亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        深度殘差收縮網(wǎng)絡(luò)下的定位與行為聯(lián)合識(shí)別

        2022-11-16 02:24:10歡云南大學(xué)信息學(xué)院昆明650500
        關(guān)鍵詞:識(shí)別率殘差閾值

        張 力,常 俊,武 浩,黃 彬,劉 歡云南大學(xué) 信息學(xué)院,昆明 650500

        在當(dāng)前主流的人體感知研究項(xiàng)目中,主要分為兩部分,一部分是人類行為識(shí)別,另一部分是室內(nèi)定位。在以往傳統(tǒng)的人體感知研究工作中,無論是行為識(shí)別或者室內(nèi)定位,通常依賴于可穿戴傳感器[1]、攝像頭[2]或者一些特定設(shè)備來進(jìn)行,這些系統(tǒng)都存在各自的問題?;诳纱┐鱾鞲衅鞯南到y(tǒng)需要用戶隨身攜帶設(shè)備,會(huì)對(duì)用戶帶來不便,基于攝像頭的系統(tǒng)對(duì)場景中環(huán)境光條件存在一定要求,并且存在泄露個(gè)人隱私的風(fēng)險(xiǎn),而特定設(shè)備則部署復(fù)雜,并且相對(duì)而言成本較高。而近幾年,蓬勃發(fā)展的無線感知技術(shù)已在各個(gè)領(lǐng)域中大放異彩,特別是基于WiFi信道狀態(tài)信息(CSI)的無線感知技術(shù),擁有部署廣泛,成本較低,無需額外設(shè)備,相對(duì)安全等優(yōu)點(diǎn)。因此WiFi 感知在當(dāng)下的新興物聯(lián)網(wǎng)應(yīng)用如智能家居,室內(nèi)導(dǎo)航等人機(jī)交互場景中都具有著廣泛的發(fā)展前景。

        由于在WiFi無線感知中,同一種行為,在不同的地點(diǎn)進(jìn)行,所帶來的意義也各不相同。例如在餐廳坐著和在書桌前坐著,其背后所蘊(yùn)含的信息相差甚大,因此物聯(lián)網(wǎng)時(shí)代新的人機(jī)交互應(yīng)用中也提出了相應(yīng)的要求,不僅要求設(shè)備能對(duì)人體位置進(jìn)行精準(zhǔn)定位,而且也需要對(duì)人類活動(dòng)進(jìn)行準(zhǔn)確識(shí)別。在目前的多數(shù)研究中,僅使用CSI 信息探討同一場景中定位[3]或者行為識(shí)別[4]中的一種。例如Wi-Act[5]探討了人體運(yùn)動(dòng)與CSI中的幅值信息之間的相關(guān)性,進(jìn)而對(duì)不同活動(dòng)進(jìn)行分類。Wang等人在提出的基于CSI直方圖的E-Eyes[6],針對(duì)單一環(huán)境下的動(dòng)作和房間走動(dòng)情況進(jìn)行識(shí)別。Wi-SD[7]探究了將CSI幅度和相位混合起來進(jìn)行行為識(shí)別的方法。CrossSense[8]則使用了遷移學(xué)習(xí)的思想,構(gòu)建了一個(gè)可以容納多個(gè)模型的框架,僅使用較少的數(shù)據(jù)訓(xùn)練,但實(shí)現(xiàn)了高精度的步態(tài)識(shí)別和行為識(shí)別,Widar2.0[9]結(jié)合多個(gè)AoA、ToF、DFS等參數(shù)的優(yōu)化估計(jì),實(shí)現(xiàn)了在二維平面的高精度定位,文獻(xiàn)[10]使用WiFi 指紋構(gòu)建離線數(shù)據(jù)庫,同時(shí)參考節(jié)點(diǎn)的密度關(guān)系對(duì)目標(biāo)定位。目前在基于信號(hào)相關(guān)的多任務(wù)聯(lián)合識(shí)別方面,文獻(xiàn)[11]提出了基于雷達(dá)譜圖進(jìn)行人體動(dòng)作與身份識(shí)別的系統(tǒng),利用雷達(dá)實(shí)現(xiàn)了高精度的多任務(wù)識(shí)別,但易受噪聲影響,噪聲較大時(shí)正確率下降明顯,且使用的CNN結(jié)構(gòu)隨著網(wǎng)絡(luò)深度的增加,存在梯度消失,梯度爆炸等問題;Koike-Akino等人[12]提出了一種利用毫米波的信噪比進(jìn)行定位與方向的聯(lián)合識(shí)別,采用三任務(wù)的分類結(jié)構(gòu)在辦公室內(nèi)達(dá)到了高精度的位置與方向的聯(lián)合識(shí)別,但其對(duì)WiFi 毫米波路由器的擺放位置,以及設(shè)備的硬件要求和數(shù)量均有較高要求。文獻(xiàn)[13]提出了一種可以跟蹤多個(gè)用戶并識(shí)別多個(gè)用戶同時(shí)進(jìn)行的活動(dòng)的系統(tǒng)。在多用戶場景下,該系統(tǒng)可以達(dá)到分米定位精度和92%以上的活動(dòng)識(shí)別精度,但需要對(duì)但它需要對(duì)設(shè)備進(jìn)行修改使信道達(dá)到600 MHz帶寬;文獻(xiàn)[14]提出了一種雙任務(wù)卷積神經(jīng)網(wǎng)絡(luò),創(chuàng)建了位置與手勢的WiFi指紋,進(jìn)行手勢識(shí)別和室內(nèi)定位的聯(lián)合任務(wù),但它使用的設(shè)備為價(jià)格較為高昂的USPR,同時(shí)僅采用簡化后的Resnet網(wǎng)絡(luò)結(jié)構(gòu),沒有考慮到通道間的特征重要程度不一致,混有無關(guān)特征信息,識(shí)別效果下降。

