CN110288018B - 一种融合深度学习模型的WiFi身份识别方法 - Google Patents

Abstract

本发明公开了一种基于融合深度学习模型的WiFi身份识别方法，包括为：S1、收集30个人员的WiFi信道数据；S2、从WiFi信道数据中提取Ntx*Nrx*30的3维CSI矩阵；S3、对提取出来的CSI矩阵数据进行数据预处理；S4、搭建融合深度学习模型，对S3中预处理后的CSI矩阵数据进行分类训练，实现人员身份识别。该方法用户不需要穿戴或依赖任何传感器，只需要利用无处不在的WiFi，通过处理WiFi中的信道状态信息，然后利用像素转置卷积网络和融合深度学习模型对其进行生物特征提取并实现多用户的身份识别。

Description

一种融合深度学习模型的WiFi身份识别方法

技术领域

本发明涉及人工智能识别技术领域，具体是一种融合深度学习模型的WiFi身份识别方法。

背景技术

近年来，人类身份识别技术已被广泛研究，因为人类身份识别在人机交互中起着重要作用，可以支持许多新兴应用，如智能家居，增强现实，医疗保健等。许多人类身份识别系统已经提出了不同的技术，如作为基于可穿戴传感器的方法、基于计算机视觉的方法、基于环境设备的方法等。这些方法要求设备始终在身体上或者利用相机捕获人员图像，实验设备往往比较昂贵并且可能会受到遮蔽物的影响，基于相机的身份识别方法也具有潜在的隐私问题。也有研究利用WIFI的信道状态信息CSI来实现人体的身份识别，但大多数研究都利用机器学习算法来搭建识别系统，数据去噪和训练过程繁琐且需要专业知识，特征分类器是通过使用KNN和SVM建立起来的，达到一定的识别效果。但机器学习算法使用浅层的分类器来实现特征分类，它们对CSI样本中时域、频域的特征通常以启发式和次优方式进行人为选择，因此浅层分类器无法细腻的表征射频信号中隐含的生物特征代表性模式，现有的机器学习研究只能实现小范围的人员识别(2-10人)。所以需要一个无穿戴设备且方法简单高效的WiFi身份识别方法。

发明内容

本发明的发明目的在于克服现有技术的不足，而提供一种基于融合深度学习模型的WiFi身份识别方法，该方法用户不需要穿戴或依赖任何传感器，只需要利用无处不在的WiFi，通过处理WiFi中的信道状态信息，将CSI数据中的每个子载波都作为一个样本，再通过深度学习的卷积神经网络和长短期记忆网络对其进行特征提取和训练，最后利用分类函数实现对用户身份的识别。

实现本发明目的的技术方案是：

一种基于融合深度学习模型的WiFi身份识别方法，包括如下步骤：

S1、收集30个人员的WiFi信道数据；

S2、从WiFi信道数据中提取Ntx*Nrx*30的3维CSI矩阵；

S3、对提取出来的CSI矩阵数据进行数据预处理；

S4、搭建融合深度学习模型，对S3中预处理后的CSI矩阵数据进行分类训练，实现人员身份识别。

步骤S3中，所述的预处理，包括如下步骤：

S3-1、提取CSI子载波的幅度值：提取得到的CSI矩阵为1×3×30的3维矩阵，先对其进行降维处理为3×30的2维矩阵，其中原CSI矩阵中的每个元素为复数，将当前环境下接收到的无线信道模型表示为：

Y＝HX+N(1)

公式(1)中，X表示系统中路由器的发射信号向量，Y表示接受到的无线信号向量，H表示信道增益矩阵，N为系统中的噪声向量，一般表示为高斯白噪声

求得信道状态信息H的表达式为：

公式(2)中，

为CSI的计算表达式，为一个复数矩阵，则求得第K个子载波H(K)的幅度和相位的表达式为：

H(K)＝||H(K)||e^j∠H(K)(3)

