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。