        針對(duì)以上問題,本文設(shè)計(jì)了一種基于深度殘差收縮網(wǎng)絡(luò)在場景中實(shí)現(xiàn)定位與行為聯(lián)合識(shí)別方法。首先對(duì)從WiFi 接收設(shè)備中采集到的原始數(shù)據(jù)進(jìn)行預(yù)處理,消除了CSI 在信道傳播中除人體變化外其他障礙物產(chǎn)生的噪聲和高斯白噪聲,然后通過一維線性插值法對(duì)數(shù)據(jù)進(jìn)行填充,并對(duì)相關(guān)信號(hào)進(jìn)行地點(diǎn)標(biāo)記和行為標(biāo)記,構(gòu)建WiFi 指紋數(shù)據(jù)庫,建立CSI 中信息與位置、信息與行為之間的相關(guān)性,基于深度殘差收縮網(wǎng)絡(luò)構(gòu)建兩條神經(jīng)網(wǎng)絡(luò)分支分別進(jìn)行定位與行為識(shí)別,使用改進(jìn)后的殘差項(xiàng)增強(qiáng)網(wǎng)絡(luò)的表達(dá)能力,使用注意力結(jié)構(gòu)消除無關(guān)特征信息影響,通過兩條分支分別識(shí)別出環(huán)境中的12 個(gè)地點(diǎn)和6種行為。該方法的主要?jiǎng)?chuàng)新點(diǎn)在于:

        相較于使用昂貴的軟件無線電USPR 或者WiFi 毫米波路由器,僅使用兩臺(tái)帶有Intel5300網(wǎng)卡的主機(jī)進(jìn)行CSI數(shù)據(jù)的收集,設(shè)備易于部署且價(jià)格低廉。提出了基于深度殘差收縮網(wǎng)絡(luò)在場景中實(shí)現(xiàn)定位與行為聯(lián)合任務(wù)識(shí)別的方法。使用改進(jìn)后的殘差項(xiàng)在模型中進(jìn)行訓(xùn)練,降低了多層訓(xùn)練過程中的樣本特征損失;通過殘差收縮結(jié)構(gòu)針對(duì)不同的樣本設(shè)定不同的自適應(yīng)閾值,增強(qiáng)與任務(wù)相關(guān)的特征而抑制無關(guān)特征,消除無關(guān)信息影響,并且構(gòu)建兩條神經(jīng)網(wǎng)絡(luò)分支分別進(jìn)行定位與行為識(shí)別,實(shí)現(xiàn)在場景中同時(shí)對(duì)室內(nèi)位置和行為識(shí)別的聯(lián)合感知任務(wù)。引入標(biāo)簽平滑[15](label smoothing)后的交叉熵?fù)p失函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行泛化,提高模型性能。針對(duì)三種場景下的室內(nèi)定位的平均識(shí)別率達(dá)到97.29%,針對(duì)行為識(shí)別的平均識(shí)別率達(dá)到90.02%。

        1 WiFi感知原理

        WiFi 在無線信道傳播CSI 描述了WiFi 設(shè)備從發(fā)送端到接收端之間的變化,包含衰落、反射等對(duì)信號(hào)產(chǎn)生影響的因素,一般地,發(fā)送端信號(hào)X(fi,t)與接收端信號(hào)Y(f,t)之間的關(guān)系可以表示為:

        其中,N(fi,t)表示信道中存在的噪聲,H(fi,t)表示在第i個(gè)子載波在時(shí)間t時(shí),頻率為f的信道頻率狀態(tài)響應(yīng)(CFR),對(duì)CFR 進(jìn)行以O(shè)FDM 子載波頻率為采樣間隔進(jìn)行離散值采樣,得到CSI 數(shù)據(jù)。因此,對(duì)于單根收發(fā)天線,CSI矩陣可以表示為:

        其中,‖H(fi,t) ‖和∠H(fi,t)分別表示子載波的幅值和相位。在MIMO 系統(tǒng)中,給定的30 個(gè)OFDM 子載波在時(shí)間段T內(nèi)接收到的CSI 數(shù)據(jù)包數(shù)量為30×T×NTx×NRx,其中NTx和NRx分別代表發(fā)送端和接收端的天線數(shù)量。

        2 系統(tǒng)設(shè)計(jì)

        本文構(gòu)建了基于深度殘差收縮網(wǎng)絡(luò)的CSI 分類模型,本章將展示系統(tǒng)的總體架構(gòu),如圖1所示,主要包括數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、特征提取、結(jié)果分析四個(gè)部分。首先在兩個(gè)實(shí)驗(yàn)場景中收集CSI原始數(shù)據(jù),再對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,得到標(biāo)注了行為與地點(diǎn)的CSI 數(shù)據(jù)樣本,然后構(gòu)建殘差收縮神經(jīng)網(wǎng)絡(luò)模型,并在訓(xùn)練集上進(jìn)行模型訓(xùn)練和優(yōu)化,最后在測試集上進(jìn)行結(jié)果分析。

        3 CSI預(yù)處理

        3.1 濾波處理

        由于實(shí)驗(yàn)測量得到的數(shù)據(jù)存在環(huán)境噪聲干擾,首先需要進(jìn)行濾波以剔除異常值。Hampel濾波器把任何落在閉區(qū)間[μ-γσ,μ+γσ]之外的點(diǎn)視為異常值并進(jìn)行剔除,其中μ是CSI數(shù)據(jù)的中位數(shù),σ是中值絕對(duì)偏差,γ是與應(yīng)用相關(guān)的參數(shù),在本次濾波中γ=3。

        3.2 PCA降噪

        主成分分析法(PCA)是一種數(shù)據(jù)降維算法,在信號(hào)處理中,PCA能將原信號(hào)分別映射到信號(hào)子空間和噪聲子空間,然后通過提取信號(hào)子空間的特征值用來還原信號(hào)矩陣,重構(gòu)原始數(shù)據(jù),文獻(xiàn)[16]說明了PCA 可以有效去除CSI 數(shù)據(jù)的噪聲,CRAM[17]選擇使用第二主成分和第三主成分,WiAG[18]選擇使用第三主成分,經(jīng)過實(shí)驗(yàn)觀察,本次實(shí)驗(yàn)選擇第二主成分重構(gòu)原始信號(hào)。

