本发明涉及无线感知技术领域，具体涉及一种基于迁移学习的跨场景无线信号感知方法。
背景技术：
随着计算机技术的快速发展，用户对物体和环境感知能力的装备越来越受到关注，智能家居和办公室等智能室内空间可以实现感应和处理功能，减轻用户佩戴或携带智能设备的需求。启用这种智能空间需要在无需设备的情况下，轻松感知用户的身份和活动。使用wifi的无装置传感在这种情况下显示出巨大的潜力，wifi已经成为一种强大的感知信息的媒介。
现有的研究已经证明了wifi作为一种传感技术的巨大潜力，利用无线信号可进行步态识别，手势识别，本地化，健康和风险评估，活动检测和情感识别等任务；的确，无线传感现在已经从一个研究利基转移到一个主流的活动，但目前场景的转换限制了wifi传感的使用。首先，部署wifi感应解决方案需要一个收集训练测量的劳动密集型和时间消耗的过程，以描述无线信道指标，如受到目标对象(例如步态或手势)影响的信道状态信息(channelstateinformation,csi)或接收信号强度指标(receivedsignalstrengthindicator，rssi)；由于不同部署点对信号的影响不同，所以必须为每个部署站点的每个目标对象或活动收集这些训练数据。虽然从每个用户收集这样的数据可能是可行的，但要求每位员工或访客在智能办公环境中提供每个会议室的训练数据是不可行的。
以往的研究工作在步态识别和手势识别上都得到了较好的识别效果，但都是针对单一场景下的识别，都需要从每个部署环境收集目标训练数据，无法达到跨场景感知的目的。
技术实现要素：
本发明的目的是提供一种跨场景的无线信号感知方法，通过建立迁移模型，使得通过小规模的数据采集即可获取不同环境对无线信号的影响情况，从而实现跨场景的识别或认证。
为了实现上述任务，本发明采用以下技术方案：
一种基于迁移学习的跨场景无线信号感知方法，包括以下步骤：
步骤一，信号采集
在原场景、目标场景按照相同的方式部署无线信号收发设备，测试者分别在原场景、目标场景中作出相同的行为动作，通过原场景、目标场景中的无线信号收发设备分别采集测试者作出行为动作时的无线信号，并对无线信号进行预处理后进行特征提取，分别得到测试者在原场景、目标场景中的信号特征；
步骤二，建立迁移函数
建立神经网络，将测试者在原场景、目标场景中的信号特征作为用于训练神经网络的输入训练集，通过神经网络的训练，得到原场景到目标场景的迁移函数；
步骤三，对象的迁移
当待测对象位于原场景中并作出行为动作时，通过原场景中的无线信号收发设备采集无线信号，对无线信号经过预处理后进行特征提取，将得到的信号特征作为测试特征集，输入到所述的迁移函数中，则迁移函数输出的是测试特征集在目标场景中的预测值。
进一步地，所述的步骤三得到预测值后，通过所述的预测值训练分类器，则当待测对象处于目标场景中作出其他行为动作时，利用训练好的分类器对所述的其他行为动作进行分类识别。
进一步地，所述的无线信号收发设备包括无线信号发射端以及无线信号接收端，二者间隔设置，且所述的测试者位于二者之间。
进一步地，所述的无线信号发射端、无线信号接收端同步工作，通过无线信号接收端接收测试者作出行为动作之前的一段时间内、作出行为动作的期间内以及测试者停止行为动作后一段时间内的无线信号。
进一步地，所述的神经网络为全连接的、包含输入层、输出层以及7个隐藏层的神经网络，其中输入层的每个节点、输出层的每个节点分别对应用户在原场景、目标场景中的信号特征。
进一步地，所述的神经网络的训练过程为：
①随机初始化神经网络中每条连接线权重和偏置；
②对于输入训练集中的每个输入，输入模式顺传播，得到输出值；其中，将测试者在原场景中的信号特征作为输入训练集中的每个输入；
③根据真实值与输出值之间的误差反向传播更新神经网络中每条连接线的权重和偏置；所述的真实值为测试者在目标场景中的信号特征；
④进行循环记忆训练和结果学习判别；每次循环记忆训练结束后，都要经过学习结果判别，当真实值与输出值之间的误差最小时，神经网络输出所述的迁移函数。
