CN107154088B - 基于信道状态信息的活动人员数量估计方法 - Google Patents

基于信道状态信息的活动人员数量估计方法 Download PDF

Info

Publication number
CN107154088B
CN107154088B CN201710195058.XA CN201710195058A CN107154088B CN 107154088 B CN107154088 B CN 107154088B CN 201710195058 A CN201710195058 A CN 201710195058A CN 107154088 B CN107154088 B CN 107154088B
Authority
CN
China
Prior art keywords
state information
channel state
data
estimated
active personnel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201710195058.XA
Other languages
English (en)
Other versions
CN107154088A (zh
Inventor
秦浩
柯旭
李鹏
宋彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Beijing Simulation Center
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201710195058.XA priority Critical patent/CN107154088B/zh
Publication of CN107154088A publication Critical patent/CN107154088A/zh
Application granted granted Critical
Publication of CN107154088B publication Critical patent/CN107154088B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Electromagnetism (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种基于信道状态信息的活动人员数量估计方法，主要解决现有方法活动人员数量估计结果不准确和波动较大的问题。本发明包括离线训练和在线估计两个阶段，离线训练阶段具体步骤如下：(1)采集已知活动人员数量的信道状态信息；(2)提取已知活动人员数量的信道状态信息特征；(3)训练支持向量机分类器；在线训练阶段具体步骤如下：(4)采集待估计活动人员数量的信道状态信息；(5)提取待估计活动人员数量的信道状态信息特征；(6)估计活动人员数量。本发明能够提取出可以准确区分不同活动人员数量的信道状态信息特征，有效提升了活动人员数量估计的准确度与稳定性。