        由于本次實(shí)驗(yàn)中,OFDM 子載波數(shù)目為30,設(shè)CSI矩陣為:

        求出協(xié)方差矩陣的特征值和特征向量,采用奇異值分解法求解,求得最大的特征值和特征向量,即包含最大的信息量。

        3.3 線性插值

        由于可能存在丟包和人工誤差等原因,每次測量所得到的數(shù)據(jù)包長度存在區(qū)別,需要對(duì)數(shù)據(jù)包長度進(jìn)行填充,在這里采用一維線性插值法對(duì)數(shù)據(jù)進(jìn)行填充,使每個(gè)CSI數(shù)據(jù)包長度為500。

        4 學(xué)習(xí)模型設(shè)計(jì)

        Zhao 等人基于注意力機(jī)制提出了深度殘差收縮網(wǎng)絡(luò)[19],軟閾值化[20]通常應(yīng)用在信號(hào)降噪領(lǐng)域中,是一種特殊的注意力機(jī)制。原理將輸入信號(hào)數(shù)據(jù)中絕對(duì)值小于閾值的特征全部置為零,同時(shí)絕對(duì)值兩旁的特征也在朝零進(jìn)行“收縮”,設(shè)x為輸入,y為輸出,閾值α為網(wǎng)絡(luò)中自動(dòng)學(xué)習(xí)得到。其中,軟閾值的轉(zhuǎn)化公式為:

        在深度殘差收縮網(wǎng)絡(luò)中,軟閾值化作為非線性變換層加入到殘差學(xué)習(xí)單元中,閾值α在殘差收縮網(wǎng)絡(luò)中通過注意力機(jī)制進(jìn)行自動(dòng)調(diào)整,增強(qiáng)與當(dāng)前任務(wù)有關(guān)的特征而抑制與當(dāng)前任務(wù)無關(guān)的特征。

        本文結(jié)合深度殘差收縮網(wǎng)絡(luò),構(gòu)建了一種能夠同時(shí)對(duì)室內(nèi)位置和人體行為進(jìn)行分類的深度殘差收縮網(wǎng)絡(luò)模型(DRSN),設(shè)計(jì)的網(wǎng)絡(luò)整體結(jié)構(gòu)由三部分組成,特征提取模塊、殘差收縮模塊和分類模塊,圖2 展示了學(xué)習(xí)模型具體示意圖,由3 個(gè)卷積層組成的Conv 層,4 個(gè)[1,1,1,1]結(jié)構(gòu)的RS-block 殘差單元,兩個(gè)分類分支包括1 個(gè)卷積層、SReLU 層、Avgpool 層和全連接層組成。

        4.1 特征提取模塊

        特征提取模塊由三個(gè)卷積核大小為3 的小卷積層(Conv 層)、歸一化層(BN 層),ReLU 層和最大池化層(Maxpooling)組成,與一般的大小為7的大卷積核相比,3個(gè)小卷積核需要的參數(shù)減小,而感受野大小不變,同時(shí)非線性增加,對(duì)于特征的學(xué)習(xí)能力更強(qiáng)。

        4.2 殘差收縮模塊

        殘差收縮模塊是使用ResNetV2[21]架構(gòu)改進(jìn)的殘差收縮網(wǎng)絡(luò)。相對(duì)于文獻(xiàn)[10]所使用的ResNetV1 架構(gòu),ResNetV2將BN層移到了前面且在相加后去掉了ReLU層,這是因?yàn)槭紫仁褂肂N層作為預(yù)激活函數(shù)可以加強(qiáng)對(duì)模型的正則化,同時(shí)如果將ReLU放在殘差分支的最后部分,由于ReLU 函數(shù)的非負(fù)特性,殘差分支的結(jié)果將永遠(yuǎn)非負(fù),在進(jìn)行前向傳播過程的時(shí)候輸入只會(huì)單調(diào)遞增,從而會(huì)影響特征的表達(dá)能力。

