CN106685546A - 一种无线人体感知的方法及服务器 - Google Patents
一种无线人体感知的方法及服务器 Download PDFInfo
- Publication number
- CN106685546A CN106685546A CN201611249911.3A CN201611249911A CN106685546A CN 106685546 A CN106685546 A CN 106685546A CN 201611249911 A CN201611249911 A CN 201611249911A CN 106685546 A CN106685546 A CN 106685546A
- Authority
- CN
- China
- Prior art keywords
- vector
- wireless
- human body
- matrix
- wireless measurement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例提供了一种基于深度学习的无线人体感知方法及服务器，涉及无线通信技术领域。其中，该方法包括：当人体处于某一指定无线网络空间时，获取指定无线网络空间内所有无线链路在不同频率信道上的信号强度信息以及信号相位信息组成的初始无线测量向量，经过子空间投影矩阵化简后的无线测量向量；根据深度学习算法模型提取出所述化简后的无线测量向量的特征向量；根据所述化简后的无线测量向量的特征向量以及所述预先设置的特征数据库中的特征向量，通过稀疏表示算法模型得到人体状态向量；获取与所述人体状态向量中数值最大的元素对应的人体状态。本发明实施例能够感知无线网络覆盖范围内的人体状态。
Description
【技术领域】
本发明涉及无线网络技术领域，尤其涉及一种无线人体感知的方法及服务器。
【背景技术】
随着计算机网络的技术的发展，无线网络变成像水、电一样的基础设施，人们生活的空间被各种频段的无线信号覆盖。
人们对于智能化提出越来越高的要求，对于智能生活一直在进行不断探索。根据人体所在的位置、体态特征等变化对设备进行控制是智能化的研究方向，因此如何获知人体所在位置、动作状态成为关键技术。目前，感知人体的位置、动作状态等信息主要是利用人体的穿戴装置(如：手机、手表)、红外收发装置等硬件设备。
在实现本发明的过程中，发明人发现现有技术至少存在以下技术问题：
当人体没有携带上述硬件设备时，将无法感知人体位置、动作状态等信息。因此，利用上述硬件设备感知人体信息的方法通用性差。
【发明内容】
有鉴于此，本发明实施例提供了一种无线人体感知的方法及服务器，利用人体对无线链路传播的遮蔽，能够感知无线网络覆盖范围内的人体的位置、动作状态。
一方面，本发明实施例提供了一种无线人体感知的方法，适用于预先设置有特征数据库的服务器中，所述特征数据库中存储着无线测量向量的特征向量，所述方法包括：
当人体处于某一指定无线网络空间时，获取指定无线网络空间内所有无线链路在不同频率信道上的信号强度信息以及信号相位信息组成的初始无线测量向量，经过子空间投影矩阵化简后的无线测量向量；
根据深度学习算法模型提取出所述化简后的无线测量向量的特征向量；
根据所述化简后的无线测量向量的特征向量以及所述预先设置的特征数据库中的特征向量组成的矩阵，通过稀疏表示算法模型得到人体状态向量；
获取与所述人体状态向量中的数值最大的元素对应的人体状态。
如上所述的方面和任一可能的实现方式，进一步提供一种可能的方法，所述根据所述化简后的无线测量向量的特征向量以及所述预先设置的特征数据库中的特征向量组成的矩阵，通过稀疏表示算法模型得到人体状态向量包括：
根据稀疏表示算法模型计算出人体状态向量；其中，x为人体状态向量，x是未知向量在满足上述公式时误差最小的 为化简后的无线测量向量的特征向量；Ψ为基于预先设置的无线测量向量的特征向量组成的数据库矩阵；是未知向量；e为重构误差。
如上所述的方面和任一可能的实现方式，进一步提供一种可能的方法，所述获取指定无线网络空间内所有无线链路在不同频率信道上的信号强度信息以及信号相位信息组成的初始无线测量向量，经过子空间投影矩阵化简后的无线测量向量之前包括：
采集人体在不同状态是在指定无线网络空间内所有无线链路在不同频率信道上的信号强度信息以及信号相位信息，构建无线测量矩阵。
根据所述无线测量矩阵计算所述无线测量矩阵的协方差矩阵；
选择所述协方差矩阵中，特征值从大到小排列的前指定个特征值对应的特征向量组成子空间投影矩阵。
