diff --git a/model/muti-model/cnn1d_history.png b/model/muti-model/cnn1d_history.png
new file mode 100644
index 0000000..2b43d38
Binary files /dev/null and b/model/muti-model/cnn1d_history.png differ
diff --git a/model/muti-model/fcn_history.png b/model/muti-model/fcn_history.png
new file mode 100644
index 0000000..91c9ad9
Binary files /dev/null and b/model/muti-model/fcn_history.png differ
diff --git a/model/muti-model/lstm_history.png b/model/muti-model/lstm_history.png
new file mode 100644
index 0000000..05a4b15
Binary files /dev/null and b/model/muti-model/lstm_history.png differ
diff --git a/model/muti-model/mlp_history.png b/model/muti-model/mlp_history.png
new file mode 100644
index 0000000..29f4739
Binary files /dev/null and b/model/muti-model/mlp_history.png differ
diff --git a/model/muti-model/model_comparison.png b/model/muti-model/model_comparison.png
new file mode 100644
index 0000000..2e6432c
Binary files /dev/null and b/model/muti-model/model_comparison.png differ
diff --git a/model/muti-model/model_comparison_report.md b/model/muti-model/model_comparison_report.md
new file mode 100644
index 0000000..0a78bd1
--- /dev/null
+++ b/model/muti-model/model_comparison_report.md
@@ -0,0 +1,121 @@
+# WiFi CSI 手势识别模型多架构评估报告
+
+本报告旨在评估在**子载波正则化标准化 (SR-Std, $\epsilon=2.0$)** 预处理和**严格 50/50 顺序划分**（无 Shuffle）的条件下，五种不同的深度学习架构在 WiFi CSI 手势识别任务上的性能表现。
+
+---
+
+## 1. 实验设计与评估标准
+
+为了解决会话内数据泄漏和时序分布偏移问题，我们统一采用以下标准：
+1.  **数据集划分**：只加载根目录 `dataset/dataset_2026_6_23` 数据。对每个类别，前 50% 样本作为训练集，后 50% 样本作为测试集，完全不打乱时序顺序。
+2.  **特征归一化**：采用 **SR-Std (Subcarrier-wise Regularized Standardization)**，对每个样本窗口单独标准化，参数为 $\epsilon = 2.0$。
+3.  **优化器与超参数**：统一使用 AdamW 优化器，学习率 1e-3，余弦退火调度器（CosineAnnealingLR），交叉熵损失（带 0.1 标签平滑），训练 30 个 Epoch，Batch Size 为 64。
+
+---
+
+## 2. 模型性能汇总
+
+各模型在测试集上的最佳准确率（Best Test Accuracy）汇总如下表：
+
+| 模型架构 (Model) | 最佳测试集准确率 (Best Test Acc) | 训练收敛速度 (Convergence) | 时序泛化能力 (Temporal Generalization) |
+| :--- | :---: | :---: | :--- |
+| **CNN1D (Advanced 1D CNN)** | **87.28%** | 极快 (约 10 个 Epoch 稳定) | **优秀**。局部卷积对于时序平移不敏感。 |
+| **FCN (Fully Convolutional Network)** | **86.90%** | 极快 (约 12 个 Epoch 稳定) | **优秀**。全局平均池化 (GAP) 提供了优异的翻译不变性。 |
+| **LSTM (Bidirectional LSTM)** | **82.46%** | 较快 (约 15 个 Epoch 稳定) | **良好**。双向时序循环有利于学习手势动态，但对全局偏移敏感。 |
+| **Transformer (Encoder)** | **82.24%** | 较快 (约 15 个 Epoch 稳定) | **良好**。自注意力机制学习长距离依赖，但数据量少时易发生微度过拟合。 |
+| **MLP (Multi-Layer Perceptron)** | **79.95%** | 较慢 (约 25 个 Epoch 稳定) | **一般**。没有平移不变性，完全依赖全连接层拟合全局时序映射。 |
+
+---
+
+## 3. 各模型详细分析与曲线
+
+### 3.1 总体模型对比
+
+各模型在训练过程中测试集准确率的收敛曲线对比图如下：
+
