首先，由於個人能力原因，對於論文中的提出的SVM算法只能做一些簡單的分析，如若有錯誤的地方，歡迎留言，非常感謝您的閱讀！！
SVM算法
首先，簡單介紹一下關於SVM算法:SVM算法又名支持向量機，它是一種二分類模型，擅長處理小樣本分類問題，有較強的泛化能力並且可以處理非線性分類問題，通過多個SVM的組合使用還可以用來處理多分類問題。
關於支持向量機的根本思想：
第一點：SVM是針對線性可分情況進行分析，對於線性不可分的情況，通過使用非線性映射算法將低維輸入空間線性不可分的樣本映射到高維特徵空間使其線性可分，從而使得高維特徵空間採用採用線性算法對樣本的非線性特徵進行線性分析成爲可能。
第二點：SVM基於結構風險最小化理論在特徵空間中構建最優分割超平面，使得學習器全局最優化，並且在整個樣本空間的期望風險以某個概率滿足一定上界。
關於具體在對人體行爲的特徵識別內容，將會在接下來的內容進行詳細介紹，並且涵蓋SVM算法的原理以及過程。
特徵採集
人體行爲特徵的採集，主要通過CSI進行，採集的行爲包括：（l)站立不動；（2）緩慢勻速行走；勻速推縮手臂；(5)水平方向揮臂；（6）垂直方向揮臂等一系列人的姿勢，動作。
自己簡單的手畫了一下人體行爲：
收集並記錄這些特徵的信道狀態信息(CSI），CSI呈現出不同頻率下多徑傳播的幅度和相位，從而更加精確地刻畫了具有頻率選擇性衰落特性的信道。
在這直接引用論文中給出的CSI圖像：
SVM算法的分類模型設計
採用SVM算法把CSI幅度和相位信息的變化特徵作爲輸入，並且訓練在假設的空間中找到一個最優分隔面把正反樣本分隔開，其學習的策略是間隔最大準則。
所指的間隔就是樣本點到分隔面的最小距離。分割正負樣本的分隔面有很多，這個間隔最大準則實際上是：意味着要找到那個以最大的確信度將正負樣本分隔開並是該模型應對局部干擾最大的分割面，作爲最優分割面（如下圖）。
使用SVM進行二分類，就需要找到最優分割面，令最優分割面爲(Markdown編輯器的公式輸入好麻煩，只能截圖了）：
其中，
爲一個樣本的特徵向量，n爲其特徵維數。
假定有一個線性可分的樣本的樣本集
要得到最優分割面，需要滿足以下的表達式：
上式是目標函數，下式是約束條件，是個二次規劃。表達式是一個以w爲自變量的目標函數，而下式是以w的線性函數爲約束條件，它的可行域是一個標準凸集，
所以可得出結論該表達式擁有全局最優解。使用拉格朗日乘子方法計算求解，這裏主要是數學求解方程的問題。
但是面對非線行爲特徵的時候，就需要採用非線性SVM算法（個人的原因，這個沒有學過(QAQ，以前太懶了(QAQ））
總結
首先，採用SVM算法解決人體行爲特徵識別是可行的，只是對於線性特徵和非線性特徵，需要使用不同類型的SVM分類器。
本文的SVM採用了這樣一種策略：將低維空間向高維空間轉換，使得在低維空間不可分的樣本在高維空間中變得可分，從而再按上述方法求解最優超平面。
SVM是一種很典型的二分類算法，對於多分類問題SVM同樣適用。可以採用組合多個SVM進行多分類，常用的多分類方式有“一對一”和“一對多”。SVM採用統計理論，廣泛應用於圖像處理、文本分類、姿態識別等領域。