如上所述的方面和任一可能的实现方式，进一步提供一种可能的方法，所述深度学习算法模型包括输入层、隐层、输出层；其中，输入层S0个元素、隐层S1个元素、输出层S2个元素，在隐层和输出层增加稀疏约束函数，并且所述深度学习算法模型采用协同重构的方式进行网络参数学习。
另一方面，本发明实施例提供了一种无线人体感知的服务器，所述服务器包括：
第一获取单元，用于当人体处于某一指定无线网络空间时，获取指定无线网络空间内所有无线链路在不同频率信道上的信号强度信息以及信号相位信息组成的初始无线测量向量，经过子空间投影矩阵化简后的无线测量向量；
提取单元，用于根据深度学习算法模型提取出所述化简后的无线测量向量的特征向量；
第一计算单元，用于根据所述化简后的无线测量向量的特征向量以及所述预先设置的特征数据库中的特征向量组成的矩阵，通过稀疏表示算法模型得到人体状态向量；
第二获取单元，用于获取与所述人体状态向量中的数值最大的元素对应的人体状态。
如上所述的方面和任一可能的实现方式，进一步提供一种可能的方法，第一计算单元用于：
根据稀疏表示算法模型计算出人体状态向量；其中，x为人体状态向量，x是未知向量在满足上述公式时误差最小的 为化简后的无线测量向量的特征向量；Ψ为基于预先设置的无线测量向量的特征向量组成的数据库矩阵；是未知向量；e为重构误差。
如上所述的方面和任一可能的实现方式，进一步提供一种可能的方法，所述服务器还包括：
采集单元，用于采集人体在不同状态下在指定无线网络空间内所有无线链路在不同频率信道上的信号强度信息以及信号相位信息，构建无线测量矩阵。
第二计算单元，用于根据所述无线测量矩阵计算所述无线测量矩阵的协方差矩阵；
选择单元，用于选择所述协方差矩阵中，特征值从大到小排列的前指定个特征值对应的特征向量组成子空间投影矩阵。
如上所述的方面和任一可能的实现方式，进一步提供一种可能的方法，所述深度学习算法模型包括输入层、隐层、输出层；其中，输入层S0个元素、隐层S1个元素、输出层S2个元素，在隐层和输出层增加稀疏约束函数，并且所述深度学习算法模型采用协同重构的方式进行网络参数学习。
上述实施例具有如下技术效果：
本发明实施例提供了一种无线人体感知方法及服务器，由于人体在网络空间中会对无线网络信号的产生一定的遮蔽，人体在不同位置以及做不同的动作时会对信号的强度以及信号的相位产生不同的影响。因此，当人体处于某一指定无线网络空间时，通过获取指定无线网络空间内所有无线链路在不同频率信道上的信号强度信息以及信号相位信息组成的初始无线测量向量，经过子空间投影矩阵化简后的无线测量向量，然后经过深度学习算法模型，对获取到的化简后的无线测量向量进行学习，从而提取出化简的无线测量向量的特征向量，根据所述无线测量向量的特征向量以及所述预先设置的特征数据库中的特征向量组成的矩阵，通过稀疏表示算法模型得到人体状态向量，从而，获取与所述人体状态向量中的数值最大的元素对应的人体状态。本发明实施例通过判断当前人体状态对空间信号的影响，利用深度学习算法与稀疏表示算法实现对人体状态的感知识别。本发明实施例提供的方法不需要增加其他额外的硬件设备，仅通过感知无线网络中的信号感知人体状态，提高了人体感知的应用空间。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种无线人体感知的方法流程图；
图1A是本发明实施例提供一种深度学习算法模型的网络结构图；
图2是本发明实施例提供的另一种无线人体感知的方法流程图；
图3是本发明实施例提供的另一种无线人体感知的方法流程图；
图4是本发明实施例提供的另一种无线人体感知的方法流程图；
图5是本发明实施例提供的一种无线人体感知的服务器的组成框图；
图6是本发明实施例提供的另一种无线人体感知的服务器的组成框图。
【具体实施方式】
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
本发明实施例提供了一种无线人体感知的方法，适用于预先设置有特征数据库的服务器中，该特征数据库中存储着无线测量向量的特征向量，该方法的方法流程图如图1所示，该方法包括：
