基于WiFi信道状态信息多人室内环境监控系统的设计与实现
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 缩略词 | 第10-11页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 论文研究内容 | 第13-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第二章 相关研究 | 第16-29页 |
| 2.1 背景知识 | 第16-22页 |
| 2.1.1 WiFi信号传播模型 | 第16-18页 |
| 2.1.2 CSI | 第18-19页 |
| 2.1.3 深度学习 | 第19-22页 |
| 2.2 传统的室内人数识别技术 | 第22-25页 |
| 2.2.1 基于视觉的人数识别研究 | 第22-23页 |
| 2.2.2 基于传感器的人数识别研究 | 第23-24页 |
| 2.2.3 基于特殊硬件的人数识别研究 | 第24-25页 |
| 2.3 基于CSI的环境感知研究 | 第25-28页 |
| 2.3.1 室内定位 | 第25-26页 |
| 2.3.2 大尺度动作识别 | 第26-27页 |
| 2.3.3 小尺度动作识别 | 第27页 |
| 2.3.4 身份认证 | 第27页 |
| 2.3.5 人数识别 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于深度学习的人数识别模型 | 第29-49页 |
| 3.1 问题描述 | 第29-33页 |
| 3.1.1 CSI波形去噪 | 第29-31页 |
| 3.1.2 模型选择 | 第31-33页 |
| 3.2 CSI波形去噪流程 | 第33-37页 |
| 3.2.1 CSI数据采集 | 第33-34页 |
| 3.2.2 振幅滤波 | 第34-36页 |
| 3.2.3 相位纠正 | 第36-37页 |
| 3.3 深度学习模型建立 | 第37-41页 |
| 3.3.1 训练流程 | 第37-38页 |
| 3.3.2 前向传播 | 第38-39页 |
| 3.3.3 损失函数 | 第39页 |
| 3.3.4 反向传播 | 第39-41页 |
| 3.4 实验与分析 | 第41-48页 |
| 3.4.1 实验设备 | 第41页 |
| 3.4.2 实验设置 | 第41-43页 |
| 3.4.3 实验结果 | 第43-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第四章 具有纠错功能的基于人进出的人数识别模型 | 第49-60页 |
| 4.1 问题描述 | 第49-52页 |
| 4.1.1 特征提取 | 第49-50页 |
| 4.1.2 构建动作识别模型 | 第50-51页 |
| 4.1.3 纠错机制 | 第51-52页 |
| 4.2 特征提取 | 第52-54页 |
| 4.3 动作识别模型构建 | 第54-56页 |
| 4.4 纠错机制实现 | 第56页 |
| 4.5 实验与分析 | 第56-59页 |
| 4.5.1 实验设置 | 第56-57页 |
| 4.5.2 实验结果 | 第57-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 论文主要工作及贡献 | 第60-61页 |
| 5.2 下一步工作的思考 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 在学期间的研究成果及发表的学术论文 | 第67页 |
