论文部分内容阅读
随着二十一世纪对于公共安全的重视和智慧物流智慧城市的兴起,政府和企业乃至个人对于了解液体的性质和类别有这迫切的需要。尽管,液体检测技术是相当成熟的,但是其高昂的价格阻碍了相关产品和仪器在市面上铺开。而另一方面,基于WIFI的信道状态信息(Channel state Information,CSI)的研究渐渐活跃起来,这些研究甚至赋予了商用的WIFI像摄像设备一样具有能听能看的能力,商用WIFI设备成本低廉且易于获得使得这类研究有着诱人的前景。本文试图利用商用WIFI信号穿过不同液体带来的CSI信号差异作为判断液体类型依据。商用WIFI的CSI信号差异容易被环境变化、网卡自身干扰和多径反射等现象掩盖,这我们分析CSI信息带来了挑战,又因为CSI信息量大,数据维度高,所以本文将CNN-SVM模型用于CSI分类当中,通过算法自我学习。本文有如下创新点:首先,文本首次提出了利用商用WIFI的信道状态信息去对液体进行模式识别。其次,本文采取了与众不同的预处理方法,和常见方法只利用部分CSI信息不同,本文将CSI的振幅和和天线间的相位差值处理成了一个7*30的矩阵供模型分析,最大限度的保留了 CSI信息。最后,基于预处理数据,本文将深度学习算法用于CSI的模式识别当中,根据CSI数据特点,本文首次将CNN-SVM应用在了 WIFI液体检测当中。本文完成了如下工作:首先,我们完成了采集与检测设备的软硬件和实验环境的选择与构建。其次,我们完成了数据集的收集工作,总共采集了6种不同的液体,数千个样本。最后,基于采集的数据集,本文提取CSI信息并进行了预处理,使用CNN-SVM模型进行模式识别,经过实验,我们发现CNN-SVM对于样本分类的准确率高达95%,该准确率显著地高于实验中的其他算法。通过以上工作,本文证明了可以使用WIFI进行液体的模式识别。同时也证明了基于WIFI的在液体分析中使用CNN-SVM分类能获得更好的结果。本文开拓性的提出使用廉价商用WIFI检测液体这一新方法,为后续研究乃至实践部署提供了坚实的理论和实验基础。