其中，上述预先设置的特征数据库是由承载人体状态信息的无线测量向量的特征向量组成的信息数据库。该特征数据库的建立也是基于深度学习算法模型对采集到的能够反映人体状态的无线链路测量向量进行训练，从而建立特征数据库。具体地，例如，人体处于某一无线网络空间中，当人体在该无线网络的覆盖空间中的某一个位置做出某一动作时处于的某种人体状态，该人体状态对无线网络空间中的信号强度、信号相位产生一定的影响，基于此，通过获取无线网络空间中的信号强度、信号相位，将获取到的信号强度、信号相位构成的无线测量向量进行滤波、子空间投影处理后，再经过深度学习提取出该无线测量向量的特征向量，并对人体不同状态进行训练，从而建立特征数据库。
需要说明的是，该特征数据库是在执行人体无线感知识别之前，根据人体做出的人体状态建立的无线测量向量的特征向量数据库。
101、当人体处于某一指定无线网络空间时，获取指定无线网络空间内所有无线链路在不同频率信道上的信号强度信息以及信号相位信息组成的初始无线测量向量，经过子空间投影矩阵化简后的无线测量向量。
其中，无线链路是该无线网络中任意两个无线终端之间的通信路径。具体地，假设在该无线网络中存在N个无线终端，则该无线网络中包括条无线链路，即无线链路数
需要说明的是，无线网络中的两个无线终端可能在进行通信传输时每一次选择使用的不同的频率信道，两个无线终端在不同信道上进行通信时的信号相位以及信号强度会不同，因此，需要获取不同无线链路在不同频率信道上的信号强度、信号相位。假设该无线网络中有F个可用频率信道，则无线人体感知服务器能够获取到M个信号强度数据和M个信号相位数据。其中，M＝F×N×(N-1)/2。
其中，上述获取到的M个信号强度数据和M个信号相位数据构成初始无线测量向量。
其中，化简后的无线测量向量是该初始无线测量向量经过滤波、子空间投影降维得处理后得到的向量。
102、根据深度学习算法模型提取出所述化简后的无线测量向量的特征向量。
其中，深度学习算法模型是一种将输入的信息数据经过多层次学习处理对数据进行特征提取最终输出一个最能准确表现输入的信息所承载的内容的，并且复杂度低的信息数据。
具体地，本发明采用三层协同稀疏自编码网络结构的深度学习算法模型，该模型的的结构示意图如图1A所示。该深度学习算法模型包括输入层S0个元素、隐层S1个元素、输出层S2个元素。其中，输入层输入的是无线人体感知服务器获取到经过滤波、子空间投影处理后的无线测量向量；在该深度学习算法的隐层和输出层增加稀疏约束函数，该稀疏约束函数对输入层输入的向量进行逐层简化，使该深度学习网络结构中的输出函数尽量少的处于激活状态。
需要说明的是，该深度学习模型网络结构还采用协同重构的方式进行网络参数学习，利用重构函数对输入的向量进行逐层学习，保证重构函数的输出与输入层的输入误差最小，同时，也保证了要求同属于同类的样本的距离尽量小，起到协同学习的目的，将深度学习模型的输入量经过深度学习得到该输入量的特征向量。
103、根据所述化简后的无线测量向量的特征向量以及所述预先设置的特征数据库中的特征向量组成的矩阵，通过稀疏表示算法模型得到人体状态向量。
其中，人体状态向量承载着当前人体状态信息。
104、获取与所述人体状态向量中的数值最大的元素对应的人体状态。
其中，人体状态向量包括某一类人体状态，人体状体向量中包含若干个元素，每一个元素分别对应一个人体状态。
需要说明的是，在理想情况下，人体状态向量中只有与人体某一状态对应的元素有数值，其他元素为零，但是由于空间中的信号在传输时，由于受到一些噪声的干扰使得信号的发生畸变，因此，经过上述处理后，不能得到理想情况下的人体状态向量，为了提高人体感知的准确性，选择人体状态向量中的数值最大的元素，该元素对应的人体状态是与实际人体状体最接近的人体状态。
本发明实施例提供了一种无线人体感知方法，由于人体在网络空间中会对无线网络信号产生一定的遮蔽，人体在不同位置以及做不同的动作时会对信号的强度以及信号的相位产生不同的影响。因此，当人体处于某一指定无线网络空间时，通过获取指定无线网络空间内所有无线链路在不同频率信道上的信号强度信息以及信号相位信息组成的初始无线测量向量，经过子空间投影矩阵化简后的无线测量向量，然后经过深度学习算法模型，对获取到的化简后的无线测量向量进行学习，从而提取出化简后的无线测量向量的特征向量，根据所述化简后的无线测量向量的特征向量以及所述预先设置的特征数据库中的特征向量组成的矩阵，通过稀疏表示算法模型得到人体状态向量，从而，获取与所述人体状态向量中的数值最大的元素对应的人体状态。本发明实施例通过判断当前人体状态对空间信号的影响，利用深度学习算法以及稀疏表示分类算法实现对人体状态的感知识别。本发明实施例提供的方法不需要增加其他额外的硬件设备，仅通过感知无线网络中的信号感知人体状态，提高了人体感知的应用空间。
