基于WiFi信号的入侵检测机理及实验研究

室内安全关乎人们的生命财产安全,通过室内入侵检测可以达到预警、避免损失的目的。与常见的入侵检测方法不同,利用了无线通信信号WiFi的信道状态信息(Channel Status Information,CSI)与人体行为的关联,可以达到入侵检测的目的。研究了信道冲击响应与信道频率响应及CSI的关系,并利用CSI数据集EHUCOUNT和机器学习方法仿真验证了CSI与人行为的关联,结果表明6种典型场景下SVM (Support Vector Machine)入侵检测准确率为93. 35%～99. 23%; CNN (Convolutional Neural Network)入侵检测准确率为89. 17%～99. 14%。通过研制的专用谱传感节点采集WiFi信号进行实际场景测试,证明入侵检测准确率为98%,这表明基于WiFi信号的入侵检测具有应用价值。     

基于信道状态信息的室内人数统计方法

针对传统人数统计方案存在侵犯隐私和成本难以控制无法大规模投入使用的问题,提出一种基于Wi-Fi信道状态信息CSI(channel state information)的幅度和相位作为特征的方法进行人数统计,采集3条交叉收发链路上CSI的幅度和相位数据,对数据进行预先平滑和去噪处理,同时使用幅度和相位提高人数统计的准确性和稳定性。在室内环境下进行实验,使用支持向量机(SVM)、神经网络(NN)和卷积神经网络(CNN)进行人数的统计分类并进行结果对比,对比结果表明,3种机器学习算法分别达到了94%、96%和88%的准确率。     

日本和世界的铝合金船

本文主要介绍了日本及世界各国铝合金船的发展和使用现状,指出了铝合金材料及铝合金船存在的问题。展望了铝合金船的发展前景。     

一种基于CNN的无线路由器指纹识别方法

针对无线设备"指纹"特征提取技术含量较高，且技术手段较为复杂的问题，在无线空间信道状态不变的前提下，提出了一种基于卷积神经网络（convolution neural network，CNN）自动分类无线路由器指纹的识别方法，解决无线设备"指纹"特征提取困难的问题.文章设计并实现了一种通过接收处理多输入多输出（multiple-input multiple-output，MIMO）信号幅度识别无线路由器的方法，该方法通过采集无线路由器的信道状态信息（channel state information，CSI），并对CSI的幅度数据进行预先平滑和去噪处理，然后把预处理后的幅度数据作为设备的指纹特征，最后通过机器学习的算法进行分类和识别.实验采用CNN对10台商用无线路由器进行分类和识别，准确率达到96%以上，证明了使用CSI来识别无线路由器是可行的.