一种无线行为感知模型跨场景预选择方法技术

一种无线行为感知模型跨场景预选择方法，适用于使用微调方法进行无线行为感知模型跨场景迁移之前，选择合适的预训练模型，从而实现更高性能的跨场景无线行为感知。其步骤为：对采集到的源场景和即将适配的目标场景CSI数据集进行预处理；使用DBA算法对各数据集进行压缩合并；在数据集合并结果上使用DTW算法，计算目标场景数据集和各个待挑选源模型数据集之间的DTW距离，挑选出最佳推荐源模型M

【技术实现步骤摘要】
一种无线行为感知模型跨场景预选择方法


[0001]本专利技术涉及计算机
，具体涉及一种无线行为感知模型跨场景预选择方法。

技术介绍

[0002]目前，行为识别技术已广泛应用于生产和生活的各个领域。为了使计算机识别人的活动，实现人机交互，异常行为报警等，对人的行为识别的研究具有重要意义。由于WiFi路由器的大量部署，研究人员已开始将商用WiFi用作传感器并开发了许多行为识别程序，其主要是利用WiFi无线信号的接收信号强度指示器(RSSI)和信道状态信息(CSI)进行模型训练实现的。
[0003]WiFi行为识别正在逐步改变我们的生活，目前研究人员构建的大多数识别方法是针对WiFi信号进行预处理，然后使用各种机器学习方法来构建模型或指纹。但是由于WiFi信号与环境的高度相关，因此通过各种机器学习方法得到的模型或指纹既包括与行为识别有关的部分，还包括许多环境因素引起的干扰。也就是说，在实际过程中，使用当前方法在场景A中训练识别模型，则只能在场景A中使用。如果在B场景中强行使用该模型，则识别精度会迅速下降，无法正常使用。
[0004]目前，研究人员正在对跨场景识别这一课题进行研究。部分研究人员发现使用迁移学习中的微调是解决跨场景识别的一种方法。微调方法可以将场景A中训练的识别源模型M
S
成功的适配新场景B。在这个过程中，模型可以保持甚至提高准确率。与从零训练相比，迁移训练所需的模型训练时间和计算资源更少。
[0005]使用微调方法进行迁移学习的主要挑战之一是选择合适的源模型M<br/>S
。有研究人员曾证明如果训练数据集之间的边际分布差距较大，则使用微调方法将不会产生最佳性能。直观上的感受来说就是，在使用微调方法进行迁移学习时会出现准确度下降、训练时间较长、甚至无法收敛等情况。在现实使用过程中，可能同时拥有多个已经训练好的识别模型，为了更好的选择源模型M
S
，需要探索一种预先选择预训练模型的方法。