进一步，为实现步骤103根据所述化简后的无线测量向量的特征向量以及所述预先设置的特征数据库中的特征向量组成的矩阵，通过稀疏表示算法模型得到人体状态向量，本发明实施例提供了一种可能的实现方式，如图2所示，该方法步骤具体如下：
1031、根据计算出人体状态向量。
其中，x为人体状态向量，x是未知向量在满足上述公式时误差最小的 为化简后的无线测量向量的特征向量；Ψ为基于预先设置的无线测量向量的特征向量组成的数据库矩阵；是未知向量；e为重构误差。
其中，重构误差数值的大小可以根据应用场景的不同进行设置。
进一步，为了保证对人体状态感知的准确性，同时提高无线人体感知的速度，本发明实施例提供了一种子空间投影矩阵的计算方法，该方法的方法流程示意图如图3所示，在步骤101获取指定无线网络空间内所有无线链路在不同频率信道的信号强度信息以及信号相位信息组成的初始无线测量向量，经过子空间投影矩阵化简后的无线测量向量之前执行，还具体包括：
201、采集人体在不同状态下在指定无线网络空间内所有无线链路在不同频率信道上的信号强度信息以及信号相位信息，构建无线测量矩阵。
其中，每一次对指定无线网络空间内所有无线链路在不同频率信道上的信号强度信息以及信号相位信息进行采集时会获取M个信号强度数据和M个信号相位数据，将这些数据进行处理会得到一个1×2M维的向量该无线测量矩阵就是由多次采集到的信号强度信息以及信号相位信息构成的若干个向量组成的矩阵。
具体地，在指定时间内对指定无线网络空间内所有无线链路在不同频率信道上的信号强度信息以及信号相位信息进行了N次采集，因此，构建的信号测量矩阵β为维度是N×2M，即：
其中，T代表转置运算。
202、根据所述无线测量矩阵计算所述无线测量矩阵的协方差矩阵。
其中，协方差矩阵中的每个元素是信号测量矩阵中的各个向量元素之间的协方差，这个矩阵能使数据完全去除相关。
203、选择所述协方差矩阵中，从大到小排列的前指定个特征值对应的特征向量组成子空间投影矩阵。
其中，前指定个特征值对应的特征向量个数与深度学习模型的输入层的元素个数S0相等。
将上述采集到的M个信号强度数据和M个信号相位数据构成的1×2M维的向量降成1×K维向量，从而减少计算复杂度，提高人体感知的速度。
基于上述实施例所提供的无线人体感知的方法，本实施例结合具体的应用场景对本发明的技术方案进行说明。图4为无线网络感知系统的示意图，其中该无线网络中由8个无线终端组成，共有条无线链路。人体可能处于6个位置，在每个位置可能执行4种动作状态，因此，需要区分和识别24种不同的人体位置动作状态。
其中，无线终端采用TI公司的CC2530芯片设计，可工作在2.4GHz附近的16个频率信道，信道频率为2.405GHz，2.41GHz，2.415GHz，2.42GHz，2.425GHz，2.43GHz，2.435GHz，2.44GHz，2.445GHz，2.45GHz，2.455GHz，2.46GHz，2.465GHz，2.47GHz，2.475GHz，2.48GHz。
步骤1、获取指定无线网络空间内所有无线链路在不同频率信道上的信号强度信息以及信号相位信息组成的1×896维的无线测量向量，经过子空间投影矩阵化简后成1×60维度的无线测量向量。
具体地，该网络空间中28条无线链路，16个频率信道，每一次可以采集1×(28×16×2)＝896个数据，所以原始无线测量向量是1×896维的向量，将原始无线测量向量进行子空间投影，得1×60维度的无线测量向量。
其中，子空间投影矩阵获得过程包括：对空间中的信号强度和信号相位进行30次采集，将这30次采集到的数据构成一个30×896维度的信号测量矩阵，然后计算出该矩阵的协方差矩阵β，对β进行特征值分解，选择出特征值最大的60个特征性向量组成一个子空间投影矩阵，基于这个投影矩阵完成将无线测量矩阵降为1×60维。
步骤2、根据深度学习算法模型提取出所述化简后的无线测量向量的特征向量。
深度学习算法模型结构中，输入层有60个元素，隐层有120个元素，输出层有30个元素。其网络结构采用全连接的架构，该深度学习网络采用sigmoid函数，基于协同稀疏原则构建重构函数，对输入的数据进行深度学习，最终提出一个1×30维度的特征向量。
步骤3、根据所述化简后的特征向量以及所述预先设置的特征数据库中的特征向量组成的矩阵，通过稀疏表示算法模型得到人体状态向量。
将上述1×30维度的特征向量经过稀疏表示算法公式的处理后，得到人体状态向量。
步骤4、获取与人体状态向量中的数值最大的元素，找对与该元素对应的人体状态。
