基于Wi-Fi信号感知技术的图书馆特殊群体服务研究

特殊群体是图书馆用户的重要组成部分,采用数字技术帮助特殊群体享受均等化的公共文化服务,是无障碍图书馆建设的重要部分。文章在介绍面向人机物融合的Wi-Fi信号感知技术的基础上,梳理了其在图书馆特殊群体服务中的具体应用场景。Wi-Fi信号感知技术在图书馆特殊群体服务中具有很好的应用价值,但也存在一些弊端和问题需要进一步优化和解决,在多种技术的加持下突破服务壁垒,提高服务质量。

非法Wi-Fi信号识别与定位的方法研究

迅速发展的无线网络已经覆盖工作生活的方方面面,与此同时其安全问题越来越凸显,其中非法Wi-Fi问题尤为突出。为了保证无线网络中信息安全,必须及时识别、定位和清除非法Wi-Fi信号。文章主要研究了Wi-Fi信号的分析识别方法以及2种定位WiFi信号的方法,进一步为识别与定位非法Wi-Fi信号提供了解决思路。

基于Wi-Fi信号和多分类器的身份识别方法

随着人机交互应用的不断普及,人机交互中的人体身份识别问题日益凸显。传统的身份识别方法,如基于视觉、基于传感器、基于指纹等方法,存在设备成本高、易受光照影响、侵犯用户隐私等问题。基于此,提出了一种基于Wi-Fi信号和多分类器的身份识别方法(Identification Method based on Wi-Fi signal and Multi-classifier,IMWM)。该方法先采集用户手势动作下的信道状态信息(Channel State Information,CSI),然后对CSI数据进行预处理,获得用户身份特征数据,最后利用特征数据构建多分类器的身份识别模型实现用户身份识别。实验结果表明,IMWM模型在预定义手势和未预定手势的身份识别中,身份识别率均高于LSTM、GRU和Widar3.0模型,同时模型的鲁棒性也优于后者。

基于Wi-Fi信号的身份识别技术研究

随着信息技术的不断进步,身份识别的研究逐渐向无感化、自动化的方向发展,在人机交互、智能家居和智慧安防等领域得到了广泛应用。作为一种非接触式的无线感知技术,基于Wi-Fi信号的身份识别正逐步向多属性识别以及合法性认证等方向演进。首先,介绍了基于无线信号的身份识别原理,并从信号处理的角度综述了其预处理流程;然后,分别从行走和日常活动两种不同依据讨论了身份识别的实现方法,并从功能演进的角度讨论了多属性识别和合法性认证两大身份识别的发展趋势;最后,指出深层次特征提取、日常活动分析、识别模型构建以及多种技术融合等是实现更加鲁棒、多元、普适身份识别的未来方向,为物联网感知层的研究提供重要支撑。

基于Wi-Fi信号的免训练呼吸检测

随着无线通信技术的飞速发展,Wi-Fi已被广泛应用于公共和私人领域。基于无线技术的非入侵式呼吸检测技术在智能家居领域有着广阔的应用前景。针对现有的解决方案难以解释不同场景下存在的巨大性能差异,文中在自由空间中引入菲涅耳区刃形绕射模型,设计了一种基于Wi-Fi信号的免训练呼吸检测方案。首先,通过菲涅耳区刃形绕射模型,在室内环境中验证了Wi-Fi信号的衍射传播特性;其次,研究了人体呼吸对接收端Wi-Fi信号的影响,并量化了衍射增益与人体呼吸时微小胸腔位移之间的关系,不仅解释了可以使用Wi-Fi设备检测到人体呼吸的原理,还论证了在哪些位置更容易检测到呼吸;最后,通过快速傅里叶变换(FFT)从接收信号强度(RSS)中估计呼吸速率。利用所提算法,可以清楚地知道呼吸检测的好位置和坏位置的分布,并且对于好的位置来说,平均呼吸估计的准确率可达93.8%。实验结果证明了仅使用一对收发器便可使厘米尺度的呼吸感知成为可能,并有望通过普及的Wi-Fi基础设施提供一种无处不在的呼吸检测方案。

