[发明专利]基于持续学习的WiFi手势增量识别系统的构建方法

权利要求书

1.一种基于持续学习的WiFi手势增量识别系统的构建方法，其特征在于，按以下步骤进行：

步骤一：在基于无线网卡的环境中，部署收发器，收集信道状态信息CSI；

步骤二：在样本采集环境中完成手势，得到手势动作样本集；

步骤三：从手势样本数据提取幅值信息并进行预处理；

步骤四：对处理后的数据进行子载波选择和降维，得到数据集；

步骤五：使用神经网络对数据集进行特征提取与分类，得到初始模型；

步骤六：以初始模型为基模型，采用持续学习中的梯度情景记忆方法对初始模型分别进行类别增量和领域增量学习，得到动态更新的基于持续学习的WiFi手势增量识别系统。

2.如权利要求1所述的方法，其特征在于，所述步骤一中，在基于无线网卡的环境中，采用带有Intel 5300Wi-Fi无线网卡的笔记本电脑作为收发器，发射端设置一根天线，接收端设置三根天线，每根天线上对应有30个子载波，收发器都工作在Monitor模式，频段为5.32Ghz，传输速率为每秒1000个数据包。

3.如权利要求1所述的方法，其特征在于，所述步骤三中预处理的步骤具体包括：

步骤3.1：提取出样本中的幅值信息；

步骤3.2：对提取到的幅值信息采用hampel滤波器滤除离群值进行异常值去除，得到稳定波动的幅值；

步骤3.3，对异常值去除后的幅值进行去噪。

4.如权利要求1所述的方法，其特征在于，所述步骤四中，需要对数据进行最优子载波选择和降维，具体方法包括：

步骤4.1：采用基于动态时间扭曲的子载波选择算法选择最佳子载波；

步骤4.2：采用重采样方法对数据进行降维。

5.如权利要求1所述的方法，其特征在于，所述步骤五中，采用ResNet18对数据集进行特征提取和分类，得到初始模型。

6.如权利要求1所述的方法，其特征在于，所述步骤六中，采用持续学习中的梯度情景记忆GEM方法实现类别增量和领域增量学习。