[发明专利]一种基于RFID和卷积神经网络的非接触式用户身份认证方法

权利要求书

1.一种基于RFID和卷积神经网络的非接触式用户身份认证方法，其特征在于：包括如下步骤：

步骤1：在室内环境中布置无源RFID标签矩阵，布置方式为3×3的九宫格结构，采集用于身份认证的相位数据；

步骤2：将步骤1采集到的相位信息进行预处理；

所述的步骤2中，对采集到的相位信息进行预处理，具体包括以下步骤：

步骤2-1，相位展开：原始相位信号是一个周期函数，范围为0-2πrad；设采集到的标签m的原始样本信号的相位矢量值为m＝1,2,…,9；假设两个连续时间的相位值为和由于周期函数，其实际信号应为和相位展开问题转化为求解N_m,i,i＝1,2,…,n；由相位的范围0-2πrad得到因此ΔN_m,i＝N_m,i+1-N_m,i计算为：

计算出N_m,i：

再根据得出相位展开之后的相位矢量φ_m＝[φ_m,1,φ_m,2,…,φ_m,n]；

步骤2-2，数据归一化处理：对静止状态下的每个标签采集长度为t的相位序列，求出静止状态下每个标签的平均相位值；后续处理相位数据时，对每个标签的相位值进行减去平均值的操作，从而将每个标签静止状态下的相位归一化到0；

步骤2-3，使用巴特沃兹低通滤波器过滤相位：在进行信号过滤时，运动产生的低频信号正常通过，而噪音所在的高频信号被削弱或者屏蔽；巴特沃斯低通滤波器用如下振幅的平方对频率的公式表示：

其中n为滤波器的阶数，ω_c为截止频率，ω_p为通频带边缘的数值；当ω＝ω_p时∈²为通频带边缘的数值；

步骤3：从步骤2预处理后的相位信息中获取各个动作样本的起始点和结束点信息；

步骤4：将所述相位信息制成身份认证的数据集，并采用深度学习卷积神经网络CNN对数据进行训练，得到用于身份认证的CNN模型；

步骤5：用户进行身份认证时，监测用户的动作，标签矩阵收集相位信息，然后经过步骤2和步骤3的处理后，将数据送入步骤4中得到的CNN模型中，识别用户的身份；

步骤6：根据步骤5的结果，判断用户身份认证是否成功。

2.根据权利要求1所述一种基于RFID和卷积神经网络的非接触式用户身份认证方法，其特征在于：步骤1中，布置的无源RFID标签矩阵由9个标签组成，在平面上按照三行三列等距排列，每个标签之间间距为12.5cm；在标签后方1.2m处放置天线；通过RFID阅读器与标签间的相互通信，获取标签矩阵中多个标签的相位信息。

3.根据权利要求1所述一种基于RFID和卷积神经网络的非接触式用户身份认证方法，其特征在于：步骤3具体包括以下步骤：

步骤3-1，使用KL散度自适应分割算法，确定动作开始或结束的范围：设置一个滑动窗口，计算每个滑动窗口内数据的离散概率分布函数PDF，设P和Q为两个连续滑动窗口的PDF值，计算它们的KL离散度：

当离散值大时，表示两个窗口呈现不同的运动状态进行动作分割；

步骤3-2，确定动作开始或结束的准确时间：将步骤3-1中获得的滑动窗口前后扩大5倍得到一个10倍滑动窗口的时间段；对时间段内的每一个标签进行滑动窗口操作，确定每一个标签开始或结束的时间；该滑动窗口使用信号的幅度和频率作为特征；用L表示滑动窗口的长度，第i个窗口的幅度值和频率表示为：

和

其中φ_i,k表示第i个滑动窗口的第k个数据点；计算测量差函数G为：

G(i)＝C_A|A_i+1-A_i|+C_F|F_i+1-F

其中C_A和C_F是两个常数，为两式的权值；因此得到每一个标签的开始和结束时间，第一个标签开始变化的时间为动作开始的时间；同理得到动作结束时间。