CN108901021B - 一种基于无线网络信道状态信息的深度学习身份识别系统及方法 - Google Patents
一种基于无线网络信道状态信息的深度学习身份识别系统及方法 Download PDFInfo
- Publication number
- CN108901021B CN108901021B CN201810543331.8A CN201810543331A CN108901021B CN 108901021 B CN108901021 B CN 108901021B CN 201810543331 A CN201810543331 A CN 201810543331A CN 108901021 B CN108901021 B CN 108901021B
- Authority
- CN
- China
- Prior art keywords
- data
- csi
- wireless signal
- information
- cloud server
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/06—Authentication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/12—Detection or prevention of fraud
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Mobile Radio Communication Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于身份识别技术领域,一种基于无线网络信道状态信息的深度学习身份识别系统及方法。一种基于无线网络信道状态信息的深度学习身份识别系统,包括无线信号发射器、无线信号接收器、控制端和云服务器;无线信号接收器和无线信号发射器均搭载无线网卡,二者相隔置于房间内;无线信号发射器用于发送带有CSI信息的无线信号,无线信号接收器用于获取环境中的无线网络信道状态信息并上传至云服务器。本发明的系统有望填补无源身份识别应用的空白,为基于深度学习的无源识别、定位打造应用示例。该系统可广泛应用于人事考勤、智能家庭入侵检测、病患监护等领域。
Description
技术领域
本发明属于身份识别技术领域,涉及一种基于无线网络信道状态信息的深度学习身份识别系统及方法,本系统是一个利用常见的WiFi信号的进行CSI(Channel StateInformation信道状态信息)信号的采样识别,配合特有的深度机器学习算法对WiFi的CSI信号进行模型识别训练,由此实现人体身份识别的识别系统。
背景技术
在健康监护、安全检测、智能家居等应用场景中,身份识别扮演着非常重要的角色。现有有源身份识别系统一般采用指纹识别、虹膜识别等技术,虽能实现识别、认证功能,但被测用户需要做出指定动作,且存在诸如设备昂贵、识别地点受限等问题。无源感知作为一种新型感知技术,它能使被感知对象在不携带任何设备或电子标签的情况下,只要进入待测区域即能被感知,是一种高效、廉价的被动感知技术,具有广泛的应用前景。本项目针对以上问题,以强普适性的WiFi信号作为研究对象。WiFi信号覆盖广泛、是一种普适信号。但对于WiFi的应用仅限于无线数据传输,没有深度挖掘其潜在应用价值,即WiFi信号的CSI具有细粒度的特点。因此本项目基于这一特点,设计并实现了智能家居无源身份识别系统。
WiFi作为一种无源感知应用最理想的信号,具有强普适性并随处可见。但目前针对WiFi信号的使用还仅限于高速数据传输,对其物理层的特性的挖掘还远远不够。WiFi信号传输的过程可用信道状态信息(Channel State Information,CSI)来描述,它记录了信号在每条传输路径上的衰弱因子,其中蕴含了诸如散射、环境衰弱、距离衰减等信息。受环境因素影响,经多径传播的WiFi信号携带了大量信息,只需深度解读WiFi CSI数据,就可挖掘出信号中隐含的环境信息;由于CSI具有细粒度、敏感度高等特点,加之WiFi的高覆盖率、高普适等特性,目前WiFi CSI已经逐渐应用于室内定位,动作识别,身份认证等领域。
发明内容
本发明解决的问题是如何运用物理层的WiFi-CSI信息,通过深度学习的方式从而实现对人类身份的识别。本发明目的以无源感知身份认证为研究内容,实现了一种基于深度学习的高精度识别系统,通过结合信号处理、深度学习等技术,最终为拓展深度学习技术在无源感知身份认证、识别领域的应用提供理论依据和实践经验,设计的系统为无源识别与追踪、室内入侵检测、公司签到等应用提供了新的设计思路和应用原型。
本发明的技术方案:
