[发明专利]一种融合深度学习模型的WiFi身份识别方法

说明书

本发明公开了一种基于融合深度学习模型的WiFi身份识别方法，包括为：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。该方法用户不需要穿戴或依赖任何传感器，只需要利用无处不在的WiFi，通过处理WiFi中的信道状态信息，然后利用像素转置卷积网络和融合深度学习模型对其进行生物特征提取并实现多用户的身份识别。

技术领域

本发明涉及人工智能识别技术领域，具体是一种融合深度学习模型的WiFi身份识别方法。

背景技术

近年来，人类身份识别技术已被广泛研究，因为人类身份识别在人机交互中起着重要作用，可以支持许多新兴应用，如智能家居，增强现实，医疗保健等。许多人类身份识别系统已经提出了不同的技术，如作为基于可穿戴传感器的方法、基于计算机视觉的方法、基于环境设备的方法等。这些方法要求设备始终在身体上或者利用相机捕获人员图像，实验设备往往比较昂贵并且可能会受到遮蔽物的影响，基于相机的身份识别方法也具有潜在的隐私问题。也有研究利用WIFI的信道状态信息CSI来实现人体的身份识别，但大多数研究都利用机器学习算法来搭建识别系统，数据去噪和训练过程繁琐且需要专业知识，特征分类器是通过使用KNN和SVM建立起来的，达到一定的识别效果。但机器学习算法使用浅层的分类器来实现特征分类，它们对CSI样本中时域、频域的特征通常以启发式和次优方式进行人为选择，因此浅层分类器无法细腻的表征射频信号中隐含的生物特征代表性模式，现有的机器学习研究只能实现小范围的人员识别(2-10人)。所以需要一个无穿戴设备且方法简单高效的WiFi身份识别方法。

发明内容

本发明的发明目的在于克服现有技术的不足，而提供一种基于融合深度学习模型的WiFi身份识别方法，该方法用户不需要穿戴或依赖任何传感器，只需要利用无处不在的WiFi，通过处理WiFi中的信道状态信息，将CSI数据中的每个子载波都作为一个样本，再通过深度学习的卷积神经网络和长短期记忆网络对其进行特征提取和训练，最后利用分类函数实现对用户身份的识别。

实现本发明目的的技术方案是：

一种基于融合深度学习模型的WiFi身份识别方法，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，一般表示为高斯白噪声

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；