基于可编程超表面的Wi-Fi信号调控

可编程超表面是由可调谐的单元在二维平面上组成的平面阵列,具有任意、动态操控电磁波波前的能力,是微波领域前沿研究方向之一。尽管目前基于可编程超表面的电磁调控研究已取得丰硕进展,但是现有技术都需要采用专用发射源主动馈电超表面,这不仅增加了实际系统的复杂性和成本,而且在一定程度上限制了这些技术在现实环境中的应用。因此,该文提出了一种利用可编程超表面灵活调控周围Wi-Fi信号的方法,并通过理论和实验证明了其对Wi-Fi信号的优越调控性能。首先,该文首次提出一种基于可编程超表面散射模型的高效优化算法CWGS,该算法可以重新设计可编程超表面散射场的复振幅分布,从而实现指定位置处的Wi-Fi信号显著增强。其次,该文制作了一款工作频率为2.4 GHz的大规模可编程超表面,并基于该超表面实验验证了优化算法应用于Wi-Fi信号增强调控的可行性和有效性。理论和实验结果均证明,可编程超表面可以在多个位置处实现Wi-Fi信号的动态增强。实验结果表明,经可编程超表面调控后的Wi-Fi信号强度提高了23.5 dB。该文提出的方法提高了可编程超表面在实际应用中的可用性和实用性,有望为无线通信、未来智能家居等领域开辟新的道路。

办公场所Wi-Fi信号定位方法研究

当前,在办公场所内部及周边经常会检测到开启的Wi-Fi信号,由于其一定程度上存在安全隐患,因此对办公场所的安全保密性提出了严峻挑战。本文在深入分析办公场所Wi-Fi信号存在安全隐患的基础上,对Wi-Fi信号开展检测定位研究,提出了两种检测定位的方法,并深入分析了各自的优缺点,以期为今后开展相关工作提供借鉴。

基于最佳特征子集的自适应非视距身份识别系统

身份识别一直是安防领域的研究重点,其在非视距场景下的研究存在较大意义。针对识别的舒适度和隐私性问题,提出基于最佳特征子集的自适应非视距身份识别系统。通过有效结合多种预处理手段获取Wi-Fi信号的低维有用数据;提出鲁棒性人员检测方法截取有效片段;设计有监督特征提取方法,使用“前向搜索”获取最佳特征子集;改进传统Adaboost算法实现群体变化下的自适应识别。实验评估表明,当系统中志愿者为2~12人时,与相关系统和传统分类算法相比,均具有较好的性能。

基于迁移学习的动态环境室内定位方法研究

随着智能家居应用的不断深化,基于Wi-Fi信号的室内定位技术也受到了广泛关注。在实际应用中,大多数室内定位算法采集得到的训练数据和测试数据通常并非来自于同一理想环境,各种环境条件变化以及信号漂移导致采集得到的训练数据和测试数据间的概率分布不同。传统定位模型在面对不同分布的训练数据和测试数据时无法保证具有良好的定位精度,常出现算法定位精度大幅降低,甚至算法不可用等问题。面对这一难点,迁移学习中的域适应方法作为一种可以有效解决训练样本和测试样本概率分布不一致的学习问题被广泛应用于室内定位领域。文中结合域适应学习和机器学习算法,提出了一种基于特征迁移的室内定位算法(Transfer Learning Location AlgorithmBased on Global and Local Metrics Adaptation,TL-GLMA)。TL-GLMA在定位阶段通过特征迁移方式将两域原始数据映射至高维空间,从而在最小化两域数据的分布差异的同时保留两域数据内部的局部几何属性,并利用映射后的独立同分布数据训练分类器,从而实现目标定位。实验结果表明,TL-GLMA能够有效减少环境变化带来的干扰,提升定位精度。

Wi-Fi定位的信号采集技术研究

对Wi-Fi定位系统的Wi-Fi信号采集技术进行了研究和探讨。首先对比介绍了两种信号采集模式:网络设备上行采集模式和终端下行采集模式,对两种模式进行了细致的优劣对比;其次,对网络设备上行采集模式的信道扫描技术进行了详细的描述,介绍了业务AP进行信道扫描的附加模式、监视AP进行信道扫描的增强模式、业务AP增加专用射频进行信道扫描的极致模式;然后,描述了用于解决信号采集中因为业务流量不足以及终端休眠等问题的主动的同步探测技术;最后,对新标准Wi-Fi6引入的新技术特性对信号采集技术的增强进行了概述。