一种基于无线网络信道状态信息的深度学习身份识别系统,包括无线信号发射器、无线信号接收器、控制端和云服务器;
所述的无线信号接收器和无线信号发射器均搭载无线网卡,二者相隔置于房间内;无线信号发射器用于发送带有CSI信息的无线信号,无线信号接收器用于获取环境中的无线网络信道状态信息并上传至云服务器;
所述的云服务器包括数据采集模块、CSI池、数据预处理模块和识别/认证模块;数据采集模块使用路由器和配备网卡的PC机对用户及用户动作进行数据采集,并将网卡解析出WiFi信号的CSI信息存储到CSI池中;CSI池用于存储用户及用户动作的CSI信息,为后续数据预处理模块提供数据来源;数据预处理模块对CSI信息进行低通滤波降噪和分割,并提取特征数据;识别/认证模块用于对特征数据进行训练、验证和测试,并通过深度网络训练模型完成身份识别、动作识别、迁移学习和入侵检测;
所述的控制端与无线信号接收器、云服务器相通信,用于将用户的基本信息发送至云服务器,并对用户的身份进行实时监控和预警;
所述的控制端为网页或手机用户端。
所述的CSI信息特征数据包括活动数据和步态数据。
本发明的有益效果:结合上述所述方法,设计并开发基于深度学习的无源实时身份识别系统。提取CSI特征,建立CSI数据库,识别过程中,采用基于CNN+ResNet算法,实现对身份的高精度实时识别。所开发的系统有望填补无源身份识别应用的空白,为基于深度学习的无源识别、定位打造应用示例。该系统可广泛应用于人事考勤、智能家庭入侵检测、个性化LBS服务等领域。
附图说明
图1为系统组成图。
图2为无线信号发射器和无线信号接收器的信号交互示意图。
图3为云服务器的结构示意图。
图4为深度学习认证识别算法流程图。
图5为残差网络网络结构。
具体实施方式
下面将结合具体实施例和附图对本发明的技术方案进行进一步的说明。
一种基于无线网络信道状态信息的深度学习身份识别系统,包括无线信号发射器、无线信号接收器、控制端和云服务器;
所述的无线信号接收器和无线信号发射器均搭载无线网卡,二者相隔置于房间内;无线信号发射器用于发送带有CSI信息的无线信号,无线信号接收器用于获取环境中的无线网络信道状态信息并上传至云服务器;
所述的云服务器包括数据采集模块、CSI池、数据预处理模块和识别/认证模块;数据采集模块使用路由器和配备网卡的PC机对用户及用户动作进行数据采集,并将网卡解析出WiFi信号的CSI信息存储到CSI池中;CSI池用于存储用户及用户动作的CSI信息,为后续数据预处理模块提供数据来源;数据预处理模块对CSI信息进行低通滤波降噪和分割,并提取特征数据;识别/认证模块用于对特征数据进行训练、验证和测试,并通过深度网络训练模型完成身份识别、动作识别、迁移学习和入侵检测;
所述的控制端与无线信号接收器、云服务器相通信,用于将用户的基本信息发送至云服务器,并对用户的身份进行实时监控和预警;
所述的控制端为网页或手机用户端。
所述的CSI信息特征数据包括活动数据和步态数据。
一种基于无线网络信道状态信息的深度学习身份识别方法,步骤如下:
步骤一,无线信号发射器发送无线信号,无线信号接收器收集并提取空环境下无线信号的CSI信息并将其上传至云服务器上;
步骤二,用户首次进入该房间,对无线网络信道状态信息造成明显扰动,此时无线信号发射器中的无线网卡将有用户时的环境CSI信息上传至云服务器上,同时使用控制端将用户的基本信息发送至云服务器,并存储在CSI池中;
步骤三,云服务器对步骤二中的CSI信息先进行数据预处理,然后利用深度学习算法对预处理后的数据进行深度学习建模;
CSI信息的数据预处理,具体步骤如下:
(1)数据变换:将CSI信息的振幅数据变换和放大,从变换后的数据中读取相关动作影响的数据;
(2)CSI自动分割:利用动作间隙和CSI信号的振幅数据波形平稳的特点,将整个CSI信息的振幅数据密度最大、振幅最平稳的部分识别出来,剩余部分则是单个动作数据;通过逐步增大动态阈值的方法,当相应数据达到约束条件时,则自动识别出每条CSI副载波的动作间隙数据;
确定动态阈值v:如公式(2)所示,当选取的阈值满足公式(3)的条件时,则判定找到了动态阈值:
Cv=(y∈Yi,y1+(v-1)·l<y≤y1+v·l} (2)
挑选主要副载波:运用SVD分解出矩阵奇异值,计算每条CSI副载波的特征值能量,选取大于总能量50%的CSI副载波作为主要CSI副载波;
利用SVD寻找起主导作用的副载波:
∑=T(Y×(YT)) (5)
∑(∑′)=μ×∑(∑′) (6);
其中,其中S是双射,它将C1中的元素映射到对应的时域Ti,t是c的对应时间,w是移动窗口大小。由于变换后的数据Yi和原始数据Xi在时域上只存在微小差异w,该映射方法可以找出原始去噪CSI数据流Xi中的活动间隔的时间。T()为求CSI数据流对应矩阵的特征值,μ为所选主要CSI数据流的重要程度.
