呼吸是維持一個正常生命的重要基礎(chǔ),它時刻反映著人們的生活健康狀態(tài)�，F(xiàn)階段,一些接觸式設(shè)備提供了高精度、高信噪比的呼吸信號檢測方法,但接觸式檢測會引起目標(biāo)行動不便或?qū)е缕洚a(chǎn)生異物感等問題。因此,如何通過非接觸的設(shè)備進行呼吸信號的提取是迫切需要解決的問題。隨著室內(nèi)無線WiFi設(shè)備的普及,基于無線傳感器的目標(biāo)呼吸檢測算法研究得到了廣泛關(guān)注。但是,由于室內(nèi)環(huán)境的復(fù)雜多變,墻壁、地板、家具及其他障礙物的阻擋影響了無線信號的傳播并造成了多徑效應(yīng)。多徑效應(yīng)會使信號產(chǎn)生不同程度的衰減,影響信號質(zhì)量。同時,目前流行的Intel 5300網(wǎng)卡,雖然提供了信道狀態(tài)信息CSI（Channel State Information）,但其在信號收發(fā)間引入的隨機相位偏差會對CSI相位產(chǎn)生干擾,導(dǎo)致CSI相位無法直接使用。針對上述問題及現(xiàn)存的技術(shù)難點,本文做了如下工作:（1）本文先闡述了利用無線傳感器進行呼吸檢測的原因與目的以及國內(nèi)外的研究現(xiàn)狀,接著介紹了常用的WiFi信號數(shù)學(xué)模型和神經(jīng)網(wǎng)絡(luò)模型。（2）本文提出了一個基于WiFi的呼吸檢測算法,該算法首先利用MUSIC、RAP-MUSIC算法對空間中的路徑AOA（An... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【部分圖文】：

呼吸引起胸腔運動

第二章相關(guān)理論基礎(chǔ)成一些新的數(shù)據(jù)，來快速擴充數(shù)據(jù)集。AlexNet通過對數(shù)據(jù)進行隨機裁剪、翻轉(zhuǎn)以及PCA等操作，對數(shù)據(jù)進行了增強，使結(jié)果錯誤率下降了1%。此外，AlexNet在池化層上也做了改進，針對LeNet中不重疊的池化，即池化窗口的大小與池化步長相等，AlexNet中提出了可重疊池化，進一步抑制了過擬合問題的發(fā)生。Dropout是AlexNet提出的又一大創(chuàng)新，其設(shè)定了一定概率將神經(jīng)元置0，并將該神經(jīng)元從網(wǎng)絡(luò)中刪除，不進行前后向傳播。隨后，每一次新的迭代，都會按照一定概率進行神經(jīng)元的刪除操作，使得每次網(wǎng)絡(luò)結(jié)構(gòu)都發(fā)生改變，復(fù)雜化了網(wǎng)絡(luò)結(jié)構(gòu)，有效的減緩了過擬合問題。在網(wǎng)絡(luò)組件層的堆疊上，AlexNet在LeNet的基礎(chǔ)上進一步加深，并提出了卷積層疊加使用的方式，即利用卷積層接卷積層接池化層的方法來提取圖像特征。AlexNet的網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2-1所示。圖2-1AlexNet網(wǎng)絡(luò)結(jié)構(gòu)圖[70]結(jié)合當(dāng)時的顯卡內(nèi)存，AlexNet為了更好的訓(xùn)練它的網(wǎng)絡(luò)并提升網(wǎng)絡(luò)的規(guī)模性，他們將網(wǎng)絡(luò)分布在多個GPU上運行，實現(xiàn)了并行計算并有效提升了計算速率。AlexNet的網(wǎng)絡(luò)結(jié)構(gòu)比LeNet要更深一層，但就現(xiàn)今流行的深度提取特征的卷積神經(jīng)網(wǎng)絡(luò)來說結(jié)構(gòu)較為簡單。但深度是卷積神經(jīng)網(wǎng)絡(luò)很重要的一個影響因素，因此AlexNet在特征提取的深度上還可以進一步提高。緊隨AlexNet之后出現(xiàn)的是ImageNet比賽的前兩名，GoogLeNet[71,72]和VGG[73]。GoogLeNet是谷歌團隊研究出來的卷積神經(jīng)網(wǎng)絡(luò)，它在網(wǎng)絡(luò)的深度和寬度上都有很大加深。但是，隨著神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)層次數(shù)量和各層網(wǎng)絡(luò)神經(jīng)元數(shù)量的上升，網(wǎng)絡(luò)參數(shù)也在不斷增加。在數(shù)據(jù)量有限的環(huán)境中，極其容易發(fā)生過擬合問題。而網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、網(wǎng)絡(luò)參數(shù)過多，網(wǎng)絡(luò)的前后向傳播計算量就會增加、計算復(fù)11

