基于高阶累积量和改进GRNN的CSI手臂行为识别

摘要：

为了挖掘信道状态信息(channel state information,CSI)在手臂行为识别中的非线性深层特征,提高识别准确度,提出了一种基于高阶累积量和改进广义回归神经网络(generalized regression neural network,GRNN)的CSI手臂行为识别算法.离线阶段,将在不同手臂动作下采集的细粒度CSI幅度和相位差作为基信号,并利用平均绝对偏差改进的spearman rank相关系数选择敏感性强的子载波;针对CSI中的非线性非高斯信息,在所选子载波中提取高阶累积量特征;在灰狼算法(grey wolf optimizer,GWO)优化的GRNN神经网络中训练出能有效处理非线性问题的GWO-GRNN动作识别模型.在线阶段,利用训练好的识别模型对输入的CSI数据进行手臂动作的判别.通过仿真实验验证,该算法的手臂行为识别准确度为95.83％,高于目前相关算法所达到的准确度,具有明显的识别优势.

关键词：手臂行为识别、信道状态信息(CSI)、子载波选择、高阶累积量、广义回归神经网络(GRNN)

所属期刊栏目：34

分类号：TN92

资助基金：国家自然科学基金61372058

在线出版日期：2022-05-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：331-340