        殘差收縮網(wǎng)絡(luò)使用了通道間有著各自獨(dú)立閾值的結(jié)構(gòu),相對(duì)于通道間共享閾值的結(jié)構(gòu),在本次聯(lián)合識(shí)別任務(wù)中正確率更高。

        在閾值學(xué)習(xí)中,首先對(duì)輸入特征圖內(nèi)的所有特征進(jìn)行取絕對(duì)值(absolute value)和全局均值池化(global average pooling,GAP)操作,得到一個(gè)一維向量的特征A,將特征輸入一個(gè)兩層的全連接網(wǎng)絡(luò),其中神經(jīng)元數(shù)等于輸入特征圖的通道數(shù),最后通過一個(gè)Sigmoid 激活函數(shù),將輸出調(diào)整到0和1之間,記為α,其中α有:

        最后閾值學(xué)習(xí)結(jié)果為α′=A×α,閾值始終是正數(shù),并且被保持在一個(gè)合理范圍內(nèi),從而防止輸出特征都是零的情況。輸入經(jīng)過兩層卷積隱藏層后,得到輸出xl+2,在此處進(jìn)行軟閾值化操作,有:

        設(shè)恒等映射連接后的輸出為F(x),最后輸出結(jié)果為F(x)+y。

        x通過RS-block后,得到的輸出為:

        圖3展示了RS-block的具體結(jié)構(gòu)圖。

        4.3 特征分類模塊

        因?yàn)樾枰瑫r(shí)對(duì)位置和行為進(jìn)行分類識(shí)別,因此特征分類模塊擁有兩條分支,兩者都是將經(jīng)過殘差收縮模塊后得到的輸出經(jīng)過卷積層、激活函數(shù)層和自適應(yīng)平均池化層,最后進(jìn)入全連接層進(jìn)行分類,激活函數(shù)為SReLU,可以避免梯度消失和爆炸,將學(xué)習(xí)到的特征數(shù)據(jù)分別映射到12 個(gè)位置和6 種行為,得到位置信息和行為信息。

        5 實(shí)驗(yàn)評(píng)估

        實(shí)驗(yàn)采用配有Intel 5300 網(wǎng)卡的主機(jī)作為收發(fā)端,發(fā)送端網(wǎng)卡配有一根全向天線,接收端網(wǎng)卡配有三根呈均勻線陣排列的全向天線,收發(fā)端均距地45 cm,工作頻率為5.825 GHz,每秒傳輸約1 000 個(gè)數(shù)據(jù)包,在收發(fā)端利用Linux802.11n CSI Tool工具獲取CSI數(shù)據(jù)包。

        為全面評(píng)估分類任務(wù)的性能,實(shí)驗(yàn)場景包括15×10 m2的暗室、8×6 m2的會(huì)議室和3 m 寬的走廊,如圖4所示。暗室周圍部署了大量吸波材料,不僅能最大限度降低外界電磁波信號(hào)的干擾,而且能減少由于墻壁和天花板反射造成的多徑效應(yīng),屬于信號(hào)傳輸理想環(huán)境;會(huì)議室?guī)в凶酪蔚却罅糠瓷湮矬w,模擬現(xiàn)實(shí)中信號(hào)傳輸環(huán)境;走廊內(nèi)較為空曠,但靠近墻壁,墻壁反射造成的多徑效應(yīng)較為顯著。本實(shí)驗(yàn)共邀請(qǐng)了4 名志愿者,包括2 名男生和2 名女生,分別進(jìn)行站起、坐下、跳躍、深蹲、跌倒、撿起共6 種動(dòng)作,數(shù)據(jù)標(biāo)注為1~6,同種動(dòng)作的時(shí)間盡量保持一致,每個(gè)動(dòng)作進(jìn)行5 次,每個(gè)環(huán)境12 個(gè)位置,數(shù)據(jù)標(biāo)注為1~12,三個(gè)環(huán)境共4 320 個(gè)數(shù)據(jù),在剔除異常數(shù)據(jù)后,剩下4 225 個(gè)數(shù)據(jù),其中暗室1 422 個(gè) 數(shù) 據(jù)、會(huì) 議 室1 374 個(gè) 數(shù) 據(jù),走 廊1 429 個(gè) 數(shù)據(jù)。80%的數(shù)據(jù)用作訓(xùn)練集,剩下20%的數(shù)據(jù)用作測試集。

