CN114550283A - 基于改进支持向量机的无线网信号动作识别系统及方法 - Google Patents

基于改进支持向量机的无线网信号动作识别系统及方法 Download PDF

Info

Publication number
CN114550283A
CN114550283A CN202210022587.0A CN202210022587A CN114550283A CN 114550283 A CN114550283 A CN 114550283A CN 202210022587 A CN202210022587 A CN 202210022587A CN 114550283 A CN114550283 A CN 114550283A
Authority
CN
China
Prior art keywords
individual
population
action
individuals
support vector
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
Application number
CN202210022587.0A
Other languages
English (en)
Inventor
潘甦
凌翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202210022587.0A priority Critical patent/CN114550283A/zh
Publication of CN114550283A publication Critical patent/CN114550283A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了无线通信技术领域的基于改进支持向量机的无线网信号动作识别系统及方法，包括：通过Wi‑Fi信号提取出动作变化导致的信道状态信息，得到样本数据；对样本数据预处理后得到样本集合；通过改进的差分进化算法对支持向量机算法参数进行组合优化；基于组合优化后的支持向量机算法，利用样本集合进行模型训练和测试，得到动作识别训练模型；基于动作识别训练模型对在线动作将数据进行动作类别判断。本发明能够通过Wi‑Fi信号检测动作来进行高准确性的动作识别。

Description

基于改进支持向量机的无线网信号动作识别系统及方法
技术领域
本发明涉及基于改进支持向量机的无线网信号动作识别系统及方法，属于无线通信技术领域。
背景技术
目前，人体动作识别在医疗康复、运动健身、安全检测等应用领域起着重要作用。随着人工智能技术的不断发展，人们对动作识别技术的精确性和便捷性要求更高，现有的动作识别方法主要是以基于便携式设备的传感器技术和计算机视觉技术为主，它需要专用传感器和摄像设备，例如雷达、摄像头、非携带式光学设备等，部署成本高、携带不便、依赖外在光照环境等问题限制了这些技术在某些场景的适用性。近年来，使用Wi-Fi信号检测动作来进行动作识别的方法成为研究热点。
Wi-Fi信号动作识别系统需要接收和发送两个端口，在两个端口之间的动作会引起Wi-Fi信号的波动，CSI来自OFDM系统下解码的子载波，是通信链路的信道属性，体现了信号在每一条传输路径上的衰弱情况，相比于接收信号强度，信息更丰富，幅度变化更明显，能够更好地感知到动作之间的细微差别。我们从信号中提取出包含动作信息的CSI，然后通过算法进行动作识别。这个方法的实现只需要低廉的消费类设备，容易推广，携带方便，适用性强，可以达到很高的准确度。但是此方法存在以下的问题：
由于此类设备的灵敏度较差，测得的CSI易受到噪声的干扰，影响动作识别效果。目前采用的降噪方法难以很好的去除干扰，因此系统动作识别能力很依赖于分类器算法的分类效果。反向传播神经网络、卷积神经网络、深度神经网络等热门的神经网络分类器识别精度较高，但是需要大量样本，并且运行时间较长，当环境或动作类别改变时，系统需要重新训练模型，效率较低，不适用于消费类电子。支持向量机(SVM)作为一种二类分类器，泛化能力强，只需少量的样本，重新训练模型速度快，适用于本系统，但分类准确性不能保证，仍需改进。
