本书介绍了无线感知技术，包括基本理论、关键技术和案例应用。以WiFi感知技术为例，首先探讨了其基础理论，然后介绍了数据采集、实验环境搭建和数据可视化的步骤。同时，讨论了信号处理技术，包括信号去噪、转换和提取等。进一步分析了五种无线感知理论模型，如空间统计模型、菲涅尔区模型等，并探讨了机器学习和深度学习在无线感知中的应用原理。

第1章 概论 001
1.1　无线感知技术的定义 002
1.2　无线感知分类 003
1.2.1　WiFi 感知 003
1.2.2　毫米波雷达感知 004
1.2.3　蓝牙感知 005
1.2.4　RFID 感知 008
1.2.5　超声波感知 009
1.2.6　感知技术优缺点比较 011
1.3　无线感知相关基础理论 012
1.3.1　无线感知目标检测理论 012
1.3.2　无线感知目标定位理论 015
1.3.3　无线感知目标成像理论 020
本章小结 023

第2章 无线感知技术基础 024
2.1　电磁波与无线电波 025
2.2　天线 025
2.2.1　天线的概述 026
2.2.2　天线的分类 026
2.3　信号与信道 027
2.3.1　信道的概念 028
2.3.2　模拟信号和数字信号 029
2.3.3　时域和频域 030
2.3.4　信号传输与信号特征 030
2.4　传播原理 031
2.4.1　基本传播机制 032
2.4.2　无线信道衰落 032
2.4.3　室内无线信道衰减模型 035
2.4.4　WiFi 信号的传播模型 036
2.5　正交频分复用(OFDM) 038
2.5.1　OFDM 的原理 038
2.5.2　OFDM 调制与解调 039
2.5.3　OFDM 的实现过程 040
2.5.4　OFDM 的保护间隔 042
2.6　多输入多输出(MIMO) 043
本章小结 044

第3章 WiFi CSI 信号采集 045
3.1　CSI 的介绍 046
3.1.1　CSI 的概述 046
3.1.2　信道冲击响应(CIR) 047
3.1.3　信道频率响应(CFR) 048
3.1.4　信道状态信息(CSI) 048
3.1.5　CSI 的应用领域 049
3.2　不同的CSI 采集工具 050
3.2.1　Linux 802.11 WiFi CSI Tool 050
3.2.2　Atheros CSI Tool 051
3.2.3　Nexmon CSI Extractor 052
3.2.4　ESP32 CSI Toolkit 052
3.2.5　PicoScenes 053
3.3　Linux 802.11 WiFi CSI Tool 环境搭建 053
3.3.1　软硬件环境 054
3.3.2　安装过程 054
3.3.3　利用create_ap 收数 058
3.3.4　Mointer 采集模式 058
3.4　CSI 数据解析 062
3.4.1　CSI 数据结构解析 062
3.4.2　CSI 的数据可视化 067
本章小结 072

第4章 无线感知信号处理与分析 073
4.1　相位偏移消除 074
4.2　移除离群点 075
4.2.1　Hampel 滤波器 075
4.2.2　小波去噪 077
4.2.3　巴特沃斯滤波器 080
4.3　信号转换 083
4.3.1　傅里叶变换 083
4.3.2　短时傅里叶变换 086
4.4　信号提取 090
4.4.1　过滤和阈值 090
4.4.2　信号压缩 090
本章小结 096

第5章 无线感知理论模型 098
5.1　空间统计模型 099
5.2　菲涅尔区模型 104
5.3　同心圆模型 109
5.4　感知范围模型 111
5.5　CSI 商模型 117
本章小结 120

第6章 机器学习在无线感知中的应用 121
6.1　机器学习概述 122
6.2　决策树 124
6.2.1　决策树定义 124
6.2.2　决策树的步骤与构建 125
6.2.3　属性选择度量 126
6.2.4　决策树剪枝 129
6.2.5　随机森林 130
6.2.6　应用举例 132
6.3　贝叶斯算法 133
6.3.1　贝叶斯决策理论 133
6.3.2　朴素贝叶斯 135
6.3.3　朴素贝叶斯法的参数估计 136
6.3.4　朴素贝叶斯方法 136
6.3.5　应用举例 138
6.4　支持向量机 139
6.4.1　支持向量机的算法原理 140
6.4.2　软间隔 142
6.4.3　核技巧 143
6.4.4　应用举例 144
6.5　KNN 算法 146
6.5.1　KNN 算法原理 146
6.5.2　三个基本要素 147
6.5.3　KD 树 150
6.5.4　K-近邻算法的优缺点 151
6.5.5　应用举例 152
本章小结 152

第7章 深度学习在无线感知中的应用 154
7.1　深度神经网络(DNN) 155
7.1.1　深度神经网络的结构 155
7.1.2　运行机制 158
7.1.3　应用举例 159
7.2　卷积神经网络(CNN) 160
7.2.1　完整的CNN 结构 161
7.2.2　卷积-感受野 164
7.2.3　反向传播 164
7.2.4　应用举例 165
7.3　循环神经网络(RNN) 168
7.3.1　循环神经网络原理 169
7.3.2　前向传播和反向传播 170
7.3.3　长短时记忆网络 173
7.3.4　应用举例 176
本章小结 177

第8章 无线感知技术设计实例 179
8.1　人体行为感知系统设计 180
8.1.1　实例概述 180
8.1.2　系统方案 180
8.1.3　关键技术 181
8.1.4　实验结果分析 200
8.2　夜间健康监护系统设计 212
8.2.1　实例概述 212
8.2.2　系统方案 212
8.2.3　关键技术 213
8.2.4　实验结果分析 237
本章小结 246

第9章 无线感知技术面临的挑战和未来发展趋势 247
9.1　面临的挑战 248
9.1.1　隐私保护和数据安全挑战 248
9.1.2　无线感知和现有网络的共存挑战 249
9.1.3　实时性要求和资源限制挑战 251
9.1.4　能量效率和功耗管理挑战 252
9.1.5　大规模部署和管理挑战 253
9.2　未来发展趋势 254
9.2.1　多模态感知和融合技术 254
9.2.2　边缘计算和云计算的结合 256
9.2.3　自主感知和智能决策 258
9.2.4　新兴应用领域的发展和应用 259
9.2.5　通信感知一体化 260

本章小结 271

参考文献 272