一种基于迁移学习的跨场景无线信号感知系统，包括依次连接的信号采集模块、建立迁移函数模块以及对象的迁移模块，其中：
所述的信号采集模块包括在原场景、目标场景按照相同的方式部署无线信号收发设备，当测试者分别在原场景、目标场景中作出相同的行为动作，通过原场景、目标场景中的无线信号收发设备分别采集测试者作出行为动作时的无线信号，并对无线信号进行预处理后进行特征提取，分别得到测试者在原场景、目标场景中的信号特征；
所述的建立迁移函数模块用于建立神经网络，将测试者在原场景、目标场景中的信号特征作为用于训练神经网络的输入训练集，通过神经网络的训练，得到原场景到目标场景的迁移函数；
所述的对象的迁移模块用于当待测对象位于原场景中并作出行为动作时，通过原场景中的无线信号收发设备采集无线信号，对无线信号经过预处理后进行特征提取，将得到的信号特征作为测试特征集，输入到所述的迁移函数中，则迁移函数输出的是测试特征集在目标场景中的预测值。
本发明与现有技术相比具有以下技术特点：
本发明中提出的方法解决了跨场景的wifi感知，即利用少量的训练样本训练迁移函数，利用该模型可迁移任意未知的对象到新的目标环境中，从而实现跨场景的识别或认证；具体来说，利用机器学习来学习一个关系，利用这种关系可以将从一个环境收集到的数据迁移到另一个新的环境中。迁移函数采用从数据采集站点收集的wifi测量数据，并生成综合训练实例，就好像从目标环境中收集合成数据一样；该模型在从数据收集站点和每个部署站点收集的一组示例中进行离线训练，所学习的模型用于迁移任何不可见的对象或活动；最为重要的是，迁移函数需要捕捉环境如何从一小部分实例中影响wifi信号，这样我们就可以应用该函数来迁移合成大量的未知的不可见的测量数据集。
附图说明
图1为本发明方法的框架结构图；
图2为训练迁移函数的过程图；
图3为实施例中原场景中无线信号收发设备的布设示意图；
图4为实施例中用到的神经网络的结构图；
图5为利用迁移函数迁移待测对象的示意图；
图6为三种实验场景的布局图；
图7中的(a)、(b)分别为步态场景、完成手势的场景位置设置图；
图8中的(a)、(b)分别为跨场景感知过程中未使用、使用迁移函数的对比图；
图9为迁移模型ann与svm、nb、rf、lr的比较图，其中(a)为时频域特征、(b)为离散小波变换特征、(c)为频谱特征、(d)为自相关特征；
图10为不同网络层数对准确率的影响示意图。
具体实施方式
本发明公开了一种基于迁移学习的跨场景无线信号感知方法，如图1所示，包括以下步骤：
步骤一，信号采集
在原场景、目标场景按照相同的方式部署无线信号收发设备，测试者分别在原场景、目标场景中作出相同的行为动作，通过原场景、目标场景中的无线信号收发设备分别采集测试者作出行为动作时的无线信号，并对无线信号进行预处理后进行特征提取，分别得到测试者在原场景、目标场景中的信号特征；
跨场景感知主要使用人工神经网络来进行不同场景之间的感知测量的迁移，通过训练神经网络得到不同场景之间的迁移函数。进行网络训练的数据来自于这些不同场景。
本方案中，以建立原场景到目标场景的迁移函数为例进行说明。原场景、目标场景是不同的两个场景，具有相同的无线信号收发设备部署方式。测试者先在原场景中作出行为动作，这里的行为动作可以是步态、手势等，通过无线信号收发设备采集测试者在作出行为动作时的无线信号。同样地，当测试者位于目标场景中时，作出与在原场景中相同的行为动作，并采集在目标场景中测试者作出这些行为动作时的无线信号。
对采集的无线信号进行预处理，这里的预处理包括去噪和降维；预处理之后进行特征提取，提取的特征可以是无线信号的时域特征、频域特征、离散小波变换特征、频谱特征以及自相关特征等。
进行特征提取后，分别得到了测试者在原场景作出行为动作时所采集到的无线信号对应的信号特征，以及在目标场景中的信号特征。
步骤二，建立迁移函数
