[发明专利]一种适用于WiFi跨场景感知的源域选择方法

说明书

本发明属于无线信号的跨域行为感知技术领域，公开了一种适用于WiFi跨场景感知的源域选择方法，充分考虑源域、目标域的全局数据分布和带标签数据的局部分布，设计一种基于全局和局部距离线性组合的评价策略，选择距离目标域最近的源域来构建跨域感知模型，保障跨场景无源感知的可靠性和精度；还为基于WiFi的跨场景感知问题，提供了新的研究思路。

技术领域

本发明属于无线信号的跨域行为感知技术领域，具体涉及一种适用于WiFi跨场景感知的源域选择方法。

背景技术

随着物联网技术的普及以及室内WiFi设备的广泛应用，基于WiFi信号的被动式人员感知技术表现出巨大的潜力。考虑到一种环境中训练的模型不能直接应用到另一种环境中，基于WiFi信号的跨域感知成为研究热点。针对实际场景的跨域感知问题，源域和目标域的差异性可能导致负迁移的现象发生。因此，从多个可用的源域中选择一个适用于给定目标域的源域数据集，对于提高跨域感知的精度具有重要意义。

现有基于WiFi信号的跨域感知方法往往忽略源域选择问题，直接构建复杂的网络模型（如对抗训练网络），学习域自适应特征。如果从多个源域中随机选择一个原始场景的数据，构建跨域模型，那么源域的盲目选择会大大降低跨场景感知的可靠性。在其他研究领域，如文献《基于多源域深度域自适应的脑力负荷识别》（出自《华东理工大学学报(自然科学版)》）、专利申请CN112364994A、CN114330451A、CN115034296A，将数据直接投影到可再生希尔伯特空间或者欧式空间中，采用最大均值差异（MMD距离或改进的MMD距离）直接计算两个数据源的差异。然而，数据投影过程忽略数据和标签的关联性，造成投影空间辨识能力差的问题；此外，针对行为感知任务而言，其包含多个不同的动作类别，需要同时关注多个域同类别样本之间的相似度。CN114254676A训练多个源域模型并统计其在目标域中的测试结果，投票生成一个多源分类器，并进一步采用迭代的方式进行源域选择，然而该方法操作复杂。

发明内容

为解决上述技术问题，本发明提供了一种适用于WiFi跨场景感知的源域选择方法，该方法充分考虑源域、目标域的全局数据分布和带标签数据的局部分布，设计一种基于全局和局部距离线性组合的评价策略，选择距离目标域最近的源域来构建跨域感知模型。

本发明所述的一种适用于WiFi跨场景感知的源域选择方法，步骤为：

步骤1、在多个室内场景中采集不同动作的WiFi信号并提取通道信号状态信息CSI，其中一个场景的数据作为目标域，其他多个场景的数据作为多个源域，对目标域及所有源域中的数据样本打上类别标签；

步骤2、采用深度卷积神经网络训练其中第i个源域的数据；

步骤3、利用训练好的深度卷积神经网络作为特征提取器，提取源域所有数据的特征，以及目标域少量带有标签数据的特征；

步骤4、在源域及带有标签的目标域数据中，计算不同类别的类原型，将同一类原型的余弦相似度作为该类的局部相似度，统计所有类的局部相似度之和的倒数，作为局部距离；

步骤5、利用JS散度来衡量源域和目标域全局数据概率分布的相似度，并将其作为全局距离；

步骤6、线性组合该局部距离和全局距离，作为两个域的距离衡量标准；

步骤7、重复步骤2-6遍历其余所有的源域，并选择最小距离所对应的源域，用于后续的跨场景感知。

进一步的，在目标域中，只有极少量的数据带有类别标签信息用于训练；多个源域中，全部数据打上类别标签信息。

进一步的，采用深度卷积神经网络AlexNet训练某一个源域数据。

进一步的，步骤3具体为，利用训练好的神经网络作为特征提取器，将最后一个全连接层作为样本特征，提取该源域所有数据的特征，以及目标域少量带有标签数据的特征。

进一步的，步骤4具体为，在该源域、带有标签的目标域数据中，将各类别特征的平均值作为类原型，其公式为：

；