无线感知技术与应用

1. 内容由浅入深，全面系统。既注重无线感知的基本概念和工作原理等基础知识的介绍，还综合涵盖了WiFi等通信技术的内容。同时，书中还展示了无线感知技术在智能交通、医疗等领域的跨学科应用前景，知识面全，覆盖面广，语言通俗易懂。 2. 理论和编程实践相结合，书中展示了大量案例与实现，帮助读者快速入手实际应用开发。

本书全面系统地介绍了无线感知技术，包括基本理论、关键技术和案例应用。以WiFi感知技术为例，首先详细探讨了其基础理论，然后介绍了数据采集、实验环境搭建和数据可视化的步骤。同时，深入讨论了信号处理技术，包括信号去噪、转换和提取等。进一步分析了五种无线感知理论模型，如空间统计模型、菲涅尔区模型等，并探讨了机器学习和深度学习在无线感知中的应用原理。通过丰富的应用案例，详细分析了人工智能算法在WiFi感知中的实际应用。最后，讨论了无线感知技术在发展过程中的挑战和未来的发展趋势。
本书内容系统全面，案例丰富，讲解深入，适合通信工程、电子信息等相关专业本科生、研究生以及无线感知领域的研究人员和工程技术人员参考学习。

无

第1章 概论001
1.1 无线感知技术的定义002
1.2 无线感知分类003
1.2.1 WiFi感知003
1.2.2 毫米波雷达感知004
1.2.3 蓝牙感知005
1.2.4 RFID感知008
1.2.5 超声波感知009
1.2.6 感知技术优缺点比较011
1.3 无线感知相关基础理论012
1.3.1 无线感知目标检测理论012
1.3.2 无线感知目标定位理论015
1.3.3 无线感知目标成像理论020
本章小结023
第2章 无线感知技术基础024
2.1 电磁波与无线电波025
2.2 天线025
2.2.1 天线的概述026
2.2.2 天线的分类026
2.3 信号与信道027
2.3.1 信道的概念028
2.3.2 模拟信号和数字信号029
2.3.3 时域和频域030
2.3.4 信号传输与信号特征030
2.4 传播原理031
2.4.1 基本传播机制032
2.4.2 无线信道衰落032
2.4.3 室内无线信道衰减模型035
2.4.4 WiFi信号的传播模型036
2.5 正交频分复用(OFDM)038
2.5.1 OFDM的原理038
2.5.2 OFDM调制与解调039
2.5.3 OFDM的实现过程040
2.5.4 OFDM的保护间隔042
2.6 多输入多输出(MIMO)043
本章小结044
第3章 WiFiCSI信号采集045
3.1 CSI的介绍046
3.1.1 CSI的概述046
3.1.2 信道冲击响应(CIR)047
3.1.3 信道频率响应(CFR)048
3.1.4 信道状态信息(CSI)048
3.1.5 CSI的应用领域049
3.2 不同的CSI采集工具050
3.2.1 Linux802.11WiFiCSITool050
3.2.2 AtherosCSITool051
3.2.3 NexmonCSIExtractor052
3.2.4 ESP32CSIToolkit052
3.2.5 PicoScenes053
3.3 Linux802.11WiFiCSITool环境搭建053
3.3.1 软硬件环境054
3.3.2 安装过程054
3.3.3 利用create_ap收数058
3.3.4 Mointer采集模式058
3.4 CSI数据解析062
3.4.1 CSI数据结构解析062
3.4.2 CSI的数据可视化067
本章小结072
第4章 无线感知信号处理与分析073
4.1 相位偏移消除074
4.2 移除离群点075
4.2.1 Hampel滤波器075
4.2.2 小波去噪077
4.2.3 巴特沃斯滤波器080
4.3 信号转换083
4.3.1 傅里叶变换083
4.3.2 短时傅里叶变换086
4.4 信号提取090
4.4.1 过滤和阈值090
4.4.2 信号压缩090
本章小结096
第5章 无线感知理论模型098
5.1 空间统计模型099
5.2 菲涅尔区模型104
5.3 同心圆模型109
5.4 感知范围模型111
5.5 CSI商模型117
本章小结120
第6章 机器学习在无线感知中的应用121
6.1 机器学习概述122
6.2 决策树124
6.2.1 决策树定义124
6.2.2 决策树的步骤与构建125
6.2.3 属性选择度量126
6.2.4 决策树剪枝129
6.2.5 随机森林130
6.2.6 应用举例132
6.3 贝叶斯算法133
6.3.1 贝叶斯决策理论133
6.3.2 朴素贝叶斯135
6.3.3 朴素贝叶斯法的参数估计136
6.3.4 朴素贝叶斯方法136
6.3.5 应用举例138
6.4 支持向量机139
6.4.1 支持向量机的算法原理140
6.4.2 软间隔142
6.4.3 核技巧143
6.4.4 应用举例144
6.5 KNN算法146
6.5.1 KNN算法原理146
6.5.2 三个基本要素147
6.5.3 KD树150
6.5.4 K-近邻算法的优缺点151
6.5.5 应用举例152
本章小结152
第7章 深度学习在无线感知中的应用154
7.1 深度神经网络(DNN)155
7.1.1 深度神经网络的结构155
7.1.2 运行机制158
7.1.3 应用举例159
7.2 卷积神经网络(CNN)160
7.2.1 完整的CNN结构161
7.2.2 卷积-感受野164
7.2.3 反向传播164
7.2.4 应用举例165
7.3 循环神经网络(RNN)168
7.3.1 循环神经网络原理169
7.3.2 前向传播和反向传播170
7.3.3 长短时记忆网络173
7.3.4 应用举例176
本章小结177
第8章 无线感知技术设计实例179
8.1 人体行为感知系统设计180
8.1.1 实例概述180
8.1.2 系统方案180
8.1.3 关键技术181
8.1.4 实验结果分析200
8.2 夜间健康监护系统设计212
8.2.1 实例概述212
8.2.2 系统方案212
8.2.3 关键技术213
8.2.4 实验结果分析237
本章小结246
第9章 无线感知技术面临的挑战和未来发展趋势247
9.1 面临的挑战248
9.1.1 隐私保护和数据安全挑战248
9.1.2 无线感知和现有网络的共存挑战249
9.1.3 实时性要求和资源限制挑战251
9.1.4 能量效率和功耗管理挑战252
9.1.5 大规模部署和管理挑战253
9.2 未来发展趋势254
9.2.1 多模态感知和融合技术254
9.2.2 边缘计算和云计算的结合256
9.2.3 自主感知和智能决策258
9.2.4 新兴应用领域的发展和应用259
9.2.5 通信感知一体化260
本章小结271
参考文献272