本书系统阐述了可标识无源感知的理论体系和方法，以RFID技术为核心，突破传统感知方法在隐私保护、侵入性、身份识别等方面的局限。全书共11章，涵盖RFID信号特征采集、绑定式骨架建模、多模态数据融合、图卷积网络优化等关键技术，创新性地提出一系列高精度、高鲁棒的识别模型，并在自建数据集上实现了超过98%的分类准确率。本书还集成实现了完整的活动识别系统，为主动健康、智慧养老、人机交互等领域提供可落地的解决方案。

更多科学出版社服务，请扫码获取。

2015年毕业于西南交通大学计算机应用技术专业，获得工学博士； 2005年毕业于西南石油大学计算机应用技术专业，获得工学硕士； 1994年毕业于成都大学计算机应用专业；2002.7-2016.6 西南民族大学计算机科学与技术学院 2016.7-今 西华师范大学计算机学院物联网感知与大数据分析四川省普通本科高校新工科教学指导委员会委员、中国人工智能学会智能系统工程专委会常务委员、教育部长江学者奖励计划评审专家、四川省学术和技术带头人后备人选；

目录
第1章 绪论 1
1.1 研究背景及意义 1
1.2 国内外研究现状 2
参考文献 4
第2章 RFID标签响应信号特征数据读取方法 7
2.1 RFID系统的工作原理 7
2.1.1 LLRP简介 8
2.1.2 LLRP交互 8
2.2 低层数据读取的软硬件环境设置 9
2.2.1 系统连接 10
2.2.2 PuTTY使用 11
2.2.3 Eclipse配置 12
2.3 标签响应信号特征数据的读取过程 12
2.3.1 读取算法 12
2.3.2 算法测试 13
本章小结 14
参考文献 15
第3章 绑定式RFID骨架的人体活动识别 16
3.1 人体活动数据集 16
3.1.1 RFID天线部署 16
3.1.2 基于人体骨架的标签部署 17
3.1.3 RFID标签响应信号特征数据分析 17
3.1.4 数据集 21
3.2 骨架活动图 22
3.2.1 人体活动姿态划分 22
3.2.2 空间骨架图生成 23
3.2.3 时空骨架图生成 24
3.3 识别模型 24
3.4 实验 25
本章小结 27
参考文献 28
第4章 基于骨架活动图卷积网络的RFID人体活动识别 29
4.1 识别模型 29
4.1.1 骨架特征矩阵读取方法 29
4.1.2 骨架活动图卷积网络基本模型 30
4.1.3 带残差网络的骨架活动图卷积网络 36
4.1.4 并行化带残差网络的骨架活动图卷积网络 36
4.2 实验 38
4.2.1 模型训练 38
4.2.2 消融实验 39
4.2.3 对比实验 43
本章小结 44
参考文献 45
第5章 人体活动识别自适应全局时空图卷积网络 46
5.1 概述 46
5.2 相关理论与技术 48
5.3 图神经网络基础 49
5.3.1 GCN的基本原理 49
5.3.2 GCN的技术特点及应用领域 50
5.3.3 基于GCN的人体活动识别 50
5.4 识别模型 51
5.4.1 RFID骨架活动图构建 51
5.4.2 FSTC模型 54
5.4.3 A-FSTC模型 59
5.4.4 GA-FSTC模型 60
5.5 实验 61
5.5.1 数据集 61
5.5.2 模型训练 62
5.5.3 消融实验 64
5.5.4 模型分类准确性评估 66
5.5.5 鲁棒性与泛化能力评估 67
5.5.6 对比实验 69
本章小结 71
参考文献 71
第6章 基于RFID无源感知的活动识别拓扑析聚图卷积网络 74
6.1 概述 74
6.2 识别模型 76
6.2.1 H-GCN模型 76
6.2.2 FH-GCN模型 82
6.2.3 AFH-GCN模型 84
6.3 实验 85
6.3.1 模型训练 85
6.3.2 消融实验 85
6.3.3 模型分类准确性评估 87
6.3.4 鲁棒性与泛化能力评估 89
6.3.5 对比实验 90
6.4 人体活动识别系统 92
本章小结 96
参考文献 97
第7章 基于视觉与骨架式可穿戴无源感知的多模态人体活动识别 99
7.1 概述 99
7.2 相关理论基础 103
7.2.1 CNN 103
7.2.2 GCN 107
7.2.3 时空卷积网络 108
7.2.4 Transformer 109
7.3 数据集与预处理 112
7.3.1 数据采集及处理 112
7.3.2 数据集的组成与结构 118
7.4 识别模型 121
7.4.1 RFID骨架结构建模与动态特征表示 122
7.4.2 基于时空图卷积网络的人体活动识别 125
7.5 实验 127
7.5.1 数据集与预处理 127
7.5.2 评估指标 130
7.5.3 实验环境与参数设置 131
7.5.4 特征构造方法验证实验 132
7.5.5 改进网络结构消融实验 135
7.5.6 与现有模型对比实验 136
7.5.7 信号干扰鲁棒性实验 137
7.5.8 泛化性验证 138
本章小结 139
参考文献 140
第8章 复杂环境下的RFID与视觉的多模态人体活动识别 144
8.1 概述 144
8.2 识别模型 145
8.2.1 人体视觉骨架提取 145
8.2.2 基于图卷积的双模态骨架特征提取 145
8.2.3 基于图卷积的双模态骨架特征融合网络 146
8.2.4 基于跨模态注意力与门控加权的双模态融合网络 149
8.2.5 动态感知与权重自适应机制 152
8.3 实验 153
8.3.1 实验设置 153
8.3.2 实验结果 154
本章小结 163
参考文献 163
第9章 基于交互学习的可穿戴感知多模态人体活动识别 164
9.1 概述 164
9.2 相关工作 165
9.3 识别模型 168
9.3.1 多模态人体RFID骨架活动图 169
9.3.2 特征提取 171
9.3.3 多层交互学习注意记忆网络 173
9.3.4 深度融合网络 178
9.3.5 模型算法 180
9.4 实验 180
9.4.1 3种模态人体RFID骨架活动图的研究 180
9.4.2 人体活动数据集 182
9.4.3 模型训练 183
9.4.4 验证实验 184
9.4.5 消融实验 188
9.4.6 鲁棒性的研究 190
9.4.7 比较实验 191
本章小结 194
参考文献 194
第10章 基于RFID的多目标振动感知 199
10.1 概述 199
10.2 振动感知基础 205
10.2.1 RFID技术 205
10.2.2 多目标数据采集与读取算法 207
10.2.3 反向散射信号物理意义分析 208
10.3 多目标振动压缩感知方法 211
10.3.1 振动数据集 211
10.3.2 多目标压缩感知模型 216
10.4 实验 223
本章小结 225
参考文献 225
第11章 基于小波变换和时间卷积网络的时频双通道卷积振动感知 229
11.1 概述 229
11.2 数据预处理 230
11.2.1 TCN分支数据预处理 230
11.2.2 小波CNN分支数据预处理 231
11.3 振动感知模型 232
11.3.1 TCN分支 232
11.3.2 小波CNN分支 232
11.3.3 特征融合 234
11.3.4 优势分析 235
11.4 实验 235
11.4.1 模型训练 235
11.4.2 精度实验 236
11.4.3 频域宽度实验 237
11.4.4 对比实验 238
11.4.5 消融实验 239
11.5 多目标振动感知系统 241
11.5.1 概述 241
11.5.2 系统需求分析 242
11.5.3 系统设计 242
11.5.4 系统实现 243
本章小结 245
参考文献 246