Unsupervised adversarial domain adaptation——对抗生成跨域泛化
Unsupervised Adversarial Domain Adaptation —— Han Zou文献综述《Robust WiFi-enabled Device-free Gesture Recognition via Unsupervised Adversarial Domain Adaptation》研究目的 (Research Objective) 本研究旨在解决现有WiFi手势识别系统在实际部署中的核心痛点：环境动态性导致的模型失效问题。当系统部署到新环境（如从会议室移到办公室）时，无需重新收集标注数据和训练新模型，即可保持高识别准确率。 本文的创新点： 数据创新：利用CSI相位差作为输入 摒弃了传统方法中易受噪声影响的CSI幅度，转而使用接收端天线对之间的CSI相位差来构建数据帧。 相位差能有效消除由硬件（如载波频率偏移CFO、采样频率偏移SFO）引入的固定相位偏移，从而提取出更能反映人体动作的”干净”信号，对微小手势更敏感。 多场景下的如何实现模型泛化： 已知一个正常运行的模型分为三层，CSI原始数据、特征提取和分类器输出姿态。本文认为不同域下相同的姿...
MultiFormer——基于迭代的高准确率姿态估计
MultiFormer —— Wenhui Xiong研究目的：将在一个场景训练的姿势识别模型扩展到不同的场景中； 可能的方法（建模上）： 将不同的场景抽象为一个样本，多个场景训练（小样本学习）； 将时间、频率、空间特征抽象为张量，添加场景布局的影响； 根据协议提出的标准室内WiFi建模，抽象为token AI学习算法提高训练的模型对未知环境的适应能力，增强泛化能力 Keypoints: Cross-Scene Adaptive environment dynamic environment robustness Ada boost Meta-Learning Data Augmentation for Generalization 对于当前研究的问题： 初始数据检索与清理：CSI是否会影响估计，环境中的信道很多，直射信道是否会影响反射或散射信道？仅考虑了CSI幅值用于姿态估计，忽略相位导致识别效果下降？ 将CSI提取出feature，通过PAPM得到PAM和PCM，但是都是2维空间域中的识别，忽略了深度，如果多目标的姿态有重叠，是否影响估计的效果？ 使用图像信息作...
Leggiero——反向散射标签
Leggiero —— by Yuan He简介一种物理层上的实现方式，在每一个WiFi Packet上都进行调制，但是只调制每个包的特定部分： 在帧头存在一部分的保留区域，不影响通信，可以在这部分进行调制； 实现原理 定义反射系数为反射的信号比入射的信号，理想情况设置两种反射系数，幅值都为1，但是相位呈现180翻转。 如何实现根据要传输的数据自行在两种反射系数之间进行切换？可以使用可变电容作为负载： 此时的反射系数定义如下： $$\boxed{\Gamma_C = \frac{Z_C - Z_0}{Z_C + Z_0} = \frac{1 - j2\pi f C Z_0}{1 + j2\pi f C Z_0} = e^{j\theta_C}, \theta_C = -2 \arctan(2\pi f C Z_0)}$$ 这里我们让 $Z_0$ 为特征阻抗 $50Ω$ 因此我们只需要根据需要发送的数据，改变电容的数值，便可实现反射系数的改变，从而调制数据。一种知觉方法是使用可变电容传感器实现，但是该方案面临两个问题： ...
Densepose——基于UV坐标的高精度姿态估计
DensePose From WIFI —— Jiaqi Gen文献综述：《DensePose From WiFi》目的：论文旨在解决传统人体姿态估计方法面临的三大核心问题： 环境限制：RGB 相机在光照不佳或存在遮挡时性能会急剧下降； 成本与功耗：LiDAR 和雷达等传感器价格昂贵且功耗高，难以在家庭等日常场景普及； 隐私问题：在浴室、卧室等私密空间部署摄像头会引发严重的隐私担忧。论文的最终目的是开发一种低成本、易于部署、保护隐私且对光照和遮挡鲁棒的新型人体感知技术，为智能家居、健康监护等应用铺平道路。 遇到的困难： CSI是一维数据，与空间域的信息没有相关性，不像图片，每一个像素点都是是空间域的一个映射； 前人没有相关研究，都是基于TOF、AOA的中心定位； 研究方法：大致流程如下：首先采集信号的CSI，对CSI的幅值和相位进行预处理，包括采样、插值以及数据矫正。之后通过一个双支编码器，将幅值和相位vector编码为2D的feature maps，对应图像姿态识别中的原始图像（这里做了一个域转换：从WIFI信号域 → Feature Maps特征域； 1D...
