[发明专利]一种基于DNN算法的人数统计分类方法

摘要

一种基于DNN算法的人数统计分类方法，该方法利用普通的设备搭建无线信道状态数据采集平台，具体的定位可分为两个阶段：离线训练阶段和在线测试阶段。离线阶段采集不同人数时的信道状态信息数据，经过预处理后提取网络特征，并归一化后存入不同人数状态的指纹库，建立人数‑特征指纹的映射关系；在线阶段，对数据进行同样处理后利用深度学习算法对测试数据进行检测。为测试分类的准确度，构建了三层隐含层网络，并使用交叉熵损失函数来提高分类精度。本发明为特定场景内的人数估算提供了一个新的技术方案，且能够以较低成本有效实现对不同人群数目的分类检测，本发明在商场营销、公共安全等领域具有一定的应用价值。

主权项

1.一种基于DNN算法的人数统计分类方法，其特征在于，所述方法包括以下步骤：步骤1：搭建信道状态信息数据采集平台；步骤2：不同人数的人群依次在检测区域内坐、站、随机走动，采集包含信道状态信息的数据包，每个信道状态信息数据的格式为：(A1,A2,...A30)RxN，其中A1～A30为子载波，R为发射天线数，N为接收天线数；步骤3：取第1对天线对上的数据进行预处理，过程如下：步骤3‑1：将数据分解提取其中幅度信息数据；步骤3‑2：除去幅度信息数据明显的异常值；步骤4：特征提取阶段，过程如下：步骤4‑1：将每次得到的幅度信息作为时间序列构建网络，并计算网络的测量指标，平均聚类系数聚类系数熵E_C和度值标准差k_std，分别表示为：其中τi,Δ表示以节点i为中心的闭合三元组的个数，τi表示以节点i为中心的三元组的个数，ci表示节点i的聚类系数，N为构建网络时的网络节点的个数；其中ci表示节点i的聚类系数，N为网络的节点总数；其中k_i为每种网络中节点i的度值,为网络的平均度值，N表示构建的每种网络的节点的个数；步骤4‑2：对上述提取的网络特征进行归一化方法处理，XN＝(XO‑μ)/σ，其中，XN表示归一化后的数据，XO表示归一化前的数据，μ表示该数据的平均值，σ表示该数据的标准差；步骤5:取其它的天线对，重复步骤4；步骤6:将上述每次提取的幅度的网络特征作为不同人数状态的一条指纹，建立不同人数的网络特征指纹库；步骤7:在线阶段，采集测试数据包；步骤8:测试数据处理，具体为步骤3～步骤5；步骤9：算法测试阶段，对测试数据的每个数据样本用深度学习算法DNN进行检测，测试其分类精确度，过程如下：步骤9‑1：将得到的网络特征作为DNN的输入，并构建三层隐藏层网络；步骤9‑2：选择sigmoid函数作为每一层隐藏层的激活函数，在输出层选择softmax函数来将分类结果限制在中，在0‑1之间，最终将最大的值作为分类结果；由于预测值与实际值之间存在误差，所以使用交叉熵损失函数e_k用于优化目标函数；其中a_L表示第L层隐藏层的节点个数，σ_soft(.)表示softmax函数；其中S为训练样本的总数，y_i,j表示第i个输出向量中的第j个元素，为在k次迭代后第i个输出向量中的第j个元素；步骤10：记录分类结果，并判断测试场景内的人数。