(3)数据整合:对所有挑选出来的主要CSI副载波进行自动分割,将每条CSI副载波检测到的动作发生时间进行交集操作,得到的合集作为每个动作的准确发生时间;然后截取此时间段内的所有数据,其余数据变成零,并将所有数据流用零补齐为等长的序列,制作成稀疏矩阵作为deep learning算法的输入;
交集操作:
其中,Yk为第i条CSI数据流,Y′为所有的动作间隔区间,U为对应动作间隔区间的总和;Xi(m)是指我们选取每个经过降噪的CSI幅度流Xi中属于动作间隔区间的数据,将其数值变为0;
深度学习建模,具体步骤如下:
(1)深度学习模块:待处理的CSI数据具有维度多、层次深、环境敏感的特点,因此使用CNN+ResNet相结合的方法,设计的网络结构中,包含一层CNN结构和18层ResNet结构,先利用卷积神经网络CNN进行数据采样,整理输入数据,然后利用残差网络ResNet完整抽取动作数据深层次特征,如公式(9)所示:
(2)全局平均池化(Global average pooling):采用全局平均池化代替全连接层,均匀接收并保留抽取出的所有特征信息,并且输出维度为所需分类数,确保分类精度;
(3)利用Softmax分类器进行特征分类,计算每种分类的概率大小,并根据概率大小输出预测标签,具体表达式为:
(4)利用Loss函数比较预测label数据和真实label之间的差距,通过最小化Loss使得网络适应输入数据;使用loss函数解决的两个问题:A识别并分类动作、人物;B识别非法人员;设计出两个相应的Loss函数:
(5)基于双Loss函数的分类算法进行身份识别:当p=0时,表明没有非法人员,选择Loss1作为loss函数,实现多分类操作,即实现人物识别或动作识别;当p≠0时,则存在非法人员,首先选择Loss1实现多分类操作,其次利用Loss2进行二分类操作,分辨用户合法性。
步骤四,当用户再次进入该房间内时,无线信号接收器再次将CSI信号上传至云服务器,云服务器利用训练好的模型对CSI信号进行人物身份匹配验证;同时与CSI池中中人物信息进行匹配,显示出人物身份并发送给控制端,当未在数据库中发现该人物信息时,则云服务器向控制端发出警报信息。
Claims (1)
1.一种基于无线网络信道状态信息的深度学习身份识别系统的识别方法,其特征在于,所述的基于无线网络信道状态信息的深度学习身份识别系统包括无线信号发射器、无线信号接收器、控制端和云服务器;
所述的无线信号接收器和无线信号发射器均搭载无线网卡,二者相隔置于房间内;无线信号发射器用于发送带有CSI信息的无线信号,无线信号接收器将CSI信息上传至云服务器;
所述的云服务器包括数据采集模块、CSI池、数据预处理模块和识别/认证模块;数据采集模块使用路由器和配备网卡的PC机对用户进行数据采集,并将采集到的CSI信息存储到CSI池中;CSI池用于存储用户的CSI信息,为后续数据预处理模块提供数据来源;数据预处理模块对CSI信息进行低通滤波降噪和分割,并提取特征数据;识别/认证模块用于对特征数据进行训练、验证和测试,并通过深度网络训练模型完成身份识别、动作识别、迁移学习和入侵检测;
所述的控制端与无线信号接收器、云服务器相通信,用于将用户的基本信息发送至云服务器,并对用户的身份进行实时监控和预警;
所述的控制端为网页或手机用户端;
所述的CSI信息特征数据包括活动数据和步态数据;
所述的一种基于无线网络信道状态信息的深度学习身份识别方法,步骤如下:
步骤一,无线信号发射器发送无线信号,无线信号接收器收集并提取空环境下无线信号的CSI信息并将其上传至云服务器上;
步骤二,用户首次进入房间,对无线网络CSI信息造成明显扰动,此时无线信号发射器中的无线网卡将有用户时的环境CSI信息上传至云服务器上,同时使用控制端将用户的基本信息发送至云服务器,并存储在CSI池中;
步骤三,云服务器对步骤二中的CSI信息先进行数据预处理,然后利用深度学习算法对预处理后的数据进行深度学习建模;
CSI信息的数据预处理,具体步骤如下:
(1)数据变换:将CSI信息的振幅数据变换和放大,从变换后的数据中读取相关动作影响的数据;
(2)CSI自动分割:利用动作间隙和CSI信号的振幅数据波形平稳的特点,将整个CSI信息的振幅数据密度最大、振幅最平稳的部分识别出来,剩余部分则是单个动作数据;通过逐步增大动态阈值的方法,当相应数据达到约束条件时,则自动识别出每条CSI副载波的动作间隙数据;
确定动态阈值v:如公式(2)所示,当选取的阈值满足公式(3)的条件时,则判定找到了动态阈值:
Cv={y∈Yi,y1+(v-1)·l<y≤y1+v·l} (2)
挑选主要副载波:运用SVD分解出矩阵奇异值,计算每条CSI副载波的特征值能量,选取大于总能量50%的CSI副载波作为主要CSI副载波;
利用SVD寻找起主导作用的副载波:
∑=T(Y×(YT)) (5)
∑(∑′)=μ×∑(∑) (6)
其中,S是双射,将C1中的元素映射到对应的时域Ti,t是c的对应时间,w是移动窗口大小;由于变换后的数据Yi和原始数据Xi在时域上只存在微小差异w,该映射方法找出原始去噪CSI数据流Xi中的活动间隔的时间;T()为求CSI数据流对应矩阵的特征值,μ为所选CSI数据流的重要程度;
(3)数据整合:对所有挑选出来的主要CSI副载波进行自动分割,将每条CSI副载波检测到的动作发生时间进行交集操作,得到的合集作为每个动作的准确发生时间;然后截取此时间段内的所有数据,其余数据变成零,并将所有数据流用零补齐为等长的序列,制作成稀疏矩阵作为深度学习算法的输入;
交集操作:
其中,Yh为第h条CSI数据流,Y′为所有的动作间隔区间,U为对应动作间隔区间的总和;Xi(m)是指我们选取每个经过降噪的CSI幅度流Xi中属于动作间隔区间的数据,将其数值变为0;
深度学习建模,具体步骤如下:
(1)深度学习模块:待处理的CSI数据具有维度多、层次深、环境敏感的特点,使用CNN+ResNet相结合的方法,设计的网络结构中,包含一层CNN结构和18层ResNet结构,先利用卷积神经网络CNN进行数据采样,整理输入数据,然后利用残差网络ResNet完整抽取动作数据深层次特征,如公式(9)所示:
(2)全局平均池化:采用全局平均池化代替全连接层,均匀接收并保留抽取出的所有特征信息,并且输出维度为所需分类数,确保分类精度;
(3)利用Softmax分类器进行特征分类,计算每种分类的概率大小,并根据概率大小输出预测标签,具体表达式为:
(4)利用Loss函数比较预测label数据和真实label之间的差距,通过最小化loss使得网络适应输入数据;使用Loss函数解决的两个问题:A识别并分类动作、人物;B识别非法人员;设计出两个相应的Loss函数:
(5)基于双Loss函数的分类算法进行身份识别:当p=0时,表明没有非法人员,选择Loss1作为Loss函数,实现多分类操作,即实现人物识别或手势识别;当p≠0时,则存在非法人员,首先选择Loss1实现多分类操作,其次利用Loss2进行二分类操作,分辨用户合法性;
步骤四,当用户再次进入房间内时,无线信号接收器再次将CSI信号上传至云服务器,云服务器利用训练好的模型对CSI信号进行人物身份匹配验证;同时与CSI池中人物信息进行匹配,显示出人物身份并发送给控制端,当未在数据库中发现该人物信息时,则云服务器向控制端发出警报信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810543331.8A CN108901021B (zh) | 2018-05-31 | 2018-05-31 | 一种基于无线网络信道状态信息的深度学习身份识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810543331.8A CN108901021B (zh) | 2018-05-31 | 2018-05-31 | 一种基于无线网络信道状态信息的深度学习身份识别系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108901021A CN108901021A (zh) | 2018-11-27 |
CN108901021B true CN108901021B (zh) | 2021-05-11 |
Family
ID=64343622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810543331.8A Active CN108901021B (zh) | 2018-05-31 | 2018-05-31 | 一种基于无线网络信道状态信息的深度学习身份识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108901021B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108901021B (zh) * | 2018-05-31 | 2021-05-11 | 大连理工大学 | 一种基于无线网络信道状态信息的深度学习身份识别系统及方法 |
WO2020037313A1 (en) * | 2018-08-17 | 2020-02-20 | The Regents Of The University Of California | Device-free-human identification and device-free gesture recognition |
CN109784212A (zh) * | 2018-12-27 | 2019-05-21 | 东莞理工学院 | 一种基于WiFi信号的生物打字识别方法 |
CN110288018B (zh) * | 2019-06-24 | 2022-08-12 | 桂林电子科技大学 | 一种融合深度学习模型的WiFi身份识别方法 |
CN110737201B (zh) * | 2019-10-11 | 2020-10-09 | 珠海格力电器股份有限公司 | 一种监护方法、装置、存储介质及空调 |
CN111082879B (zh) * | 2019-12-27 | 2022-02-01 | 南京邮电大学 | 一种基于深度时空模型的wifi感知方法 |
CN111355735A (zh) * | 2020-03-02 | 2020-06-30 | 北京芯盾时代科技有限公司 | 一种无感知身份认证方法、装置以及计算机可读存储介质 |
CN111339511A (zh) * | 2020-03-24 | 2020-06-26 | 河北工程大学 | 身份合法性验证方法、装置及终端设备 |
CN111491258B (zh) * | 2020-03-26 | 2022-07-12 | 微民保险代理有限公司 | 一种对象类型的检测方法和装置 |
US20230209325A1 (en) * | 2020-05-07 | 2023-06-29 | Lg Electronics Inc. | Method and device for generating user identification model on basis of wireless sensing |