公式(3)中，||H(K)||表示第K个子载波的幅度，e^j∠H(K)表示第K个子载波的相位；

S3-2、对提取的CSI子载波的幅度值进行邻式均值插补：设CSI子载波幅值矩阵中的第i列缺失的数据为x_i，则用第i列左右两列的数据求均值进行插补，即

若左边或右边只有一列数据则进行数据替换，即x_i＝x_i-1或x_i＝x_i+1；

S3-3、数据插补后的CSI数据进行小波变换：在数据插补完成后，使用小波变换来获取由人体运动而产生的CSI低频分量，小波变换是小波基函数

不断和信号函数x(t)作内积获得信号在每个位置都包含哪些频率成分，小波变换公式表达为：

公式(4)中，a为尺度因子，a对基本小波函数

作伸缩，τ表示伸缩的位移；

S3-4、对小波变换后的数据进行标准化：将小波变换后的数据特征值转换为均值为0，方差为1的正态分布；数据标准化计算公式为：

其中X_ST表示标准化后的数据，X_i表示第i个样本数据，μ表示样本的均值，σ代表样本的方差。

S3-5、对标准化后的数据进行像素转置卷积：使用像素转置卷积对标准化后的CSI子载波进行像素级别的学习，同时将一维的CSI数据样本规范成(128，128)的二维矩阵形状，并且不破坏CSI空间信息的内部连接来方便深度神经网络学习，像素转置卷积公式表达为：

F_i＝[F_in,F₁,....,F_i]*k_i

其中F_in代表输入数据，F_out代表输出特征映射，*表示卷积运算，[·,·]表示像素的并置，k_i(i＝1，2，…，n)表示一组卷积内核，⊕表示对每个像素的特征映射进行周期性的打乱和组合运算，Fi(i＝1，2，…，n)是由对应的卷积核k_i生成的中间特征图。经过像素转置卷积对CSI数据的学习，生成的中间特征图可以依赖于先前生成的中间特征图的部分或全部，所以输出特征图上的像素同时取决于输入特征图和相邻像素，这将充分挖掘CSI数据之间存在的时间关系。

步骤S4中，所述的融合深度学习模型，输入数据维度为128×128的二维矩阵，构建的融合深度学习模型包括：卷积层(CNN)、池化层、批量正则化层、长短期记忆网络层(LSTM)和全连接层；

所述的卷积层，通过提取标准化后CSI矩阵数据的空间特征和局部依赖特征，即能发现CSI矩阵中动作的特征大小，且卷积层中所有权重参数自动从头到尾进行调整，卷积神经网络通过多个卷积层对数据进行非线性特征提取；

所述的池化层，通过对卷积层输出的特征矩阵的局部区域进行下采样，降低特征矩阵的维度，池化层首先将输入矩阵分为若干个分区，在每个分区中，使用maxpool操作来获取局部最大特征；

所述批量正则化层，是将深度学习模型在训练过程中每一层神经网络的输出保持相同分布；

所述长短期记忆网络层，学习CNN网络提取出的动作特征在时间上的先后表达顺序，CSI记录的是一段时间内人员动作对WiFi信道的影响，样本与时间有关，使用2层LSTM对整个与时间有关的样本进行特征提取并对特征的前后关系具有一定的记忆性，且遗忘掉不相关的信息；

所述全连接层，是将经过卷积网络和长短期记忆网络处理后的高代表性特征值矩阵展平为1维数据，最后通过Softmax函数对特征进行分类识别，进而识别人员身份。

本发明提供一种基于融合深度学习模型的WiFi身份识别方法，具有如下优点：

本发明利用无处不在的WiFi实现人员身份识别，在数据预处理阶段只需要对原始CSI数据进行小波变换来获取数据的低频信息，并使用像素转置卷积网络对短序列数据进行像素级的特征提取，同时保留样本相邻数据间存在的时间关系；本方法同时将获得单个CSI样本中的90个子载波都分别作为一个输入样本，以此来增加模型的学习性能，因为深度神经网络在处理大批量数据上有着优异的性能；本方法最后使用CNN和LSTM的联合深度学习模型对数据进行特征提取，利用CNN提取样本数据的空间特征表示，LSTM对空间特征进行学习并获取不同空间特征的前后顺序。CNN可以在不同的空间位置共享参数，LSTM可以在不同的时间位置共享参数，所以本方法可以更细微的获取人体行为潜在生物特征表示，例如一个人步态特征的大小和不同大小步态的先后顺序，使模型更适合学习人体的行为风格。

与现有技术相比，本发明所述的方法具有以下效果：

1)简单性：现有的基于机器学习的方法需要人为进行数据特征提取，容易损失有用信息且需要很强的专业能力，本方法利用深度学习自动提取数据特征，并且卷积神经网络和长短期记忆网络中所有的权重参数都是利用反向传播自动从头到尾进行调整，无需太多的人为干预；

