【技术实现步骤摘要】
本专利技术涉及智能无线感知，具体为基于gcl-peephole的车联网智能无线感知算法。
技术介绍
1、随着技术的进步和人民生活水平的提高，私家车的数量变得越来越多，道路上的车辆也与日俱增，为了提供更加高效的交通运输系统管理，使用人工智能的车联网技术日益兴起与发展。如图1所示，道路交通系统中的众多车辆与周围环境中的基站等通信设备以及太空中的通信卫星相互连接，形成了具有广泛覆盖面积的车联网通信系统。车联网可以将车辆在行驶过程中的环境信息通过网络与智能信息处理系统相连，进而实现各种各样的自动化智能服务。其无线感知是一种利用泛在无线射频电波来实现感知的技术，车联网用户可以通过部署在周围交通环境以及车辆中的基站和wifi终端来收集无线信号数据，利用无线感知技术来判断车辆前方或者后方是否存在障碍物，从而实现对行驶环境的智能感知。同时，车联网用户也可以通过对手势类型的识别，来智能化地控制车门、车窗、车灯的开启与关闭。
2、可见无线感知技术已经得到了广泛研究与发展，使得人类突破了传感器方法的局限，可以实现更广范围、成本更低、更加便捷高效的车联网环境感知任务。wifi无线网络通信、物联网、大数据以及人工智能技术的成熟与普遍应用，促进了无线感知技术在车联网领域的飞速发展。近年来，深度学习在无线通信中得到了广泛应用，进一步促进了智能无线感知的发展。
3、然而，虽然智能无线感知领域取得了一些较为成熟的成果，但是仍旧面临以下挑战：识别模型粗陋，缺乏在无线信号特征空间对被感知体活动的精细建模；有效特征湮没，信号特征与背景环境相关，
技术实现思路
1、本专利技术的目的在于提供一种基于gcl-peephole的车联网智能无线感知算法，该算法改进了长短时记忆模块（long short term memory），将幻影卷积（ghostconvolution）操作融入其中，形成ghostconvlstm模块，同时采用lstm的变体结构peephole，这使网络模型具有更加强大的空间特征提取和学习的能力，提高了智能无线感知算法的识别准确率。
2、为实现上述目的，本专利技术提供如下技术方案：本专利技术提供的基于gcl-peephole的车联网智能无线感知算法，包括以下步骤：
3、s1车联网智能无线系统的设备端感知无线信号，并收集无线感知信号数据；
4、s2计算无线信号手势识别的高阶bvp特征数据集；
5、s3构建数据的标准化和归一化划分训练集和测试集；
6、s4构建gcl-peephole无线感知算法模型，具体包括：
7、 s4.1增强空间特征提取模块；
8、s4.2两层的全连接层构成线性变换模块；
9、s4.3增强时间特征提取模块；
10、s4.4分类结果输出模块。
11、优选的，s1步骤具体为：
12、使用部署在周围被感知环境车联网智能无线系统中的无线网卡采集无线csi数据，其所述车联网智能无线系统的感知过程为：wifi等设备的发射端信号为，接收端信号表示为：
13、 （1）；
14、表示在时间t下测量的载波频率为f的csi，它是一个复值；用表示第k条路径衰减和初始相位偏移时；表示第k条路径上收发机之间载波频率差为造成的相位偏移，则表示为：
15、 （2）；
16、wifi传播信号由静态和动态两部分组成，其中静态部分和人体运动无关，动态部分随着人体运动而发生变化；静态部分和动态部分的csi表示为：
17、 （3）；
18、其中，和分别表示静态和动态部分，m和n分别对应静态路径和动态路径的个数；
19、当人体在车联网无线网络信号区域内活动时，信号传播碰到人体时，会改变信号的传播方向，其信道的csi就会发生变化，通过接收和分析此时信号传播的不同状态以及csi的变化，从中提取特征，可以实现人体不同行为的分类及判别。
20、优选的，s2步骤具体为：
21、输入：无线信号手势识别的高阶bvp特征数据集；
22、特征数据：；
23、标签数据：；
24、输出：手势类型识别结果；
25、。
26、优选的，s3步骤具体为：
27、使用开源数据集widar3.0来进行实验，并对数据集的归一化操作以通道数为基准，对每一通道下的二维张量做最大最小归一化，选取n条样本数据构成数据集时，将其表示为，那么归一化数据集表示为：
