[发明专利]一种基于深度学习的认证识别方法以及智能空气锁

权利要求书

1.一种基于深度学习的认证识别方法，其特征在于，包括：

采集用户信号，并且对采集到的用户信号进行预处理，提取信号特征；所述用户信号包括用户解锁时手部动作对无线信号传播的影响，所述信号特征包括运动特征、以及手部结构特征任一种或者组合；

根据信号特征识别用户类型，当用户类型为新用户，则通过深度学习为当前用户进行身份编码，并且向服务器端发送审核指令；向服务器端根据接收的审核指令，完成新用户审核，并且将新用户身份编码与信号特征进行拟合存储，完成新用户注册；

当用户类型为已注册用户，则根据用户的信号特征与存储的身份编码进行匹配，输出用户的身份编码，并且在数据库中查找该身份编码，确定用户身份，完成用户认证；

所述将新用户身份编码与信号特征进行拟合存储，完成新用户注册具体包括：

根据label编码机制，利用固定维度的向量为每个用户进行label编码，使用全部[0,9]内的10个数字，每个label向量都是以数字0开始，其余为[1-9]区间内的任意数字组成的不同序列，使用所有[1,9]范围内9个数字组成不同的序列完成身份编码，将身份编码的结果存入数据库中；

利用用户身份分类器，将信号特征入到用户分类器中进行拟合，对用户的信号特征进行基于注意力机制的深度学习网络中进行训练，进行深度神经网络训练后，深度学习网络将信号特征与身份编码相匹配，完成新用户注册，使得再次识别时，能够基于小波的特征，输出与真实用户身份对应的身份编码；所述当用户类型为已注册用户，则根据用户的信号特征与存储的身份编码进行匹配，输出用户的身份编码，并且在数据库中查找该身份编码，确定用户身份，完成用户认证具体包括：

根据信号特征，利用在注册阶段保存的支持向量机对非解锁运动数据和攻击者数据进行初步筛选；若检测为攻击者，当前数据将无法通过认证，若检测为只合法数据后，在信号特征输入进基于注意力机制的深度神经网络后，编码器将提取出来的信号特征转换为编码器隐藏状态，之后解码器结合注意力机制对隐藏状态循环解码，网络的输出为用户的身份码，将该身份码在数据库中搜索，为用户进行身份认证。

2.根据权利要求1所述的基于深度学习的认证识别方法，其特征在于，所述采集用户信号，并且对采集到的用户信号进行预处理，提取信号特征具体包括：

对采集的用户信号进行去除静态变量处理，提取出振幅信息；

通过小波阈值去噪方法过滤掉信号中的随机噪声；

使用基于皮尔逊相关系数的用户信号分割方法提炼出包含完整用户运动信息的信息段，利用小波变换对用户信号进行基于小波的特征提取；将选取标准解锁动作产生的信号为标准数据，设定阈值，将采集、处理后的用户信号定义为接收数据，将接收数据与标准数据的皮尔逊相关系数进行比较，当大于阈值时，保留数据，得到信号特征。

3.根据权利要求2所述的基于深度学习的认证识别方法，其特征在于，所述对用户的信号特征进行基于注意力机制的深度学习网络中进行训练还包括：收集未注册的用户数据和已注册的用户数据一起训练二分类的支持向量机，用作在认证阶段前的数据清洗，筛除非法数据。

4.根据权利要求3所述的基于深度学习的认证识别方法，其特征在于，所述利用用户身份分类器，将信号特征入到用户分类器中进行拟合具体包括：

在开始工作时，先在内存中开辟空间，然后用独热编码方式存储10个数字向量；

使用softmax函数将所有上级输出信号特征映射到[0,1]区间上，得到一组概率向量，其表达式如公式(1)所示：

公式中，i表示样本下标，C表示样本总量，v表示分类器前级单元的输出；

利用Argmax函数找到向量中最大值所在位置，将该位置的值置为1，其他位置均置0，输出1所在位置的下标，同样步骤循环10次得到完整输出结果，完成拟合。