典型文献
一种适于多场景人群计数的支持向量机增量学习方法
文献摘要：
在利用WiFi信号实现人群计数中,基于信道状态信息幅度(Channel State Information,CSI)存在分类模型滤波不彻底和准确度差的问题,本文提出了一种基于多接收天线之间相位差扩展矩阵信息的支持向量机(Sup-port Vector Machine,SVM)增量学习算法.首先对CSI原始相位数据执行三重处理,以便最大程度的消除环境干扰和相位误差;另外提出了一种建立相位差扩展矩阵的思想,加入了不同人数场景的动态特征,提高了人群计数准确性.考虑到新增场景后,原训练数据和新增数据需合并进行重新训练,因训练数据过多会造成计算复杂度过高,为此我们提出了一种基于SVM增量学习分类算法,设计了一个循环迭代过程,实现了对增量数据在线学习的功能,且在提升人群计数准确率和降低计算复杂度方面均取得了较好的效果.算法结果表明,本文方法可实现实时人群计数,在最大计数误差为1人时,平均计数精度可达95％以上,且随着场景增多在训练识别模型时节约的时间越显著.
文献关键词：
人群计数;信道状态信息;支持向量机;增量学习
中图分类号：
作者姓名：
宗静;何亮;黄斌科
作者机构：
西安交通大学信息与通信工程学院,陕西西安710049;西安交通大学计算机科学与技术学院,陕西西安710049
文献出处：
引用格式：
[1]宗静;何亮;黄斌科-.一种适于多场景人群计数的支持向量机增量学习方法)[J].微电子学与计算机,2022(02):75-83
A类：
B类：
适于,多场景,人群计数,WiFi,信道状态信息,Channel,State,Information,CSI,分类模型,接收天线,相位差,Sup,port,Vector,Machine,增量学习算法,环境干扰,相位误差,数场,动态特征,增场,训练数据,新训,分类算法,增量数据,在线学习,低计算复杂度,时人,大计,识别模型,时节
AB值：
0.366239
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
