论文部分内容阅读
基于WiFi的活动识别方法不仅成本低廉,而且具有用户无感的特性,在安防监控、家庭护理、人机交互等领域具有广泛的应用前景,是目前人工智能、无线通信等多个领域的研究热点。特别是随着能够描述无线信号空间细粒度信息的信道状态信息(Channel State Information,CSI)的使用,研究人员开展了大量基于WiFi CSI的活动识别研究。但是,现有的研究不仅需要复杂的特征选择方案,而且环境依赖性强、可扩展性差。针对上述问题,本文采用最新提出的迁移学习框架DIFA(Domain-invariance and Feature Augmentation),设计并实现了一种适用于WiFi CSI的环境自适应活动识别方法,主要研究内容如下:(1)针对特征提取问题,本文通过神经网络自动提取与选择特征,减少特征选择方案设计的复杂性。由于WiFi CSI包含来自不同天线、不同子载波上振幅、相位、时延的复杂信息,准确提取WiFi CSI的特征需要设计复杂的神经网络结构。为降低神经网络设计的难度,本文深入分析了人类活动对不同子载波、不同天线的振幅、相位特征的影响,在此基础上确定了使用能够清晰表示不同活动、不同环境下信号变化特征的天线对相位差信息构建指纹库提取特征。(2)为进一步解决环境依赖问题,本文在迁移学习框架DIFA的基础上实现了适用于WiFi CSI的环境自适应活动识别方法。具体地说,本文做了三方面工作,首先,针对WiFi指纹库数据量小、维度高的情况,利用数据扩充的方法增加了数据量,达到避免过拟合的目的;其次,通过大量实验讨论分析了影响本方法性能的主要因素,并在此基础上确定了网络结构与超参;最后,利用TensorFlow框架实现了本文设计的环境自适应活动识别方法。(3)为了验证本文实现的环境自适应活动识别方法的有效性,在3种不同真实场景中进行了实验。结果表明,本文设计的环境自适应活动识别方法在不需要对新环境重新训练的前提下,平均识别精度达到79.5%,相比传统活动识别方法CARM、ABLSTM以及利用Lenet-5、AlexNet实现的方法,识别精度提升9.5%以上。此外,通过本方法识别训练环境中的活动,精度可达到98%以上。综上所述,本文设计实现的方法能够满足在一次训练分类器之后,可以在不同的环境中无需重新训练进行使用,具有较好的实用价值。