基于杂波知识图谱驱动的空时自适应处理方法

在隐藏体目标故障探测识别中,由于埋体材质以及信号微弱的小埋藏体信号混合等杂波干扰,导致多目标信号难以捕捉。为此,设计了杂波知识图谱驱动的空时自适应处理方法,可有效抑制杂波并完成动目标检测。通过仿真实验发现,场景中的主要杂波集中在-15°的角度范围内,并且归一化多普勒值接近0.25。使用空时自适应处理和空时谱估计算法,确定真实运动目标具体位置在146帧附近,得到的方位角和归一化多普勒数值与仿真实验一致,表明所提方法的正确性和有效性。

WiNet:一种适用于无线感知场景的步态识别模型

针对现有基于Wi-Fi信号感知步态识别研究存在的特征获取不足、多人场景下单目标识别准确率低的问题,提出了一种基于频率能量图的步态识别模型WiNet。在对信道状态信息影响因子分析的基础上,选取其中的振幅数据作为步态识别的基础数据;采用频率能量图对原始采集数据进行有效重构使其能够同时容纳步态行为对子载波内和子载波间扰动而产生的有效特征,步态特征的个体辨识度得到较大增强;将频率能量图作为卷积神经网络模型的输入矩阵,经过多组卷积、正则和激活操作,再使用Softmax方法进行分类,得到步态行为对应的个体身份,实现了Wi-Fi环境下高准确率的多人场景单目标步态识别。与全连接神经网络、循环神经网络及基于卷积神经网络的步态识别模型进行了比较,结果表明:WiNet在40人场景实验中识别准确率达到98.5%,识别准确率得到明显提升;在典型强/弱多径效应环境及5种人体状态的对比实验中,WiNet均能达到92%以上的识别准确率,具有良好的识别效果和鲁棒性。

基于WiFi信号的轻量级步态识别模型LWID

身份识别作为普适计算和人机交互领域的重要研究内容,受到研究者的广泛关注。基于WiFi信号的传统身份识别方法虽然取得了较大的进展,但仍然面临分类能力弱、模型存储代价高、训练时间长等问题。对此,提出了基于多层神经网络的轻量级步态识别模型(Light Weight Identification,LWID)。该方法首先通过将原始时序数据进行图片化重构,最大限度地保留了不同载波间的特征信息;然后通过设计一种仿生的Balloon机制,实现了对网络层中神经元数量的裁剪,并通过联合使用不同尺寸的卷积核,实现了对数据中特征的提取与特征图中通道信息的整合,从而在提高模型分类能力的前提下实现了模型规模的轻量化。实验结果表明,所提模型在50人的数据集中取得了98.8%的识别率。与传统的基于WiFi信号的身份识别模型相比,所提模型具有更强的分类能力与鲁棒性,同时该模型可以压缩至现有同等精度图片识别模型大小的6.14%。

酒店用家纺产品的发展与创新

宾馆酒店行业是社会生活中不可缺少的组成部分。随着生活质量的提高、旅游业的发展,酒店产业飞速发展,酒店用家纺产品在其中的重要性不言而喻。本文从酒店用家纺产品的发展入手,探讨酒店用家纺产品创新设计的方法,并提出设计中要遵循文化体验、主题与原创性、地域性与环境适应性等原则,以期对酒店用家纺产品的设计创新提供一定的参考。