Description

基于信道状态信息的活动人员数量估计方法
技术领域
本发明属于信号处理技术领域，更进一步涉及无线信号处理技术领域中的一种处理基于信道状态信息的活动人员数量估计方法。本发明在离线训练阶段训练支持向量机分类器，在在线估计阶段用训练好的支持向量机分类器进行活动人员数量估计，可用于对进出类似智能家居场景中，需要统计或者监测的活动人员的数量进行在线估计和监测。
背景技术
在现实生活中的很多场景当中，获取某一个区域内活动人员数量估计值具有很重要的意义。理想的活动人员数量估计方法应当是适用范围广，估计准确度高，对用户无任何约束的。由于现实生活中场景的多样性以及用户行为模式的随机性，因此找到一种能够满足上述条件的活动人员数量估计方法是一项充满挑战的任务。
传统的活动人员数量估计技术多是基于计算机视觉的，这类技术通常是通过检测图像中的人脸或头肩来进行人员检测，从而实现活动人员数量估计，但是由于光学传感器的局限性，这类方法有诸多弊端，如只能在光线充足的情况下工作，并且只能估计视线之内的人员。所以需要新的研究方法的提出。
Moustafa Youssef，Ahmed Saeed和Ahmed E.Kosba等人在其发表的论文“ALarge-Scale Device-Free Passive Localization System for WirelessEnvironments”(Mobile Computing,IEEE Transactions on,2013,12(7):1321-1334)中提出了一种基于接收信号强度的活动人员数量估计方法。该方法先统计室内活动的人数不同时，接收信号强度的方差的差别，再根据这种差别来进行活动人员数量估计。该方法存在的不足之处是，估计的准确度较差，适用性不强。
西安交通大学在其申请的专利文献“一种利用信道状态信息的非绑定人数计数方法”(专利申请号：201410458022.2，公开号：CN104239951A)中提出了一种基于信道状态信息的非绑定人数计数方法。该方法统计在活动人员数量已知的情况下，信道状态信息扩张矩阵中的非零元素百分比值(Percentage of non-zero Elements in the dilated CSIMatrix，PEM)的变化规律，再根据灰色理论对其进行拟合和估计，构建信道状态信息配置文件，通过与该信道状态信息配置文件进行匹配来估计活动人员数量。该方法存在不足之处是，估计的准确度不高，估计结果波动较大。
发明内容
本发明的目的是针对上述现有技术的不足，提出了一种基于信道状态信息的活动人员数量估计方法。本发明与现有技术中其他人数估计技术相比准确度高，适应性强。
本发明包括离线训练和在线估计两个阶段，具体步骤包括如下：
在需要进行活动人员数量估计的待估计区域内，进行离线训练的步骤如下：
(1)采集已知活动人员数量的信道状态信息：
利用人数估计系统，采集待估计区域内已知活动人员数量的信道状态信息；
(2)用信道状态信息特征提取算法，对已知活动人员数量的信道状态信息进行处理，得到已知活动人员数量的信道状态信息特征：
(2a)设定一个长度为L的滑动窗口，L的取值为大于0的整数；
(2b)用滑动窗口对已知活动人员数量的信道状态信息进行采样，将采样后的已知活动人员数量的信道状态信息序列作为待处理信道状态信息序列；
(2c)利用均值公式和标准差公式，分别计算待处理信道状态信息序列中的每一个子载波数据的均值和标准差；
(2d)去除待处理信道状态信息序列中每一个子载波数据中的异常数据，得到去除异常数据后的信道状态信息序列；
(2e)利用方差公式，计算去除异常数据后的信道状态信息序列中每一个子载波数据的方差：
(2f)将去除异常数据后的信道状态信息序列的所有子载波数据的方差组成向量，作为已知活动人员数量的信道状态信息特征；
(3)训练支持向量机分类器：
用已知活动人员数量的信道状态信息特征对支持向量机分类器进行训练，得到训练好的分类器；
在与离线训练阶段的相同待估计区域内，使用训练好的分类器，进行在线估计活动人员数量的步骤如下：
(4)采集待估计活动人员数量的信道状态信息：
使用与离线训练阶段采集信道状态信息时相同的人数估计系统，在与离线训练阶段相同区域内，采集待估计活动人员数量的信道状态信息；