        本文程序均在七彩虹GeForce GTX 1660 SUPER Ultra 6 GB上進(jìn)行,運(yùn)行環(huán)境為Pytorch 1.7.1,每個(gè)Batch包括64 個(gè)樣本數(shù)據(jù),訓(xùn)練100 個(gè)Epoch。采用Adam 優(yōu)化器進(jìn)行訓(xùn)練,初始學(xué)習(xí)率為0.001,每10個(gè)epoch學(xué)習(xí)率下降一半,損失函數(shù)采用標(biāo)簽平滑(label smoothing)后的交叉熵?fù)p失函數(shù),損失函數(shù)在模型反向傳播過程中,更新網(wǎng)絡(luò)參數(shù)。Label Smoothing 學(xué)習(xí)的編碼形式如下所示,其中ε是預(yù)定義好的一個(gè)超參數(shù),本次實(shí)驗(yàn)取值0.1,K是該分類問題的類別個(gè)數(shù):

        實(shí)驗(yàn)具體場景模擬圖如圖4所示。

        5.1 實(shí)驗(yàn)結(jié)果以及性能比較

        圖5顯示了系統(tǒng)在暗室、會(huì)議室和走廊中定位和活動(dòng)識(shí)別中的正確率曲線,在暗室的定位正確識(shí)別率約為98.56%,行為正確識(shí)別率約為91.73%??紤]到多徑效應(yīng)等影響因素,兩種任務(wù)在會(huì)議室和走廊的正確識(shí)別率均有所下降。在會(huì)議室的定位正確識(shí)別率約為96.04%,行為正確識(shí)別率約為88.47%,在走廊的定位正確識(shí)別率約為96.76%,行為正確識(shí)別率約為89.86%。在三種場景下都得到了較高的定位和行為識(shí)別率,因此可以認(rèn)為該模型,能夠有效同時(shí)進(jìn)行目標(biāo)的定位與行為識(shí)別任務(wù)。

        圖6 和圖7 顯示了在暗室、會(huì)議室和走廊中6 種活動(dòng)識(shí)別與12個(gè)位置定位的混淆矩陣,縱軸為真實(shí)標(biāo)簽,橫軸為預(yù)測標(biāo)簽,右側(cè)顏色條數(shù)值的深淺表示正確率的高低變化。從結(jié)果上來看,兩種任務(wù)在暗室中的整體識(shí)別率均優(yōu)于會(huì)議室和走廊,兩種任務(wù)中定位識(shí)別率都優(yōu)于行為識(shí)別率。在行為識(shí)別中,三種場景下深蹲、坐下兩種動(dòng)作識(shí)別率相對(duì)較低,容易混淆,主要原因應(yīng)為兩者的運(yùn)動(dòng)方向主要集中在垂直向下方向上,持續(xù)時(shí)間接近,存在相似性,影響了分類效果。在定位識(shí)別中,在兩者相近的位置例如左右或前后容易發(fā)生誤判,但定位總體識(shí)別率較高,較少發(fā)生誤判現(xiàn)象。