2)便捷性：本方法不需要用户穿戴昂贵且不易携带的传感器，也不需要依赖任何摄像机或红外线，仅利用无处不在的WiFi信号即可实现人员身份识别；

3)高效性：本方法将每个CSI子载波都作为一个样本，来充分挖掘深度学习模型在处理大批量数据上的优异性能。在数据预处理阶段使用像素转置卷积网络对数据进行像素级别的特征提取，并保留相邻元素之间存在的时间关系。在模型分类阶段先使用卷积神经网络获取CSI数据的空间特征，再使用长短期记忆网络学习空间特征在时间上的先后顺序。因为CSI记录的是一段时间内人体的运动对WiFi信道的影响，其与时间有关，所以利用LSTM可以获取人体的不同动作特征在时间上表达的先后顺序。我们提出的方法比基于机器学习的方法或只使用卷积网络的方法更加高效；

4)准确性：利用卷积神经网络和长短期记忆网络达到对输入数据的特征进行高效提取，并利用Softmax分类函数对提取后的特征进行分类训练，在典型的室内环境下达到了20个人97.4％的识别精度。

附图说明

图1为本发明的一种基于融合深度学习的WiFi身份识别方法的流程图；

图2为小波变换后子载波幅度曲线图；

图3为基于Keras的融合深度学习网络模型图；

图4为模型的识别精度曲线；

图5为模型损失曲线。

具体实施方式

下面结合附图和实施例对本发明做进一步阐述，但不是对本发明的限定。

如图1所示，一种基于融合深度学习模型的WiFi身份识别方法，包括如下步骤：

S1、收集30个人员的WiFi信道数据；

S2、从WiFi信道数据中提取Ntx*Nrx*30的3维CSI矩阵；

S3、对提取出来的CSI矩阵数据进行数据预处理；

S4、搭建融合深度学习模型，对S3中预处理后的CSI矩阵数据进行分类训练，实现人员身份识别。

步骤S3中，所述的预处理，包括如下步骤：

S3-1、提取CSI子载波的幅度值：提取得到的CSI数据包为1×3×30的3维矩阵，先对其进行降维处理为3×30的2维矩阵，其中原CSI矩阵中的每个元素为复数，将当前环境下接收到的无线信道模型表示为：

Y＝HX+N(1)

公式(1)中，X表示系统中路由器的发射信号向量，Y表示接受到的无线信号向量，H表示信道增益矩阵，N为系统中的噪声向量，一般表示为高斯白噪声

求得信道状态信息H的表达式为：

公式(2)中，

为CSI的计算表达式，为一个复数矩阵，则求得第K个子载波H(K)的幅度和相位的表达式为：

H(K)＝||H(K)||e^j∠H(K) (3)

公式(3)中，||H(K)||表示第K个子载波的幅度，e^j∠H(K)表示第K个子载波的相位；

S3-2、对提取的CSI子载波的幅度值进行邻式均值插补：由于信号的空间传输或硬件设备等问题，接收到的CSI矩阵含有少量缺失元素。相邻子载波幅值和相位波形的变化趋势很相近，对数据进行邻式均值插补，这种方法在数据还原能力上要优于行式插补，它不但不会引起太大偏差，还可以尽量细腻的还原原始波形；设第i列缺失的数据为x_i，则用其左右两列的数据求均值进行插补，即

如果左边或右边只有一列数据则进行数据替换，即x_i＝x_i-1或x_i＝x_i+1。

S3-3、数据插补后的CSI数据进行小波变换：在数据插补完成后，使用小波变换来获取由人体运动而产生的CSI低频分量，小波变换是小波基函数

不断和信号函数x(t)作内积获得信号在每个位置都包含哪些频率成分，小波变换公式表达为：

公式(4)中，a为尺度因子，a对基本小波函数

作伸缩，τ表示伸缩的位移；本实施例中，使用db4小波基对CSI矩阵进行级别为3的小波变换，小波变换后得到的CSI矩阵大小为(30，1)；

S3-4、对小波变换后的数据进行标准化：将小波变换后的数据特征值转换为均值为0，方差为1的正态分布。它的计算公式为：

其中X_ST表示标准化后的数据，X_i表示第i个样本数据，μ表示样本的均值，σ代表样本的方差。将数据转换为标准的正态分布，不仅可以消除CSI环境中的静态信息，例如墙壁或家具反射的信号，还可以减小培训时间、提高模型性能。

S3-5、对标准化后的数据进行像素转置卷积：使用像素转置卷积对标准化后的CSI子载波进行像素级别的学习，同时将一维的CSI数据样本规范成(128，128)的二维矩阵形状，并且不破坏CSI空间信息的内部连接来方便深度神经网络学习，像素转置卷积公式表达为：

