基于WiFi信道状态信息的身份智能识别方法、系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112333653A(43)申请公布日2021.02.05(21)申请号202010999550.4G06N3/08(2006.01)(22)申请日2020.09.22(71)申请人西安电子科技大学地址710071陕西省西安市太白南路2号西安电子科技大学(72)发明人王勇丁建阳宫丰奎张南(74)专利代理机构西安长和专利代理有限公司61227代理人何畏(51)Int.Cl.H04W4/33(2018.01)H04W12/40(2021.01)H04W12/69(2021.01)G06K9/62(2006.01)G06N3/04(2006.01)权利要求书4页说明书13页附图7页(54)发明名称基于WiFi信道状态信息的身份智能识别方法、系统(57)摘要本发明属于无线通信技术领域，公开了一种基于WiFi信道状态信息的人员身份智能识别方法、系统，利用一对WiFi收发设备在典型的室内环境下进行感知和收集CSI数据；对收集到的包含人员身份信息的CSI数据进行离散小波变换去噪，抑制室内环境随机噪声的影响同时保留信号的细节部分；对滤波后的CSI数据进行逆傅里叶变换操作，获取信道冲击响应，从中提取信道功率变化特征量；利用深度神经网络RNN模型对提取到的信道功率变化特征进行学习和训练，直到RNN模型中的所有参量达到最优；利用训练好的神经网络来智能识别不同人员的身份信息。本发明克服了现有技术中识别表现差、识别结果可靠性低的不足，提高了系统的鲁棒性和身份识别精度。CN112333653ACN112333653A权利要求书1/4页1.一种基于WiFi信道状态信息的人员身份智能识别方法，其特征在于，所述基于WiFi信道状态信息的人员身份智能识别方法利用一对WiFi收发设备在典型的室内环境下进行感知和收集CSI数据；对收集到的包含人员身份信息的CSI数据进行离散小波变换去噪，抑制室内环境随机噪声的影响同时保留信号的细节部分；对滤波后的CSI数据进行逆傅里叶变换操作，获取信道冲击响应，从中提取信道功率变化特征量；利用深度神经网络RNN模型对提取到的信道功率变化特征进行学习和训练，直到RNN模型中的所有参量达到最优；利用训练好的神经网络来智能识别不同人员的身份信息。2.如权利要求1所述的基于WiFi信道状态信息的人员身份智能识别方法，其特征在于，所述基于WiFi信道状态信息的人员身份智能识别方法包括以下步骤：步骤一，将一副WiFi收发设备部署在典型的室内环境下，实验室和办公室，其中配置有一根天线的WiFi设备作为发射机，带有三根天线的WiFi设备作为接收设备，将收发WiFi设备放置在桌子上，收发天线为全向天线，天线增益为8dBi，数据收集期间天线方向不发生变化，信号采样率设置为1KHz；步骤二，进行数据预处理操作，对收集到的第l个子载波的原始CSI数据进行离散小波变换，将采集的原始CSI数据分解为两部分，近似系数和一系列细节系数紧接着利用软阈值法对分解得到的一系列细节系数进行处理去除随机噪声的影响，利用处理过的近似系数和细节系数重构CSI数据；步骤三，利用去噪后的CSI数据进行逆傅里叶变换操作得到信道冲击响应得到CPV；步骤四，在特征提取后，利用获得的CPV统计特征值对深度神经网络模型进行训练，使得RNN模型中的参量值达到最优，然后将训练好的RNN模型用于身份识别。3.如权利要求2所述的基于WiFi信道状态信息的人员身份智能识别方法，其特征在于，所述步骤一还包括：(1)通过一副WiFi收发设备感知室内环境变化，同时获取1×3条数据传输链路，其中一条数据链路的一组子载波信道测量H为：T其中，[·]表示转置操作，Hl和∠Hl是第l个子载波的幅度和相位；(2)对第l个子载波的原始CSI数据在时间方向上进行连续收集，并且数据收集的时间窗大小设置为m：其中，Hl的维度是1×m，Hκ,l和∠Hκ,l是第κ个数据的幅度和相位。4.如权利要求2所述的基于WiFi信道状态信息的人员身份智能识别方法，其特征在于，所述步骤二还包括：(1)受到室内环境下随机噪声影响的原始CSI数据为：(2)对采集到的原始CSI数据进行多层分解(J＝1,2,3,…)，计算每一层的近似系数和细节系数：2CN112333653A权利要求书2/4页其中，<·>表示点积运算，和表示近似系数和细节系数，和是小波基；(3)利用分解的近似系数和一系列细节系数对原始CSI数据进行重构为：(4)利用软阈值法对分解得到的一系列细节系数进行处理，具体来说对一系列细节系数取绝对值，其中绝对值较小的设置为0，将绝对值较大的细节系数的数值减小：其中，T是阈值；(5)利用处理过后的近似系数和一系列细节系数重构CSI数据：其中，是经过软阈值法处理过的细节