[发明专利]一种基于人工神经网络的室内人员智能感知方法

摘要

本发明公开了一种基于人工神经网络的室内人员智能感知方法，本发明通过监测和分析人员对射频信号RSSI造成的衰减和波动影响，即通过对比分析人员进入待测区域前后射频信号RSSI的变化以达到感知目的。本发明针对实时采集的RSSI计算出两个指标，分别表示人员进入待测区域后静止和运动两种情形下与没有人员进入时RSSI的偏差程度；然后大量模拟人员在待测区域内外静止或运动的场景并实时计算保存两个指标作为样本；利用样本数据对神经网络训练，以建立指标数据与人员进入与否的非线性映射关系；训练完毕就可利用神经网络对人员是否进入待测区域自动给出判断。

主权项

一种基于人工神经网络的室内人员智能感知方法，其中，将室内的无线传感器节点按作用分为普通节点和汇聚节点：所述普通节点数量若干，固定部署在待测区域周围，负责彼此通信形成通信链路以覆盖待测区域，测得RSSI；汇聚节点数量为一个，位置不定，用于接收所有普通节点发送的RSSI，负责收集各链路RSSI；设有N个普通节点形成的射频通信链路覆盖待测区域；所述普通节点，先后作为无线射频信号的发射端和无线射频信号的接收端，彼此收发；所述汇聚节点以一个固定周期收集各射频通信链路的实时RSSI形成一帧矩阵数据；所述待测区域为需要感知室内人员的区域；其特征在于，所述基于人工神经网络的室内人员智能感知方法包括步骤如下：（1）计算离线均值矩阵：此阶段保持待测区域内无人且环境静止，测得M帧RSSI数据，并求得均值；从1到N编号的N个普通节点先后作为无线射频信号的发射端和无线射频信号的接收端互相收发，可产生共N×（N‑1）个RSSI，则从汇聚节点得到的i时刻一帧所有链路的RSSI数据表示为N×N矩阵见公式（i）：$\stackrel{\mathrm{\ρ}}{R}\left(i\right)=\left[\begin{array}{cccc}{R}_{\mathrm{1,1}}\left(i\right)& R_{\mathrm{1,2}}\left(i\right)& ...& R_{1,N}\left(i\right)\\ R_{\mathrm{1,2}}\left(i\right)& R_{\mathrm{2,2}}\left(i\right)& ...& R_{2,N}\left(i\right)\\ M& M& & M\\ R_{N,1}\left(i\right)& R_{N,2}\left(i\right)& ...& R_{N,N}\left(i\right)\end{array}\right],\left(i\right);$其中N为普通节点个数，矩阵中的每个元素对应一个RSSI值，元素右下角序号表示这个RSSI产生的链路，如R_1,2(i)表示1号节点接收2号节点发送时产生的RSSI，由于节点自发自收没有意义，所以矩阵主对角线上的RSSI默认为0；计算M帧RSSI的离线均值矩阵见公式（ii）：${\stackrel{\mathrm{\ρ}}{M}}_{\mathrm{off}}=\frac{\underset{i=0}{\overset{M}{\mathrm{\Σ}}}\stackrel{\mathrm{\ρ}}{R}\left(i\right)}{M},\left(\mathrm{ii}\right);$其中是上述汇聚节点收集的i时刻RSSI实时数据矩阵，M是要累加的帧数；（2）指标计算和样本采集：当有人员进入待测区域后有两种情形：静止或运动，需要计算出两个指标Dsum和Vsum即分别表示两种情形下RSSI偏离待测区域无人时的程度；为精确感知人员是否进入待测区域，需要大量模拟人员在待测区域内外静止或运动的场景并实时计算保存两个指标作为样本，以用作下一步神经网络训练的已知输入，包括步骤如下：（2‑1）Dsum和Vsum指标计算：求得当前i时刻RSSI帧在一个滑动窗口内的滑动平均值矩阵见公式（iii）：${\stackrel{\mathrm{\ρ}}{M}}_{\mathrm{on}}\left(i\right)=\frac{\underset{j=0}{\overset{W}{\mathrm{\Σ}}}\stackrel{\mathrm{\ρ}}{R}(i-W+j)}{W},\left(\mathrm{iii}\right);$其中是i时刻RSSI实时数据矩阵，W是滑动窗口长度；计算i时刻滑动平均值矩阵与离线均值矩阵之差，得到见公式（iv）：$\mathrm{\Δ}\stackrel{\mathrm{\ρ}}{M}\left(i\right)={\stackrel{\mathrm{\ρ}}{M}}_{\mathrm{on}}\left(i\right)-{\