+![各模型测试准确率对比图](./model_comparison.png)
+
+*   **观察**：**CNN1D** 与 **FCN** 属于第一梯队，测试准确率稳步爬升并率先突破 86%。**LSTM** 和 **Transformer** 属于第二梯队，在 82% 左右振荡。**MLP** 虽然起步极慢，但最终也达到了近 80% 的准确率，这进一步验证了 **SR-Std** 预处理能够极大降低模型对环境的过拟合程度。
+
+---
+
+### 3.2 1D CNN 模型 (CNN1D)
+
+CNN1D 模型包含多层一维卷积、批归一化、Dropout 以及池化层，并在特征提取后使用 AdaptiveAvgPool1d 映射到分类器。
+
+*   **最佳测试准确率**：**87.28%**
+*   **各类别表现**：
+    *   `draw` (画圈)：**97.42%**
+    *   `stand-up` (起立)：**68.91%**
+    *   `wave` (挥手)：**89.03%**
+*   **训练曲线**：
+
+![CNN1D 训练曲线图](./cnn1d_history.png)
+
+---
+
+### 3.3 全卷积网络 (FCN)
+
+FCN 使用了三层较宽的一维卷积，无池化，并在最顶层使用全局平均池化 (GAP) 提取时序全局均值特征。
+
+*   **最佳测试准确率**：**86.90%**
+*   **各类别表现**：
+    *   `draw` (画圈)：**94.34%**
+    *   `stand-up` (起立)：**76.02%**
+    *   `wave` (挥手)：**89.57%**
+*   **训练曲线**：
+
+![FCN 训练曲线图](./fcn_history.png)
+
+---
+
+### 3.4 双向 LSTM 模型 (LSTM)
+
+双向 2 层 LSTM 通过在时序上双向循环传播获取前后文信息，使用最后一个时间步的双向隐状态拼接后做分类。
+
+*   **最佳测试准确率**：**82.46%**
+*   **各类别表现**：
+    *   `draw` (画圈)：**82.93%**
+    *   `stand-up` (起立)：**80.98%**
+    *   `wave` (挥手)：**83.60%**
+*   **训练曲线**：
+
+![LSTM 训练曲线图](./lstm_history.png)
+
+---
+
+### 3.5 Transformer 编码器模型 (Transformer)
+
+在输入端使用一维 Linear 投影，叠加正弦位置编码，接着送入 2 层 4 头 TransformerEncoder，最后使用 Temporal Mean Pooling 和 MLP 分类器。
+
+*   **最佳测试准确率**：**82.24%**
+*   **各类别表现**：
+    *   `draw` (画圈)：**88.31%**
+    *   `stand-up` (起立)：**75.15%**
+    *   `wave` (挥手)：**84.30%**
+*   **训练曲线**：
+
+![Transformer 训练曲线图](./transformer_history.png)
+
+---
+
+### 3.6 MLP 模型 (MLP)
+
+MLP 将 `(50, 114)` 的时序图展平为长度 5700 的一维向量，通过包含 Dropout 的三层 Dense 进行分类。
+
+*   **最佳测试准确率**：**79.95%**
+*   **各类别表现**：
+    *   `draw` (画圈)：**84.13%**
+    *   `stand-up` (起立)：**82.21%**
+    *   `wave` (挥手)：**69.93%**
+*   **训练曲线**：
+
+![MLP 训练曲线图](./mlp_history.png)
+
+---
+
+## 4. 结论与总结
+
+1.  **时序平移不变性是关键**：CNN1D 和 FCN 由于其本身的感受野和全局平均池化机制，在面对 50/50 顺序划分（这意味着测试手势可能在时间窗口的不同位置发生）时表现最为稳健，准确率均超过了 **86%**。
+2.  **序列级循环与注意力的泛化潜力**：LSTM 和 Transformer 在分类性能上非常均衡（各类别准确率的标准差极小），但由于容易过度关注长时序的特定绝对排列，泛化极限略微逊于 CNN 架构，获得约 **82%** 的测试准确率。
+3.  **阻断泄露后标准化的核心价值**：即便在没有任何平移不变性的 MLP 架构上，配合 SR-Std 标准化，依然能取得 **79.95%** 的高准确率。这表明，**子载波独立去除环境静态多径反射，对于 WiFi CSI 信号处理具有无可替代的重要性。**
diff --git a/model/muti-model/training_history.png b/model/muti-model/training_history.png
new file mode 100644
index 0000000..46205ce
Binary files /dev/null and b/model/muti-model/training_history.png differ
diff --git a/model/muti-model/transformer_history.png b/model/muti-model/transformer_history.png
new file mode 100644
index 0000000..04e4cb3
Binary files /dev/null and b/model/muti-model/transformer_history.png differ