发明内容
本发明的目的在于克服现有技术中的不足，提供基于改进支持向量机的无线网信号动作识别系统及方法，能够通过Wi-Fi信号检测动作来进行高准确性的动作识别。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了基于改进支持向量机的无线网信号动作识别方法，包括：
通过Wi-Fi信号提取出动作变化导致的信道状态信息，得到样本数据；
对样本数据预处理后得到样本集合；
通过改进的差分进化算法对支持向量机算法参数进行组合优化；
基于组合优化后的支持向量机算法，利用样本集合进行模型训练和测试，得到动作识别训练模型；
基于动作识别训练模型对在线动作将数据进行动作类别判断。
进一步的，对样本数据预处理后得到样本集合，包括：通过巴特沃斯低通滤波结合主成分分析法降噪后，再通过主成分分析法提取特征，形成预处理后的样本集合。
进一步的，改进的差分进化算法步骤如下：
在解向量取值范围内随机均匀生成多个个体组成初始种群；
计算初始种群中每个个体的适应度值后，比较得到适应度最优的个体；
计算初始种群中每个个体对应的缩放算子后，结合个体适应度进行变异操作；
计算初始种群中每个个体对应的交叉概率，结合变异操作后的个体进行交叉操作，获得了一组交叉个体；
将交叉个体与父代种群中对应的个体进行比较，遵照贪婪法则选择适应度好的个体作为子代同一位置上的个体，构成新种群；
计算新种群中个体的适应度值，判断适应度值是否满足终止条件；
响应于适应度值满足终止条件时，输出动作识别训练模型最优参数组合，否则重新计算出每个个体对应的缩放算子，再依次进行变异、交叉和选择操作后重新进行终止条件判断。
进一步的，初始种群第i个个体组成如下：
Xi＝[xi,1,xi,2,…,xi,n,](i∈1,…,N)
其中，n指的是一个解向量的维数，种群初始化第i个个体的第j维取值如式：
xi,j＝rand(0,1)(Uj-Lj)+Lj(i∈1,…,N，j∈1,…,n)
其中，Lj代表解向量第j维的下界，Uj代表解向量第j维的上界，rand(0，1)指在0和1之间的随机数；
适应度值计算公式如下：
Figure BDA0003463006110000041
其中，f为适应度函数，L是类别数，Y代表此类中的测试样本数，e代表此类中判断错误的个数，i代表个体序号。
进一步的，缩放算子的计算公式为：
Figure BDA0003463006110000042
Figure BDA0003463006110000043
其中，F为缩放算子，λm是关于当前迭代次数的抛物线函数，βi是关于个体适应度的自适应变化函数，m是当前迭代次数，M是总迭代次数，Fmax和Fmin是设置的缩放算子的上下限，fi是本次迭代中第i个个体的适应度值，fmin和fmax是本次迭代种群中最小和最大的适应度值，fa是fmin和fmax的中间值；
变异操作的公式为：
vi＝λm(xs1+F(xs2-xs3))+(1-λm)(xbest+F(xs4-xs5))
其中，vi是变异得到的新个体，xs1、xs2、xs3、xs4、xs5是上代种群中牵引互不相同的个体，xbest是上代种群中适应度最优的个体。
进一步的，交叉概率计算公式如下：
CRi＝randn(μCR,0.05)
μCR＝(1-c)μCR+c×mean(S)
Figure BDA0003463006110000044
其中，CRi是第i个个体的交叉概率，c的范围是(0，1)之间的参数，μCR初始值设置为0.5，randn(μCR,0.05)代表数学期望为μCR、标准差为0.05的正态分布函数，mean(S)为集合中数据的Lehmer平均数，CR是交叉概率；
交叉个体分量为：
Figure BDA0003463006110000051
其中randi(1,n)表示1到n中随机选取的整数，Hi,j(m)为交叉个体分量，Vi,j(m)为变异得到的新个体。
进一步的，选择适应度好的个体作为子代同一位置上的个体的选择生成式为：
Figure BDA0003463006110000052
其中，Xi(m)为子代同一位置上的个体，Xi(m-1)为父代种群中对应的个体，Hi(m)为交叉个体，f(Hi(m)为交叉个体适应度值，f(Xi(m-1))为父代种群中对应的个体适应度值。
