基于深度非负矩阵分解的制造技术

本发明专利技术公开了基于深度非负矩阵分解的

【技术实现步骤摘要】
基于深度非负矩阵分解的CSI动作识别方法及系统


[0001]本专利技术涉及人体动作识别
，尤其涉及基于深度非负矩阵分解的
CSI
动作识别方法及系统
。

技术介绍

[0002]人体动作识别的目的在于，在成功实现动作跟踪
、
特征提取的基础上，通过分析获得的人体动作特征参数，自动识别人体动作类型；现有的采用信道状态信息
(CSI)
识别动作的系统，大都分为两种，一种是采用传统的机器学习方法，通过手动提取数据的特征，对数据进行各种各样的处理，然后将提取的特征，采用支持向量机
(support vector machine
，
SVM)、K
最近邻
(k
‑
Nearest Neighbor
，
KNN)
和随机森林等方法处理提取到的特征，最后进行动作分类；另一种是采用现有的深度学习技术，对原始数据做比较少的处理，大多采用现代的神经网络：多层感知机
(Multiple Layers Machine
，
MLP)
卷积神经网络
(Convolution Neural Network
，
CNN)、
循环神经网络
(Recurrent Neural Network,RNN)
等网络，让网络自身去提取数据的特征，对动作进行分类；
[0003]但是，传统的机器学习方法，分类效果的好坏很大程度上取决于工作者的经验，对特征提取算法方法的设计需要比较多的经验，对很多从事本方面的研究者或者工作者带来了许多的难度，而且随着现在的深度学习的发展，传统机器学习方法逊色于深度学习方法在各种任务上的性能，但是如今针对
CSI
动作识别系统所提出的深度学习方法也存在很多的问题，例如采用
CNN
算法，
CNN
的感受野
(Receptive Field)
是取决于设计者对卷积核设计的大小，来找到局部的特征，但是很难关注到全局的特征；采用
RNN
网络，例如典型的长短期记忆网络
(Long Short
‑
Term Memory
，
LSTM)
来设计的系统，也是有着很难关注到全局特征的问题，如果一个动作持续的时间比较长，其动作发生时在每个时间点的关联性很大，
LSTM
容易丢失前面时间点上读到的信息，容易造成信息丢失，从而造成动作的识别错误
。

