[發明專利]一種基于Wi-Fi信號和遷移學習的活動分類模型構建方法及系統

有效

• 申請號: 202010144596.8
• 申請日: 2020-03-04
• 公開（公告）號: CN111460901B
• 公開（公告）日: 2023-05-26
• 發明（設計）人: 馮宏偉;明星霞;卜起榮;馮筠
• 申請（專利權）人: 西北大學
• 主分類號: G06F18/24
• 分類號: G06F18/24;G06F18/213;G06F18/214;G06F18/2411;G06N3/0464;G06N3/096
• 代理公司: 西安恒泰知識產權代理事務所 61216
• 代理人: 李婷;祁凡雨

1.一種基于Wi-Fi信號和遷移學習的用戶活動分類模型構建方法，其特征在于，該方法構建的模型用于在Wi-Fi信號環境下從源域到目標域的跨域用戶活動分類，包括如下步驟，

步驟1，分別采集源域和目標域中的每一個用戶活動樣本對應的CSI樣本，通過每一個用戶活動樣本對應的CSI樣本得到每一個用戶活動樣本對應的CSI圖像；

步驟2，采用遷移學習技術建立基于VGG16網絡的活動特征提取模型，同時采用三元組數據對的結構將步驟1得到的源域中的所有用戶活動樣本對應的CSI圖像構建為三元組CSI圖像樣本對，以該三元組CSI圖像樣本對作為輸入，訓練活動特征提取模型；再將步驟1得到的目標域中的所有用戶活動樣本對應的CSI圖像構建為三元組CSI圖像樣本對，送入所述的訓練后的活動特征提取模型中進行特征編碼，得到目標域中每一個用戶活動樣本對應的特征向量；

建立以及訓練活動特征提取模型，該活動特征提取模型為改進后的深層次活動特征提取卷積網絡AFEN，具體包括：

首先，采用遷移學習技術建立活動特征提取模型，將CSI圖像三個組為一對，構建三元組CSI圖像樣本對；

其次，構建輸入為三元組CSI圖像樣本對的深層次活動特征提取卷積網絡AFEN；

構建輸入為三元組CSI圖像樣本對的深層次活動特征提取卷積網絡，包括構建用于提取環境部署無關的活動特征的深層次卷積網絡，該網絡是基于在ImageNet數據集上預訓練的VGG16進行了改進：AFEN的第1層輸出數據格式為其中表示錨點活動樣本，表示和錨點活動樣本同類的活動樣本，表示和錨點活動樣本不同類的活動樣本；

該網絡接收一個三元組數據，則該網絡的第21層會得到與三元組數據對應的3個活動特征向量；

該網絡的具體結構為：該網絡共包括21層，其中第1層為輸入層，即輸入三元組CSI圖像樣本對；第2、3層是卷積層，卷積核大小為3x3，卷積核個數均為64；第4層為池化層，池化核的大小為2x2；第5、6層是卷積層，卷積核大小為3x3，卷積核個數均為128；第7層為池化層，池化核的大小為2x2；第8、9、10層是卷積層，卷積核大小為3x3，卷積核個數均為256；第11層為池化層，池化核的大小為2x2；第12、13、14層是卷積層，卷積核大小為3x3，卷積核個數均為512；第15層為池化層，池化核的大小為2x2；第16、17、18層是卷積層，卷積核大小為3x3，卷積核個數均為1024；第19層為池化層，池化核的大小為2x2；第20層為全局池化層；第21層為輸出層；

最后，采用三元組CSI圖像樣本對，以及樣本對中三幅CSI圖像樣本的特征編碼距離訓練所述的AFEN，得到訓練后的AFEN；

步驟3，建立線性SVM用戶活動分類模型并利用步驟2得到的特征向量進行訓練，得到訓練后的用戶活動分類模型。

2.如權利要求1所述的基于Wi-Fi信號和遷移學習的用戶活動分類模型構建方法，其特征在于，通過每一個用戶活動樣本對應的CSI樣本得到每一個用戶活動對應的CSI圖像是指：依次采用巴特沃斯濾波、奇異值分解、相位校正、振幅相位拼接和數據歸一化的數據預處理方法，對源域和目標域中所采集到的每一個用戶活動對應的CSI樣本進行預處理，最終分別得到源域和目標域中每一個用戶活動對應的活動CSI圖像。

3.如權利要求2所述的基于Wi-Fi信號和遷移學習的用戶活動分類模型構建方法，其特征在于，具體包括：

步驟1.1，對每一個用戶活動樣本對應的CSI樣本中的原始CSI振幅數據進行巴特沃斯濾波，得到去除高頻噪音之后的CSI振幅；

步驟1.2，對步驟1.1預處理之后的CSI振幅數據進行奇異值分解；

步驟1.3，對每一個用戶活動樣本對應的CSI樣本中的對原始的CSI相位進行相位校正，得到消除隨機性和不確定性之后的CSI相位；

步驟1.4，對步驟1.3預處理之后的CSI相位數據進行奇異值分解；

步驟1.5，將步驟1.2.和步驟1.4.中得到的奇異值分解后的CSI振幅、CSI相位組織成圖像數據格式并左右拼接，得到活動CSI圖像。