第二方面，本发明提供了基于改进支持向量机的无线网信号动作识别系统，包括：
采样模块：用于通过Wi-Fi信号提取出动作变化导致的信道状态信息，得到样本数据；
预处理模块：用于对样本数据预处理后得到样本集合；
优化模块：用于通过改进的差分进化算法对支持向量机算法参数进行组合优化；
建模模块：用于基于组合优化后的支持向量机算法，利用样本集合进行模型训练和测试，得到动作识别训练模型；
识别判断模块：用于基于动作识别训练模型对在线动作将数据进行动作类别判断。
第三方面，本发明提供了基于改进支持向量机的无线网信号动作识别装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据上述任一项所述方法的步骤。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
与现有技术相比，本发明所达到的有益效果：
一、本发明公开了一种基于改进支持向量机的无线网信号动作识别方法，能够解决相似动作识别困难的问题和支持向量机算法参数组合优化问题，且动作识别系统费用较低，适用性强，精度较高；
二、本发明采用主成分分析法(PCA)结合巴特沃斯低通滤波对CSI数据进行清洗来消除噪声干扰，采用改进的差分进化算法优化SVM，提升SVM的效率，从而提高基于廉价消费类Wi-Fi设备的动作识别的效率和精度；
三、本发明采用四种策略对差分进化算法进行了改进，在第一种策略中，根据迭代次数自适应调整变异中的比例因子，以平衡种群多样性和收敛速度。在第二种策略中，我们根据适合度将群体中的个体分为“好”或“坏”，然后通过不同的方法分别调整好个体和坏个体的缩放算子，保留好个体，通过交叉改变坏个体。在第三种策略中，我们修改了现有的变异方法，使其随着迭代次数的变化而变化，以进一步防止算法早熟。第四种策略是通过引入历史信息自适应地改变父节点的交叉情况来调整交叉概率，以平衡算法的局部搜索能力和全局搜索能力。改进的DE算法不仅避免了算法陷入局部最优，而且进一步提高了收敛速度，可以更好地找到SVM惩罚参数和核参数的相对最优解，使得SVM的搜索效率提升；
四、本发明将改进的SVM运用到Wi-Fi信号动作识别方法中。Wi-Fi信号动作识别方法使用了廉价的消费类设备，成本低，携带方便，适用性强，改进的SVM作为动作识别方法的分类器，消除了廉价设备提取出的CSI动作信息灵敏度高，分类精度低的缺点，可以更好地运用到各个场景中。
附图说明
图1是本发明实施例一提供的动作识别系统模型图；
图2是本发明实施例一提供的动作引起的CSI波动情况；
图3是本发明实施例一提供的改进差分进化算法优化支持向量机流程示意图；
图4是本发明实施例一提供的改进差分进化算法曲线收敛程度和其它算法对比仿真图；
图5是本发明实施例一提供的优化SVM与其他方法的动作识别准确度比较示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
本实施例公开了一种基于改进支持向量机的无线网信号动作识别方法，如图1所示，分为信号接收、数据预处理、动作判别三个部分，所述方法包括如下步骤：
步骤1：针对相似的具体动作，建立动作识别场景，本实施例设计了一种相似动作的动作识别系统，以二头弯举动作(BC)为例，设计了标准动作和5个常见的错误动作，动作细节表如下：
Figure BDA0003463006110000081
步骤2：通过Wi-Fi信号提取出动作变化导致的信道状态信息(CSI)，本实施例中传感器由两台计算机组成，配备有Intel 5300型号的无线网卡，可以提取动作变化时的CSI数据，其中一台设置为发送模式，另一台设置为接收模式。使用了天线来增加室内覆盖范围，测试者在两台机器之间做设计的动作，将动作数据提取出来作为样本集。
步骤3：对样本数据预处理后得到样本集合，本实施例中对CSI数据预处理是先通过巴特沃斯低通滤波结合主成分分析法降噪，再通过主成分分析法(PCA)提取特征，形成预处理后的样本集合。PCA白化提取特征过程是先通过PCA算出低维度的特征矩阵，然后对每一维的特征做标准差归一化，使所有特征具有相同的方差，降低了输入数据的冗余性，方便进行分类，CSI数据降噪前后波形如图2所示。