技术实现思路

[0006]本专利技术提供了一种无线行为感知模型跨场景预选择方法，以在进行WiFi识别模型微调迁移前提出源模型选择的指导性意见。
[0007]一种无线行为感知模型跨场景预选择方法，包括以下步骤：
[0008]S1、对源场景和即将适配的目标场景CSI数据集进行预处理；
[0009]S2、使用DTW重心平均算法DBA对步骤S1处理过的数据集进行压缩合并；
[0010]S3、在步骤S2得到的合并结果上使用动态时间规整算法DTW，计算目标场景数据集和各个待挑选源模型数据集之间的DTW距离；
[0011]S4、使用步骤S3计算得到的DTW距离为依据，挑选出最佳推荐源模型M
S
；
[0012]S5、根据步骤S4挑选出的最佳推荐源模型M
S
建立新模型并载入权重参数，将目标
场景CSI数据集输入该模型进行微调，得到目标场景动作识别模型M
t
，完成模型选择。
[0013]进一步地，步骤S1具体为：在使用微调方法适配CSI识别模型至新场景之前，收集目标场景CSI训练数据集D
t
，以及各个待挑选源模型训练时使用的CSI数据集D
S1
，D
S2
，...，D
SN
；其中，N为待挑选的源模型数量，数据集D
t
和数据集D
S1
，D
S2
，...，D
SN
可具体表示为其中n表示样本X中采集时间点的数量，l是样本X中子载波的数量，x
ji
是样本X中第j个子载波的第i个时间点的CSI值；之后，根据数据集中序列的实际质量，对各个收集到的数据集D
t
，D
S1
，D
S2
，...，D
SN
进行如滤波、归一化的预处理，然后进行重采样处理，以统一所有序列长度。
[0014]进一步地，步骤S2具体为：将目标场景训练集D
t
和各待挑选源模型训练数据集D
S1
，D
S2
，...，D
SN
分别输入DBA算法中进行时间序列合并；经过算法计算后，每个数据集合并为一条时间序列，共得到1+N条合并结果，将D
t
的合并结果称为S
t
，D
51
，D
S2
，...，D
SN
的合并结果称为S
S1
，S
S2
，...，S
SN
。
[0015]进一步地，步骤S3具体为：使用步骤S2输出的S
t
序列作为DTW算法的第一个输入，依次使用步骤S2输出S
S1
，S
S2
，...，S
SN
作为DTW算法的第二个输入，使用DTW算法进行N次距离计算，在计算N次之后，得到N个DTW距离值DTW1，DTW2，...，DTW
N
，代表S
t
与S
S1
，S
S2
，...，S
SN
之间的距离。
[0016]进一步地，步骤S4具体为：将步骤S3中得到的N个DTW距离值DTW1，DTW2，...，DTW
N
进行对比，找出最小值DTW
min
；DTW
min
所对应的数据集即是离目标场景数据集最近的源场景数据集D
min
，其对应的待挑选源模型为最佳推荐源模型M
S
。
[0017]进一步地，步骤S5具体为：重新建立一个与步骤S4中最佳源模型M
S
相同结构的模型，将M
S
的权值载入新模型；对新模型设置较低学习率，输入步骤S1中收集到的目标环境CSI训练集D
t
对整个网络进行微调适配，经过多次迭代轮次后，训练结束，新模型便在目标环境中使用。
[0018]本专利技术的有益效果是：
[0019](1)采用DBA方法压缩数据集，将一个数据集内的多条时间序列数据进行合并，进一步减少了后续DTW方法的计算量，大幅度加快了DTW步骤的计算速度。
[0020](2)采用DTW方法计算目标数据集和各源模型训练数据集之间的DTW距离，可以评估出各数据集之间的相似度。
[0021](3)使用DTW方法计算出的相似度对微调之前的源模型选择给出指导性意见。根据实验结果，此方法对源模型的选择有一定的指导意义，可以使得挑选出的源模型在训练过程中更容易发生正迁移，减少训练时间，提高迁移后的模型准确度。
附图说明
[0022]图1是本专利技术实施例中所述无线行为感知模型跨场景预选择方法的流程图。
具体实施方式
[0023]下面结合说明书附图对本专利技术的技术方案做进一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无线行为感知模型跨场景预选择方法，其特征在于：所述方法包括以下步骤：S1、对源场景和即将适配的目标场景CSI数据集进行预处理；S2、使用DTW重心平均算法DBA对步骤S1处理过的数据集进行压缩合并；S3、在步骤S2得到的合并结果上使用动态时间规整算法DTW，计算目标场景数据集和各个待挑选源模型数据集之间的DTW距离；S4、使用步骤S3计算得到的DTW距离为依据，挑选出最佳推荐源模型M
S
；S5、根据步骤S4挑选出的最佳推荐源模型M
S
建立新模型并载入权重参数，将目标场景CSI数据集输入该模型进行微调，得到目标场景动作识别模型M
t
，完成模型选择。2.根据权利要求1所述的一种无线行为感知模型跨场景预选择方法，其特征在于：步骤S1具体为：在使用微调方法适配CSI识别模型至新场景之前，收集目标场景CSI训练数据集D
t
，以及各个待挑选源模型训练时使用的CSI数据集D
S1
，D
S2
，...，D
SN
；其中，N为待挑选的源模型数量，数据集D
t
和数据集D
S1
，D
S2
，...，D
SN
可具体表示为其中n表示样本X中采集时间点的数量，l是样本X中子载波的数量，x
ji
是样本X中第j个子载波的第i个时间点的CSI值；之后，根据数据集中序列的实际质量，对各个收集到的数据集D
t
，D
S1
，D
S2
，...，D
SN
进行如滤波、归一化的预处理，然后进行重采样处理，以统一所有序列长度。3.根据权利要求1所述的一种无线行为感知模型跨场景预选择方法，其特征在于：步骤S2具体为：将目标场景训练集D
t
和各待挑选源模型训练数据集D
S1
，D
S2
，...，D
SN
分别输入DBA算法中...

【专利技术属性】
技术研发人员：肖甫，盛碧云，周剑，周颖，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：