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。