步骤4：针对差分进化算法做出改进，通过改进的差分进化算法实现支持向量机算法参数的组合优化，基于所得改进的支持向量机算法，利用样本集合进行模型训练和测试，找到最优动作识别训练模型(SVM模型)，实现相似动作的分类识别，本实施例将处理后的样本集通过PCA提取特征，分割成训练集和测试集，然后放入改进的SVM中训练模型，通过改进的差分进化算法(DE算法)可以得到最优模型，在线提取的数据可以直接测试结果，实验各类别动作识别精度对比图如图5所示，本发明中提出的改进SVM识别精度都高于其它改进算法。
标准的差分进化算法是一种智能全局搜索算法，它是利用对群体中各个个体进行评估寻优，从最好的个体出发再进行搜索，各个个体之间的结合和竞争智能地引导着优化搜索的方向。差分进化算法过程是先随机生成初始种群，然后通过变异，交叉，选择三个过程生成新种群继续寻找最优解，直到达到终止条件，即达到设置的迭代次数或者寻找到满足条件的解向量。差分进化算法求解一个最优化问题，先要确定适应度函数f(x)和算法参数。f(x)体现了个体的优劣情况，适应度越小，个体越优秀。当算法不断迭代时，种群多样性降低，容易出现早熟收敛。我们尝试在早期阶段使种群多样性丰富，以防止出现过早收敛的情况。在后期阶段，需要加快收敛。我们提出了一种改进的差分进化算法，该算法综合考虑了种群中的迭代和个体适应度的差异来解决这个问题，改进后的差分进化算法与其它改进算法的函数收敛效果对比如图4所示，改进方法如下：
(1)缩放算子F控制偏差变量的放大缩小，影响着种群的多样性，F越大，种群中个体变化越大，种群越丰富，F越小，收敛速度加快。我们提出根据迭代情况和个体优劣情况对缩放算子F进行调节，方法如式：
Figure BDA0003463006110000101
Figure BDA0003463006110000102
其中，F为缩放算子，λm是关于当前迭代次数的抛物线函数，βi是关于个体适应度的自适应变化函数，m是当前迭代次数，M是总迭代次数，Fmax和Fmin是设置的缩放算子的上下限，fi是本次迭代中第i个个体的适应度值，fmin和fmax是本次迭代种群中最小和最大的适应度值，fa是fmin和fmax的中间值。
我们采用了抛物线函数λm对迭代不同时期的F进行调节，改进算法以防陷入早熟。缩放算子跟着函数变化，随着当前迭代次数增大而逐渐降低，下降速度逐渐降低，最后稳定在设置的最小值。在迭代前期，F较大，种群多样性丰富，全局搜索能力强；在迭代中期，F下降速度减缓，收敛速度加快；在迭代后期，F逐渐稳定在设置的较小值，收敛速度达到最大的同时保证了种群多样性。
我们提出根据个体适应度情况，分不同策略对个体变异参数进行调整。对于种群中小于等于fa的较优个体，βi的值在0.5和1之间变化，fi越小，βi越小，缩放算子越小，即个体越优异，它对应的缩放算子越小，这样可以尽量保留优秀个体；大于fa的较劣个体则令βi为最大值1，使这些个体在这次迭代中的F相对较大，保证种群的多样性。
(2)本实施例中我们对变异策略进行改进，常用变异策略DE/rand/1和DE/best/1如式所示：
vi＝xs1+F(xs2-xs3) (2)
vi＝xbest+F(xs4-xs5) (3)
式中xs1、xs2、xs3、xs4、xs5是上代种群中牵引互不相同的个体，xbest是上代种群中适应度最优的个体。DE/rand/1策略有利于种群的丰富，但收敛速度较慢。DE/best/1策略则相反，拥有种群最优信息，能快速收敛，但容易陷入局部最优。我们根据迭代情况，结合两种策略的优点做了改进，如式:
vi＝λm(xs1+F(xs2-xs3))+(1-λm)(xbest+F(xs4-xs5)) (4)
其中，vi是变异得到的新个体，利用上文中λm的变化性质，在迭代前期，DE/rand/1策略占主导地位，全局搜索能力强，不易早熟。随着迭代向后期发展，DE/best/1策略起的作用变大，在后期慢慢确定了全局最优解的范围时，有助于加速收敛。
(3)交叉概率CR影响着算法的收敛速度和种群丰富程度。为了使交叉操作平衡全局搜索能力和局部搜索效率，我们采用了基于历史信息的自适应更新策略。
