[发明专利]一种基于迁移学习的无源身份识别系统及方法

权利要求书

1.一种基于迁移学习的无源身份识别系统，其特征在于，该无源身份识别系统包括一个路由器作为WiFi信号发射端、一台笔记本电脑作为WiFi信号接收端、云服务器和控制端；

WiFi信号发射端支持802.11n协议，WiFi信号接收端配置支持802.11n协议的Intel5300无线网卡，二者相隔置于房间内；WiFi信号发射端用于发送携带CSI信息的信号，WiFi信号接收端用于接收环境中的信号并上传至云服务器；

云服务器包括数据收集模块、预处理模块和迁移学习模块；数据收集模块使用WiFi设备收集用户的WiFi数据；预处理模块使用低通滤波器对WiFi数据进行降噪，并去除数据中的异常值；迁移学习模块利用WiFi信号传播的物理空间特征对预处理过的WiFi数据进行人体特征提取，并利用深度学习的方法进行训练、验证和测试，并通过训练好的网络模型完成身份认证；

控制端为网页端或手机客户端，与WiFi设备、云服务器相通信，将用户的基本信息发送至云服务器，对用户的身份进行实时监控和预警。

2.一种基于迁移学习的无源身份认证方法，其特征在于，步骤如下：

步骤一，用户进入房间，WiFi设备发射端发送WiFi信号，用户行走或做动作对WiFi信号造成明显扰动，此时WiFi设备接收端收集用户的WiFi信号的并将其上传至云服务器上；同时使用控制端将用户的基本信息发送至云服务器；

步骤二，云服务器对步骤一中的WiFi信号先进行预处理，然后利用迁移学习算法对预处理后的数据进行建模；

预处理模块，具体步骤如下：

(1)去噪数据：利用巴特沃斯滤波器去除频率超过80Hz的高频噪声；

(2)消除相位偏移；

(3)去除多路径效应；

迁移学习模块，具体如下：

(1)人类特征提取器：为实现从复杂的WiFi数据中提取到深层次人体特征，设计一个基于ResNet的特征提取器；该特征提取器包括1层CNN和15层ResNet；CNN的核为7×7，ResNet中的卷积核分别为1×1和3×3；之后，通过全局平均池化层和softmax回归层，对每个输入降维和计算概率；

(2)鉴别器：设计一种基于对抗网络的博弈方法，利用人类特征检测器提取到的人体特征来去除与环境相关的变化特征；鉴别器包括两层CNN和一个全连接层；利用JS散度将标记数据和未标记数据的相似度映射到[0,1]范围内；

(3)人类特征检测器：利用WiFi数据的相位信息计算用户身高，作为用户生理代表性特征；

a)基于WiFi设备发射端、WiFi设备接收端和用户头部的物理空间位置，设计一个空间模型，计算用户身高的AoA；

b)对得到的AoA和WiFi信号的ToF进行聚类，之后计算用户的身高，最后输入到鉴别器中；

步骤三，当用户再次进入该房间内时，WiFi设备接收端再次将WiFi信号上传至云服务器，云服务器利用训练好的迁移学习模型对WiFi信号进行用户身份匹配验证，显示出用户身份并发送给控制端，当未在数据库中发现该用户信息时，则云服务器向控制端发出警报信息。

3.根据权利要求2所述的无源身份认证方法，其特征在于，步骤二中，人类特征检测器：利用WiFi数据的相位信息计算用户身高，作为用户生理代表性特征；

a)基于WiFi设备发射端、WiFi设备接收端和用户头部的物理空间位置，设计一个空间模型计算用户身高的AoA；

其中，l₁和l₂分别为用户头部与WiFi设备接收端和WiFi设备发射端的垂直距离，D_R和D_T分别表示用户到WiFi设备接收端和WiFi设备发射端的水平距离，H_w为WiFi设备距离地面的高度，h为用户身高，Δd为用户行走的距离，θ是到达角AoA；

由于起始点与WiFi设备处于同一平面，得到其中为l_i,j的最小值；假设WiFi设备发射信号的频率为z，用户行走的速度为v，那么简化为：

假设用户行走引起WiFi信号传播的路径差为Δl，那么l_i,j＝l₁+l₂+Δl；结合公式(7)和公式(8)，得出到达角AoA和身高h；

b)对得到的AoA和WiFi信号的ToF进行聚类以优化AoA；

首先设置AoA范围：H_w为WiFi设备距离地面的高度，由公式知，θ(AoA)最大值为77.2°，即θ∈[0°,77.2°]；

之后对AoA和ToF聚类：假设有n个簇，k(1≤k≤n)，μ(θ_k)表示AoA的平均值，σ(θ_k)表示AoA的方差，μ(t_k)表示ToF的平均值，σ(t_k)表示ToF的方差；

簇k的可能性表示为：

其中，α₁、α₂、β₁和β₂是非负常数权重；

最后利用聚类得出的AoA计算身高h，把h的平均值作为用户的最终身高值，输入到鉴别器中。