建立神经网络，将测试者在原场景、目标场景中的信号特征作为用于训练神经网络的输入训练集，通过神经网络的训练，得到原场景到目标场景的迁移函数；
本方案中，迁移函数的建立针对的目标是特定的任务，例如步态识别或手势识别等，而不是特定的对象。具体来说，迁移函数就是学习如何将一个场景下的无线感知测量映射到另一个场景下，当学习到这种映射时，就可以使用这些学到的知识来测量未知的对象以获取它在新的环境中的感知信息。
通过步骤一获取训练数据后，通过神经网络算法作为学习算法来建立学习函数关系。该算法使用测试者在原场景、目标场景中采集的信号特征(向量)作为输入训练集，并且迁移函数训练只要进行一次，训练好的函数可以用于其他对象(用户)的迁移，而不再需要额外的这种函数关系训练。
迁移函数采用随机梯度下方的反向传播训练，通过不断迭代使得网络的误差达到最小，此时即建立好了映射关系，这种映射关系就是通过学习算法要找的迁移函数。
所述的神经网络的训练过程为：
①随机初始化神经网络中每条连接线权重和偏置；
②对于输入训练集中的每个输入，输入模式顺传播，得到输出值；其中，将测试者在原场景中的信号特征作为输入训练集中的每个输入；
③根据真实值与输出值之间的误差反向传播更新神经网络中每条连接线的权重和偏置；所述的真实值为测试者在目标场景中的信号特征；
④进行循环记忆训练和结果学习判别；每次循环记忆训练结束后，都要经过学习结果判别，当真实值与输出值之间的误差最小时，神经网络输出所述的迁移函数。
步骤三，对象的迁移
当待测对象位于原场景中并作出行为动作时，通过原场景中的无线信号收发设备采集无线信号，对无线信号经过预处理后进行特征提取，将得到的信号特征作为测试特征集，输入到所述的迁移函数中，则迁移函数输出的是测试特征集在目标场景中的预测值。
所述的待测对象可以是任意用户。通过前面的步骤建立了原场景到目标场景的迁移函数，那么在待测对象位于原场景中作出行为动作时采集到的无线信号经过预处理和特征提取后输入到迁移函数中，迁移函数即可将该待测对象的感知测量从原场景转换到目标场景中。
实施例：
步骤一，信号采集
在原场景、目标场景中按照相同的方式部署无线信号收发设备。如图3所示，所述的无线信号收发设备包括无线信号发射端以及无线信号接收端，二者间隔设置，且所述的测试者位于二者之间。本实施例中，无线信号发射端采用tp-linkwd7500无线路由器发射wifi信号，无线信号接收端采用带有英特尔5300nic的小型pc机。无线信号发射端、无线信号接收端同步工作，通过无线信号接收端接收测试者作出行为动作之前的一段时间内、作出行为动作的期间内以及测试者停止行为动作后一段时间内的无线信号。具体地，本实施例中，从测试者作出行为动作前10秒即开始进行信号采集，当测试者行为动作做完10s后停止数据采集。
发射端和接收端分别配备6个、3个天线以获取和记录每个天线30个通道的无线信道测量。在接收端的pc机上安装csitools采集工具在一个5ghz的wifi环境中获得数据，接收到的数据是csi数据，每一个csi数据都是一个以数据包为单位的时间序列，它包含3*3个信道，每个信道包含30个子载波，每个子载波的数据都包含信号幅值和相位。这里的csi数据指的时间序列就是一个n*d的矩阵，n表示的是接收到的数据包的个数(依照时间顺序接收到的数据包)，d表示子载波的数量，d＝信道数量*30。信号采集时间段内包括了实施动作前，实施动作中，实施动作后的三个时间段。
在目标场景中，按照上面相同的部署方式以及信号采集方法进行信号的采集。
采集到无线信号后，需要进行数据预处理过程。数据预处理包括：
①数据去噪。采集到的csi信号的原始数据利用matlab软件编写程序进行解析后，得到幅值和相位的数据矩阵，利用pca算法进行适应性调整将噪声从信号中消除。
②数据降维。由于每个csi数据包含3*3*30＝270个子载波，在提取特征后，特征维数就会非常大，不仅在存储上就会造成空间的浪费并且形成较大的运算量,增大运算复杂度，而且过多的特征可能也会造成较大的相似度，从而在一定程度上也会影响实验的准确度。所以需要对数据进行降维，利用主成分分析(principalcomponentanalysis,pca)或者方差最大法在每个csi数据上选取能反映95％的数据特征的30个子载波。