(5)提取待估计活动人员数量的信道状态信息特征：
用与离线训练阶段相同的信道状态信息特征提取算法，对待估计活动人员数量的信道状态信息进行处理，得到待估计活动人员数量的信道状态信息特征；
(6)估计活动人员数量：
用离线训练阶段训练好的分类器，对待估计活动人员数量的信道状态信息特征进行分类，得到活动人员数量。
本发明与现有技术相比具有以下优点：
第一，由于本发明在离线训练阶段和在线估计阶段，均采用信道状态信息特征提取的方法，所提取的信道状态信息特征能够准确地区分不同的活动人员数量，克服了现有技术中活动人员数量估计的准确度不高的问题，使得本发明对活动人员数量的估计准确度更高。
第二，由于本发明在离线训练阶段和在线估计阶段，均采用支持向量机分类器，能够更好地区分不同活动人员数量的信道状态信息特征，克服了现有技术中活动人员数量估计结果波动较大的问题，使得本发明对活动人员数量进行在线估计所得结果的稳定性更好。
附图说明
图1是本发明的流程图；
图2是本发明的信道状态信息特征提取流程图；
图3是本发明的仿真图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1，本发明实现的具体步骤如下：
在需要进行活动人员数量估计的待估计区域内，进行离线训练的步骤如下：
步骤1，采集已知活动人员数量的信道状态信息。
在待估计区域设置一个人数估计系统，其中包括一个无线接入点，4个监测点以及一个中心服务器，4个监测点均安装有具备采集信道状态信息能力的无线网卡，无线接入点建立基于802.11n无线局域网通信标准协议的无线网络，所有监测点及中心服务器均与无线接入点建立连接。各监测点以每秒200次的频率向无线接入点持续发送ping命令数据包，并根据无线接入点返回的ICMP应答数据包来计算信道状态信息，同时各监测点将采集得到的信道状态信息通过无线接入点实时发送到中心服务器。
利用人数估计系统，采集待估计区域内已知活动人员数量的信道状态信息作为离线训练阶段所用的数据。
步骤2，用信道状态信息特征提取算法，对已知活动人员数量的信道状态信息进行处理，提取已知活动人员数量的信道状态信息特征。
本发明实施例是中心服务器通过信道状态信息特征提取算法，对4个监测点的已知活动人员数量的信道状态信息进行处理，得到已知活动人员数量的信道状态信息特征。
参照图2，对本发明的信道状态信息特征提取算法的具体步骤描述如下。
第1步，设定一个长度为L的滑动窗口，L的取值为大于0的整数。
第2步，用滑动窗口对信道状态信息进行采样，将采样后的信道状态信息序列作为待处理信道状态信息序列。
第3步，利用下式，计算待处理信道状态信息序列每一个子载波上的数据的均值和标准差：
其中，μk表示待处理信道状态信息序列中所有信道状态信息记录的第k个子载波上数据的均值，∑表示求和操作，i表示待处理信道状态信息序列中信道状态信息记录的索引号，表示待处理信道状态信息序列中第i条信道状态信息记录上的第k个子载波上的数据，σk表示待处理信道状态信息序列中所有信道状态信息记录的第k个子载波上数据的标准差，表示开平方操作，L表示滑动窗口的大小。
第4步，去除待处理信道状态信息序列每一个子载波上的数据中的异常数据，得到去除异常数据后的信道状态信息序列。
所述异常数据是指，待处理信道状态信息序列的每一个子载波数据中位于[μk-3*σk,μk+3*σk]范围之外的数据，其中，μk表示待处理信道状态信息序列中所有信道状态信息记录的第k个子载波数据的均值，σk表示待处理信道状态信息序列中所有信道状态信息记录的第k个子载波数据的标准差，*表示相乘操作。
第5步，利用下式，计算去除异常值后的信道状态信息序列中每一个子载波上的数据的方差：
其中，表示去除异常值后的信道状态信息序列中所有信道状态信息记录的第k个子载波上数据的均值，l表示去除异常值后的信道状态信息序列中信道状态信息记录的数量，表示去除异常值后的信道状态信息序列中第i条信道状态信息记录上的第k个子载波上的数据，δk表示去除异常值后的信道状态信息序列中所有信道状态信息记录的第k个子载波上数据的标准差。
第6步，将去除异常数据后的信道状态信息序列所有子载波上的数据的方差组合成向量，作为信道状态信息特征。
步骤3，训练支持支持向量机分类器。
