Информация о состоянии канала сигнала Wi-Fi (далее CSI) может быть использована для распознавания физических объектов. В начале данной работы приводится обзор решений для сбора и обработки данных CSI на уровнях прошивок и прикладных программ, а затем разбираются наиболее перспективные направления исследований в этой области. Целью работы является проведение эксперимента по множественному распознаванию нескольких объектов в канале Wi-Fi, данные для которого записаны с помощью разработанного программного обеспечения с клиент-серверной архитектурой. Методы проведения работы — разработка программного обеспечения и проведение экспериментов. В качестве моделей машинного обучения выбраны сверточные и рекуррентные нейронные сети. Лучшая модель показала результат 87\% по метрике F1, что соответствует результатам схожих исследований с учетом размеров объектов. В результате сделан вывод о том, что при проработке структуры нейронной сети для классификации во времени с использованием информации о состоянии канала в качестве входного слоя лучше подходит сверточный слой, так как он использует информацию о связи амплитудных значений соседних поднесущих одного пакета. Также спроектировано и разработано ПО CSIDealer для записи и визуализации данных CSI в режиме реального времени, которое позволяет повысить качество проводимых экспериментов. Результаты работы могут быть использованы для улучшения качества экспериментов, а также построения систем множественного распознавания гражданского назначения.

The channel state information (CSI, for short) of Wi-Fi signal can be used to recognize physical objects. This work begins with an overview of solutions for collecting and processing CSI data at the firmware and application program levels, and then examines the most promising areas of research in this area. The purpose of the work is to conduct an experiment on multiple recognition of several objects in a Wi-Fi channel, the data for which was recorded using developed software with a client-server architecture. Methods of work — software development and experimentation. Convolutional and recurrent neural networks were chosen as machine learning models. The best model showed a result of 87\% according to the F1 metric, which corresponds to the results of related studies taking into account sizes of object. As a result, it was concluded that when developing the structure of a neural network for classification over time using channel state information, a convolutional layer is better suited as an input layer, since it uses information about the relationship of neighboring subcarriers to each other. The CSIDealer software also was developed for recording and visualizing CSI data in real time, which allows us to improve the quality of our experiments. The results of the work can be used to improve the quality of experiments, as well as to build multiple recognition systems for civil purposes.

• Разработка и экспериментальное исследование моделей для распознавания объектов с использованием сигнала Wi-Fi
  • Введение
  • 1. Обзор решений для работы с данными CSI
  • 2. Перспективные направления исследований
  • 3. Проектирование моделей для множественного распознавания объектов
  • 4. Проектирование и разработка ПО для сбора данных CSI
  • 5. Тестирование программного обеспечения и моделей для распознавания
  • Заключение
  • Список сокращений и условных обозначений
  • Список использованных источников
  • Приложение 1. Код обучения моделей для распознавания на языке программирования Python
  • Приложение 2. Код сервера для обработки посылок CSI на языке программирования Go