1.一种基于信道状态信息和KNN的室内人体朝向识别方法，包括以下步骤：步骤1：搭建信道状态信息数据采集平台；

步骤2：将人体在自然站立状态下的朝向分成8个类别，每个朝向之间约有45°的夹角；

步骤3：离线训练阶段，具体包括以下子步骤：

步骤3-1：人体在每个朝向时保持一段时间的静止状态，采集包含信道状态信息的数据包；每个数据样本的格式为：{f1,f2,...,f30}T×R。其中f1～f30为子载波，T为发射天线数，R为接收天线数；

步骤3-2：取训练数据，取每个样本的每条天线对上的数据，将每个训练样本转换为格式：{f1,f2,...,f30,...,f60,...fT×R×30}；其中f1～fT×R×30为子载波，T为发射天线数，R为接收天线数；

步骤3-3：去除数据中的明显异常值；

步骤3-4：对训练数据进行主成分分析，得到特征矩阵mV及降维后的训练数据；

步骤3-5：对降维后的每组数据进行归一化，Xnew＝(Xold-min)/(max-min)，其中，Xnew表示归一化后的数据，Xold表示归一化前的数据，min表示该数据的一列特征中的最小值，max表示该数据的一列特征的最大值；

步骤3-6：将归一化后的数据及其对应的朝向作为一条指纹存入指纹库中；

步骤4：在线测试阶段，具体包括以下子步骤：

步骤4-1：采集人体在某个朝向时的测试数据包；

步骤4-2：按照步骤3-2，将测试数据转换为{f1,f2,...,f30,...,f60,...fT×R×30}；其中f1～fT×R×30为子载波，T为发射天线数，R为接收天线数；

步骤4-3：使用特征矩阵mV将测试数据变换到降维后的维度；

步骤4-3：按照3-5的步骤，对每组测试数据进行归一化；

步骤4-4：使用KNN算法，得到每组测试数据的分类结果{ori1,ori2,...,orin}，其中n为测试样本的数量；

步骤4-5：选择分类结果中出现最多的朝向作为该测试数据最终的估计方向。