没有合适的资源?快使用搜索试试~ 我知道了~
一种适于多场景人群计数的支持向量机增量学习方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 6 浏览量
2022-12-01
09:06:54
上传
评论
收藏 1.17MB DOCX 举报
温馨提示
试读
17页
一种适于多场景人群计数的支持向量机增量学习方法.docx
资源推荐
资源详情
资源评论
1. 引言
物联网(Internet of Things, IOT)环境中,准确且无感知的估计感兴趣区域中的人数(即
人群计数)在多个场合有应用需求.例如智能家居中根据人数和分布可调整照明和通风系
统,以提高能效
[1]
.类似地,在零售和交通运输场合通过可靠的人群计数估计,可在紧急情
况下实时适当的进行人群控制,如在机场、饭店和购物商场可以通过排队人数估计来改善
服务质量,提高客户满意度,并在紧急情况下提供有效的疏散方案
[2]
.
现有的 WiFi 基础设施已在住宅和商业建筑中广泛使用,并且几乎每个商用
(Commercial Off-The-Shelf, COTS)移动设备(Mobile Devices, MD)都支持 WiFi.WiFi 感知在
入侵检测、人群计数、行为识别、身份识别、室内定位和跟踪等领域取得了重要应用
[3]
.
WiFi 设备的信道状态信息(Channel State Information,CSI)可以从一个数据包中同时测
量正交频分复用(Orthogonal Frequency Division Multiplexing, OFDM)多个子载波的频率响
应,其响应可感知由于衰落,散射和路径损耗引起的综合影响,从而更精确地刻画信道的
细粒度信息.Xi 等
[4]
提出了使用 CSI 幅度信息进行人群计数的 Gray Verhulst 模型,为了达到
可接受的计数精度,需要配备多个 WiFi 节点来弥补该模型带来的不精确性.Gjengset 等
[5]
提
出 CSI 相位差可以有效表征人体运动随时间的变化,对环境中运动信息更敏感,因此比
CSI 幅度和相位信息更健壮.Domenico 等
[6]
利用主分量分析(Principal Component Analysis,
PCA)对 CSI 原始数据进行噪声去除和特征提取,但在噪声去除中会对人运动的 WiFi 信号
产生损伤.
为了解决 WiFi 采集信号去噪不完全和需要配置大量 WiFi 节点的问题,本文提出了基
于 WiFi 设备 CSI 相位差扩展矩阵来构建信道特征信息,并结合支持向量机(Support Vector
Machine, SVM)分类模型,实现了室内空间内的人群计数.该系统仅需配备两个 WiFi 节点分
别作为发送和接收信号节点.首先使用三重处理过程,包括对采集 CSI 原始数据相位进行线
性变换,相位差提取和基于 Savitzky-Golay 方法的异常值滤波,有效消除相位误差的同
时,最大程度地保留了相位差序列中人体运动特征信息.然后以相位差扩展矩阵数据作为训
练和测试数据集,利用 SVM 分类算法构建了用于测试待分类 CSI 数据的人群计数模型.
传统 SVM 人数分类器,当加入新的场景样本需要重新训练才能得到新的人群计数模
型,运算复杂度过高
[7]
;为了解决此问题,常常采用训练一种场景的数据得到人群计数模
型,将其应用于多种场景中,这类方法虽计算复杂度低,但对于未经训练的新增场景,人
群计数的判别准确率不高
[4][6][8]
.因此本文提出了一种基于 LIBSVM 工具包
[9]
的增量学习方
法,相较于以往的人群计数方法,每当添加一个新的场景时,需要对其重新进行训练,利
用一种循环迭代的算法降低了计算复杂度,且保证了多场景下的人群计数准确率比较高.另
外场景越多,本文算法的计算复杂度降低的越明显,能够较好的实现在线分类学习.
