[发明专利]一种基于机器学习的针对WiFi数据的手势识别方法

权利要求书

1.一种基于机器学习的针对WiFi数据的手势识别方法，其特征在于，包括以下步骤：

S1：构建多任务感知模型，所述的多任务感知模型包括若干个单任务模型、一个残差适配器、第一深度编码器；

所述的单任务模型包括浅编码器、第二深度编码器、分类器；

所述的浅编码器，用于提取任务的增幅矩阵的低级特征；

所述的第二深度编码器，用于根据低级特征提取任务的高级特征；

所述的分类器，用于对任务进行预测分类；

所述的单任务模型用于预测单个任务的分类结果；所述的残差适配器，用于提取每个单任务特定的补偿特征；

S2：将WiFi的CSI信道数据作为输入样本输入到多任务感知模型，采用知识蒸馏的方法对多任务感知模型进行训练，得到训练后的多任务感知模型。

S3：利用训练后的多任务感知模型对WiFi数据进行预测分类，实现手势识别。

2.根据权利要求1所述的一种基于机器学习的针对WiFi数据的手势识别方法，其特征在于，对多任务感知模型的训练方法如下：

将WiFi的CSI信道数据对应任务的增幅矩阵作为数据集，数据集包括训练集和测试集；所述的训练集与测试集的比值为8:2；

将训练集分别输入对应的单任务模型进行训练，训练后冻结单任务模型的参数；

利用残差适配器提取每个单任务特定的补偿特征；

使用第一深度编码器根据所有单任务的低级特征提取所有单任务的共同特征；

将相应的补偿特征和共同特征的组合输入到每个分类器进行预测分类。

3.根据权利要求2所述的一种基于机器学习的针对WiFi数据的手势识别方法，其特征在于，所述的知识蒸馏方法如下：

根据WiFi的CSI信道数据对应的任务分别训练对应的单任务模型，对于单任务t，训练一个单任务模型M_t^st(·；θ^st,δ^st,ξ^st)，冻结单任务模型对应的参数；

构建第一损失函数使得共同特征F_n^wi,comm在欧几里得距离下进行线性变换后接近单任务模型产生的高级特征F_t,n^st,high；

利用第二损失函数使多任务感知模型得到的逻辑回归Z_t,n^wi与单任务模型的逻辑回归Z_t,n^st相似；

对输入样本H_n的最终输出是一组概率分布p_n＝{p_1,n,p_2,n,...,p_T,n}，对应所有T项任务；对于预测任务的结果，定义第三损失函数l^wi(p_n,y_n)；

综合第一损失函数、第二损失函数、第三损失函数，得到第四损失函数，多任务感知模型的参数通过最小化第四损失函数来学习。

4.根据权利要求3所述的一种基于机器学习的针对WiFi数据的手势识别方法，其特征在于，对于输入样本H_n上的第t项单任务，所述的第一损失函数的表达式如下：

式中，LT_t(·)是第t项单任务的线性变换，实现为1*1*C*C的卷积，C是F_n^wi,comm的通道数量；是对高级特征进行欧几里德线性变换。

5.根据权利要求4所述的一种基于机器学习的针对WiFi数据的手势识别方法，其特征在于，所述的第二损失函数的表达式如下：

式中，是多任务感知模型对于当前单任务的分类结果，得到的是每个单任务可能的概率；

单任务模型对于当前单任务的分类结果；σ(·)是softmax函数，τ是一个用户调整蒸馏强度的超参数。