论文[基于WiFi信号的人体行为感知技术研究综述]阅读-知识补充

非视距

1. 非视距最直接的解释是，通信的两点视线受阻，彼此看不到对方，菲涅尔区大于50%的范围被阻挡 。
2. 在有障碍物的情况下，无线信号只能通过反射，散射和衍射方式到达接收端，我们称之为非视距通信。此时的无线信号通过多种途径被接收，而多径效应会带来时延不同步、信号衰减、极化改变、链路不稳定等一系列问题。
   菲涅耳区：菲涅耳区是在收发天线之间，由电波的直线路径与折线路径的行程差为nλ/2的折点（反射点）形成的、以收发天线位置为焦点，以直线路径为轴的椭球面。
   
   

   image.png

细粒度

来自Java的解释。粗粒度：表示类别级；细粒度：表示实例级

亚米级

亚米级，就是精度超过1米。

群智感知

“众人拾柴火焰高”，对于现代人类社会来说，移动群智感知是群体智慧在信息时代的表现方式。

主成分分析(PAC)

在多元统计分析中，主成分分析（英语：Principal components analysis，PCA）是一种分析、简化数据集的技术。主成分分析经常用于减少数据集的维数，同时保持数据集中的对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面。但是，这也不是一定的，要视具体应用而定。由于主成分分析依赖所给数据，所以数据的准确性对分析结果影响很大。
通过对协方差矩阵进行特征分解^[2]，以得出数据的主成分（即特征向量）与它们的权值（即特征值^[3]）。PCA是最简单的以特征量分析多元统计分布的方法。其结果可以理解为对原数据中的方差做出解释：哪一个方向上的数据值对方差的影响最大？换而言之，PCA提供了一种降低数据维度的有效办法；如果分析者在原数据中除掉最小的特征值所对应的成分，那么所得的低维度数据必定是最优化的（也即，这样降低维度必定是失去讯息最少的方法）。主成分分析在分析复杂数据时尤为有用，比如人脸识别。
PCA的数学定义是：一个正交化线性变换，把数据变换到一个新的坐标系统中，使得这一数据的任何投影的第一大方差在第一个坐标（称为第一主成分）上，第二大方差在第二个坐标（第二主成分）上，依次类推^[4]。
PAC原理

小波分析

PPT

弗林斯传输公式(Friis)

image.png

学习和理解天线的知识库