2. 信道状态信息相位差矩阵构建
2.1 信道状态信息
正交频分复用(OFDM)广泛应用于无线局域网(WLAN)中.OFDM 系统基于 IEEE
802.11n 协议,在一个信道带宽为 20 MHz 的 OFDM 系统中,无线信号被调制为 64 个间隔
为 312.5 kHz 的子载波.OFDM 系统收发信号频域之间的关系为:
Y=HX+NY=HX+N
(1)
式中,X 和 Y 分别表示不同收发天线在不同子载波上的发送信号和接收信号向量, N
表示环境噪声向量, H 表示信道频率响应矩阵,即物理层子载波的信道状态信息.第 m 个接
收天线的第 i 个子载波的 CSI 信息可表示为:
Hmi(t)=∑k=0Krk(t)⋅ejφk(t)Him(t)=∑k=0Krk(t)⋅ejφk(t)
(2)
式中,t 表示时间变化;K 表示传播路径总数;r
k
(t)和 φ
k
(t)表示 CSI 信号在第 k 条路径
传播时的幅度和相位.目前用 Intel 5300 无线网卡可采集到 30 个子载波的 CSI 信息,因此第
m 个接收天线的 CSI 信息可表示为:
Hm=[Hm1,Hm2,⋯,Hm30]Hm=[H1m,H2m,⋯,H30m]
(3)
2.2 数据预处理
2.2.1 相位解模糊
对某接收天线第 i 个子载波采集到的 CSI 数据,其采集数据相位 φ^iφ^i 可表示为:
φ^i=φi−2πkiNδ+β+zφ^i=φi−2πkiNδ+β+z
(4)
式中,φ
i
表示 CSI 数据的实际相位;δ 和 β 分别表示信道和设备的非理想性引起的时
间和相位偏移;N=64 表示 OFDM 系统中 FFT 窗长度, k
i
表示接收天线采集的第 i 个子载波
的索引
[10]
;z 表示第 i 个子载波的环境噪声.
实际计算机处理中相位会落在[-π, π]主值区间上,因此测量的 30 个子载波的相位存
在相位模糊,真实相位与测量相位相差 2π 的整数倍,这就会产生周期性多值问题.为获取
真实相位,本文采用 Matlab 库函数“Unwrap”来消除 30 个子载波的相位模糊性.
2.2.2 消除相位线性误差
本小节主要是消除相位的线性误差,获得矫正相位.商用 WiFi 设备提取的 CSI 数据的
原始相位包含大量相位线性误差,主要包括 OFDM 中的采样频率偏差(Sampling Frequency
Offset, SFO)和载波频率偏移(Carrier Frequency Offset,CFO)两种来源.SFO 是时钟同步错误
引起收发机的采样频率偏差,从而导致接收信号产生一个时移,此时移导致子载波的相位
产生一个近似常量的线性误差 δ,CFO 是由于硬件不完善引起 CSI 相位偏移 β.基于文献
[11]联合所有子载波原始相位数据进行如下式(5)的线性变换,这里我们设置 a 和 b.
a=φ^n−φ^1kn−k1=φn−φ1kn−k1−2πNδa=φ^n−φ^1kn−k1=φn−φ1kn−k1−2πNδ
(5a)
b=1n∑j=1nφ^j=1n∑j=1nφj−2πδnN∑j=1nkj+βb=1n∑j=1nφ^j=1n∑j=1nφj−2πδnN∑j=1nkj+β
(5b)
式中,a 表示相位斜率;b 表示偏移量;n 表示子载波的个数;k
i
表示第 i 个子载波索
引,且 k
i
∈[-28, 28]
[10]
.则基于式(5),可得基于线性变换之后的校正相位:
φ~i=φ^i−aki−b=φi−2πkiNδ+β−(φn−φ1kn−k1ki−2πkiNδ)−(1n∑j=1nφj−2πδnN∑j=1nkj+β)=φi−φn−φ1kn−k1ki−1n∑j=1nφjφ~i=φ^i−aki−b=φi−2πkiNδ+β−(φn−φ1kn−k1ki−2πkiNδ)−(1n∑j=1nφj−2πδnN∑j=1nkj+β)=φi−φn−φ1kn−k1ki−1n∑j=1nφj
(6)
这里因为子载波 k
i
是对称的,因此式(6) 中 2πδnN∑j=1nkj=02πδnN∑j=1nkj=0,可见校
正相位 φ~iφ~i 已经基本消除 δ 和 β 偏移.
在三个不同时刻(即第 30, 60, 100 个数据包),图 1(a)显示了静态环境中 30 个子载波
的原始相位序列,图 1(b)显示了解卷绕相位序列,图 1(c)显示了校正后的相位序列.由图
1(b)可知图 1 (a)中所示的原始相位经过解卷绕获得连续变化的真实相位,但是不同时间节
点因时钟同步错误导致解卷绕后的相位并不能完全重合,需经过线性变换来消除它,得到
图 1 (c)中所示校正相位,可得在静态环境下,30 个子载波在不同时刻的相位经线性变换
之后成簇状分布,且波动较小.在接下来的信号处理中我们使用该校正相位数据.
剩余16页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3701
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功