[发明专利]一种基于CNN的Wi-Move行为感知方法

权利要求书

1.一种基于CNN的Wi-Move行为感知方法，其特征在于：步骤如下：

⑴Wi-Move的数据预处理

①CSI幅值信息预处理

②CSI相位信息预处理

使用线性变换算法来减小CSI相位信息中的随机相位偏移：

在采集到的子载波中，真实的测量相位表示为：

其中，为原始相位，为测量相位，Δt为采样频率偏移所造成的时间延迟，m_i为子载波的索引值，N为快速傅里叶变换的窗口大小，β为未知相位偏移，Z为测量噪声；从IEEE802.11n的规范中能够获得子载波索引m_i，和FFT的窗口大小N；

使用相位变换算法来消去未知项β和Z，首先定义相位斜率a和偏移量b两个参数：

由于30条子载波的索引值在IEEE 802.11n中是对称的，因此能够得到：

将测量相位偏移量b和相位斜率a代入公式(4-1)，同时忽略测量噪声Z，能够得到：

i表示1-30个子载波中的一个子载波，共30个子载波；

使用相位校准算法消除测量相位值的折叠，其基本算法步骤下所示：

在该算法的第6-11行中，通过判断相邻子载波之间的测量相位变化是否大于给定阈值π，并减去2π的倍数来恢复被折叠的测量相位值；

⑵基于CNN的人体行为感知

基于CNN的人体行为感知方法为了充分利用所有接收天线中子载波的信息，将CSI信息转换为了二维图像的结构，以时间作为x轴，子载波作为y轴，并采用基于卷积神经网络的图像处理技术对CSI信息进行特征提取；

根据对CSI信息结构的研究可知，一根接收天线上的CSI幅值信息与相位信息用公式(7)和(8)表示：

其中，A为幅值信息矩阵，为相位信息矩阵；根据矩阵中元素数值的大小能够将其转化为不同灰度图像；

⑶Wi-Move输入特征图的构建

将卷积神经网络在图像分类领域的技术应用在CSI的人体行为识别上，首先需要将CSI数据转化为二维图像的格式，分别将3根接收天线的幅值和相位信息作为卷积神经网络的6个通道，构成卷积神经网络的CSI输入特征图；考虑到行为识别的实时性，Wi-Move将输入特征图的大小设置为30×100(m＝100)，即100个时间点所采集的CSI信息，若采样频率为50Hz，则Wi-Move能够识别最近2秒内发生的行为活动；

⑷Wi-Move的网络设计

①Wi-Move的网络结构

在Wi-Move中使用了一种基于VGGnet-16的网络模型，用于提取CSI数据的特征，该网络共有16层的结构，其中包含13个卷积层、5个池化层和3个全连接层，网络的输入是在构建的CSI输入特征图；

卷积层通过卷积核对输入数据进行卷积操作，来提取输入数据的抽象特征，其计算公式为：

其中，I和J分别为输入和输出数据的通道数，xⁱ为第i个通道的输入，y^j为第j个通道的输出，k^ij表示卷积核，*表示卷积操作，b为偏置量，f为非线性激活函数；

池化层是对相邻区域的特征信息进行聚合统计，用概率统计特征取代全部特征，并对卷积层的运算结果实现降维，保留有效信息，其数学表达式为：

其中，down函数表示下采样函数，通常有平均池化和最大值池化两种方式，Wi-Move的池化层选择了最大值池化方式；

全连接层实现了本层神经元与上一层神经元的全部连接，并将前层的特征进行加权求和，将输出转化为了一维向量；最后一层是Softmax层，其作用是对输出概率做归一化处理，使其范围都在(0,1)之间；对于一个输入数据x，预测其y＝i类别的概率分布公式如下：

若x为k维的输入向量，则预测其k个类别的概率值表示如下：

其中，h_θ(x)是假设函数，θ_i是待拟合的模型参数，求得概率值最高的类别即是神经网络预测分类的结果；

②Wi-Move的网络层次

在Wi-Move中全部使用了3×3大小的卷积核和2×2大小的池化核，同时，还使用了两个3×3卷积层的串联和三个3×3的卷积层串联的结构，并且，Wi-Move在每一个卷积层和全连接层的输出上都使用了ReLU作为非线性激活函数；在Wi-Move的结构中，第一个卷积层包含有64个大小为3×3、步长为1的卷积核，该卷积核要求输入数据的大小为30×100×6，之后连接了第二个卷积层；第二个卷积层将第一层的输出作为自己的输入，并使用了相同的卷积核对第一个卷积层的输出进行滤波；经过两个相同结构的卷积层滤波后，将结果输入到最大池化层，最大池化层包含有64个大小为2×2、步长为2的池化核，以此来达到缩小数据尺寸和降维的目的；在第一个和第二个卷积层中使用了两个3×3卷积层串联的结构，这种串联结构可以增大卷积层的感受视野，因为两个3×3卷积层的串联相当于1个5×5的卷积层，而参数量只有5×5的一半，并且两个3×3卷积层的串联可以包含2个非线性操作，而一个5×5的卷积层只能有1个非线性操作；在经过了前三层的卷积和最大池化操作后，输出数据的大小为15×50×64，之后三层的结构与前三层相同，只是卷积核和池化核的数量变为128个，输出数据的大小变为8×25×128；为了提取更深层的特征信息并增大卷积核的感受视野，在接下来的卷积层中使用了三个3×3卷积层串联的结构，三个3×3卷积层的感受野相当于一个7×7的卷积层，并且卷积核和池化核的数量也增加到256个，并在最后增加到512个；经过所有的卷积和最大池化操作后，最终输出数据的大小变为1×4×512，之后输入到全连接层；

在三个全连接层中，前两层都包含有4096个神经元，这样的结构可以使多分类的Logistic回归目标最大化，即最大化了预测分布下训练数据中正确标签的对数概率平均值；最后一层是具有9个神经元的Softmax层，对输出概率做归一化处理，使其范围都在(0,1)之间，并输出9种不同行为的标签；

⑸Wi-Move网络模型的优化

①批标准化

Wi-Move使用了批标准化BatchNormalization，BN，在卷积层和全连接层之后都加入BN层；

②Dropout优化

Wi-Move使用过拟合Dropout函数，在引入Dropout后，网络中的每个神经元都添加了一道概率流程，其对应的神经网络公式变化为：

③Adam优化

Adam优化算法是对随机梯度下降法的扩展，在Adam的更新规则中，在计算梯度时使用了梯度均值与梯度平方的指数移动平均数，其计算公式为：

m_t＝β₁m_t-1+(1-β₁)g_t 式(17)

其中，θ为参数矢量，β₁和β₂为指数衰减率，在训练的初期阶段，由于m_t和v_t的初始化问题，因此还需要对其进行偏差纠正，降低偏差在训练初期的影响，其计算公式为：

在纠正了偏差影响之后，将初始的学习率α乘以梯度均值与梯度方差的平方根之比就完成了参数的更新，其计算公式为：

此外Wi-Move还使用了交叉熵作为损失Loss函数，其公式如下：

其中，y为真实标签值，为网络输出值，因为交叉熵函数在Softmax分类函数之后计算Loss值，所以y和的值为0或1。