本发明涉及一种基于CNN的Wi‑Move行为感知方法,步骤如下:⑴Wi‑Move的数据预处理;⑵基于CNN的人体行为感知;⑶Wi‑Move输入特征图的构建;⑷Wi‑Move的网络设计;⑸Wi‑Move网络模型的优化。针对特征提取与分类的感知方法中特征提取不全面、只适用于感知较少行为种类的问题,本发明提出了一种基于CNN的Wi‑Move行为感知方法,相比于特征提取与分类的感知方法,在多种类行为感知的场合具有更高的识别准确率。全部CSI子载波的幅值与相位信息由深度CNN网络分层提取,特征信息更加全面。
1.一种基于CNN的Wi-Move行为感知方法,其特征在于:步骤如下:⑴Wi-Move的数据预处理①CSI幅值信息预处理②CSI相位信息预处理使用线性变换算法来减小CSI相位信息中的随机相位偏移:在采集到的子载波中,真实的测量相位表示为:其中,为原始相位,为测量相位,Δt为采样频率偏移所造成的时间延迟,mi为子载波的索引值,N为快速傅里叶变换的窗口大小,β为未知相位偏移,Z为测量噪声;从IEEE802.11n的规范中能够获得子载波索引mi,和FFT的窗口大小N;使用相位变换算法来消去未知项β和Z,首先定义相位斜率a和偏移量b两个参数:由于30条子载波的索引值在IEEE 802.11n中是对称的,因此能够得到:将测量相位偏移量b和相位斜率a代入公式(4-1),同时忽略测量噪声Z,能够得到:i表示1-30个子载波中的一个子载波,共30个子载波;使用相位校准算法消除测量相位值的折叠,其基本算法步骤下所示:在该算法的第6-11行中,通过判断相邻子载波之间的测量相位变化是否大于给定阈值π,并减去2π的倍数来恢复被折叠的测量相位值;⑵基于CNN的人体行为感知基于CNN的人体行为感知方法为了充分利用所有接收天线中子载波的信息,将CSI信息转换为了二维图像的结构,以时间作为x轴,子载波作为y轴,并采用基于卷积神经网络的图像处理技术对CSI信息进行特征提取;根据对CSI信息结构的研究可知,一根接收天线上的CSI幅值信息与相位信息用公式(7)和(8)表示:其中,A为幅值信息矩阵,为相位信息矩阵;根据矩阵中元素数值的大小能够将其转化为不同灰度图像;⑶Wi-Move输入特征图的构建将卷积神经网络在图像分类领域的技术应用在CSI的人体行为识别上,首先需要将CSI数据转化为二维图像的格式,分别将3根接收天线的幅值和相位信息作为卷积神经网络的6个通道,构成卷积神经网络的CSI输入特征图;考虑到行为识别的实时性,Wi-Move将输入特征图的大小设置为30×100(m=100),即100个时间点所采集的CSI信息,若采样频率为50Hz,则Wi-Move能够识别最近2秒内发生的行为活动;⑷Wi-Move的网络设计①Wi-Move的网络结构在Wi-Move中使用了一种基于VGGnet-16的网络模型,用于提取CSI数据的特征,该网络共有16层的结构,其中包含13个卷积层、5个池化层和3个全连接层,网络的输入是在构建的CSI输入特征图;卷积层通过卷积核对输入数据进行卷积操作,来提取输入数据的抽象特征,其计算公式为:其中,I和J分别为输入和输出数据的通道数,xi为第i个通道的输入,yj为第j个通道的输出,kij表示卷积核,*表示卷积操作,b为偏置量,f为非线性激活函数;池化层是对相邻区域的特征信息进行聚合统计,用概率统计特征取代全部特征,并对卷积层的运算结果实现降维,保留有效信息,其数学表达式为:其中,down函数表示下采样函数,通常有平均池化和最大值池化两种方式,Wi-Move的池化层选择了最大值池化方式;全连接层实现了本层神经元与上一层神经元的全部连接,并将前层的特征进行加权求和,将输出转化为了一维向量;最后一层是Softmax层,其作用是对输出概率做归一化处理,使其范围都在(0,1)之间;对于一个输入数据x,预测其y=i类别的概率分布公式如下:若x为k维的输入向量,则预测其k个类别的概率值表示如下:其中,hθ(x)是假设函数,θi是待拟合的模型参数,求得概率值最高的类别即是神经网络预测分类的结果;②Wi-Move的网络层次在Wi-Move中全部使用了3×3大小的卷积核和2×2大小的池化核,同时,还使用了两个3×3卷积层的串联和三个3×3的卷积层串联的结构,并且,Wi-Move在每一个卷积层和全连接层的输出上都使用了ReLU作为非线性激活函数;在Wi-Move的结构中,第一个卷积层包含有64个大小为3×3、步长为1的卷积核,该卷积核要求输入数据的大小为30×100×6,之后连接了第二个卷积层;第二个卷积层将第一层的输出作为自己的输入,并使用了相同的卷积核对第一个卷积层的输出进行滤波;经过两个相同结构的卷积层滤波后,将结果输入到最大池化层,最大池化层包含有64个大小为2×2、步长为2的池化核,以此来达到缩小数据尺寸和降维的目的;在第一个和第二个卷积层中使用了两个3×3卷积层串联的结构,这种串联结构可以增大卷积层的感受视野,因为两个3×3卷积层的串联相当于1个5×5的卷积层,而参数量只有5×5的一半,并且两个3×3卷积层的串联可以包含2个非线性操作,而一个5×5的卷积层只能有1个非线性操作;在经过了前三层的卷积和最大
本文链接:http://www.vipzhuanli.com/tech/sell/s_2309592.html,转载请声明来源钻瓜专利网。