基于CNN-SVM和WIFI信道状态信息的液体分类检测研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 课题研究意义 | 第14页 |
| 1.3 相关研究现状 | 第14-18页 |
| 1.3.1 液体检测相关技术 | 第14-16页 |
| 1.3.2 基于WIFI信道状态信息的相关研究 | 第16-18页 |
| 1.4 课题的主要工作与创新点 | 第18-19页 |
| 1.5 本文组织结构 | 第19-21页 |
| 第2章 卷积神经网络与支持向量机原理 | 第21-30页 |
| 2.1 神经网络与深度学习 | 第21-25页 |
| 2.1.1 神经网络中的激活函数 | 第21-22页 |
| 2.1.2 神经网络中的损失函数 | 第22-23页 |
| 2.1.3 神经网络中的优化器 | 第23-25页 |
| 2.2 卷积神经网络 | 第25-26页 |
| 2.3 支持向量机 | 第26-29页 |
| 2.3.1 最优超平面与支持向量 | 第26-28页 |
| 2.3.2 核函数 | 第28-29页 |
| 2.3.3 SVM多分类 | 第29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 信道状态信息的采集与预处理 | 第30-41页 |
| 3.1 信道状态信息 | 第30-33页 |
| 3.1.1 OFDM技术 | 第30-31页 |
| 3.1.2 CSI介绍 | 第31-33页 |
| 3.2 CSI的采集方法 | 第33-36页 |
| 3.3 数据的预处理 | 第36-40页 |
| 3.3.1 振幅的数据预处理 | 第36页 |
| 3.3.2 相位的数据预处理 | 第36-40页 |
| 3.3.3 CSI指纹图生成 | 第40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 基于CNN-SVM的CSI信号模式识别 | 第41-47页 |
| 4.1 基于商业CSI信息分析的特点与难点 | 第41-42页 |
| 4.2 CNN-SVM的优势 | 第42-43页 |
| 4.3 CNN-SVM模型总述 | 第43-44页 |
| 4.4 CNN-SVM模型的设计 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 实验的结果与分析 | 第47-58页 |
| 5.1 实验环境控制与设备搭建 | 第47-49页 |
| 5.2 数据集的采集和获取 | 第49-51页 |
| 5.3 CNN-SVM模型的实验结果与分析 | 第51-55页 |
| 5.3.1 采集时间和模型准确率的关系 | 第51-52页 |
| 5.3.2 迭代次数和模型准确率的关系 | 第52-54页 |
| 5.3.3 核函数和模型准确率的关系 | 第54-55页 |
| 5.4 CNN-SVM算法和其他算法的对比 | 第55-57页 |
| 5.5 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 附录A 攻读学位期间取得成果目录 | 第65页 |
