[发明专利]一种融合深度学习模型的WiFi身份识别方法

权利要求书

1.一种基于融合深度学习模型的WiFi身份识别方法，其特征在于，包括如下步骤：

S1、收集30个人员的WiFi信道数据；

S2、从WiFi信道数据中提取Ntx*Nrx*30的3维CSI矩阵；

S3、对提取出来的CSI矩阵数据进行数据预处理；

S4、搭建融合深度学习模型，对S3中预处理后的CSI矩阵数据进行分类训练，实现人员身份识别；

步骤S3中，所述的预处理，包括如下步骤：

S3-1、提取CSI子载波的幅度值：提取得到的CSI矩阵为1×3×30的3维矩阵，先对其进行降维处理为3×30的2维矩阵，其中原CSI矩阵中的每个元素为复数，将当前环境下接收到的无线信道模型表示为：

Y＝HX+N (1)

公式(1)中，X表示系统中路由器的发射信号向量，Y表示接受到的无线信号向量，H表示信道增益矩阵，N为系统中的噪声向量，表示为高斯白噪声，

求得信道状态信息H的表达式为：

公式(2)中，为CSI的计算表达式，为一个复数矩阵，则求得第K个子载波H(K)的幅度和相位的表达式为：

H(K)＝||H(K)||e^j∠H(K) (3)

公式(3)中，||H(K)||表示第K个子载波的幅度，e^j∠H(K)表示第K个子载波的相位；

S3-2、对提取的CSI子载波的幅度值进行邻式均值插补：设CSI子载波幅值矩阵中的第i列缺失的数据为x_i，则用第i列左右两列的数据求均值进行插补，即若左边或右边只有一列数据则进行数据替换，即x_i＝x_i-1或x_i＝x_i+1；

S3-3、数据插补后的CSI数据进行小波变换：在数据插补完成后，使用小波变换来获取由人体运动而产生的CSI低频分量，小波变换是小波基函数不断和信号函数x(t)作内积获得信号在每个位置都包含哪些频率成分，小波变换公式表达为：

公式(4)中，a为尺度因子，a对基本小波函数作伸缩，τ表示伸缩的位移；

S3-4、对小波变换后的数据进行标准化：将小波变换后的数据特征值转换为均值为0，方差为1的正态分布；数据标准化计算公式为：其中X_ST表示标准化后的数据，X_i表示第i个样本数据，μ表示样本的均值，σ代表样本的方差；

S3-5、对标准化后的数据进行像素转置卷积：使用像素转置卷积对标准化后的CSI子载波进行像素级别的学习，同时将一维的CSI数据样本规范成(128，128)的二维矩阵形状，并且不破坏CSI空间信息的内部连接来方便深度神经网络学习，像素转置卷积公式表达为：

F_i＝[F_in,F₁,....,F_i]*k_i

其中F_in代表输入数据，F_out代表输出特征映射，*表示卷积运算，[·,·]表示像素的并置，k_i(i＝1，2，…，n)表示一组卷积内核，⊕表示对每个像素的特征映射进行周期性的打乱和组合运算，F_i(i＝1，2，…，n)是由对应的卷积核k_i生成的中间特征图；

步骤S4中，所述的融合深度学习模型，输入数据维度为128×128的二维矩阵，构建的融合深度学习模型包括：卷积层CNN、池化层、批量正则化层、长短期记忆网络层LSTM和全连接层；

所述的卷积层，通过提取标准化后CSI矩阵数据的空间特征和局部依赖特征，即能发现CSI矩阵中动作的特征大小，且卷积层中所有权重参数自动从头到尾进行调整，卷积神经网络通过多个卷积层对数据进行非线性特征提取；

所述的池化层，通过对卷积层输出的特征矩阵的局部区域进行下采样，降低特征矩阵的维度，池化层首先将输入矩阵分为若干个分区，在每个分区中，使用maxpool操作来获取局部最大特征；

所述批量正则化层，是将深度学习模型在训练过程中每一层神经网络的输出保持相同分布；

所述长短期记忆网络层，学习CNN网络提取出的动作特征在时间上的先后表达顺序，CSI记录的是一段时间内人员动作对WiFi信道的影响，样本与时间有关，使用2层LSTM对整个与时间有关的样本进行特征提取并对特征的前后关系具有一定的记忆性，且遗忘掉不相关的信息；

所述全连接层，是将经过卷积网络和长短期记忆网络处理后的高代表性特征值矩阵展平为1维数据，最后通过Softmax函数对特征进行分类识别，进而识别人员身份。