Adapose——跨环境的人体关键点识别
AdaPose —— Yunjiao Zhou文献综述《AdaPose: Towards Cross-Site Device-Free Human Pose Estimation with Commodity WiFi》独特的创新思想： 不同域之间的差异如何泛化或者说对齐？ 本篇论文不按照传统方式在特征空间分布上进行对齐，而是**提出从”映射规则”**上进行统一！ 文章将整个模型分为三层：输入域中采集的CSI、中间层的特征空间、输出估计关键点的坐标，其中的映射规则包括将CSI信息映射成一个特征、将CSI信息映射成姿态关键点的坐标。 本文认可不同的域（源域、目标域）是存在本质差别的，文中通过 $D_{input}$、$D_{feature}$ 以及 $D_{output}$ 分别表示不同域最原始的差异（数据）、特征提取后的分布差异（缩放）、姿态估计的分布差异，且这些差异是必然存在的。 传统方式：特征空间分布对齐，是通过调整 $D_{feature}$，将不同域采集的具有 $D_{input}$ 差异的CSI映射到相同的特征空间分布上 $D_{feature} = 0$； ...
基于Simulink的通信系统仿真
通信原理——Simulink仿真模拟调制FM —— 角度调制FM 发射机Simulink FM 调制框图展示： 上述框图是离散时间的调频调制器，主要框架及原理如下： 来自 DSP 的基带消息信号，表示调制信号；通过一个增益块，乘上 $K_f$，表示每一伏电压对频率的影响因素。 常量模块 2π * 300，表示载波的角频率部分。 将两个分量相加得到已调信号的瞬时频率，再通过离散时间域上的积分器实现调频： $$H(z) = \frac{K T_s}{z-1}$$ 已知调频信号的一般数学形式为： $$s(t) = A_c \cos \Big( 2 \pi f_c t + K_f \int m(t) , dt \Big)$$ 已调信号的瞬时频率随着时间而改变。上述式子是以 $PM$ 的形式实现的 $FM$，对整个 $\phi (t)$ 求导可以发现瞬时频率与 $m(t)$ 有关： $$f_s = 2\pi f_c + K_f m(t)$$ 载波频率： $f_c = 300 ,\text{Hz}$ 调...
通信原理——模拟调制
通信原理——MATLAB仿真Analog Modulation 模拟调制幅度调制 —— AM上图为MATLAB仿真的AM波形，代码如下： 12345678910111213141516171819f0 = 50; % Carrier Freq: 50Hzfm = 15; % Message Freq: 24Hznum_points = 4096;t0 = 1 / f0;t = 1:t0:num_points*t0;Am = 1; % Amplitude of Message SignalAc = 1; % Amplitude of Carrier Signalmt = Am * cos(2 * pi * fm * t);st = Ac * (1 + mt) .* cos(2 * pi * f0 * t);figure;plot(t, st, '-ob');xlabel('Time (s)');ylabel('Amplitude');title('Amplitude Modula...
基于Ubuntu22.04的UHD安装指引
！！！本指引是基于以下环境实现的！！！ Ubuntu22.04 注意：英语系统 需要Linux系统支持的VPN，涉及到网络环境 如果对uhd驱动的版本没有要求的话，推荐直接使用默认安装： 123sudo add-apt-repository ppa:ettusresearch/uhdsudo apt-get updatesudo apt-get install libuhd-dev uhd-host 上述指令想要不报错的运行就需要系统在安装时选择英文系统，这就跟window系统的中文路径一样； 上述指令后uhd驱动就已经安装好了！如果你使用的USRP跟我一样是B210或者B200mini，B200系列的话，你还需要以下指令给这些USRP安装额外的驱动，如下： 1234cd /lib/uhd/utilssudo cp uhd-usrp.rules /etc/udev/rules.d/sudo udevadm control --reload-rulessudo udevadm trigger 在运行上述第一条指令时推荐到桌面的上级目录开始执行，只需要在前面加一句： 1cd ...
人工智能基础复习笔记
人工智能聚类分析——无监督什么是聚类分析：问题：给你一堆样本，如何通过样本间可能存在的联系将这些样本分为不同的类别？这些样本没有原本正确的类别，这种我们称为无监督（无标记的样本），希望寻找样本中存在的自然的聚类。 而对于原本就有标记的聚类行为我们称为分类，希望能够将混在一起的不同样本区分开来，这些样本的某写特征可能很相似，但是因为是不同标记，因此我们需要分开这些样本，这里与聚类的行为完全不同！ 对于一个详细的实物，我们如何使用计算机对他们进行处理，这就要求我们对实物的本体或者特征抽象为一个个特征向量，通过特征向量的距离来表征相似性！所以，如何抽象出特征向量决定了聚类的准确性。 上面的例子就体现出了特征的选取在聚类中起到至关重要的作用！ 特征相似性的测度和聚类准则最常见的，我们使用欧氏距离表征两个特征向量之间的距离： $$d(x, y) = \sqrt{(x - y)^T (x - y)} = \sqrt{\sum_{i=1}^n (x_i - y_i)^2}$$ 注意，这里的计算需要在同一个量纲下。 在第一种情况下，你会发现学生身高对欧氏距离...