F_i＝[F_in,F₁,....,F_i]*k_i

其中F_in代表输入数据，F_out代表输出特征映射，*表示卷积运算，[·,·]表示像素的并置，k_i(i＝1，2，…，n)表示一组卷积内核，⊕表示对每个像素的特征映射进行周期性的打乱和组合运算，F_i(i＝1，2，…，n)是由对应的卷积核k_i生成的中间特征图，经过像素转置卷积对CSI数据的学习，生成的中间特征图可以依赖于先前生成的中间特征图的部分或全部，所以输出特征图上的像素同时取决于输入特征图和相邻像素，这将充分挖掘CSI数据之间存在的时间关系。

步骤S4中，所述的融合深度学习模型，输入数据维度为128×128的二维矩阵，融合深度学习模型包括卷积层(CNN)、池化层、批量标准化层、长短期记忆网络层(LSTM)和全连接层，融合深度学习模型图如图3所示；

所述的卷积层，可以提取标准化后CSI矩阵数据的空间特征和局部依赖特征，即能发掘CSI矩阵中存在的动作特征大小，且卷积层中所有权重参数都是自动从头到尾进行调整，因此训练过程不需要太多的人为干预，卷积神经网络通过多个卷积层对数据进行非线性特征提取；

所述的池化层，通过对卷积层输出的特征矩阵的局部区域进行下采样，降低特征矩阵的维度，池化层首先将输入矩阵分为多个分区，在每个分区中，使用maxpool操作来获取局部最大特征，maxpool操作是在降低处理数据的维度的基础上保留了数据规模不变的特征，池化层是卷积神经网络的另一个关键优势。由于单个卷积层仅限于线性特征提取，所以通过堆叠2层卷积层并引入非线性激活函数，模型可以提取数据的非线性特征；

所述批量标准化层，是将深度学习模型在训练过程中每一层神经网络的输出保持相同分布，这样可以避免梯度消失，并且加快训练速度；

所述长短期记忆网络层，可以学习CNN网络提取出的特征在时间上的先后顺序。因为CSI记录的是一段时间内人员动作对WiFi信道的影响，样本与时间有关，所以使用LSTM可以对整个与时间有关的样本进行特征提取，还能对样本特征的前后关系具有一定的记忆性，同时可以遗忘掉不相关的信息，例如环境细节；

所述全连接层，是将经过卷积网络和长短期记忆网络处理后的高代表性特征值矩阵展平为1维数据，最后通过Softmax函数对特征进行分类识别，进而识别人员。由图4可知本方法在20个人员分类中实现了97.4％的平均识别精度，由图5可知本方法的损失函数最后收敛趋近于0，表明模型的鲁棒性能较好。

实施例：

本方法的实验环境为一台普通的TP-LINK-WDR5620的1天线路由器和配有3根天线的Intel5300无线网卡的戴尔笔记本，用户在无线路由器(信号发射端)和Inter5300无线网卡(信号接收端)之间依次进行行走3s，然后利用CSI-tool工具软件在2.4GHz的中心频率上提取所有的30个子载波上的20MHz带宽的CSI数据，此数据为Ntx×Nrx×30的3维复数矩阵，Ntx表示发射端天线数，Nrx表示接收端天线数，所以对原始数据降维后变成3×30的2维复数矩阵；

求此CSI复数矩阵的幅值，得到一个2维的大小为(300，90)CSI幅值矩阵，其中300表示每个子载波的时间长度，90表示子载波的个数。我们将每个子载波都作为一个样本，所以得到的样本的大小为(300，1)；

接着对原始样本进行邻式均值插补，来还原CSI中少量缺失值；

然后使用小波去噪去除CSI数据中的噪声，本方法采用db4小波基函数对CSI数据进行级别为3的小波变换，经过小波去噪后保留的低频数据大小为(30，1)；

然后对小波去噪后的数据进行标准化，将其转换为均值为0，方差为1的正态分布，以方便深度学习模型训练；

由于经过小波变换后的样本长度较短，我们使用像素转置卷积对CSI数据进行像素级特征学习并挖掘样本中相邻像素间存在的时间关系，最后将CSI样本映射为(128，128)的张量类型，以方便网络训练；

最后融合深度学习网络，包括卷积层、池化层、正则化层、长短期记忆网络层、全连接层，将获得的(128，128)的2维矩阵作为卷积神经网络的输入，利用卷积神经网络提取特征的高效性对输入数据进行空间特征提取，然后利用长短期记忆网络学习不同空间特征在时间上的表达顺序。卷积层中利用ReLU函数使其具有非线性的特性，利用Softmax分类方法将卷积网络的输出进行多分类，以达到分类效果。