技术实现思路

[0004]为了解决上述技术问题，本专利技术的目的是提供基于深度非负矩阵分解的
CSI
动作识别方法及系统，通过深度非负矩阵分解方法与自注意力机制分类器的结合从而实现有效的捕捉
CSI
信号数据全局特征，提高分类的精度
。
[0005]本专利技术所采用的第一技术方案是：基于深度非负矩阵分解的
CSI
动作识别方法，包括以下步骤：
[0006]采集
CSI
信号数据并对所述
CSI
信号数据进行子载波振幅计算处理，得到
CSI
的子载波振幅；
[0007]通过深度非负矩阵分解方法对所述
CSI
的子载波振幅进行特征提取处理，得到低维特征系数矩阵；
[0008]引入位置编码，通过自注意力机制分类器对所述低维特征系数矩阵进行分类处理，得到
CSI
信号数据分类结果
。
[0009]进一步，所述采集
CSI
信号数据并对所述
CSI
信号数据进行子载波振幅计算处理，得到
CSI
的子载波振幅这一步骤，其具体包括：
[0010]通过蓝牙模块获取
CSI
信号数据；
[0011]基于所述
CSI
信号数据，提取所述
CSI
信号数据中每个子载波在时间上的值，得到
CSI
的子载波复数值；
[0012]对所述
CSI
的子载波复数值的实部与虚部依次进行平方相加开根计算处理，得到初步的
CSI
的子载波振幅；
[0013]对所述初步的
CSI
的子载波振幅进行归一化处理，得到
CSI
的子载波振幅
。
[0014]进一步，所述通过深度非负矩阵分解方法对所述
CSI
的子载波振幅进行特征提取处理，得到低维特征系数矩阵这一步骤，其具体包括：
[0015]设置所述深度非负矩阵分解方法中
NMF
的层数；
[0016]基于所述深度非负矩阵分解方法对所述
CSI
的子载波振幅进行一次
NMF
分解处理，得到第一次分解的特征矩阵和第一系数矩阵；
[0017]基于所述深度非负矩阵分解方法对所述第一系数矩阵进行二次
NMF
分解处理，得到第二次分解的特征矩阵和第二系数矩阵；
[0018]对所述第二系数矩阵进行上述
NMF
分解处理，直至所述
NMF
分解的次数达到所述
NMF
的层数，停止
NMF
分解；
[0019]根据每一次
NMF
分解对应的特征矩阵和最后一次
NMF
分解对应的系数矩阵，构建所述低维特征系数矩阵
。
[0020]进一步，所述低维特征系数矩阵包括若干个特征矩阵和一个系数矩阵，其表达式为：
[0021]X≈W1W2W3...W
n
H
n
[0022]上式中，
W1W2W3...W
n
表示第
n
层分解的特征矩阵，
H
n
表示第
n
层分解的系数矩阵，
X
表示低维特征系数矩阵
。
[0023]进一步，所述深度非负矩阵分解方法中
NMF
的层数为三层，其中：
[0024]基于第一层
NMF
，用于获取每个时间点上多个
CSI
的子载波之间的关系；
[0025]基于第二层
NMF
，用于根据所述每个时间点上多个
CSI
的子载波之间的关系进行抽象特征提取；
[0026]基于第三层
NMF
，用于对所述抽象特征进行数据降维处理
。
[0027]进一步，所述引入位置编码，通过自注意力机制分类器对所述低维特征系数矩阵进行分类处理，得到
CSI
信号数据分类结果这一步骤，其具体包括：
[0028]引入位置编码，将所述位置编码与所述低本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于深度非负矩阵分解的
CSI
动作识别方法，其特征在于，包括以下步骤：采集
CSI
信号数据并对所述
CSI
信号数据进行子载波振幅计算处理，得到
CSI
的子载波振幅；通过深度非负矩阵分解方法对所述
CSI
的子载波振幅进行特征提取处理，得到低维特征系数矩阵；引入位置编码，通过自注意力机制分类器对所述低维特征系数矩阵进行分类处理，得到
CSI
信号数据分类结果
。2.
根据权利要求1所述基于深度非负矩阵分解的
CSI
动作识别方法，其特征在于，所述采集
CSI
信号数据并对所述
CSI
信号数据进行子载波振幅计算处理，得到
CSI
的子载波振幅这一步骤，其具体包括：通过蓝牙模块获取
CSI
信号数据；基于所述
CSI
信号数据，提取所述
CSI
信号数据中每个子载波在时间上的值，得到
CSI
的子载波复数值；对所述
CSI
的子载波复数值的实部与虚部依次进行平方相加开根计算处理，得到初步的
CSI
的子载波振幅；对所述初步的
CSI
的子载波振幅进行归一化处理，得到
CSI
的子载波振幅
。3.
根据权利要求2所述基于深度非负矩阵分解的
CSI
动作识别方法，其特征在于，所述通过深度非负矩阵分解方法对所述
CSI
的子载波振幅进行特征提取处理，得到低维特征系数矩阵这一步骤，其具体包括：设置所述深度非负矩阵分解方法中
NMF
的层数；基于所述深度非负矩阵分解方法对所述
CSI
的子载波振幅进行一次
NMF
分解处理，得到第一次分解的特征矩阵和第一系数矩阵；基于所述深度非负矩阵分解方法对所述第一系数矩阵进行二次
NMF
分解处理，得到第二次分解的特征矩阵和第二系数矩阵；对所述第二系数矩阵进行上述
NMF
分解处理，直至所述
NMF
分解的次数达到所述
NMF
的层数，停止
NMF
分解；根据每一次
NMF
分解对应的特征矩阵和最后一次
NMF
分解对应的系数矩阵，构建所述低维特征系数矩阵
。4.
根据权利要求3所述基于深度非负矩阵分解的
CSI
动作识别方法，其特征在于，所述低维特征系数矩阵包括若干个特征矩阵和一个系数矩阵，其表达式为：
X≈W1W2W3...W
n
H
n
上式中，
W1W2W3...W
n
表示第
n
层分解的特征矩阵，
H
n
表示第
n
层分解的系数矩阵，
X
表示低维特征系数矩阵
。5.
根据权利要求3所述基于深度非负矩阵分解的
CSI
动作识别方法，其特征在于，所述深度非负矩阵分解方法中
NMF
的层数为三层，其中：基于第一层
NMF
，用于获取每个时间点上多个
CSI
的子载波之间的关系；基于第二层
NMF
，用于根据所述每个时间点上多个
CSI
的子载波之间的关系进行抽象特征提取；基于第三层
NMF
，用于对所述抽象特征进行数据降维处理
。
6.
根据权利要求1所述基于深度非负矩阵分解的
CSI
动作识别方法，其特征在于，所述引入位置编码，通过自注意力机制分类器对所述低维特征系数矩阵进行分类处理，得到
...

【专利技术属性】
技术研发人员：赵毓斌，陈卓龙，
申请(专利权)人：中山大学，
类型：发明
国别省市：