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方案

本发明专利技术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

【技术实现步骤摘要】
基于改进支持向量机的无线网信号动作识别系统及方法


[0001]本专利技术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


技术介绍

[0002]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。
[0003]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：
[0004]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。

技术实现思路

[0005]本专利技术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。
[0006]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0007]第一方面，本专利技术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：
[0008]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；
[0009]对样本数据预处理后得到样本集合；
[0010]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；
[0011]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；
[0012]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。
[0013]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。
[0014]进一步的，改进的差分进化算法步骤如下：
[0015]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；
[0016]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；
[0017]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；
[0018]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；
[0019]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；
[0020]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；
[0021]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。
[0022]进一步的，初始种群第i个个体组成如下：
[0023]X
i
＝[x
i,1
,x
i,2
,
…
,x
i,n
,](i∈1,
…
,N)
[0024]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：
[0025]x
i,j
＝rand(0,1)(U
j
‑
L
j
)+L
j
(i∈1,
…
,N，j∈1,
…
,n)
[0026]其中，L
j
代表解向量第j维的下界，U
j
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；
[0027]适应度值计算公式如下：
[0028][0029]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。
[0030]进一步的，缩放算子的计算公式为：
[0031][0032][0033]其中，F为缩放算子，λ
m
是关于当前迭代次数的抛物线函数，β
i
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，F
max
和F
min
是设置的缩放算子的上下限，f
i
是本次迭代中第i个个体的适应度值，f
min
和f
max
是本次迭代种群中最小和最大的适应度值，f
a
是f
min
和f
max
的中间值；
[0034]变异操作的公式为：
[0035]v
i
＝λ
m
(x
s1
+F(x
s2
‑
x
s3
))+(1
‑
λ
m
)(x
best
+F(x
s4
‑
x
s5
))
[0036]其中，v
i
是变异得到的新个体，x
s1
、x
s2
、x
s3
、x
s4
、x
s5
是上代种群中牵引互不相同的个
体，x
best
是上代种群中适应度最优的个体。
[0037]进一步的，交叉概率计算公式如下：
[0038]CR
i
＝randn(μ
CR
,0.05)
[0039]μ
CR
＝(1
‑
c)μ
CR
+c
×
mean(S)...

【技术保护点】

【技术特征摘要】
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：X
i
＝[x
i,1
,x
i,2
,
…
,x
i,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：x
i,j
＝rand(0,1)(U
j
‑
L
j
)+L
j
(i∈1,
…
,N，j∈1,
…
,n)其中，L
j
代表解向量第j维的下界，U
j
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：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：
其中，F为缩放算子，λ
m
是关于当前迭代次数的抛物线函数，β
i
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，F
max
和F
min
是设置的缩放算子的上下限，f
i
是本次迭代中第i个个体的适应度值，f
min
和f
max
是本次迭代种群中最小和最大的适应度值，f
a
是f
min
和f
max
的中间值；变异...

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