stackrel{\mathrm{\ρ}}{M}}_{\mathrm{off}},\left(\mathrm{iv}\right)$中的每个元素取平方后得到见公式（v）：$\stackrel{\mathrm{\ρ}}{D}\left(i\right)={\left|\stackrel{\mathrm{\ρ}}{\mathrm{\Δ}}M\left(i\right)\right|}^2,\left(v\right);$为综合考虑所有链路的差值，对中元素求和，见公式（vi）：$D_{\mathrm{SUM}}\left(i\right)=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\stackrel{\mathrm{\ρ}}{D}}_{j,k}\left(i\right),\left(\mathrm{vi}\right);$D_SUM(i)指标，代表了当前采集的一帧RSSI数据偏离无人状态时均值的程度；求得当前i时刻RSSI帧在一个滑动窗口内的滑动方差矩阵见公式（vii）：${\stackrel{\mathrm{\ρ}}{V}}_{\mathrm{on}}\left(i\right)=\frac{\underset{j=1}{\overset{W}{\mathrm{\Σ}}}{(\stackrel{\mathrm{\ρ}}{R}(i-W+j)-{\stackrel{\mathrm{\ρ}}{M}}_{\mathrm{on}}\left(i\right))}^2}{W-1},\left(\mathrm{vii}\right);$其中是i时刻RSSI实时数据矩阵，是滑动平均值矩阵，W是滑动窗口长度；为综合所有路径的波动情况，对方差矩阵所有元素求和，见公式（viii）：$V_{\mathrm{SUM}}\left(i\right)=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\stackrel{\mathrm{\ρ}}{V}}_{\mathrm{onj},k}\left(i\right),\left(\mathrm{viii}\right);$V_SUM(i)指标，代表了当前采集的一帧RSSI数据在此前一个窗口时间段内的波动大小；（2‑2）指标样本采集：模拟人员在待测区域内外静止或运动的场景,实时计算并保存Dsum、Vsum指标和此时对应待测区域内有无人员的真实状态，以作为神经网络训练样本；（3）生成BP神经网络并训练：所述神经网络类型是基于误差反向传播(Back Propagation,BP)的多层前馈网络(Multi‑layer Feed‑Forward Network)，简称BP神经网络；生成并训练BP神经网络需要确定其网络结构和训练参数；所述Dsum和Vsum指标各生成一个BP神经网络DsumNet和VsumNet，输入层和输出层的神经元个数都为1，已知输入即步骤（2‑2）中通过计算得出的指标Dsum和Vsum，目标输出即对应待测区域内有无人员的状态，用1代表有人，0代表无人；隐层的神经元个数根据经验公式(ix)初步确定,其中n1、n和m分别表示隐层、输入层和输出层神经元个数，a为[1,10]间的整数；$n1=\sqrt{n+m}+a,\left(\mathrm{ix}\right);$确定BP神经网络的训练参数，所述BP神经网络的训练参数包括：传递函数、训练函数、学习函数、输入初始权重、学习率和训练精度，其取值将影响训练速度和训练效果；规定输出层使用对数S型传递函数，在Matlab中对应为logsig，如公式（x），以保证输出值在（0,1）范围内；其他参数根据具体应用环境确定最佳值，初始时采用Matlab中的默认值：$f\left(x\right)=\frac{1}{1+e^{-x}}(0\<f\left(x\right)\<1),\left(x\right);$使用样本对两个BP神经网络训练，直至神经网络输出总体误差小于设定的训练精度，表明训练成功，至此准备工作完毕；（4）指标计算与实时感知；对每次收到的RSSI实时数据执行步骤（2‑1）的操作，计算Dsum和Vsum指标，并把二者分别作为步骤（3）训练完毕的两个BP神经网络DsumNet和VsumNet的输入，得到两个输出，即神经网络的预测结果，其值是连续的，范围为（0,1），靠近0则无人的概率越大，靠近1则有人的概率越大，设定一个界限0.5，将预测结果映射到0和1两个离散值上，当预测结果大于等于0.5时，则映射为1，当预测结果小于0.5时，则映射为0，规定DsumNet和VsumNet中任一个神经网络的预测结果映射为1时，则认为待测区域内有人，否则认为待测区域内无人。