本发明实施例是中心服务器用已知活动人员数量的信道状态信息特征对支持向量机分类器进行训练，得到训练好的分类器。
在与离线训练阶段的相同待估计区域内，使用训练好的分类器，进行在线估计活动人员数量的步骤如下：
步骤4，采集待估计活动人员数量的信道状态信息。
使用与离线训练阶段采集信道状态信息时相同的人数估计系统，在与离线训练阶段相同区域内，采集待估计活动人员数量的信道状态信息。
步骤5，提取信道状态信息特征。
本发明实施例是中心服务器用与离线训练阶段相同的信道状态信息特征提取算法，对4个监测点采集得到的待估计活动人员数量的信道状态信息进行处理，得到待估计活动人员数量的信道状态信息特征。
参照图2，对本发明的信道状态信息特征提取算法的具体步骤描述如下。
第1步，设定一个长度为L的滑动窗口，L的取值为大于0的整数。
第2步，用滑动窗口对信道状态信息进行采样，将采样后的信道状态信息序列作为待处理信道状态信息序列。
第3步，利用下式，计算待处理信道状态信息序列每一个子载波上的数据的均值和标准差：
其中，μk表示待处理信道状态信息序列中所有信道状态信息记录的第k个子载波上数据的均值，∑表示求和操作，i表示待处理信道状态信息序列中信道状态信息记录的索引号，表示待处理信道状态信息序列中第i条信道状态信息记录上的第k个子载波上的数据，σk表示待处理信道状态信息序列中所有信道状态信息记录的第k个子载波上数据的标准差，表示开平方操作，L表示滑动窗口的大小。
第4步，去除待处理信道状态信息序列每一个子载波上的数据中的异常数据，得到去除异常数据后的信道状态信息序列。
所述异常数据是指，待处理信道状态信息序列的每一个子载波数据中位于[μk-3*σk,μk+3*σk]范围之外的数据，其中，μk表示待处理信道状态信息序列中所有信道状态信息记录的第k个子载波数据的均值，σk表示待处理信道状态信息序列中所有信道状态信息记录的第k个子载波数据的标准差，*表示相乘操作。
第5步，利用下式，计算去除异常值后的信道状态信息序列中每一个子载波上的数据的方差：
其中，表示去除异常值后的信道状态信息序列中所有信道状态信息记录的第k个子载波上数据的均值，l表示去除异常值后的信道状态信息序列中信道状态信息记录的数量，表示去除异常值后的信道状态信息序列中第i条信道状态信息记录上的第k个子载波上的数据，δk表示去除异常值后的信道状态信息序列中所有信道状态信息记录的第k个子载波上数据的标准差。
第6步，将去除异常数据后的信道状态信息序列所有子载波上的数据的方差组合成向量，作为信道状态信息特征。
步骤6，活动人数估计。
本发明实施例是中心服务器用离线训练阶段训练好的分类器，对待估计活动人员数量的信道状态信息特征进行分类，得到活动人员数量。
下面结合仿真图对本发明的效果做进一步的描述。
1、仿真实验条件：
硬件环境：Intel Core i7-4770k,3.5GHz,8GB RAM；
软件环境：Windows 7，MATLAB R2015b；
2、仿真内容与仿真结果分析：
本发明在办公室环境中进行了测试，在离线训练阶段，分别采集了办公室内有1到6个活动人员的信道状态信息，用信道状态信息提取算法提取其信道状态信息特征用于训练支持向量机分类器。在本发明仿真的在线估计阶段，让未知数量的人员在办公室内活动，采集待估计活动人员数量的信道状态信息，用信道状态信息提取算法，提取其信道状态信息特征，并用在离线训练阶段得到的分类器对其进行分类，得到活动人员数量的估计值。为说明本发明的仿真效果，定义估计误差为在线训练阶段得到活动人员数量的估计值与办公室内实际人数之间差值的绝对值，估计误差累积概率定义为估计误差小于或等于T的在线估计次数与总在线估计次数的比值，其中T的取值为正整数。本发明的仿真实验重复进行200次在线估计的过程，得到仿真结果如图3所示的估计误差累积概率分布曲线和如表1所示的估计误差累积概率分布表。
图3的仿真结果图中的横坐标表示估计误差，纵坐标表示估计误差累积概率分布。由表1所示的估计误差累积概率分布表可以看到，本发明的方法估计误差小于或等于1人的概率为97％，估计误差小于或等于2人的概率为100％，由此说明本发明具有很高的估计准确度。
表1 估计误差累积概率分布表
估计误差 小于或等于1人 小于或等于2人
估计误差累积概率分布 0.97 1.00