CN111669820B (zh) * | 2020-05-27 | 2022-02-11 | 南京邮电大学 | 一种密度峰值异常检测方法及智能无源室内定位方法 |
CN111652132B (zh) * | 2020-06-03 | 2022-06-21 | 河北工程大学 | 基于深度学习的非视距身份识别方法、设备及存储介质 |
CN112218303B (zh) * | 2020-09-28 | 2022-02-18 | 上海交通大学 | 基于Wi-Fi识别系统的信号转换方法 |
CN113965362B (zh) * | 2021-10-11 | 2022-08-09 | 大连理工大学 | 一种基于WiFi信号感知的物联网家居智能防护系统及方法 |
CN114222202B (zh) * | 2021-11-22 | 2023-09-22 | 上海数川数据科技有限公司 | 一种基于WiFi CSI的环境自适应活动检测方法及系统 |
CN114520975B (zh) * | 2022-01-19 | 2023-08-08 | 大连理工大学 | 基于无线网络的轻量级无源身份认证系统及方法 |
CN115119146A (zh) * | 2022-05-19 | 2022-09-27 | 大连理工大学 | 一种基于wifi信号的隔离人员身份认证方法及装置 |
CN115396854A (zh) * | 2022-08-25 | 2022-11-25 | 深圳职业技术学院 | 一种工业物联网中的数据传输方法、第一通信节点及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951757A (zh) * | 2015-06-10 | 2015-09-30 | 南京大学 | 一种基于无线信号的动作检测和识别的方法 |
CN106407905A (zh) * | 2016-08-31 | 2017-02-15 | 电子科技大学 | 基于机器学习的无线感知动作识别方法 |
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 |
CN106658590A (zh) * | 2016-12-28 | 2017-05-10 | 南京航空航天大学 | 基于WiFi信道状态信息多人室内环境状态监控系统的设计与实现 |
CN106899968A (zh) * | 2016-12-29 | 2017-06-27 | 南京航空航天大学 | 一种基于WiFi信道状态信息的主动非接触身份认证方法 |
CN107527016A (zh) * | 2017-07-25 | 2017-12-29 | 西北工业大学 | 室内WiFi环境下基于动作序列检测的用户身份识别方法 |
CN108901021A (zh) * | 2018-05-31 | 2018-11-27 | 大连理工大学 | 一种基于无线网络信道状态信息的深度学习身份识别系统及方法 |
-
2018
- 2018-05-31 CN CN201810543331.8A patent/CN108901021B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951757A (zh) * | 2015-06-10 | 2015-09-30 | 南京大学 | 一种基于无线信号的动作检测和识别的方法 |
CN106407905A (zh) * | 2016-08-31 | 2017-02-15 | 电子科技大学 | 基于机器学习的无线感知动作识别方法 |
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 |
CN106658590A (zh) * | 2016-12-28 | 2017-05-10 | 南京航空航天大学 | 基于WiFi信道状态信息多人室内环境状态监控系统的设计与实现 |
CN106899968A (zh) * | 2016-12-29 | 2017-06-27 | 南京航空航天大学 | 一种基于WiFi信道状态信息的主动非接触身份认证方法 |
CN107527016A (zh) * | 2017-07-25 | 2017-12-29 | 西北工业大学 | 室内WiFi环境下基于动作序列检测的用户身份识别方法 |
CN108901021A (zh) * | 2018-05-31 | 2018-11-27 | 大连理工大学 | 一种基于无线网络信道状态信息的深度学习身份识别系统及方法 |
Non-Patent Citations (1)
Title |
---|
WiAU: An Accurate Device-Free Authentication System with ResNet;Chi Lin 等;《2018 15th Annual IEEE International Conference on Sensing Communication, and Networking(SECON)》;20180613;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108901021A (zh) | 2018-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108901021B (zh) | 一种基于无线网络信道状态信息的深度学习身份识别系统及方法 | |
