-
题名一种基于菲涅耳区和深度学习的WiFi手势识别方法
- 1
-
-
作者
冉凌鎛
张雷
刘晓文
-
机构
中国矿业大学信息与控制工程学院
中国矿业大学物联网(感知矿山)研究中心
徐州工程学院信息工程学院
中国矿业大学电气工程学院
-
出处
《小型微型计算机系统》
CSCD
北大核心
2024年第1期249-256,共8页
-
基金
江苏省高等学校基础科学(自然科学)研究项目(21KJB510025)资助
江苏省产学研合作项目(BY2021160)资助
教育部产学合作协同育人项目(BY2021160202102356012)资助.
-
文摘
针对当前的WiFi手势识别技术对手势估计不准确、受噪声影响较大和特征提取不充分等问题,文章提出了一种基于菲涅耳区和深度学习的识别方法.该方法主要分为3个阶段:模型搭建、数据预处理和手势分类.模型搭建阶段通过菲涅耳区定量了手势运动与信号波动模式之间的精确关联,进而确保了对手势的精准估计;数据预处理阶段通过天线之间的商模型、离散傅里叶变换、Hampel滤波器和离散小波变换进行平滑滤波处理,保证了振幅和相位信息的质量;手势分类阶段利用建立的深度神经网络模型,从所有链路的子载波信息中自动提取并筛选出时空域特征,最后用Softmax函数实现手势识别.实验证明,该方法能够达到96%的识别准确率,在不同的实验环境下具有较高的鲁棒性.
-
关键词
WIFI
信道状态信息
菲涅耳区
深度学习
手势识别
-
Keywords
WiFi
channel state information
fresnel zone
deep learning
gesture recognition
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于融合网络的井下人员行为识别方法
被引量:2
- 2
-
-
作者
张雷
冉凌鎛
代婉婉
朱永红
史新国
-
机构
徐州工程学院信息工程学院(大数据学院)
中国矿业大学物联网(感知矿山)研究中心
东南大学移动通信国家重点实验室
山东能源淄博矿业集团有限公司信息中心
-
出处
《工矿自动化》
CSCD
北大核心
2023年第3期45-52,共8页
-
基金
江苏省高等学校基础科学(自然科学)研究项目(21KJB510025)
国家重点研发计划项目(2017YFC0804401)
+3 种基金
国家自然科学基金项目(52074273)
教育部产学合作协同育人项目(BY2021160202102356012)
徐州市科技计划项目(KC19208)
淄矿集团智慧矿山关键技术研发开放基金项目(2019LH05)。
-
文摘
井下人员行为识别是保障煤矿安全生产的重要措施。针对现有井下人员行为识别研究缺少对感知机理的研究与分析且特征提取手段单一的问题,提出一种基于融合网络的井下人员行为识别方法。该方法主要包括数据预处理、特征构建和判识网络构造3个部分。数据预处理:通过信道状态信息(CSI)商模型、子载波去直流和离散小波去噪对采集的CSI数据进行处理,以降低环境噪声、设备噪声等的影响。特征构建:将处理后的数据利用格拉姆和/差角场(GASF/GADF)转换成图像,从而保留数据的空间和时间特性。判识网络构造:根据人员动作的特点,提出一种由基于门控循环单元(GRU)的编解码网络和多尺度卷积神经网络(CNN)组成的融合网络,利用GRU保留前后数据之间的关联性,同时利用注意力机制的权重分配策略有效提取关键特征,以提高行为识别的准确率。实验结果表明:该方法对行走、摘帽子、扔东西、坐、抽烟、挥手、跑动、睡觉8种动作的平均识别准确率为97.37%,对睡觉和坐的识别准确率最高,最容易发生误判的动作是行走和跑动;使用准确率、精确率、召回率和F1分数作为评价指标,得出融合网络的性能优于CNN和GRU,人员行为识别准确率高于HAR系统、WiWave系统和Wi−Sense系统;正常速度下行走和摘帽子2种动作的平均识别精度为95.6%,高于快速动作情况下的93.6%和慢速动作情况下的92.7%;收发设备之间的距离为2 m和2.5 m时,识别准确率较高。
-
关键词
智能矿山
行为识别
无线感知
深度学习
信道状态信息
多尺度卷积神经网络
门控循环单元
-
Keywords
intelligent mine
behavior recognition
wireless perception
deep learning
channel status information
multi scale convolutional neural network
gate recurrent unit
-
分类号
TD67
[矿业工程—矿山机电]
-