Claims (4)

1.一种基于信道状态信息的活动人员数量估计方法，包括离线训练和在线估计两个阶段，具体步骤包括如下：
在需要进行活动人员数量估计的待估计区域内，进行离线训练的步骤如下：
(1)采集已知活动人员数量的信道状态信息：
利用人数估计系统，采集待估计区域内已知活动人员数量的信道状态信息；
(2)用信道状态信息特征提取算法，对已知活动人员数量的信道状态信息进行处理，得到已知活动人员数量的信道状态信息特征：
(2a)设定一个长度为L的滑动窗口，L的取值为大于0的整数；
(2b)用滑动窗口对已知活动人员数量的信道状态信息进行采样，将采样后的已知活动人员数量的信道状态信息序列作为待处理信道状态信息序列；
(2c)利用均值公式和标准差公式，分别计算待处理信道状态信息序列中的每一个子载波数据的均值和标准差；
(2d)去除待处理信道状态信息序列中每一个子载波数据中的异常数据，得到去除异常数据后的信道状态信息序列；
所述的异常数据是指，待处理信道状态信息序列的每一个子载波数据中位于[μk-3*σk,μk+3*σk]范围之外的数据，其中，μk表示待处理信道状态信息序列中所有信道状态信息记录的第k个子载波数据的均值，σk表示待处理信道状态信息序列中所有信道状态信息记录的第k个子载波数据的标准差，*表示相乘操作；
(2e)利用方差公式，计算去除异常数据后的信道状态信息序列中每一个子载波数据的方差：
(2f)将去除异常数据后的信道状态信息序列的所有子载波数据的方差组成向量，作为已知活动人员数量的信道状态信息特征；
(3)训练支持向量机分类器：
用已知活动人员数量的信道状态信息特征对支持向量机分类器进行训练，得到训练好的分类器；
在与离线训练阶段的相同待估计区域内，使用训练好的分类器，进行在线估计活动人员数量的步骤如下：
(4)采集待估计活动人员数量的信道状态信息：
使用与离线训练阶段采集信道状态信息时相同的人数估计系统，在与离线训练阶段相同区域内，采集待估计活动人员数量的信道状态信息；
(5)提取待估计活动人员数量的信道状态信息特征：
用与离线训练阶段相同的信道状态信息特征提取算法，对待估计活动人员数量的信道状态信息进行处理，得到待估计活动人员数量的信道状态信息特征；
(6)估计活动人员数量：
用离线训练阶段训练好的分类器，对待估计活动人员数量的信道状态信息特征进行分类，得到活动人员数量。
2.根据权利要求1所述的基于信道状态信息的活动人员数量估计方法，其特征在于：步骤(1)中所述的人数估计系统包括一个无线接入点，一个中心服务器以及N个监测点，每个监测点均安装有具备采集信道状态信息能力的无线网卡，其中N的取值范围为[0,w]，w表示待估计区域的面积。
3.根据权利要求1所述的基于信道状态信息的活动人员数量估计方法，其特征在于：步骤(2c)所述的均值公式和标准差公式如下：
其中，μk表示待处理信道状态信息序列中所有信道状态信息记录的第k个子载波数据的均值，L表示滑动窗口的大小，∑表示求和操作，i表示待处理信道状态信息序列中信道状态信息记录的索引号，表示待处理信道状态信息序列中第i条信道状态信息记录的第k个子载波数据，σk表示待处理信道状态信息序列中所有信道状态信息记录的第k个子载波数据的标准差，表示取平方根操作。
4.根据权利要求1所述的基于信道状态信息的活动人员数量估计方法，其特征在于：步骤(2e)所述的方差公式如下：
其中，表示去除异常数据后的信道状态信息序列中所有信道状态信息记录的第k个子载波数据的均值，l表示去除异常数据后的信道状态信息序列中信道状态信息记录的数量，表示去除异常数据后的信道状态信息序列中第i条信道状态信息记录的第k个子载波数据，δk表示去除异常数据后的信道状态信息序列中所有信道状态信息记录的第k个子载波数据的方差。
CN201710195058.XA 2017-03-29 2017-03-29 基于信道状态信息的活动人员数量估计方法 Expired - Fee Related CN107154088B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710195058.XA CN107154088B (zh) 2017-03-29 2017-03-29 基于信道状态信息的活动人员数量估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710195058.XA CN107154088B (zh) 2017-03-29 2017-03-29 基于信道状态信息的活动人员数量估计方法

