[发明专利]一种基于自编码器数据增强的小样本无源行为感知方法

权利要求书

1.一种基于自编码器数据增强的小样本无源行为感知方法，其特征在于：所述方法包括如下步骤：

（1）通过室内的WiFi信号发射端向WiFi信号接收端发射数据包，并采集包含人体行为信息的信道状态信息；

（2）对所述信道状态信息去噪处理，得到干净的数据样本；

（3）构建一个基于数据增强自编码器的神经网络模型，

（4）采用少量的真实样本训练数据增强自编码器，生成大量具有不同特征向量的重构样本；

（5）构建一个基于卷积神经网络的人体行为识别模型，将增强数据样本和真实样本作为模型的输入，对网络模型进行调优，根据分类网络对样本在不同类别上的响应值，得到行为识别结果；

其中，所述数据增强自编码器采用对称的卷积神经网络结构，包含编码器和解码器两部分，编码器将高维输入编码成低维的隐向量，解码器把隐变量还原为初始维度；

假设数据增强自编码器第个中间层表示为，则编码器部分的网络层之间的关系可表示为：

其中为前一层特征，和分别表示第个卷积核的权重和偏差，为ReLU激活函数；

解码器部分将特征重构为原始输入数据，则网络层之间的关系式为：

其中为前一层特征，表示第个卷积核的权重，表示网络的通道数，表示偏差，为ReLU激活函数；

使用重构样本和真实样本之间的欧式距离计算均方差损失：

其中为原样本，为重构样本，为样本数量，是自编码器的网络参数，将与预设的阈值，()相比较：

其中，为用于行为识别模型的训练样本集。

2.根据权利要求1所述一种基于自编码器数据增强的小样本无源行为感知方法，其特征在于：所述编码器部分包含5层卷积层和3层最大池化层，每层卷积后做正则化处理，池化层在保留特征的同时减少参数；所述解码器部分包含5层反卷积层和3层上采样层，反卷积层与卷积层、上采样层与池化层的通道数相对应。

3.根据权利要求1所述一种基于自编码器数据增强的小样本无源行为感知方法，其特征在于：所述步骤（2）中，采集的所述信道状态信息的去噪方法如下：

步骤1：利用Hampel滤波器将数据的离群点替换为数据窗口的中值；

步骤2：利用Butterworth滤波器，对数据进行去噪处理，去除大部分的噪声；

步骤3：将样本线性插值为固定大小512*90的矩阵，作为网络模型的输入。

4.根据权利要求1所述一种基于自编码器数据增强的小样本无源行为感知方法，其特征在于：在所述步骤（4）中，计算训练样本与重构样本的均方根误差，当该误差介于预先设定的阈值范围内时，将产生的重构样本作为行为识别模型的训练对象。

5.根据权利要求1所述一种基于自编码器数据增强的小样本无源行为感知方法，其特征在于：所述步骤（5）中的人体行为识别网络模型包含4层卷积层、3层池化层和3层全连接层，每层卷积后对数据进行正则化，提取到的特征经过3层全连接层分类，最后使用Softmax函数得到人体行为分类结果。