设置了历史集合S，它存储了上次迭代中交叉后成功被选择个体的交叉概率，算出集合中数据的Lehmer平均数mean(S)，如式：
Figure BDA0003463006110000111
交叉概率更新公式如下：
CRi＝randn(μCR,0.05) (6)
μCR＝(1-c)μCR+c×mean(S) (7)
其中，CRi是第i个个体的交叉概率，c的范围是(0，1)之间的参数，μCR初始值设置为0.5，randn(μCR,0.05)代表数学期望为μCR、标准差为0.05的正态分布函数，若取值超过CR的范围[0，1]，取靠近的上下限替换。
交叉概率随着每一代的历史集合变化，保证了取值在合理范围内。正态分布增加了取值的随机性和多样性。Lehmer平均有效地避免了得到的μCR过小，防止算法轻易陷入局部搜索。
系统模型的判决准确率很大程度取决于非线性SVM的参数C和G。错误惩罚因子C影响着系统的泛化能力，当C越高，对误差的惩罚越重，易发生过拟合，当C越小，对误差的容忍度越大，易发生欠拟合。G是高斯核函数的核参数，它影响着每个支持向量对应的高斯的作用范围，当G越大，高斯分布变得又高又窄，高斯核函数划分能力越强，对于未知样本分类效果差，泛化能力越弱，当G越小，会造成平滑效应越大，导致样本分类不够准确。
对基于高斯核函数的SVM优化就是对惩罚参数C和核参数G进行组合优化，适应度函数设置为总分类错误率，公式如下：
Figure BDA0003463006110000121
其中，f为适应度函数，L是类别数，Y代表此类中的测试样本数，e代表此类中判断错误的个数。改进DE算法优化SVM进行动作识别的流程图如图3所示。
具体的，步骤4中改进DE算法优化SVM进行动作识别的具体步骤包括；
步骤S1：切割处理好的离线样本集合，分为训练集和测试集。
步骤S2：种群初始化：以SVM的惩罚参数C和核参数G作为参数，根据差分进化算法要求生成初始种群，设置相关参数。
在解向量取值范围内随机均匀生成N个个体，这些个体组成了初始种群，第i个个体组成如下：
Xi＝[xi,1,xi,2,…,xi,n,](i∈1,…,N) (9-1)
其中n指的是一个解向量的维数。
以每个个体的值作为惩罚参数C和核参数G进行SVM模型训练，根据式(8)中设置的适应度函数算出每个个体的适应度，种群初始化第i个个体的第j维取值如式：
xi,j＝rand(0,1)(Uj-Lj)+Lj i∈1,…,N j∈1,…,n (9-2)
其中，Lj代表解向量第j维的下界，Uj代表解向量第j维的上界，rand(0，1)指在0和1之间的随机数。计算每个个体的适应度值比较出最优值。
步骤S3：变异操作：通过将种群中两个个体间的差值加上其它个体，生成新的变异个体，我们结合常用的两种变异策略，并结合迭代代数对策略进行改进。同时根据迭代情况和个体优劣情况对本次迭代中每个个体对应的缩放算子F进行调节，即由式(1)算出每个个体对应的缩放算子F，通过式(4)中的变异策略进行个体变异。
步骤S4：交叉操作：将父代种群中每个个体的分量和对应的变异个体中的分量进行交换，即由式(6)算出每个个体对应的交叉概率CR，进行个体的交叉操作，第m次迭代中，交叉个体分量如式：
Figure BDA0003463006110000131
其中randi(1,n)表示1到n中随机选取的整数，保证交叉个体中至少有一个分量由父代中对应个体提供。为了使交叉操作平衡全局搜索能力和局部搜索效率，我们采用了基于历史信息的自适应更新策略调节每个个体对应的交叉概率CRi。
步骤S5：选择操作：通过交叉操作获得了一组交叉个体，选择就是将它们与父代种群中对应的个体进行比较，遵照贪婪法则，留下适应度好的那一个作为子代同一位置上的个体。选择生成式如下：
Figure BDA0003463006110000141
其中，Xi(m)为子代同一位置上的个体，Xi(m-1)为父代种群中对应的个体，Hi(m)为交叉个体，f(Hi(m))为交叉个体适应度值，f(Xi(m-1))为父代种群中对应的个体适应度值。
选择操作保证新一代的种群优于上一代的种群，淘汰了差的个体，保留了原本优秀的个体，引导算法向着最优解逼近。
步骤S6：将选择成功个体对应的CR存入历史集合，求出新种群中个体的适应度值。