数据预处理后，进行特征提取。这里提取了已有的研究工作中常用的4类特征，分别是时频域上的特征，信号的3层离散小波变换特征，信号频谱上的特征，信号的自相关特征，具体如表1。本方案分别用这4种特征进行了评估，不同的特征在迁移函数的训练和最后的分类识别上都产生了不同的效果。
表1提取的csi特征
步骤二，建立迁移函数
在获取到训练数据后，我们应用学习算法来训练迁移函数，图4显示了用于训练迁移函数的神经网络的框架，该训练模型是全连接的、包含输入层、输出层以及7个隐藏层的神经网络(artificialnetworkwork，ann)。
神经网络由三部分组成，分别是最左边的输入层(f(0),f(1),…,f(n-1),f(n))，最右边的输出层(f′(0),f′(1),…,f′(n-1),f′(n))和隐藏层(输入层与输出层之间的七层),其中输入层和输出层的每个节点f(i)和f’(i)(0≤i≤n)分别对应用户在原场景、目标场景中的信号特征。层与层之间用线连接在一起，每个神经元节点代表一种特定的输出函数，称为激励函数，每个神经元还有对应的偏置b。每两个神经元节点间的连接线都代表一个对于通过该连接信号的加权值，称之为权重w。人工神经网络算法的具体实现过程如下：
①随机初始化每条连接线权重wi和偏置bi；
②对于训练集中的每个输入f(i)(1≤i≤n)，输入模式顺传播(输入模式由输入层经中间层向输出层传播计算，本实施例中使用sigmoid函数作为激励函数)得到输出值f”(i)(1≤i≤n)；其中，将测试者在原场景中的信号特征作为输入训练集中的每个输入；
③根据真实值f′()(1≤i≤n)与输出值f”(i)(1≤i≤n)之间的误差反向传播(输出的误差由输出层经中间层传向输入层)更新神经网络中每条连接线的权重wi和偏置bi；所述的真实值为测试者在目标场景中的信号特征；
④循环记忆训练(模式顺传播与误差反向传播的计算过程反复交替循环进行)。对于人工神经网络网络输入的每一组训练模式，一般要经过数百次甚至上万次的循环记忆训练，才能使网络记住这一模式。
⑤学习结果判别。每次循环记忆训练结束后，都要进行学习结果的判别，主要检查输出误差是否已经达到最小(小于设定值)，在没有到达停止条件的情况下重复上述过程；如已达到最小，则输出迁移函数。
该神经网络采用反向传播进行训练，反向传播算法本质上是随机梯度下降算法，其目标就是优化神经网络的权重，这样神经网络可以学习到如何正确将任意输入映射到输出，也就是说要让各层误差函数的值尽可能的小，而每个神经元的输出值是由该点的连接线对应的权重值wi和该层对应的偏置值bi(1≤i≤n)所决定的，因此，要让误差函数达到最小，我们就要调整wi和bi值，使每个神经元的实际输出更加接近预期输出，从而减少每个神经元以及整个网络的误差。
具体来说，在网络训练中，反向传播算法需要求得误差函数对每一个输入权重wi和偏置值bi的偏导数来获得每一个输入部分误差贡献，进而可以将误差反向传播到反向的下一层网络层，同时进行权重更新，以期得到误差函数的最小解，从而得到网络训练的最佳映射关系。
神经网络可以捕获线性和非线性关系，使其非常适合于应用在不同环境中。例如，与小型走廊相比，开放式大厅更倾向于具有不同的多路径效应，需要灵活的方式来模拟不同类型的关系；并且神经网络非常适合迁移学习，在新的环境中可用于降低训练成本。
在迁移训练中，神经网络的输入分别是原场景和目标场景的信号特征构成的特征集，输出是训练好的用于将原场景的数据迁移到目标场景的迁移函数，其中，输入节点和输出节点的数量取决于特征集的维数。对于一个特定的特征集，神经网络会产生一个表征不同场景间的复杂的关系的迁移函数，该函数包含了训练集通过学习算法学到的特征集的线性与非线性的关系，利用这种关系可以将任意未知的对象映射到新的目标环境中，而不需要在新的环境中收集每个对象的步态或手势数据，从而可以实现跨场景的迁移识别目的。
