Quantum-ondersteunde geheugenefficiënte training voor parameterintensieve wifi-gebaseerde herkenning van menselijke activiteit

Wi-Fi-gebaseerde herkenning van menselijke activiteit (HAR) is een belangrijk onderdeel geworden van geïntegreerde detectie en communicatie, en baant de weg voor een reeks contextbewuste diensten. De meeste bestaande Wi-Fi-gebaseerde HAR-systemen vertrouwen echter op deep-learningmodellen (DL) die zowel bij het trainen als bij de inferentie reken- en geheugenintensief zijn, wat aanzienlijke uitdagingen oplevert voor toepassing in de praktijk. Conventioneel trainen vereist gelijktijdige updates van millio-