基于DB-GS-Yolo11的跨域智能无线感知算法

摘要

无线感知技术利用环境中的Wi Fi信号提取特征信息,识别目标运动状态。无线感知技术随智能设备普及,已广泛应用于智能家居、医疗健康、人机交互和自动驾驶等领域。然而,移动通信环境复杂多变,无线感知存在着模型感知精度低、场景泛化能力差、环境依赖性高等问题。因此,针对不同的跨域场景,提出基于双支路门控时序Yolo11跨域智能无线感知算法DB-GS-Yolo11。该算法采用双支路结构设计,融合了Yolo11神经网络、门控注意力模块(Gated Attention Coding, GAC)和状态空间模块(State Space Model,SSM),能够高效感知输入信号,并有效提取关键跨域特征,从而大幅提升模型的泛化能力。这一改进显著降低了感知任务对特定环境的依赖,使其具备更强的鲁棒性、可移植性以及跨领域识别精度。在对比实验中,所提出的DB-GS-Yolo11算法与多种主流神经网络模型,包括深度神经网络(Deep Neural Network,DNN)、门控循环网络(Gated Recurrent Unit, GRU)以及Google Inception Net神经网络(Goog Le Nte)进行了性能对比。实验结果表明,DB-GS-Yolo11在感知复杂度优化、识别精度提升以及跨域适应能力方面均展现出更优越的表现。在域内数据集中识别精度整体提高5.33%～9.67%,耗时减少1.35%～17.81%。同时在跨位置、跨方向等跨域数据集上所提出的算法的识别精度提升2.33%～7.33%和2.67%～4.33%,耗时减少1.63%～4.69%和0.23%～3.11%。

关键词

智能无线感知 / 跨域识别 / 注意力机制 / 双支路Yolo11神经网络