Publications (2)

Publication Number Publication Date
CN107154088A CN107154088A (zh) 2017-09-12
CN107154088B true CN107154088B (zh) 2019-03-26

Family

ID=59792548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710195058.XA Expired - Fee Related CN107154088B (zh) 2017-03-29 2017-03-29 基于信道状态信息的活动人员数量估计方法

Country Status (1)

Country Link
CN (1) CN107154088B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110337066A (zh) * 2019-05-21 2019-10-15 西安电子科技大学 基于信道状态信息室内人员活动识别方法、人机交互系统

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107797153B (zh) * 2017-10-23 2019-07-12 上海百芝龙网络科技有限公司 一种基于WiFi信号的门窗开闭状态检测方法
CN108122310A (zh) * 2017-11-20 2018-06-05 电子科技大学 一种基于WiFi信道状态信息和动态时间规整的人流量统计方法
CN107992882A (zh) * 2017-11-20 2018-05-04 电子科技大学 一种基于WiFi信道状态信息和支持向量机的室内人数统计方法
CN107947874B (zh) * 2017-11-21 2020-10-30 太原理工大学 基于WiFi信道状态信息的室内地图语义标识方法
CN108337055B (zh) * 2018-01-29 2021-03-02 中国矿业大学 一种基于信道状态信息的矿难人员监测方法
CN109255874B (zh) * 2018-09-19 2021-02-02 电子科技大学 一种基于普通商用WiFi设备的通行及人数检测方法
CN109472291A (zh) * 2018-10-11 2019-03-15 浙江工业大学 一种基于dnn算法的人数统计分类方法
CN109728863A (zh) * 2018-12-26 2019-05-07 河北工程大学 人员活动持续时间估计方法、装置和终端设备
CN111030766B (zh) * 2019-12-13 2022-05-06 福州大学 一种基于wifi信号的人流量检测方法及系统
CN113556192B (zh) * 2020-04-26 2022-10-28 阿里巴巴集团控股有限公司 检测方法、装置、设备、系统、无线设备及基站设备
CN114359738B (zh) * 2022-03-16 2022-06-14 深圳大学 一种跨场景鲁棒的室内人数无线检测方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102044073B (zh) * 2009-10-09 2013-05-29 汉王科技股份有限公司 判断图像中人群密度的方法及系统
CN104239951B (zh) * 2014-09-10 2017-01-25 西安交通大学 一种利用信道状态信息的非绑定人数计数方法
CN105933080B (zh) * 2016-01-20 2020-11-03 北京大学 一种跌倒检测方法和系统
CN106175767A (zh) * 2016-07-01 2016-12-07 华中科技大学 一种非接触式的多人呼吸参数实时检测方法及系统
CN106411433B (zh) * 2016-09-08 2019-12-06 哈尔滨工程大学 一种基于wlan的细粒度室内被动入侵检测方法
CN106446828A (zh) * 2016-09-22 2017-02-22 西北工业大学 一种基于Wi‑Fi信号的用户身份识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110337066A (zh) * 2019-05-21 2019-10-15 西安电子科技大学 基于信道状态信息室内人员活动识别方法、人机交互系统
CN110337066B (zh) * 2019-05-21 2021-04-16 西安电子科技大学 基于信道状态信息室内人员活动识别方法、人机交互系统

Also Published As

Publication number Publication date
CN107154088A (zh) 2017-09-12

Similar Documents

Publication Publication Date Title
CN107154088B (zh) 基于信道状态信息的活动人员数量估计方法
WO2021189730A1 (zh) 检测异常高密子图的方法、装置、设备及存储介质
CN105678273B (zh) 射频指纹识别技术瞬态信号的起始点检测算法
CN109726735A (zh) 一种基于K-means聚类和随机森林算法的移动应用程序识别方法
CN109858522A (zh) 一种基于数据挖掘的管理线损异常识别方法
CN105261152B (zh) 基于聚类分析的空中交通管制员疲劳检测方法、装置和系统
CN110504679A (zh) 一种基于km匹配算法的非侵入式负荷辨识方法
WO2018068521A1 (zh) 一种人群分析方法及计算机设备
CN113645182B (zh) 一种基于二次特征筛选的拒绝服务攻击随机森林检测方法
CN110730473A (zh) 面向WiFi活动识别的信号特征提取方法
CN108268894A (zh) 一种基于网络可视图的人体朝向检测方法
CN110659682A (zh) 一种基于MCWD-KSMOTE-AdaBoost-DenseNet算法的数据分类方法
WO2021109672A1 (zh) 一种噪声增强射频指纹识别方法及装置
CN107451605A (zh) 一种基于信道状态信息和支持向量机的简单目标识别方法
Huang et al. Detection of Wi-Fi transmitter transients using statistical method
CN117463506B (zh) 自适应恒流恒压控制高压电源
CN110135390A (zh) 基于主信号抑制的辐射源个体识别方法
CN110071884A (zh) 一种基于改进熵云特征的通信信号调制识别方法
CN105848200B (zh) 一种td-scdma系统中上行能量测量方法及装置
CN110575176B (zh) 基于两层滑动窗口阈值的动作分割方法
CN108446739A (zh) 一种数据录入监测方法及装置
Köse et al. The effect of transient detection errors on RF fingerprint classification performance
CN111062294B (zh) 一种客流排队时间的检测方法、装置及系统
CN114330443A (zh) 一种基于信道状态信息的室内人群计数方法
CN113794653A (zh) 一种基于抽样数据流的高速网络流量分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20191209

Address after: Xi'an City, Shaanxi province Taibai Road 710071 No. 2

Co-patentee after: BEIJING SIMULATION CENTER

Patentee after: XIDIAN University

Address before: Xi'an City, Shaanxi province Taibai Road 710071 No. 2

Patentee before: XIDIAN University

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190326