人体在该网络中有24种状态，每一种状态对应人体在该空间中的某一指定位置做出指定动作，人体状态向量中的每一个元素承载的内容为人体在该空间指定位置做出的指定动作。选择人体状态向量中的数值最大的元素，查找到与该人体状态向量中数值最大元素对应的人体状态，从而确定人体在网络空间中的位置以及做出的动作。
测试表明，与传统的基于穿戴设备的人体感知技术以及采用专用图像、红外设备的人体感知技术相比，该系统对人体位置动作状态的识别正确率可达85％以上；如果仅仅是识别人体位置信息，正确率可达94％以上。
基于上述无线人体感知的方法实施例，本发明还提供了一种无线人体感知的服务器，该服务器预先设置有无线测量向量的特征向量的特征数据库，该服务器的结构图如图5所述，该装置包括：
第一获取单元51，用于当人体处于某一指定无线网络空间时，获取指定无线网络空间内所有无线链路在不同频率信道上的信号强度信息以及信号相位信息组成的初始无线测量向量，经过子空间投影矩阵化简后的无线测量向量。
提取单元52，用于根据深度学习算法模型提取出所述化简后的无线测量向量的特征向量。
第一计算单元53，用于根据所述化简后的无线测量向量的特征向量以及所述预先设置的特征数据库中的特征向量组成的矩阵，通过稀疏表示算法模型得到人体状态向量。
第二获取单元54，用于获取与所述人体状态向量中的数值最大的元素对应的人体状态。
可选的是，第一计算单元53用于：
根据稀疏表示算法模型计算出人体状态向量；其中，x为人体状态向量，x是未知向量在满足上述公式时误差最小的 为化简后的无线测量向量的特征向量；Ψ为基于预先设置的无线测量向量的特征向量组成的数据库矩阵；是未知向量；e为重构误差。
可选的是，如图6所示，所述服务器还包括：
采集单元55，用于采集人体在不同状态下在指定无线网络空间内所有无线链路在不同频率信道上的信号强度信息以及信号相位信息，构建无线测量矩阵。
第二计算单元56，用于根据所述无线测量矩阵计算所述无线测量矩阵的协方差矩阵。
选择单元57，用于选择所述协方差矩阵，特征值从大到小排列的前指定个特征值对应的特征向量组成子空间投影矩阵。
本发明实施例提供了一种无线人体感知服务器，由于人体在网络空间中会对无线网络信号的产生一定的遮蔽，人体在不同位置以及做不同的动作时会对信号的强度以及信号的相位产生不同的影响。因此，当人体处于某一指定无线网络空间时，通过获取指定无线网络空间内所有无线链路在不同频率信道上的信号强度信息以及信号相位信息组成的初始无线测量向量，经过子空间投影矩阵化简后的无线测量向量，然后经过深度学习算法模型，对获取到的化简后的无线测量向量进行训练，从而提取出化简的无线测量向量的特征向量，根据所述化简后的无线测量向量的特征向量以及所述预先设置的特征数据库中的特征向量组成的矩阵，通过稀疏表示算法模型得到人体状态向量，从而，获取与所述人体状态向量中的数值最大的元素对应的人体状态。本发明实施例通过判断当前人体状态对空间信号的影响，利用深度学习算法以及稀疏表示算法实现对人体状态的感知识别。本发明实施例提供的服务器不需要增加其他额外的硬件设备，仅通过感知无线网络中的信号感知人体状态，提高了人体感知的应用空间。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (8)
1.一种无线人体感知的方法，适用于预先设置有特征数据库的服务器中，所述特征数据库中存储着无线测量向量的特征向量，其特征在于，所述方法包括：
当人体处于某一指定无线网络空间时，获取指定无线网络空间内所有无线链路在不同频率信道上的信号强度信息以及信号相位信息组成的初始无线测量向量，经过子空间投影矩阵化简后的无线测量向量；
根据深度学习算法模型提取出所述化简后的无线测量向量的特征向量；
根据所述化简后的无线测量向量的特征向量以及所述预先设置的特征数据库中的特征向量组成的稀疏矩阵，通过稀疏表示算法模型得到人体状体向量；
获取与所述人体状态向量中的数值最大的元素对应的人体状态。
2.根据权利要求1所述的方法，其特征在于，根据所述化简后的无线测量向量的特征向量以及所述预先设置的特征数据库中的特征向量组成的矩阵，通过稀疏表示算法模型得到人体状态向量包括：
根据稀疏表示算法模型计算出人体状态向量；其中，x为人体状态向量，x是未知向量在满足上述公式时误差最小的 为化简后的无线测量向量的特征向量；Ψ为基于预先设置的无线测量向量的特征向量组成的数据库矩阵；是未知向量；e为重构误差。