实验环境：环境为一台普通的TP-LINK-WDR5620的1天线WiFi路由器和配有3根天线的Inter5300无线网卡的戴尔笔记本，实验室中Nrx与Ntx相距1m；

实验内容：实验中实验者在WiFi路由器和Inter5300无线网卡间行走，然后使用CSItool工具获取其CSI信息。实验中每个人员重复10次，20个人员共获得200个CSI样本数据，每个原始样本大小为(300，90)。本方法将每个子载波分别作为一个单独的样本，所以实验一共获得200*90＝18000个实验样本，每个样本大小为(300，1)，每次获得的CSI矩阵进行共同的数据处理后变成(128，128)的二维实数矩阵，其中70％用于模型的训练集，另30％用于模型的测试集；

实验流程：

1)获取数据：

实验中实验者在WiFi路由器和Inter5300无线网卡间行走3s，采样频率为100Hz，实验者完成动作后在连有Inter5300无线网卡的笔记本上获取WiFi信道状态信息CSI；

2)数据预处理：

由于接收到的CSI数据是3维的复数矩阵，所以先对其进行降维处理，降为3×30的2维矩阵，再利用公式H(K)＝||H(K)||e^j∠H(K)提取其幅度值，其中H(K)代表第K个子载波，单个样本的大小为(300,90),其中300代表时间序列长度，90代表子载波个数；

3)CSI幅值去噪：

由于人体的动作的频率较低，且WIFI信号由于传输功率、设备的状态变化或信号干扰等因素的影响，往往含有很多噪声成分，所以要对求得的原始CSI幅值矩阵进行去噪处理。本方法中先利用邻式均值插补对缺失数据进行插补，再使用小波变换去除CSI幅值矩阵的高频分量，保留CSI中的低频分量，最后通过像素转置卷积网络对CSI数据中的低频分量进行像素级别的学习，并将其变规范为(128，128)大小的样本；

4)融合深度学习模型搭建：

为了将更先进的技术用在人员身份识别领域，本方法没有采用原始的机器学习方法，而是采用卷积神经网络和长短期记忆网络来实现CSI的特征的提取和分类。模型先利用CNN提取样本数据的空间特征表示，然后利用LSTM对空间特征进行学习并获取不同空间特征的前后顺序。因为CNN可以在不同的空间位置共享参数，LSTM可以在不同的时间位置共享参数，所以本方法可以更细微的获取人体行为潜在生物特征表示。例如一个人步态特征的大小和不同大小步态的先后顺序，使模型更适合学习人体的行为风格。

本方法中卷积神经网络模型的输入数据维度为(128，128)的二维实数矩阵，构建的融合深度学习模型包括卷积层(CNN)、池化层、批量标准化层、长短期记忆网络层(LSTM)和全连接层，具体说明如下：

卷积层的主要任务是提取CSI矩阵的空间动作特征，它通过使用数字过滤器在输入矩阵上滑动，然后使用非线性激活函数来提取样本空间动作特征；

在卷积层之后连接批量正则化层，批量正则化层让深度学习模型在训练过程中使得每一层神经网络的输出保持相同分布，这样可以避免梯度消失，并且加快训练速度。

在批量正则化层后连接池化层，通过对卷积层输出的特征矩阵的局部区域进行下采样，降低特征矩阵的维度，池化层首先将输入矩阵分为多个分区，在每个分区中，使用maxpool操作来获取局部最大特征，maxpool操作是在降低处理数据的维度的基础上保留了数据规模不变的特征，池化层是卷积神经网络的另一个关键优势。由于单个卷积层仅限于线性特征提取，所以通过堆叠3层卷积层并引入非线性激活函数，模型可以提取数据的非线性特征；

在池化层后连接2层长短期记忆网络层，长短期记忆网络层通过学习卷积网络层提取的CSI空间特征表示来获取不同空间特征在时间上表达的先后顺序，以次来获取CSI数据中细微的生物特征表示，

最后通过全连接层的Softmax函数根据长短期记忆网络得到的生物特征表示进行多分类，实现人员身份的识别。经验证，如图4所示模型在训练集达到了100％的识别率，并在验证集达到了97.4％的平均识别率。由图5的损失函数可以看出验证集损失函数最后趋向于0，说明模型的鲁棒性较好。