基于GPS与Wi-Fi位置指纹的室内外无缝定位研究

为应对GPS在室内环境中的定位盲区,实现室内外环境下的无缝精准定位,提出基于GPS卫星定位技术和Wi-Fi位置指纹定位技术的室内外无缝定位算法GPS-LF。GPS-LF算法在室外环境中利用GPS卫星定位技术进行定位,进入室内后切换到Wi-Fi位置指纹定位,将待定位节点接收的多组Wi-Fi信号强度值与事先已下载到该节点的位置指纹数据库进行匹配,估算出未知节点的位置从而实现定位。实验结果表明,GPS-LF算法能够较好地满足室内外无缝定位的需求。

基于连续图像深度学习的Wi-Fi人体行为识别方法

针对基于深度学习的Wi-Fi人体行为识别技术存在抗噪声能力弱、信号尺寸不兼容和特征提取不充分等问题,提出了一种基于连续图像深度学习的识别方法。首先把时变Wi-Fi信号重构为若干个连续图像帧,确保输入尺寸一致;进而设计低秩分解算法,对噪声湮没的关键运动信息进行分离;同时提出一种时间域和空间域信息融合的深度模型,自动捕捉变长图像序列的时空域特征,并在WiAR数据集和自主采集数据集上对所提方法进行验证。实验结果表明,所提方法平均识别精度分别为0.94和0.96,具备普适场景下的高精度和稳健性。

基于K_means和加权混合回归的Wi-Fi室内定位算法

基于接收信号强度的室内定位方法的精确度受环境影响较大,回归算法在不同的场景中定位误差也受影响。提出了一种基于加权混合回归的室内定位算法。离线阶段,首先利用K-means++算法对各节点的接收信号强度特征向量进行无监督聚类,建立指纹库。接下来对SVR和KNR回归算法进行回归训练,增加定位误差小的算法的权重,最终确定两者的权重系数,建立混合回归模型PL-SKR。在线阶段,先用SVC分类算法对节点进行分类,再用PL-SKR混合回归算法进行位置估计。在仿真过程中不断改变算法的参数和权重系数进行寻优,使得PL-SKR混合回归算法与测试环境更契合,有利于提高定位准确度。实验结果表明,该回归算法的定位精度相比SVR和KNR有一定程度的提高。

基于多信息融合的室内定位系统

日常生活中使用GPS(global position system)进行定位,但GPS无法在室内工作,准确地进行室内定位成为研究的热点之一。在早期的研究中,围绕Wi-Fi指纹进行了大量的实验与改进,但Wi-Fi指纹受到环境因素制约,定位误差较大。针对这一问题,提出一种多信息融合的室内定位算法。首先通过Wi-Fi指纹进行粗略的定位,获取Wi-Fi接入设备的MAC地址以及其信号强度RSSI(received signal strength indication),通过kNN(k nearest neighbor)算法进行分类,得到top-n候选集。再通过地磁信号与图片信息进行候选集的过滤。最后利用社交信息,给出人在室内的最终定位结果。在Android平台和服务器上对该系统进行验证,实验结果表明提出的多信息融合的方法比Wi-Fi指纹的定位算法精度明显提高。

基于多边限定的室内定位方法设计与系统实现

随着基于位置服务(Location Based Services,LBS)的发展与智能移动设备的普及,室内定位算法与系统受到了广泛研究与关注。为提高室内定位精度、增强系统鲁棒性,提出了基于多边限定的fingerprint定位方法。基于Wi-Fi RSSI(Received Signal Strength Indication)信号处理建立离线fingerprint数据库;通过对拟合距离-RSSI函数分析,提出了多边限定的方法确定一个最佳参考点(Reference Point,RP)集合,缩小在线定位阶段的搜索范围。在此基础上,再利用fingerprint定位方法进行定位。此外,实现了基于提出方法的室内定位系统原型用于算法性能评估。通过大量真实场景实验分析、验证了相较于传统fingerprint方法,基于多边限定的fingerprint定位方法能有效提高室内定位精度,增强系统鲁棒性。