基于高阶累积量和改进GRNN的CSI手臂行为识别

为了挖掘信道状态信息(channel state information, CSI)在手臂行为识别中的非线性深层特征,提高识别准确度,提出了一种基于高阶累积量和改进广义回归神经网络(generalized regression neural network, GRNN)的CSI手臂行为识别算法。离线阶段,将在不同手臂动作下采集的细粒度CSI幅度和相位差作为基信号,并利用平均绝对偏差改进的spearman rank相关系数选择敏感性强的子载波;针对CSI中的非线性非高斯信息,在所选子载波中提取高阶累积量特征;在灰狼算法(grey wolf optimizer, GWO)优化的GRNN神经网络中训练出能有效处理非线性问题的GWO-GRNN动作识别模型。在线阶段,利用训练好的识别模型对输入的CSI数据进行手臂动作的判别。通过仿真实验验证,该算法的手臂行为识别准确度为95.83%,高于目前相关算法所达到的准确度,具有明显的识别优势。

基于OCAE-SOM的室内指纹定位算法研究

针对室内定位技术精度较低及数据量过大影响运算时间等问题,提出基于OCAE-SOM(Optimized Convolutional Autoencoder-Self Organizing Map)的室内指纹定位算法。离线阶段,先将信道状态信息的幅值相位预处理矩阵作为原始输入数据,并调整为RGB(Red,Green,Blue)格式训练卷积自编码器,使其可深度挖掘参考点的指纹特征,采用Adam算法优化CAE算法的参数,既降低数据维度又能提升训练效率;然后采用OCAE-SOM算法训练模型,可以缩短单独训练模型的时间;最后采用Adam算法优化SOM的权重,可较好地保留输出特征间的相关性,避免权重参数出现局部最优。在线阶段,将调整后的测试数据输入到OCAE-SOM算法中,经匹配后可得到输出位置点。实验结果表明,该算法模型在定位时间与精度上显著优于已有算法,具有一定的应用价值。