28、 （4）；
29、其中，指的是第i个bvp张量在第k个通道的特征数据；归一化之后的数据集表示：
30、（5）；
31、其中，，分别表示第i个样本的通道数与在通道维度上的拼接操作；标准化之后的数据集表示：
32、。
33、优选的，s4步骤具体为：
34、该模型融合了残差幻影卷积(residual ghost convolution)、卷积长短时(convolutional lstm)和peephole模块来提升感知识别的准确率，其中幻影卷积替换掉lstm中的门控线性单元，进一步增强特征提取和学习的能力，能够提取特征图的更深层次特征。
35、优选的，s4.1步骤具体为：
36、该模块由初始二维卷积、融合幻影卷积的lstm模块以及平均池化所共同组成；
37、初始二维卷积操作计算如下：
38、初始卷积层采用时序方式处理数据，输入样本数据的每一个通道都会作为一个时间步的数据，每个时间步的数据都会被单独使用相同的卷积层进行特征提取，不同时间步所使用的卷积核参数是完全相同的；3000组样本数据在进行完标准化和归一化的处理之后，每个数据样本都变为28×1×20×20大小的张量，其中最高维度作为时间步的输入；每一个时间步的初始张量大小为1×20×20，在经过卷积核为5×5，步长为1的卷积层之后，输出大小为16×16×16的张量，全部时间步的输出重新拼接为28×16×16×16的张量；
39、（6）；
40、其中，conv_out为卷积层部分的输出，conv_ini是第i个时间步的输入，conv_w是卷积核的权重矩阵，conv_bias为卷积层的偏置向量，是卷积操作，leakyrelu为激活函数，concat将所有时间步卷积操作的输出结果进行拼接，作为卷积层的最终输出；
41、以上的卷积层部分的空间特征提取工作主要由ghostconvlstm模块来完成，该模块主要由对lstm网络的改进ghostconvlstm记忆单元所构成；
42、ghostconvlstm记忆单元将lstm中的三个线性门控单元替换为残差幻本文档来自技高网...
【技术保护点】
1.基于GCL-Peephole的车联网智能无线感知算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于GCL-Peephole的车联网智能无线感知算法，其特征在于，S1步骤具体为：
3.根据权利要求1所述的基于GCL-Peephole的车联网智能无线感知算法，其特征在于，S2步骤具体为：
4.根据权利要求1所述的基于GCL-Peephole的车联网智能无线感知算法，其特征在于，S3步骤具体为：
5.根据权利要求1所述的基于GCL-Peephole的车联网智能无线感知算法，其特征在于，S4步骤具体为：
6.根据权利要求1所述的基于GCL-Peephole的车联网智能无线感知算法，其特征在于，S4.1步骤具体为：
7.根据权利要求1所述的基于GCL-Peephole的车联网智能无线感知算法，其特征在于，S4.2步骤具体为：
8.根据权利要求1所述的基于GCL-Peephole的车联网智能无线感知算法，其特征在于，S4.3步骤具体为：
9.根据权利要求1所述的基于GCL-Peep
...【技术特征摘要】
1.基于gcl-peephole的车联网智能无线感知算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于gcl-peephole的车联网智能无线感知算法，其特征在于，s1步骤具体为：
3.根据权利要求1所述的基于gcl-peephole的车联网智能无线感知算法，其特征在于，s2步骤具体为：
4.根据权利要求1所述的基于gcl-peephole的车联网智能无线感知算法，其特征在于，s3步骤具体为：
5.根据权利要求1所述的基于gcl-peephole的车联网智能无线感知...
【专利技术属性】
技术研发人员：徐凌伟，陈哲，孙海洋，李玉芳，曹书博，高志贺，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。