[发明专利]基于Bi-LSTM网络模型的人数统计方法、装置及可读存储介质

权利要求书

1.一种基于基于双向长短期记忆Bi-LSTM网络模型的人数统计方法，其特征在于：所述人数统计方法包括如下步骤：

基于无线接收器采集不同人数下的训练无线数据；

利用所述训练无线数据构建并训练Bi-LSTM网络模型；

获取当前无线数据，并将所述当前无线数据输入Bi-LSTM网络模型，计算得到当前人数统计结果。

2.根据权利要求1所述的基于Bi-LSTM网络模型的人数统计方法，其特征在于：所述利用所述训练无线数据构建Bi-LSTM网络模型的步骤包括：

对所述训练无线数据进行预处理；

根据预处理后的训练无线数据中的时间步长，确定样本数和预设训练周期；

根据所述样本数和所述时间步长构建Bi-LSTM网络模型；

将所述样本数、所述时间步长和预处理后的训练无线数据中的特征数量输入Bi-LSTM网络模型中进行训练；

当所述Bi-LSTM网络模型训练完成一次之后，通过优化器根据预处理后的训练无线数据对网络权值进行迭代更新，直至所述Bi-LSTM网络模型的训练周期大于或等于预设训练周期时，所述Bi-LSTM网络模型训练完成。

3.根据权利要求2所述的基于Bi-LSTM网络模型的人数统计方法，其特征在于：其中，所述Bi-LSTM网络模型由若干个LSTM网络模型组成；

其中，所述LSTM网络模型由输入序列x_t、当前单元状态C_t、临时单元状态隐藏层状态h_t、遗忘门f_t、记忆门i_t和输出门o_t组成。

其中，f_t＝σ(W_f·[h_t-1,x_t]+b_f)；

i_t＝σ(W_i·[h_t-1,x_t]+b_i)；

o_t＝σ(W_o·[h_t-1,x_t]+b_o)；

h_t＝o_t·tanh(C_t)；

其中，W_f为遗忘门的权值矩阵、W_i为输入门的权重矩阵、W_c为单元状态的权重矩阵、W_o为输出门的权重矩阵、b_f为遗忘门的偏置项、b_i为输入门的偏置项、b_c为单元状态的偏置项、b_o为输出门的偏置项；σ(·)为激活函数为sigmoid函数，tanh(·)表示激活函数为双曲正切函数。

4.根据权利要求3所述的基于Bi-LSTM网络模型的人数统计方法，其特征在于：其中，训练所述Bi-LSTM网络模型的损失函数为交叉熵函数，训练所述Bi-LSTM网络模型的优化器为自适应矩估计优化器。

5.根据权利要求2所述的基于Bi-LSTM网络模型的人数统计方法，其特征在于：所述对所述训练无线数据进行预处理的步骤，包括：

基于信道状态解析程序对所述训练无线数据进行解析，得到训练矩阵数据；

基于巴特沃斯滤波程序对所述训练矩阵数据进行高频滤波，得到处理后的训练降噪矩阵数据；

基于主成分分析算法对所述训练降噪矩阵数据进行降维运算，得到降噪、降维处理后的训练无线数据。