本实施例中，如图2所示，分别从原场景a和目标场景b采集的n个csi数据tra(x1,x2,…,xn)，trb(y1,y2,…,yn)作为训练神经网络的输入训练集，通过神经网络的训练，得到原场景a到目标场景b的迁移函数tab如下：
tab＝f(tra,trb,θ)
其中，tab表示通过神经网络算法得到的原场景a到目标场景b的迁移函数，它体现的是两场景间的一种线性或非线性的复杂的关系；tra(x1,x2,…,xn)表示从原场景a收集的n个csi信号特征组成的特征向量集，trb(y1,y2,…,yn)表示从目标场景b收集的n个csi信号特征组成的特征向量集，θ表示神经网络通过迭代找到的最小化损失函数的输出值，对于一组训练集x1,x2,...,xn，我们采用随机梯度算法通过多次迭代找到网络参数θ最小化误差函数的输出值：
其中，xi(1≤i≤n)为一个特征向量，表征一个csi信号特征，θ为不断迭代找到的最小化误差函数的输出值，l(xi，θ)为误差函数，计算网络的输出值与真实值之间的输出误差。神经网络通过不断的迭代训练使得误差函数达到最小时，此时每个神经元以及整个网络的误差达到最小，所以网络训练也达到了最好的训练结果，即学习到了如何正确将任意输入映射到输出的一个最佳的映射关系(也就是迁移函数)，此时网络输出训练好的迁移函数。
原场景a到目标场景b的迁移函数tab的训练过程具体如下：
①将采集并处理后的信号特征生成原场景a和目标场景b的训练样本特征集tra(x1,x2,...,xn)，trb(y1,y2,…,yn)，其中n为信号特征的数量；一般情况下，n>1000。
②将①中生成的训练样本特征集同时输入人工神经网络进行训练，通过反向梯度算法不断迭代找到最优网络结构，最后输出得到原场景a到目标场景b的迁移函数tab。其中，同时输入到神经网络中的两组训练样本tra,trb分别对应于神经网络中的输入层(f(0),f(1),…,f(n-1),f(n))和输出层(f′(0),f′(1),…,f′(n-1,f′(n))。
在训练网络模型的过程中，需要计算训练成本，总训练时间由三个部分组成:采集原始的无线信道指标，处理原始数据，然后训练迁移函数。收集原始数据消耗了大部分的训练时间，一般情况下，在这项工作中，从一个环境收集50个用户的步态和手势数据需要4个小时。相比之下，处理原始数据和学习模型的时间可以忽略不计，在多核pc上的时间不到20分钟。
步骤三，对象的迁移
利用迁移函数迁移目标对象的具体过程如下：
通过测试者已经建立了原场景a到目标场景b的迁移函数tab，那么当任意一位待测对象位于原场景中并作出行为动作时，通过原场景中的无线信号收发设备采集无线信号，对无线信号经过预处理后进行特征提取，将得到的信号特征作为测试特征集tea(x1′,x′2,…,xs′)，其中s为测试特征集中信号特征的个数，xi′(1≤i≤s)为信号特征。
将测试特征集tea输入到所述的迁移函数tab中，则迁移函数tab输出的是测试特征集在目标场景中的预测值preb(y1′,y2′,…,ys′)，如图5所示。
得到预测值后，通过所述的预测值训练分类器如svm、ann、lr等，则当待测对象处于目标场景中作出其他行为动作时，利用训练好的分类器对所述的其他行为动作进行分类识别。
之前的关于无线感知识别的研究都是集中在单一场景下的识别或分类，当要对多个场景下的实验对象都要进行识别时，需要在每个场景下分别采集数据训练分类器以完成识别。这是由于当场景发生变化后，不同场景对于无线信号的影响情况不同，例如空旷的大厅与拥挤的办公室对信号产生的多径效应会有很大的差异，因而不同场景下采集的数据差异很大，无法直接用原场景的数据训练分类器从而对目标场景的数据进行识别，因而当通过迁移函数得到原场景的测试集在目标场景下的预测值后，就可以用目标场景中的预测值训练分类器以实现在目标采样经下对待测对象的识别分类，而不需要在目标场景下部署实验场景重新采集数据来训练分类器从而达到识别或分类的目的。