Chen et al. | WiFi CSI based passive human activity recognition using attention based BLSTM | |
Khan et al. | Deep unified model for face recognition based on convolution neural network and edge computing | |
Zou et al. | Deepsense: Device-free human activity recognition via autoencoder long-term recurrent convolutional network | |
US11005872B2 (en) | Anomaly detection in cybersecurity and fraud applications | |
Lee et al. | Time series segmentation through automatic feature learning | |
CN106899968B (zh) | 一种基于WiFi信道状态信息的主动非接触身份认证方法 | |
Ibrahim et al. | CrossCount: A deep learning system for device-free human counting using WiFi | |
CN107480699A (zh) | 一种基于信道状态信息和支持向量机的入侵检测方法 | |
US20180041765A1 (en) | Compact video representation for video event retrieval and recognition | |
Stocker et al. | Detection and classification of vehicles by measurement of road-pavement vibration and by means of supervised machine learning | |
CN104574555A (zh) | 基于稀疏表示的人脸分类算法的远距离考勤方法 | |
Zhu et al. | NotiFi: A ubiquitous WiFi-based abnormal activity detection system | |
CN114423034B (zh) | 一种室内人员动作识别方法、系统、介质、设备及终端 | |
Zhang et al. | Deeprisk: A deep transfer learning approach to migratable traffic risk estimation in intelligent transportation using social sensing | |
Wimalajeewa et al. | Compressive sensing-based detection with multimodal dependent data | |
CN113033654A (zh) | 基于WiFi信道状态信息的室内入侵检测方法及系统 | |
US20210241173A1 (en) | Device-free localization robust to environmental changes | |
Shao et al. | BLEDoorGuard: A device-free person identification framework using bluetooth signals for door access | |
Kim et al. | Deep neural network-based indoor emergency awareness using contextual information from sound, human activity, and indoor position on mobile device | |
She et al. | Importance of small probability events in big data: Information measures, applications, and challenges | |
Wu et al. | Topological machine learning for multivariate time series | |
Wu et al. | The construction of online course learning model of ideological and political education for college students from the perspective of machine learning | |
CN113570512A (zh) | 一种图像数据处理方法、计算机及可读存储介质 | |
Xu et al. | An information-theoretic approach for indirect train traffic monitoring using building vibration |
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 |