第二章相關(guān)理論基礎(chǔ)圖2-2Vgg網(wǎng)絡(luò)結(jié)構(gòu)圖[73]結(jié)構(gòu)越是復(fù)雜、網(wǎng)絡(luò)參數(shù)越多，網(wǎng)絡(luò)就會有更強的表達能力。但隨著研究的深入，人們發(fā)現(xiàn)深度CNN網(wǎng)絡(luò)在深度到達一個臨界值以后，就不能再通過一味地追求深度來提升網(wǎng)絡(luò)的性能，相反，這還會促使網(wǎng)絡(luò)收斂更慢、表達能力下降。若忽略小數(shù)據(jù)集引發(fā)的過擬合問題，網(wǎng)絡(luò)反而會因為深度的加深而招致性能下降，因而VGG受限于19層，再增加深度會降低其性能。針對這一問題，2015年ImageNet比賽的冠軍，ResNet[74]提出了解決方案。為了解決CNN隨深度增加而退化的問題，ResNet引入的殘差學(xué)習(xí)的概念。傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)在深度的傳播過程中，總會或多或少的出現(xiàn)信息丟失等問題，甚至導(dǎo)致梯度爆炸消失、網(wǎng)絡(luò)無法訓(xùn)練的結(jié)果。ResNet通過直接將輸入與輸出相連，簡化了學(xué)習(xí)任務(wù)，使殘差網(wǎng)絡(luò)不再學(xué)習(xí)如何得到輸出‘y’而是學(xué)習(xí)如何等于0，這種結(jié)構(gòu)也被稱為skipconnections。這樣的網(wǎng)絡(luò)結(jié)構(gòu)能進行快速的訓(xùn)練，同時參數(shù)量比VGG更低，模型的準(zhǔn)確率更高，保障了深度又保障了準(zhǔn)確率。作為時下最為流行的CNN之一，ResNet及其各種變體神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)被用于各種圖像特征提取之上。13

【參考文獻】：
期刊論文
[1]基于深度學(xué)習(xí)的人工智能胸部CT肺結(jié)節(jié)檢測效能評估[J]. 李欣菱,郭芳芳,周振,張番棟,王卿,彭志君,蘇大同,范亞光,王穎.  中國肺癌雜志. 2019(06)
[2]基于深度學(xué)習(xí)的芯片圖像超分辨率重建[J]. 范明明,池源,張銘津,李云松.  模式識別與人工智能. 2019(04)
[3]改進的YOLO V3算法及其在小目標(biāo)檢測中的應(yīng)用[J]. 鞠默然,羅海波,王仲博,何淼,常錚,惠斌.  光學(xué)學(xué)報. 2019(07)
[4]基于Wi-Fi信道狀態(tài)信息的室內(nèi)定位技術(shù)現(xiàn)狀綜述[J]. 陳銳志,葉鋒.  武漢大學(xué)學(xué)報(信息科學(xué)版). 2018(12)
[5]5G與WIFI聯(lián)合組網(wǎng)的關(guān)鍵技術(shù)研究及發(fā)展趨勢分析[J]. 李景楓,王寶瑩.  科技創(chuàng)新導(dǎo)報. 2017(27)
[6]基于信道狀態(tài)信息的無源室內(nèi)定位[J]. 吳哲夫,徐強,王中友,陳濱,宣琦.  哈爾濱工程大學(xué)學(xué)報. 2017(08)
[7]一種組合型的深度學(xué)習(xí)模型學(xué)習(xí)率策略[J]. 賀昱曜,李寶奇.  自動化學(xué)報. 2016(06)
[8]基于Android平臺的WiFi定位[J]. 楊帆,趙東東.  電子測量技術(shù). 2012(09)
[9]機器學(xué)習(xí)研究[J]. 王玨,石純一.  廣西師范大學(xué)學(xué)報(自然科學(xué)版). 2003(02)
[10]GPS全球衛(wèi)星定位技術(shù)的發(fā)展現(xiàn)狀、動態(tài)及應(yīng)用[J]. 何香玲,張躍,鄭鋼,曲天培.  微計算機信息. 2002(05)



本文編號：3486484