步骤S7：若满足终止条件，迭代结束，输出SVM最优参数组合并且生成最优模型，否则返回步骤S3。
步骤S8：将在线测试的数据放入最优模型进行分类识别。
实施例二：
基于改进支持向量机的无线网信号动作识别系统，可实现实施例一中基于改进支持向量机的无线网信号动作识别方法，包括：
采样模块：用于通过Wi-Fi信号提取出动作变化导致的信道状态信息，得到样本数据；
预处理模块：用于对样本数据预处理后得到样本集合；
优化模块：用于通过改进的差分进化算法对支持向量机算法参数进行组合优化；
建模模块：用于基于组合优化后的支持向量机算法，利用样本集合进行模型训练和测试，得到动作识别训练模型；
识别判断模块：用于基于动作识别训练模型对在线动作将数据进行动作类别判断。
实施例三：
本发明实施例还提供了基于改进支持向量机的无线网信号动作识别装置，可实现实施例一中基于改进支持向量机的无线网信号动作识别方法，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行下述方法的步骤：
通过Wi-Fi信号提取出动作变化导致的信道状态信息，得到样本数据；
对样本数据预处理后得到样本集合；
通过改进的差分进化算法对支持向量机算法参数进行组合优化；
基于组合优化后的支持向量机算法，利用样本集合进行模型训练和测试，得到动作识别训练模型；
基于动作识别训练模型对在线动作将数据进行动作类别判断。
实施例四：
本发明实施例还提供了一种计算机可读存储介质，可实现实施例一中基于改进支持向量机的无线网信号动作识别方法，其上存储有计算机程序，该程序被处理器执行时实现下述方法的步骤：
通过Wi-Fi信号提取出动作变化导致的信道状态信息，得到样本数据；
对样本数据预处理后得到样本集合；
通过改进的差分进化算法对支持向量机算法参数进行组合优化；
基于组合优化后的支持向量机算法，利用样本集合进行模型训练和测试，得到动作识别训练模型；
基于动作识别训练模型对在线动作将数据进行动作类别判断。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.基于改进支持向量机的无线网信号动作识别方法，其特征是，包括：
通过Wi-Fi信号提取出动作变化导致的信道状态信息，得到样本数据；
对样本数据预处理后得到样本集合；
通过改进的差分进化算法对支持向量机算法参数进行组合优化；
基于组合优化后的支持向量机算法，利用样本集合进行模型训练和测试，得到动作识别训练模型；
基于动作识别训练模型对在线动作将数据进行动作类别判断。
2.根据权利要求1所述的基于改进支持向量机的无线网信号动作识别方法，其特征是，对样本数据预处理后得到样本集合，包括：通过巴特沃斯低通滤波结合主成分分析法降噪后，再通过主成分分析法提取特征，形成预处理后的样本集合。
3.根据权利要求1所述的基于改进支持向量机的无线网信号动作识别方法，其特征是，改进的差分进化算法步骤如下：
在解向量取值范围内随机均匀生成多个体组成初始种群；
计算初始种群中每个个体的适应度值后，比较得到适应度最优的个体；
计算初始种群中每个个体对应的缩放算子后，结合个体适应度进行变异操作；
计算初始种群中每个个体对应的交叉概率，结合变异操作后的个体进行交叉操作，获得了一组交叉个体；
将交叉个体与父代种群中对应的个体进行比较，遵照贪婪法则选择适应度好的个体作为子代同一位置上的个体，构成新种群；
计算新种群中个体的适应度值，判断适应度值是否满足终止条件；
响应于适应度值满足终止条件时，输出动作识别训练模型最优参数组合，否则重新计算出每个个体对应的缩放算子，再依次进行变异、交叉和选择操作后重新进行终止条件判断。
4.根据权利要求3所述的基于改进支持向量机的无线网信号动作识别方法，其特征是，初始种群第i个个体组成如下：
Xi＝[xi,1,xi,2,…,xi,n,](i∈1,…,N)
其中，n指的是一个解向量的维数，种群初始化第i个个体的第j维取值如式：
xi,j＝rand(0,1)(Uj-Lj)+Lj(i∈1,…,N，j∈1,…,n)
其中，Lj代表解向量第j维的下界，Uj代表解向量第j维的上界，rand(0，1)指在0和1之间的随机数；