3.根据权利要求2所述的方法，其特征在于，所述在当人体处于某一指定无线网络空间时，获取指定无线网络空间内所有无线链路在不同频率信道上的信号强度信息以及信号相位信息组成的初始无线测量向量，经过子空间投影矩阵化简后的无线测量向量之前还包括：
采集人体在不同状态时在指定无线网络空间内所有无线链路在不同频率信道上的信号强度信息以及信号相位信息，构建无线测量矩阵。
根据所述无线测量矩阵计算所述无线测量矩阵的协方差矩阵；
选择所述协方差矩阵中，特征值从大到小排列的前指定个特征值对应的特征向量组成子空间投影矩阵。
4.根据权利要求1所述的方法，其特性在于，所述深度学习算法模型包括输入层、隐层、输出层；其中，输入层S0个元素、隐层S1个元素、输出层S2个元素，在隐层和输出层增加稀疏约束函数，并且所述深度学习算法模型采用协同重构的方式进行网络参数学习。
5.一种无线人体感知的服务器，其特征在于，所述服务器包括：
第一获取单元，用于当人体处于某一指定无线网络空间时，获取指定无线网络空间内所有无线链路在不同频率信道上的信号强度信息以及信号相位信息组成的初始无线测量向量，经过子空间投影矩阵化简后的无线测量向量；
提取单元，用于根据深度学习算法模型提取出所述化简后的无线测量向量的特征向量；
第一计算单元，用于根据所述化简后的无线测量向量的特征向量以及所述预先设置的特征数据库中的特征向量组成的矩阵，通过稀疏表示算法模型得到人体状态向量；
第二获取单元，用于获取与所述人体状态向量中的数值最大的元素对应的人体状态。
6.根据权利要求5所述的服务器，其特征在于，第一计算单元用于：
根据稀疏表示算法模型计算出人体状态向量；其中，x为人体状态向量，x是未知向量在满足上述公式时误差最小的 为化简后的无线测量向量的特征向量；Ψ为基于预先设置的无线测量向量的特征向量组成的数据库矩阵；是未知向量；e为重构误差。
7.根据权利要求6所述的服务器，其特征在于，所述服务器还包括：
采集单元，用于采集人体在不同状态时在指定无线网络空间内所有无线链路在不同频率信道上的信号强度信息以及信号相位信息，获得无线测量矩阵。
第二计算单元，用于根据所述无线测量矩阵计算所述无线测量矩阵的协方差矩阵；
选择单元模块，用于选择所述协方差矩阵中，特征值从大到小排列的前指定个特征值对应的特征向量组成子空间投影矩阵。
8.根据权利要求5所述的服务器，其特性在于，所述深度学习算法模型包括输入层、隐层、输出层；其中，输入层S0个元素、隐层S1个元素、输出层S2个元素，在隐层和输出层增加稀疏约束函数，并且所述深度学习算法模型采用协同重构的方式进行网络参数学习。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611249911.3A CN106685546A (zh) | 2016-12-29 | 2016-12-29 | 一种无线人体感知的方法及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611249911.3A CN106685546A (zh) | 2016-12-29 | 2016-12-29 | 一种无线人体感知的方法及服务器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106685546A true CN106685546A (zh) | 2017-05-17 |
Family
ID=58872553
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611249911.3A Pending CN106685546A (zh) | 2016-12-29 | 2016-12-29 | 一种无线人体感知的方法及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106685546A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109409276A (zh) * | 2018-10-19 | 2019-03-01 | 大连理工大学 | 一种健壮手语特征提取方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006106508A2 (en) * | 2005-04-04 | 2006-10-12 | Technion Research & Development Foundation Ltd. | System and method for designing of dictionaries for sparse representation |