仿真实验：
一、实验过程
1.实验场景
我们分别在三个不同大小的室内环境下收集数据，图6分别显示了三个场景下的布局和无线设备的放置，第一个是宽敞的大厅入口，模仿建筑的接待区。第二个是一个较小的狭窄走廊，第三个是典型的室内环境，家具包括书桌、椅子、书架和电器。
2.数据采集场景设置
步态场景设置如图7的(a)所示，人按照垂直于发射端接收端方向的路线行走，实验中，假设人按直线行走；手势场景设置如图7的(b)所示，和之前已有的系统wiag(adityavirmaniandmuhammadshahzad.positionandorientationagnosticgesturerecognitionusingwifi.inmobisys,2017)一样，从五个位置收集手势数据，其中每个数据收集点以厘米(使用发送端作为原点)和接收端的方向为用户的绝对位置。wiag的研究表明，在最高达31厘米的位置上的位置变化或45度方向的变化对手势识别精度的影响并不显著。我们使用wiag的手势位置定位方法来确定用户的位置和方向。
3.实验参与者
(1)步态数据
我们召集了100个(52个男性)志愿者参与步态实验，每个志愿者以他们正常的速度穿过无线发射器和接收器之间，每个人在每个场景下采集了20组数据，试验共采集了6000组步态数据。
(2)手势数据
我们采用了在之前的研究工作中提出的40个手势。这些包括原始手势，比如手向下移动，原始手势的组合，比如上下移动(手先向上移动，然后向下移动)，以及更复杂的模式等。我们的评估目标比之前所看到的任何一项工作都要多得多，而之前的工作通常是用几个手势来评估的。为了收集手势数据，每个志愿者在每个场景下重复做30次手势，最终共收集了1,200,000个手势数据。
3.命名约定
我们使用收集点-部署点来表示跨场景的迁移，如s1-s2表示分别使用场景1(原场景)和场景2(目标场景)中收集的wifi测量数据作为训练集建立场景1到场景2的迁移函数。
二、评估方法
(1)模型评估
我们使用交叉验证来评估我们的方法。在跨场景感知中使用原场景和目标场景的wifi训练测量样本训练迁移函数，我们用前1的分数(如果函数输出(概率最高的)与期望的答案匹配)报告了整个评估场景的几何平均精度。在使用前2和前3的分数时，结果几乎没有变化。
(2)与其他系统的比较
我们将本方法与其他四种不同的基于csi的无线感知方法做比较。其中包括wiwho和wifiu用于步态识别，wiag和wig用于手势识别。除了csi，我们还将我们的发明应用于基于rssi的手势识别，并与telepathicphone进行了比较。
三、实验结果
(1)利用迁移函数所产生的目标场景的预测样本训练分类器，并对与目标场景的新的未知对象进行分类，在6个用户和手势的小规模问题上可达到75％以上的识别精度，实验结果如图8。
从实验结果可以看出，利用迁移函数能够有效提高目标感知环境的识别效果，并且迁移函数只需要在不同场景间训练一次就可以用来迁移新的未知的目标对象。
(2)将我们的发明与其他可选择的模型(支持向量机svm,朴素贝叶斯nb,随机森林rf,线性回归lr)进行比较，我们的迁移模型在不同的特征集上取得了较低的均方误差，从而说明了我们的迁移函数有着很好的迁移效果，实验结果如图9。
(3)改变网络层数2到20，随着网络层数的增加，识别结果也不断增加，对于步态识别和手势识别，网络层数分别在7和10的时候效果最好，能够达到90％以上，所以本实验在手势识别和步态识别上分别采用的是10层和7层的神经网络层数，实验结果如图10。
综上实验结果证明，我们的发明在实现跨场景的识别上能够达到很好的识别效果，并且不同场景间的函数训练是一次性的成本，大大节省了数据收集的时间成本。与之前的工作相比，我们的方法在评估方案中提供了最佳和最可靠的性能，能够有效的解决跨场景感知的问题。