Claims (1)

1.一种基于融合深度学习模型的WiFi身份识别方法，其特征在于，包括如下步骤：

S1、收集30个人员的WiFi信道数据；

S2、从WiFi信道数据中提取Ntx*Nrx*30的3维CSI矩阵；

S3、对提取出来的CSI矩阵数据进行数据预处理；

S4、搭建融合深度学习模型，对S3中预处理后的CSI矩阵数据进行分类训练，实现人员身份识别；

步骤S3中，所述的预处理，包括如下步骤：

S3-1、提取CSI子载波的幅度值：提取得到的CSI矩阵为1×3×30的3维矩阵，先对其进行降维处理为3×30的2维矩阵，其中原CSI矩阵中的每个元素为复数，将当前环境下接收到的无线信道模型表示为：

Y＝HX+N (1)

公式(1)中，X表示系统中路由器的发射信号向量，Y表示接受到的无线信号向量，H表示信道增益矩阵，N为系统中的噪声向量，表示为高斯白噪声，

求得信道状态信息H的表达式为：

公式(2)中，

为CSI的计算表达式，为一个复数矩阵，则求得第K个子载波H(K)的幅度和相位的表达式为：

H(K)＝||H(K)||e^j∠H(K) (3)

公式(3)中，||H(K)||表示第K个子载波的幅度，e^j∠H(K)表示第K个子载波的相位；

S3-2、对提取的CSI子载波的幅度值进行邻式均值插补：设CSI子载波幅值矩阵中的第i列缺失的数据为x_i，则用第i列左右两列的数据求均值进行插补，即

若左边或右边只有一列数据则进行数据替换，即x_i＝x_i-1或x_i＝x_i+1；

S3-3、数据插补后的CSI数据进行小波变换：在数据插补完成后，使用小波变换来获取由人体运动而产生的CSI低频分量，小波变换是小波基函数

不断和信号函数x(t)作内积获得信号在每个位置都包含哪些频率成分，小波变换公式表达为：

公式(4)中，a为尺度因子，a对基本小波函数

作伸缩，τ表示伸缩的位移；

S3-4、对小波变换后的数据进行标准化：将小波变换后的数据特征值转换为均值为0，方差为1的正态分布；数据标准化计算公式为：

其中X_ST表示标准化后的数据，X_i表示第i个样本数据，μ表示样本的均值，σ代表样本的方差；

S3-5、对标准化后的数据进行像素转置卷积：使用像素转置卷积对标准化后的CSI子载波进行像素级别的学习，同时将一维的CSI数据样本规范成(128，128)的二维矩阵形状，并且不破坏CSI空间信息的内部连接来方便深度神经网络学习，像素转置卷积公式表达为：

F_i＝[F_in,F₁,....,F_i]*k_i

其中F_in代表输入数据，F_out代表输出特征映射，*表示卷积运算，[·,·]表示像素的并置，k_i(i＝1，2，…，n)表示一组卷积内核，⊕表示对每个像素的特征映射进行周期性的打乱和组合运算，F_i(i＝1，2，…，n)是由对应的卷积核k_i生成的中间特征图；

步骤S4中，所述的融合深度学习模型，输入数据维度为128×128的二维矩阵，构建的融合深度学习模型包括：卷积层CNN、池化层、批量正则化层、长短期记忆网络层LSTM和全连接层；

所述的卷积层，通过提取标准化后CSI矩阵数据的空间特征和局部依赖特征，即能发现CSI矩阵中动作的特征大小，且卷积层中所有权重参数自动从头到尾进行调整，卷积神经网络通过多个卷积层对数据进行非线性特征提取；

所述的池化层，通过对卷积层输出的特征矩阵的局部区域进行下采样，降低特征矩阵的维度，池化层首先将输入矩阵分为若干个分区，在每个分区中，使用maxpool操作来获取局部最大特征；

所述批量正则化层，是将深度学习模型在训练过程中每一层神经网络的输出保持相同分布；

所述长短期记忆网络层，学习CNN网络提取出的动作特征在时间上的先后表达顺序，CSI记录的是一段时间内人员动作对WiFi信道的影响，样本与时间有关，使用2层LSTM对整个与时间有关的样本进行特征提取并对特征的前后关系具有一定的记忆性，且遗忘掉不相关的信息；

所述全连接层，是将经过卷积网络和长短期记忆网络处理后的高代表性特征值矩阵展平为1维数据，最后通过Softmax函数对特征进行分类识别，进而识别人员身份。

Images