1 研究背景及意义 | 第15-16页 |
1.2 国内外研究现状 | 第16-19页 |
1.2.1 基于视觉的人体行为感知技术 | 第17-18页 |
1.2.2 基于传感器的人体行为感知技术 | 第18页 |
1.2.3 基于无线信号的人体行为感知技术 | 第18-19页 |
1.3 本文研究内容及章节安排 | 第19-22页 |
2 基于CSI的人体行为识别基本理论 | 第22-36页 |
2.1 基本原理 | 第22-27页 |
2.1.1 信道状态信息 | 第22-23页 |
2.1.2 CSI的主要性能优势 | 第23页 |
2.1.3 CSI数据结构及组成 | 第23-27页 |
2.2 人体行为识别框架 | 第27页 |
2.3 两种现有行为识别算法的介绍 | 第27-35页 |
2.3.1 基于SVM的人体行为识别算法 | 第27-33页 |
2.3.2 基于KNN的人体行为识别算法 | 第33-35页 |
2.4 本章小结 | 第35-36页 |
3 基于核密度估计的入侵检测 | 第36-49页 |
3.1 系统模型的设计 | 第36-41页 |
3.1.1 CSI信号传播路径分析 | 第36-37页 |
3.1.2 测试环境的搭建及流程设计 | 第37-39页 |
3.1.3 滑动窗提取CSI信号特征 | 第39-41页 |
3.2 基于核密度估计的最佳检测阈值 | 第41-47页 |
3.2.1 核密度估计 | 第41-44页 |
3.2.2 最佳阈值提取 | 第44-46页 |
3.2.3 最佳检测阈值的性能评价指标 | 第46-47页 |
3.2.4 最佳检测阈值性能分析 | 第47页 |
3.3 本章小结 | 第47-49页 |
4 基于SVM分类器的打游戏检测 | 第49-68页 |
4.1 幅值与相位的特征分析 | 第49-57页 |
4.1.1 主成分分析法 | 第49-51页 |
4.1.2 小波变换提取时频特征 | 第51-53页 |
4.1.3 统计特性提取及标准化 | 第53-55页 |
4.1.4 相位的特征分析 | 第55-57页 |
4.2 子载波与天线对的选择 | 第57-60页 |
4.2.1 子载波的预选择 | 第57-58页 |
4.2.2 天线对的预选择 | 第58-60页 |
4.3 分类器及其参数的选择 | 第60-62页 |
4.3.1 分类器的选择 | 第60-61页 |
4.3.2 SVM参数的选择 | 第61-62页 |
4.4 数据收集与性能分析 | 第62-66页 |
4.4.1 系统硬件设施与数据采集 | 第62-63页 |
4.4.2 性能评价指标 | 第63-64页 |
4.4.3 不同参数对实验结果的影响 | 第64-66页 |
4.5 本章小结 | 第66-68页 |
5 总结与展望 | 第68-70页 |
5.1 本文工作总结 | 第68页 |
5.2 研究展望 | 第68-70页 |
参考文献 | 第70-74页 |
攻读硕士学位期间的学术活动及成果情况 | 第74-75页 |