[发明专利]基于机器学习的无线感知动作识别方法

摘要

本发明公开了一种基于机器学习的无线感知动作识别方法。本发明包括数据采集、数据去噪处理、特征提取、SVM模型训练及识别处理。在数据采集时，将每个采样点上采集到的一组CSI数据取绝对值且读取成一个30×Nr×Nt的矩阵形式。数据去噪处理主要采用PCA方式。在特征提取时，基于离散小波变换实现。为了便于SVM模型的训练，本发明对训练样本进行Kmeans聚类处理，将得到的n个聚类中心作为词袋，基于特征向量与各词袋的最匹配项进行投票，将矩阵形式的特征向量转换为列向量时，以便于SVM的实现。本发明的实施，具有高识别精度并对环境变化体现出良好鲁棒性的人体行为识别方法。

主权项

1.基于机器学习的无线感知动作识别方法，其特征在于，包括下列步骤：步骤1：采集训练样本：101：对不同类别的动作，通过采集设备采集关于WIFI信号的信道状态信息CSI，采样率大于或等于2f，其中f表示CSI上限波动频率，将每个采样点上采集到的一组CSI数据取绝对值且读取成一个30×Nr×Nt的矩阵形式，得到一条CSI数据流，其中Nr表示采集设备的接收天线数，Nt表示发射WIFI信号的设备的发送天线数；步骤102：提取T条CSI数据流，并依采样时间排列成T×(30×Nr×Nt)的CSI数据流时间序列矩阵Z，每个类别的动作分别对应一个矩阵Z，由不同类别的动作的矩阵Z得到训练样本集；步骤2：对训练样本进行数据去噪处理，所述数据去噪处理包括下列步骤：(a)对矩阵Z进行低通滤波后得到矩阵Z'；(b)对矩阵Z'进行PCA去噪：对矩阵Z'按时间序列计算平均CSI数据流，并将平均CSI数据流复制T次排列成T×(30×Nr×Nt)的平均CSI数据流矩阵AVE，将矩阵Z'与矩阵AVE的差记为矩阵H；(c)计算协方差矩阵W＝H^T×H，并对协方差矩阵W进行特征分解得到特征值与特征向量，基于第二大特征值对应的特征向量q得到数据去噪处理结果S＝W×q；步骤3：对数据去噪处理后的训练样本进行特征提取，得到训练样本的特征向量；所述特征提取为：对待提取对象进行R级离散小波变换得到小波系数矩阵，并对小波系数矩阵的每一行进行归一化处理，得到T×R的矩阵D；从矩阵D中每间隔h行取一行，得到查找范围；基于R个小波级数的频段，从查找范围中查找与CSI上限波动频率f匹配的频段的小波级数M；将矩阵D中的前M维作为待提取对象的初始特征向量；设置M个标签用于区分M个小波级数，基于初始特征向量得到T×M的矩阵标签矩阵CFD，从矩阵CFD的第M维开始间隔遍历，若遍历到一个标签大于阈值的元素，则计数值vote的值加1，其中vote的初始值为0；当vote/M≥50％时，记录当前小波级数为mid；当vote/M≥0.95％时，记录当前小波级数为upper；根据公式得到中级速度midspeed、高级速度upperspeed，其中f_mid表示小波级数mid的频段的中心频率，其中f_upper表示小波级数upper的频段的中心频率，c表示光速、K表示WIFI频段；将midspeed和upperspeed增加到待提取对象的初始特征向量的最后两维，得到待提取对象的特征向量；步骤4：对特征提取后的训练样本集，进行Kmeans聚类处理：401：设置初始聚类中心集、聚类簇数：将同一类别的动作下的所有训练样本，基于特征向量中的upperspeed分为高速、中速、低速三种；对每个类别的动作，分别从高速、中速、低速中随机挑选N组特征向量并加入初始聚类中心集，并将初始聚类中心集的特征向量数n作为聚类簇数；402：基于步骤401设置的初始聚类中心集、聚类簇数进行Kmeans聚类处理，得到n个聚类中心；步骤5：基于n个聚类中心，对训练样本进行特征向量转换处理：构建n维列向量O，列向量的初始全为0；将训练样本的特征向量分别与n个聚类中心进行匹配，得到最匹配项为第k个聚类中心，则列向量O的第k维投票加1，其中k∈{1,2,…,n}；步骤6：基于每个训练样本的列向量O，进行支持向量机SVM训练，得到不同类别的动作的SVM模型；步骤7：与训练样本相同的采集方式，采集待识别动作的CSI数据流时间序列矩阵Z，并进行步骤2、3所述的数据去噪处理和特征提取后，得到待识别特征向量；对待识别特征向量进行步骤5所述的特征向量转换处理后，输入到不同类别的动作的SVM模型进行类别匹配，输出识别结果。