1. 研究目的与意义
（1）研究背景及意义
近些年来，无线通信网络日益普及，使人们的工作生活得到了很大的提升和改善。同时基于无线信号我们还可以进行室内人员入侵检测技术的研究，这也是属于人体行为检测的一个范畴。传统的检测识别方式基于机器视觉、图像检测方式是非常成熟的一种方式，它使用摄像头监视人的行为来进行识别，但技术上有受光线和视距死角的影响有局限性，同时也有可能会暴露人的隐私。后来有人提出基于传感器来进行检测，它可以精确的识别出行动的状态以及具体情况，但是基于传感器的入侵检测识别必须要佩戴相应的硬件设备。而基于无线信号的入侵检测识别技术使用了室内广泛的无线网络，成本较低，容易布置，覆盖范围广，从而得到了广泛的关注。它是通过获取无线信号接收信号强度（RSSI）来实现被动入侵检测，在智能家居，安全监控，企业安防等方面具有不错应用价值。
2. 研究内容与预期目标
本课题主要研究内容利用室内环境中的无线信号实现被动入侵检测。根据无线信号传播理论，无线信号的RSSI值在环境中有目标运动的时候会发生一定的变化，我们可以采集目标区域中无线信号的RSSI数据来进行分析。研究它分别在没有目标入侵，入侵目标静止时和入侵目标运动等不同情况下的RSSI信号变化特征，把被动入侵检测与类型识别中的分类问题一起研究，通过相应的分类算法判断监测区域中是否有不同入侵行为，本课题主要负责RSSI数据的分类识别，选用的识别方法是支持向量机（SVM）和K-均值（K-means）这两个算法。
本文的预期目标是对室内环境下的采集到的无线信号RSSI值进行研究，提取特征，并基于Python平台利用SVM或K均值算法进行训练，最终根据采集到的数据识别是否有人员入侵的现象发生。
3. 研究方法与步骤
深入研究行为识别中的分类训练和识别技术，拟分别采用SVM和K均值聚类算法，并利用Python语言进行具体的分类训练和识别。步骤如下：
（1）前期准备工作：支持向量机（SVM）识别理论算法的学习与准备，安装phthon平台，熟悉环境，学习phthon的使用；
（2）基于python语言的训练和识别算法实现：对RSSI特征数据进行训练和识别来判断是否有入侵目标，入侵目标是否在移动等情况；
4. 参考文献
[1] Youssef M, MahM, Agrawala A. Challenges: Device-free passive localization for wirelessenvironments[C] ACM International Conference on Mobile Computing andNetworking.Montreal: ACM,2007:222-229.
[2] Moussa M, Youssef M.Smart devices for smart environments: Device-free passive detection in realenvironments[C] IEEE International Conference on Pervasive Computing andCommunications. Galveston: IEEE,2009:1-6.
[3] Yang J, Ge Y, XiongH, et al. Performing joint learning for passive intrusion detection inpervasive wireless environments[C] IEEE INFOCOM. San Diego: IEEE,2010:11-19.
5. 工作计划
1）2022年3月2日至2029年3月20日：理解课题任务，查阅资料，完成开题报告；
2）2022年3月23日至2022年4月10日：深入研究课题要求，比较并初步确定识别方案；
3）2022年4月13日至2022年4月30日：按照方案搭建软硬件环境，对采集到的RSSI数据进行识别；
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