        5.2 對(duì)比分析

        5.2.1 方法對(duì)比

        實(shí)驗(yàn)選擇ResNet-50、DensetNet-121、MobileNet V2和ShuffleNet V2神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)對(duì)比。使用暗室數(shù)據(jù),每種方法進(jìn)行10 次實(shí)驗(yàn)并統(tǒng)計(jì)兩種任務(wù)的平均準(zhǔn)確識(shí)別率,結(jié)果如圖8 所示,各種網(wǎng)絡(luò)的算法復(fù)雜度結(jié)果如表1 所示,其中行為識(shí)別損失函數(shù)曲線如圖9 所示,其中ResNet-50 僅使用了普通殘差單元進(jìn)行分類。DensetNet-121[22]是一種具有密集連接的卷積神經(jīng)網(wǎng)絡(luò),每層輸出都來自于前面所有層輸出,使用的密集連接結(jié)構(gòu)在一定程度上減少了參數(shù)量和浮點(diǎn)運(yùn)算。MobileNet V2[23]和ShuffleNet V2[24]均為輕量級(jí)神經(jīng)網(wǎng)絡(luò),MobileNet V2 隱藏層節(jié)點(diǎn)設(shè)置為[64,16,24,32,64,96,160,320,512],ShuffleNet V為[128,256,512,1 024,512]。DRSN由于采用了殘差收縮單元,通過軟閾值化增強(qiáng)與當(dāng)前任務(wù)有關(guān)的特征而抑制與當(dāng)前任務(wù)無關(guān)的特征,同時(shí)與兩個(gè)輕量級(jí)網(wǎng)絡(luò)相比在網(wǎng)絡(luò)開銷增加較少,從而無論是活動(dòng)識(shí)別或者是定位識(shí)別正確率較其他模型均有所提高。綜上所述,基于DRSN的識(shí)別分類方法能在本次分類任務(wù)中取得了最優(yōu)檢測效果。

        表1 開銷對(duì)比Table 1 Comparison of expenses

        5.2.2 優(yōu)化器對(duì)比

        本文對(duì)各類優(yōu)化器進(jìn)行了性能驗(yàn)證,分別針對(duì)Adam、AdamW、SGD、Nesterov、Adagrad、RMSprop 等優(yōu)化器進(jìn)行了實(shí)驗(yàn),如表2。默認(rèn)模型為DRSN,學(xué)習(xí)率均為0.001,其他參數(shù)均為默認(rèn)。Adam優(yōu)化器吸取了動(dòng)量法和RMSprop的優(yōu)點(diǎn),不僅使用動(dòng)量作為參數(shù)更新方向,而且可以自適應(yīng)調(diào)整學(xué)習(xí)率,而AdamW 則是在Adam的基礎(chǔ)上將權(quán)重衰減與學(xué)習(xí)率解耦改進(jìn)得來。經(jīng)過實(shí)驗(yàn)對(duì)比,優(yōu)化器的區(qū)別主要體現(xiàn)在活動(dòng)識(shí)別率方面,Adam 取得了最優(yōu)效果,而AdamW 與Adam 效果差距不大。

        表2 優(yōu)化器對(duì)比Table 2 Comparison of optimizers單位:%

        5.2.3 發(fā)包率對(duì)比

        除了對(duì)本文模型的性能進(jìn)行驗(yàn)證,本文還驗(yàn)證了CSI 發(fā)包率對(duì)同一場景下模型的性能影響。在實(shí)驗(yàn)場景中修改了每秒的發(fā)包個(gè)數(shù),依次是每秒50、100、500、1 000、2 000 個(gè)包,實(shí)驗(yàn)結(jié)果如圖10 所示,隨著CSI 發(fā)包率的提高,模型檢測性能有所上升,但隨著發(fā)包率達(dá)到每秒2 000個(gè)包時(shí),識(shí)別率反而略微下降,可能的原因是CSI數(shù)據(jù)包在高速率傳輸過程中產(chǎn)生了丟包現(xiàn)象,造成部分有效信息的丟失,最終導(dǎo)致識(shí)別率下降。

