[發明專利]一種基于深度學習的室內人員感知方法

有效

• 申請號: 201910206961.0
• 申請日: 2019-03-19
• 公開（公告）號: CN109922447B
• 公開（公告）日: 2020-11-03
• 發明（設計）人: 江灝;陰存翊;陳靜;繆希仁
• 申請（專利權）人: 福州大學
• 主分類號: H04W4/33
• 分類號: H04W4/33
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 蔡學俊

1.一種基于深度學習的室內人員感知方法，其特征在于，包括如下步驟：

步驟S1、在室內場所放置n個傳感節點，各個傳感節點間兩兩互感，相互測得剩余n-1個傳感節點發送的RSSI信號值，經由總傳感節點對各鏈路的RSSI信號值進行匯總，共可生成一個n×n的RSSI信號矩陣，對應公式(1)：

其中，n為傳感節點個數，RSSI信號矩陣中的每個元素表示其中一個傳感節點檢測到對應另一個傳感節點的RSSI信號值；矩陣中對角線元素對應的值表示傳感節點自發自收的值，R_i,j表示i號傳感節點檢測到j號傳感節點的RSSI信號值，在實驗中將RSSI信號檢測裝置緊貼傳感節點進行RSSI信號檢測來近似表示傳感節點自發自收的值，故取RSSI信號檢測裝置貼近傳感節點多次實際檢測值-8近似作為傳感節點檢測到自身的RSSI信號值，即矩陣中對角線元素對應的值；在采集矩陣數據過程中，創建一個n×n的空矩陣，接收到一個RSSI值即填入對應元素位置，當所有元素被填滿時輸出該矩陣作為一個樣本數據，同時將矩陣清空，繼續采集下一個矩陣信號；

步驟S2、根據室內環境中的人數數量M將不同人員數量下的信號矩陣分成M類并標記對應標簽作為樣本；然后，隨機選取其中一部分的樣本作為訓練集，另一部分的樣本作為測試集，利用DNN模型進行數據訓練，進行特征提取，建立樣本特征對應人數的關系，從而根據給定的信號矩陣特征，輸出最終的人員數量，實現人員的檢測，并固化網絡模型；最后，用測試集進行測試，驗證方法效果；所述步驟S2的具體過程如下：

首先，將輸入數據進行預處理，對應的RSSI信號矩陣為n×n，將輸入的n×n維的RSSI信號矩陣進行按行展開，將其展開成一個1×1(1＝n×n)維度的向量，每個元素表征著每兩個傳感節點間的RSSI信號值，每個RSSI信號矩陣都事先打好與之對應的人數標簽，標簽為1個1×k維的向量，向量中的每個元素均為0-1進制，室內人數為M(M∈{1......k})即在第M個元素置1，其余元素置0；

接著，對輸入數據的每一個神經元用以下公式進行近似白化處理：

式(2)中，E[x_i]是每一批訓練數據神經元x_i的神經元的平均值，分母表示每一批數據神經元x_i的標準差，該批次數據在每個批次上將前一批次數據的激活值重新歸一化，即使前一批次輸出數據的均值接近0，標準差接近1；

之后，對每一個神經元x_i引入了一對可學習重構參數γ，β，對前一批次輸出數據進行重構：

其中，y_i為對應各神經元經過參數重構后得到的輸出，由于重構參數的加持，使得網絡可以學習到原始數據的特征分布；

最終，經過對各批次數據的處理，實際輸入與輸出的線性關系為：

其中，z為DNN模型最終的輸出值，即對應的人員數量，從而實現人員的檢測。

2.根據權利要求1所述的一種基于深度學習的室內人員感知方法，其特征在于，所述傳感節點采用具有WiFi功能的設備。

3.根據權利要求2所述的一種基于深度學習的室內人員感知方法，其特征在于，所述具有WiFi功能的設備為路由器。

4.根據權利要求1所述的一種基于深度學習的室內人員感知方法，其特征在于，所述總傳感節點采用路由器。