| CN101819628A (zh) * | 2010-04-02 | 2010-09-01 | 清华大学 | 结合形状特征的稀疏表示人脸识别方法 |
| CN102651072A (zh) * | 2012-04-06 | 2012-08-29 | 浙江大学 | 一种面向三维人体运动数据的分类方法 |
| CN103945533A (zh) * | 2014-05-15 | 2014-07-23 | 济南嘉科电子技术有限公司 | 基于大数据的无线实时位置定位方法 |
| CN103971108A (zh) * | 2014-05-28 | 2014-08-06 | 北京邮电大学 | 基于无线通信的人体姿态识别方法与装置 |
| CN104536017A (zh) * | 2015-01-06 | 2015-04-22 | 中国人民解放军国防科学技术大学 | 一种先子空间投影后波束合成的导航接收机stap算法 |
| CN106033555A (zh) * | 2015-03-13 | 2016-10-19 | 中国科学院声学研究所 | 基于满足k度稀疏约束的深度学习模型的大数据处理方法 |
-
2016
- 2016-12-29 CN CN201611249911.3A patent/CN106685546A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006106508A2 (en) * | 2005-04-04 | 2006-10-12 | Technion Research & Development Foundation Ltd. | System and method for designing of dictionaries for sparse representation |
| CN101819628A (zh) * | 2010-04-02 | 2010-09-01 | 清华大学 | 结合形状特征的稀疏表示人脸识别方法 |
| CN102651072A (zh) * | 2012-04-06 | 2012-08-29 | 浙江大学 | 一种面向三维人体运动数据的分类方法 |
| CN103945533A (zh) * | 2014-05-15 | 2014-07-23 | 济南嘉科电子技术有限公司 | 基于大数据的无线实时位置定位方法 |
| CN103971108A (zh) * | 2014-05-28 | 2014-08-06 | 北京邮电大学 | 基于无线通信的人体姿态识别方法与装置 |
| CN104536017A (zh) * | 2015-01-06 | 2015-04-22 | 中国人民解放军国防科学技术大学 | 一种先子空间投影后波束合成的导航接收机stap算法 |
| CN106033555A (zh) * | 2015-03-13 | 2016-10-19 | 中国科学院声学研究所 | 基于满足k度稀疏约束的深度学习模型的大数据处理方法 |
Non-Patent Citations (1)
| Title |
|---|
| 董海鹰: "《智能控制理论及应用》", 30 September 2016 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109409276A (zh) * | 2018-10-19 | 2019-03-01 | 大连理工大学 | 一种健壮手语特征提取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Deep learning for modulation recognition: A survey with a demonstration | |
| Hsieh et al. | Deep learning-based indoor localization using received signal strength and channel state information | |
| Tu et al. | Deep neural network compression technique towards efficient digital signal modulation recognition in edge device | |