适应度值计算公式如下：
Figure FDA0003463006100000021
其中，f为适应度函数，L是类别数，Y代表此类中的测试样本数，e代表此类中判断错误的个数，i代表个体序号。
5.根据权利要求3所述的基于改进支持向量机的无线网信号动作识别方法，其特征是，缩放算子的计算公式为：
Figure FDA0003463006100000022
Figure FDA0003463006100000023
其中，F为缩放算子，λm是关于当前迭代次数的抛物线函数，βi是关于个体适应度的自适应变化函数，m是当前迭代次数，M是总迭代次数，Fmax和Fmin是设置的缩放算子的上下限，fi是本次迭代中第i个个体的适应度值，fmin和fmax是本次迭代种群中最小和最大的适应度值，fa是fmin和fmax的中间值；
变异操作的公式为：
vi＝λm(xs1+F(xs2-xs3))+(1-λm)(xbest+F(xs4-xs5))
其中，vi是变异得到的新个体，xs1、xs2、xs3、xs4、xs5是上代种群中牵引互不相同的个体，xbest是上代种群中适应度最优的个体。
6.根据权利要求3所述的基于改进支持向量机的无线网信号动作识别方法，其特征是，交叉概率计算公式如下：
CRi＝randn(μCR,0.05)
μCR＝(1-c)μCR+c×mean(S)
Figure FDA0003463006100000031
其中，CRi是第i个个体的交叉概率，c的范围是(0，1)之间的参数，μCR初始值设置为0.5，randn(μCR,0.05)代表数学期望为μCR、标准差为0.05的正态分布函数，mean(S)为集合中数据的Lehmer平均数，CR是交叉概率；
交叉个体分量为：
Figure FDA0003463006100000032
其中randi(1,n)表示1到n中随机选取的整数，Hi,j(m)为交叉个体分量，Vi,j(m)为变异得到的新个体。
7.根据权利要求3所述的基于改进支持向量机的无线网信号动作识别方法，其特征是，选择适应度好的个体作为子代同一位置上的个体的选择生成式为：
Figure FDA0003463006100000041
其中，Xi(m)为子代同一位置上的个体，Xi(m-1)为父代种群中对应的个体，Hi(m)为交叉个体，f(Hi(m))为交叉个体适应度值，f(Xi(m-1))为父代种群中对应的个体适应度值。
8.基于改进支持向量机的无线网信号动作识别系统，其特征是，包括：
采样模块：用于通过Wi-Fi信号提取出动作变化导致的信道状态信息，得到样本数据；
预处理模块：用于对样本数据预处理后得到样本集合；
优化模块：用于通过改进的差分进化算法对支持向量机算法参数进行组合优化；
建模模块：用于基于组合优化后的支持向量机算法，利用样本集合进行模型训练和测试，得到动作识别训练模型；
识别判断模块：用于基于动作识别训练模型对在线动作将数据进行动作类别判断。
9.基于改进支持向量机的无线网信号动作识别装置，其特征是，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1～7任一项所述方法的步骤。
10.计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时实现权利要求1～7任一项所述方法的步骤。
CN202210022587.0A 2022-01-10 2022-01-10 基于改进支持向量机的无线网信号动作识别系统及方法 Pending CN114550283A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210022587.0A CN114550283A (zh) 2022-01-10 2022-01-10 基于改进支持向量机的无线网信号动作识别系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210022587.0A CN114550283A (zh) 2022-01-10 2022-01-10 基于改进支持向量机的无线网信号动作识别系统及方法

Publications (1)

