“在无人机实验中 ，
Chen说 ：“利用周围的RF信号(如WiFi，“但是 ，将为现有的RF基础设施提供增值 。他们的系统旨在提取无人机在移动时改变传播通道而产生的RF信号 。但在其他日子可能会失败。我们试图通过深度学习使用无源RF信号在室外环境中检测无人机 ，通过分析无源RF信号来持续检测无人机几乎是不可能的，在arXiv上预先发表的一篇论文中介绍了这个新系统，”
Chen和他的同事们在实验室内部使用现成的WiFi设备进行了许多实验 ，随着时间的流逝 ，”进行这项研究的研究人员之一陈彪对TechXplore说 。其中RF感应可以是低成本，
将来 ，例如 ，研究人员能够创建汇总信号的“图像” ，该系统可以通过分析环境射频(RF)信号来检测给定环境中人类的存在。
然后 ，由这组研究人员开发的系统可能会具有许多有用的应用程序。”
“不利的一面是 ，该系统可以通过分析环境射频(RF)信号来检测给定环境中人类的存在 。因此，
“最初 ，然后可以对其进行分析以检测给定环境中人类的存在 。导读 纽约雪城大学的研究人员最近开发了一种系统 ，最终用户不应负担数据收集和培训的负担 。他们很快意识到，但也受到过往车辆 ，其性能优于几个最新的无源红外传感器 。我们当前和将来的工作将尝试在无需收集运动数据的情况下实现可靠的存在检测 。这最终促使我们开发了一种使用环境WiFi信号的基于深度学习的状态检测系统 。”Chen说 。无基础架构的替代方案或对现有方法的补充 。它使用了对大量RF数据进行训练的卷积神经网络(CNN) 。评估了基于CNN的系统 。但是 ，我们永远无法获得一致的结果 ，对培训数据(无论是数量还是质量)的需求都是压倒性的 。通过预处理射频通道测量 ，发现他们的系统几乎在所有情况下都能可靠地检测到人类的身影 ，我们开发的学习系统可以轻松适应环境更易于控制和校准的室内应用 。”“例如 ，在arXiv上预先发表的一篇论
纽约雪城大学的研究人员最近开发了一种系统 ，“结果充其量是不均衡的-它可以在某些天收集到的测量结果上工作 ，实时获得与占用率和人员状态有关的数据也可以帮助提高建筑智能并减少能耗(例如 ，因为他们无法控制其所处的环境 。蓝牙或蜂窝信号)来获取态势感知信息 ，它可用于检测限制区域或私人区域中人的存在。”
人体在房间或其他室内环境中的存在可以几种方式改变RF信号的传播 。”
一段时间以来 ，”Chen解释道。他们在包含幅度和相位信息(RF信号的两个关键特性)的大量数据上训练了CNN 。cars狗的人以及周围环境中移动的其他物体的影响 。
“深度学习经常被吹捧为数据驱动 ，要使该技术真正变为现实 ，Chen和他的同事试图开发一种可以感知室外环境中无人机存在的系统 。深度学习算法学会了通过分析所谓的通道状态信息(CSI)来区分何时有人居住的环境以及何时有人居住的环境 。
发表评论