[发明专利]基于对抗训练的无线信号感知模型构建、感知方法及系统

说明书

本发明公开了基于对抗训练的无线信号感知模型构建、感知方法及系统，包括：采集无干扰数据和干扰数据，对无干扰数据标注动作分类标签，得到数据集；对数据集进行去噪和数据转化处理，得到预处理后的干扰数据和带有动作分类标签的无干扰数据；将干扰数据和带有动作分类标签的无干扰数据作为输入，以是否为干扰的判断结果和动作分类结果作为输出，训练对抗网络模型，训练完成后获得无线信号感知模型；再采用该无线信号感知模型对待处理的无线信号数据进行感知分类。本发明通过特征提取器和干扰判别器的对抗训练，使得特征提取器能够提取到不包含干扰的信号特征，解决难以预先建模的多径干扰分离函数的映射问题。

技术领域

本发明属于无线信号感知识别技术领域，具体涉及一种基于对抗训练的无线信号感知模型构建、感知方法及系统。

背景技术

随着无线技术和机器学习技术的不断发展，越来越多借助学习算法的无线信号感知技术研究得以开展。例如在手势识别，步态识别，室内定位，健康风险监测，生命探测，情感判别等。无线信号人类活动感知技术主要是利用一定频段的信号的各类信息进行感知，一般包括WiFi、RFID、60GHz等。感知对象的动作行为会影响在传播过程中的无线信号，通过收集和分析这些影响所包含的特征信息，例如信号的幅值、相位、多普勒信息等，建立特征信息和感知对象的行为活动的映射关系，来达到感知识别的目的。

在各类无线信号中，目前WiFi已经是被应用最广泛的信号之一。目前，基于WiFi信号的动作感知工作主要包括以下两种无线信号：接收信号强度(RSSI)和信号通道状态信息(CSI)。RSSI反映的有关是接收信号强度的粗粒度信息，而CSI反映的是链路通信中有关信道状态的细粒度信息，它可以对信号的每一条传播路径进行区分，描述信号在传播环境中的多径状态，因而提供了细粒度的信息，包括信号各个子载波的振幅与相位信息。由于其提供了更加精细的信息，所以作为基于WiFi感知的实现技术被广泛的研究应用。

虽然现有的研究工作已经证明了无线信号特别是CSI在感知领域的能力，但仍有许多问题，特别是传播环境带来的多径干扰对其在感知工作中的进一步应用造成了阻碍。无线信号传播环境中墙壁、非目标人体、陈设物品等对信号的反射和散射会形成除感知目标对信号反射以外的多个传播通路，即多径。来自这些传播通路的信号被接收后，会和由感知目标反射的信号混杂在一起，造成多径干扰，进而影响感知识别的性能。典型的例子就是模型测试环境的更换或随时间推移环境中陈设改变引起多径环境变化，对信号造成影响进而影响识别精度。又因为多径环境改变带来的干扰难以预估和测量，因此现有感知模型难以进行干扰分离以减轻多径干扰对无线信号感知工作的影响。

已有的无线信号感知研究工作，主要可分为两类，即手动提取特征配合感知识别算法和基于深度学习感知识别两种。前者一般要从无线信号领域的理论知识入手，通过数学计算和逻辑分析再结合实验验证，得到特征提取的方法。手动方法提取的特征一般理论较为清晰，但特征维度较为有限，限制了所能包含的信息。常用的手动特征包括：统计特征、频谱特征以及其他感知工作中的自定义特征。配合传统分类算法有支持向量机(SVM)，K近邻分类(KNN)，决策树分类(DTC)以及随机森林(RF)等完成感知分类。后者通常使用同样由神经网络自动提取的特征值，所以它们一般以一个深度学习模型的整体呈现，通过训练给予训练样本和目标分类，自动完成特征提取和感知分类。由于可以拥有较多的层级和参数，深度神经网络分类可以取得更好的拟合效果，但也可能由于训练数据集以及网络自身结构泛化能力不强等原因出现拟合过慢、欠拟合或过拟合问题。

发明内容

为解决现有技术中存在的不足，本发明提供了一基于对抗训练的无线信号感知模型构建、感知方法及系统，解决现有的无线信号感知方法难以进行干扰分离以减轻多径干扰对无线信号感知工作的影响。

为了解决上述技术问题，本发明采用如下技术方案予以实现：

基于对抗训练的无线信号感知模型构建方法，包括：

步骤1，采集无干扰数据和干扰数据，对无干扰数据标注动作分类标签，得到数据集；