Publication Number Publication Date
CN114550283A true CN114550283A (zh) 2022-05-27

Family

ID=81670001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210022587.0A Pending CN114550283A (zh) 2022-01-10 2022-01-10 基于改进支持向量机的无线网信号动作识别系统及方法

Country Status (1)

Country Link
CN (1) CN114550283A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115426712A (zh) * 2022-08-25 2022-12-02 浙江工业大学 一种基于深度学习的wifi精确鲁棒室内定位方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115426712A (zh) * 2022-08-25 2022-12-02 浙江工业大学 一种基于深度学习的wifi精确鲁棒室内定位方法

Similar Documents

Publication Publication Date Title
CN107103332B (zh) 一种面向大规模数据集的相关向量机分类方法
CN107506799B (zh) 一种基于深度神经网络的开集类别发掘与扩展方法与装置
CN107392919B (zh) 基于自适应遗传算法的灰度阈值获取方法、图像分割方法
CN108090508A (zh) 一种分类训练方法、装置及存储介质
CN111612125B (zh) 一种面向在线学习的新型htm时间池方法及其系统
CN110929848B (zh) 基于多挑战感知学习模型的训练、跟踪方法
CN111414849B (zh) 一种基于演化卷积神经网络的人脸识别方法
CN111355675B (zh) 一种基于生成对抗网络的信道估计增强方法、装置和系统
CN109873779A (zh) 一种基于lstm的分级式无线信号调制类型识别方法
CN111079780A (zh) 空间图卷积网络的训练方法、电子设备及存储介质
CN110309771A (zh) 一种基于gbdt-insgaii的eas声磁系统标签识别算法
CN110110845B (zh) 一种基于并行多级宽度神经网络的学习方法
CN110569883B (zh) 基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法
CN108509996A (zh) 基于Filter和Wrapper选择算法的特征选择方法
CN109214444B (zh) 基于孪生神经网络和gmm的游戏防沉迷判定系统及方法
CN104463221A (zh) 适用于支持向量机训练的不平衡样本加权方法
CN114550283A (zh) 基于改进支持向量机的无线网信号动作识别系统及方法
CN111768761B (zh) 一种语音识别模型的训练方法和装置
CN110378476A (zh) 脉冲卷积神经网络的最大池化层的近似实现方法、系统及介质
CN113963410A (zh) 一种基于改进遗传算法的人脸识别优化方法
Grabner et al. Training sequential on-line boosting classifier for visual tracking
CN113360772A (zh) 一种可解释性推荐模型训练方法与装置
CN111860755A (zh) 基于支持向量机回归的改进粒子群算法
Ou et al. Cascade AdaBoost classifiers with stage optimization for face detection
CN110097173A (zh) 一种提高网络性能和泛化能力的卷积神经网络拓扑结构

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