本書介紹了無線感知技術，包括基本理論、關鍵技術和案例應用。以WiFi感知技術為例，首先探討了其基礎理論，然后介紹了數據采集、實驗環境搭建和數據可視化的步驟。同時，討論了信號處理技術，包括信號去噪、轉換和提取等。進一步分析了五種無線感知理論模型，如空間統計模型、菲涅爾區模型等，并探討了機器學習和深度學習在無線感知中的應用原理。
第1章 概論 001
1.1 無線感知技術的定義 002
1.2 無線感知分類 003
1.2.1 WiFi 感知 003
1.2.2 毫米波雷達感知 004
1.2.3 藍牙感知 005
1.2.4 RFID 感知 008
1.2.5 超聲波感知 009
1.2.6 感知技術優缺點比較 011
1.3 無線感知相關基礎理論 012
1.3.1 無線感知目標檢測理論 012
1.3.2 無線感知目標定位理論 015
1.3.3 無線感知目標成像理論 020
本章小結 023
第2章 無線感知技術基礎 024
2.1 電磁波與無線電波 025
2.2 天線 025
2.2.1 天線的概述 026
2.2.2 天線的分類 026
2.3 信號與信道 027
2.3.1 信道的概念 028
2.3.2 模擬信號和數字信號 029
2.3.3 時域和頻域 030
2.3.4 信號傳輸與信號特征 030
2.4 傳播原理 031
2.4.1 基本傳播機制 032
2.4.2 無線信道衰落 032
2.4.3 室內無線信道衰減模型 035
2.4.4 WiFi 信號的傳播模型 036
2.5 正交頻分復用(OFDM) 038
2.5.1 OFDM 的原理 038
2.5.2 OFDM 調制與解調 039
2.5.3 OFDM 的實現過程 040
2.5.4 OFDM 的保護間隔 042
2.6 多輸入多輸出(MIMO) 043
本章小結 044
第3章 WiFi CSI 信號采集 045
3.1 CSI 的介紹 046
3.1.1 CSI 的概述 046
3.1.2 信道沖擊響應(CIR) 047
3.1.3 信道頻率響應(CFR) 048
3.1.4 信道狀態信息(CSI) 048
3.1.5 CSI 的應用領域 049
3.2 不同的CSI 采集工具 050
3.2.1 Linux 802.11 WiFi CSI Tool 050
3.2.2 Atheros CSI Tool 051
3.2.3 Nexmon CSI Extractor 052
3.2.4 ESP32 CSI Toolkit 052
3.2.5 PicoScenes 053
3.3 Linux 802.11 WiFi CSI Tool 環境搭建 053
3.3.1 軟硬件環境 054
3.3.2 安裝過程 054
3.3.3 利用create_ap 收數 058
3.3.4 Mointer 采集模式 058
3.4 CSI 數據解析 062
3.4.1 CSI 數據結構解析 062
3.4.2 CSI 的數據可視化 067
本章小結 072
第4章 無線感知信號處理與分析 073
4.1 相位偏移消除 074
4.2 移除離群點 075
4.2.1 Hampel 濾波器 075
4.2.2 小波去噪 077
4.2.3 巴特沃斯濾波器 080
4.3 信號轉換 083
4.3.1 傅里葉變換 083
4.3.2 短時傅里葉變換 086
4.4 信號提取 090
4.4.1 過濾和閾值 090
4.4.2 信號壓縮 090
本章小結 096
第5章 無線感知理論模型 098
5.1 空間統計模型 099
5.2 菲涅爾區模型 104
5.3 同心圓模型 109
5.4 感知范圍模型 111
5.5 CSI 商模型 117
本章小結 120
第6章 機器學習在無線感知中的應用 121
6.1 機器學習概述 122
6.2 決策樹 124
6.2.1 決策樹定義 124
6.2.2 決策樹的步驟與構建 125
6.2.3 屬性選擇度量 126
6.2.4 決策樹剪枝 129
6.2.5 隨機森林 130
6.2.6 應用舉例 132
6.3 貝葉斯算法 133
6.3.1 貝葉斯決策理論 133
6.3.2 樸素貝葉斯 135
6.3.3 樸素貝葉斯法的參數估計 136
6.3.4 樸素貝葉斯方法 136
6.3.5 應用舉例 138
6.4 支持向量機 139
6.4.1 支持向量機的算法原理 140
6.4.2 軟間隔 142
6.4.3 核技巧 143
6.4.4 應用舉例 144
6.5 KNN 算法 146
6.5.1 KNN 算法原理 146
6.5.2 三個基本要素 147
6.5.3 KD 樹 150
6.5.4 K-近鄰算法的優缺點 151
6.5.5 應用舉例 152
本章小結 152
第7章 深度學習在無線感知中的應用 154
7.1 深度神經網絡(DNN) 155
7.1.1 深度神經網絡的結構 155
7.1.2 運行機制 158
7.1.3 應用舉例 159
7.2 卷積神經網絡(CNN) 160
7.2.1 完整的CNN 結構 161
7.2.2 卷積-感受野 164
7.2.3 反向傳播 164
7.2.4 應用舉例 165
7.3 循環神經網絡(RNN) 168
7.3.1 循環神經網絡原理 169
7.3.2 前向傳播和反向傳播 170
7.3.3 長短時記憶網絡 173
7.3.4 應用舉例 176
本章小結 177
第8章 無線感知技術設計實例 179
8.1 人體行為感知系統設計 180
8.1.1 實例概述 180
8.1.2 系統方案 180
8.1.3 關鍵技術 181
8.1.4 實驗結果分析 200
8.2 夜間健康監護系統設計 212
8.2.1 實例概述 212
8.2.2 系統方案 212
8.2.3 關鍵技術 213
8.2.4 實驗結果分析 237
本章小結 246
第9章 無線感知技術面臨的挑戰和未來發展趨勢 247
9.1 面臨的挑戰 248
9.1.1 隱私保護和數據安全挑戰 248
9.1.2 無線感知和現有網絡的共存挑戰 249
9.1.3 實時性要求和資源限制挑戰 251
9.1.4 能量效率和功耗管理挑戰 252
9.1.5 大規模部署和管理挑戰 253
9.2 未來發展趨勢 254
9.2.1 多模態感知和融合技術 254
9.2.2 邊緣計算和云計算的結合 256
9.2.3 自主感知和智能決策 258
9.2.4 新興應用領域的發展和應用 259
9.2.5 通信感知一體化 260
本章小結 271
參考文獻 272
新書資訊