        6 總結(jié)與展望

        本文提出了一種基于深度殘差收縮網(wǎng)絡(luò)的CSI 定位與行為聯(lián)合識(shí)別方法。本文利用商用WiFi設(shè)備在兩種室內(nèi)場景(暗室和會(huì)議室)下進(jìn)行評(píng)估,首先將接收到的CSI原始信息進(jìn)行預(yù)處理并進(jìn)行標(biāo)簽標(biāo)注,然后構(gòu)建帶有軟閾值學(xué)習(xí)分支的深度殘差收縮網(wǎng)絡(luò),通過閾值學(xué)習(xí)與軟閾值化增強(qiáng)與聯(lián)合識(shí)別任務(wù)相關(guān)的特征而抑制無關(guān)特征,最后通過兩條特征分類分支,實(shí)現(xiàn)了6 種動(dòng)作在12 個(gè)位置上的聯(lián)合識(shí)別任務(wù)。實(shí)驗(yàn)結(jié)果表明,本文模型在定位與行為聯(lián)合識(shí)別任務(wù)性能上較其他模型有所提升,能夠?qū)崿F(xiàn)較高的準(zhǔn)確識(shí)別率。

        本文不足之處在于更換復(fù)雜場景后,聯(lián)合識(shí)別任務(wù)的準(zhǔn)確率會(huì)有一定程度的下降,因此探究如何提取出與場景無關(guān)的特征信息,提高識(shí)別的準(zhǔn)確率是將是未來的重點(diǎn)研究方向。

        猜你喜歡
        識(shí)別率殘差閾值
        基于雙向GRU與殘差擬合的車輛跟馳建模
        基于殘差學(xué)習(xí)的自適應(yīng)無人機(jī)目標(biāo)跟蹤算法
        基于類圖像處理與向量化的大數(shù)據(jù)腳本攻擊智能檢測
        小波閾值去噪在深小孔鉆削聲發(fā)射信號(hào)處理中的應(yīng)用
        基于遞歸殘差網(wǎng)絡(luò)的圖像超分辨率重建
        基于真耳分析的助聽器配戴者言語可懂度指數(shù)與言語識(shí)別率的關(guān)系
        基于自適應(yīng)閾值和連通域的隧道裂縫提取
        提升高速公路MTC二次抓拍車牌識(shí)別率方案研究
        比值遙感蝕變信息提取及閾值確定(插圖)
        河北遙感(2017年2期)2017-08-07 14:49:00
        室內(nèi)表面平均氡析出率閾值探討
        久久这里都是精品99| 高清无码精品一区二区三区| 国产精品国产三级国产an| 国产高清女主播在线观看| 国产成人亚洲综合| 国产精品美女一区二区三区 | 日韩无码电影| 亚洲精品国产av成拍色拍 | 国产好大好硬好爽免费不卡| 国产三级在线视频播放| 日韩精品极品视频在线观看蜜桃| 日本一区二区视频在线| 欧美又大又色又爽aaaa片| 欧美国产亚洲日韩在线二区| 亚洲一区二区三区品视频| 蜜臀av毛片一区二区三区| 99国产精品无码| 亚洲AⅤ永久无码精品AA| 日本中文字幕人妻精品| 性高朝久久久久久久3小时| 欧美尺寸又黑又粗又长| 国产欧美日本亚洲精品一4区| 国产熟女自拍av网站| 亚洲日韩国产一区二区三区| 暖暖免费 高清 日本社区在线观看| 视频一区视频二区亚洲免费观看| 伊人久久大香线蕉av色婷婷色| 在线观看热码亚洲av每日更新| 人妻熟妇乱系列| 少妇高潮呻吟求饶视频网站| 中文字幕有码无码人妻av蜜桃 | 亚洲欧美成人久久综合中文网| 黄色国产精品福利刺激午夜片| 亚洲成av人片在www| 澳门精品无码一区二区三区| 色婷婷精久久品蜜臀av蜜桃| 日本伊人精品一区二区三区| 国产手机在线αⅴ片无码观看| caoporon国产超碰公开| 青青草视频网站在线观看| 午夜毛片不卡免费观看视频|