| CN104135327B (zh) | 基于支持向量机的频谱感知方法 | |
| CN106789788B (zh) | 一种无线数字信号调制方式识别方法及装置 | |
| CN110197127A (zh) | 基于深度学习的无线信号检测与电磁干扰分类系统及方法 | |
| CN103976740A (zh) | 一种面向网络环境的脑电信号身份识别系统及识别方法 | |
| Yuan et al. | DeepMorse: A deep convolutional learning method for blind morse signal detection in wideband wireless spectrum | |
| Ahmed et al. | Deep learning-driven opportunistic spectrum access (OSA) framework for cognitive 5G and beyond 5G (B5G) networks | |
| Chan et al. | DeepSense: Enabling carrier sense in low-power wide area networks using deep learning | |
| Behura et al. | WiST ID—Deep learning-based large scale wireless standard technology identification | |
| CN116866129A (zh) | 一种无线通信信号检测方法 | |
| Catak et al. | Defensive distillation-based adversarial attack mitigation method for channel estimation using deep learning models in next-generation wireless networks | |
| Eappen et al. | Cooperative relay spectrum sensing for cognitive radio network: Mutated MWOA-SNN approach | |
| CN113837122B (zh) | 基于Wi-Fi信道状态信息的无接触式人体行为识别方法及系统 | |
| Fang et al. | Cross-scene passive human activity recognition using commodity WiFi | |
| CN106685546A (zh) | 一种无线人体感知的方法及服务器 | |
| CN116306780B (zh) | 一种动态图链接生成方法 | |
| CN113052099A (zh) | 一种基于卷积神经网络的ssvep分类方法 | |
| Xiao et al. | Multi-scale attention based channel estimation for RIS-aided massive MIMO systems | |
| Liu et al. | Adversarial training for low-complexity convolutional neural networks using in spectrum sensing | |
| CN110135378A (zh) | 一种基于无源反射信号的人体动作识别方法 | |
| CN115002703A (zh) | 一种基于Wi-Fi信道状态信息的被动式室内人数检测方法 | |
| CN115510949A (zh) | 一种室内被动式人体行为识别方法及装置 | |
| Gu et al. | Radio frequency fingerprinting driven drone identification based on complex-valued CNN |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170517 |
|
| RJ01 | Rejection of invention patent application after publication |