【摘 要】随着无线通信系统的不断发展，基于Wi-Fi的被动感知识别技术由于其廉价的部署费用以及广泛的部署空间，逐渐成为主流的感知手段。但是在如今复杂的电磁环境中，传统感知识别的方法会面临识别性能差、鲁棒性弱以及智能化程度不足等问题。针对这些情况，利用注意力机制和深度学习的方法，提出了一种新型的基于CSI的被动感知方法，即ConvABLSTM。该方法是CNN与BLSTM的组合，利用CNN提取CSI中的空间信息，利用BLSTM提取CSI中的时间信息，并且引入注意力机制自适应调整网络参数权重。通过深度学习的引入，可以提高传统感知识别方法的性能，而注意力机制的引入则可以很好地解决模型鲁棒性弱以及自适应性较差等问题。最后，从识别精度以及模型鲁棒性两个方面对所提出的方法进行了实验验证。实验结果表明，与传统的单一CNN或者单一BLSTM网络相比，所提出的方法在精度上有着3%左右的准确度提升，并且在鲁棒性方面，在识别目标和识别场景改变的情况下依旧能保持96%左右的准确度。
【关键词】基于Wi-Fi的被动感知；深度神经网络；注意力机制；信道状态信息
0 引言
随着各类电子设备的发展与应用，数量繁多、样式复杂、密集重叠、动态交迭的电磁信号充斥在电磁环境中，使得电磁环境日趋复杂[1]。在如今的复杂电磁环境下，传统的感知技术无法保证其识别精度，并且具有较低的鲁棒性和泛化能力。与之相比，基于Wi-Fi的被动感知作为一种非侵入式的感知方法，无需绑定传感器等专用感知设备，部署成本较低，并且由于Wi-Fi信号的特性，不会受到非视线场景的影响，也不会涉及隐私问题[2-6]。Wi-Fi环境中的各种人类行为会导致信号传输发生变化