目标感知模型的训练方法、装置、电子设备及存储介质与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本公开涉及通信技术领域，具体涉及一种目标感知模型的训练方法、装置、电子设备及存储介质。背景技术：2.目前常见的人员行为识别或检测技术，具备良好的应用价值，但也存在一定的缺陷：基于计算机视觉的技术受到光照条件限制，且容易涉及用户敏感信息；可穿戴设备需要特定配套设备；小型雷达由于成本较高而不适用于大规模部署。而无线通信技术(也常称为wi-fi技术)除了承担通信功能之外，也适用于室内场景感知，如人员检测、人员定位和人体姿态识别等任务。wi-fi感知技术可以复用现有通信框架，基于电磁波在部署环境中的传播特性，通过计算部署环境中wi-fi信号多径传播特征实现对目标状态的识别，具有全天候、多任务、不采集直接信息、部署成本低等优点。3.根据电磁波的传播特性，wi-fi信号在部署环境中会发生多径传播，在室内环境中墙面、物体表面、地面、活动的人体等都会对信号产生反射而使电磁波产生不同的传播路径，这些信号最终叠加在一起形成了接收端接收到的wi-fi信号。接收机对接收到的信号进行测量，获得信号从发射到接收过程中，在感知目标所处的环境中的散射、衰落和功率衰减对信号造成的影响。测量值被称为信道状态信息(channel state information,csi)。如果能在信号受到的影响与感知目标状态之间建立联系，就可以对感知目标进行检测、识别等任务，实现wi-fi感知。4.对于较为简单的感知任务，如入侵检测，往往采用统计模型可以获得较好的感知性能。已有技术公开了基于统计模型的室内人员跌倒检测方法，其对于室内人员行为识别等任务，由于对目标状态进行统计建模难度较大，往往采用数据驱动的机器学习或深度学习模型。对于数据驱动模型，由于感知设备接收机接收到的信号同时由感知目标机器所属的部署环境所影响，部署环境的差异性、感知目标对于感知设备的相对位置和朝向以及感知目标的个体差异性是感知模型中对感知精度或准确率影响最大的部分。现有数据驱动模型通常采用“一场景一模型”的实验设置。技术实现要素：5.本公开实施例提供一种目标感知模型的模型方法、装置、电子设备及存储介质。6.第一方面，本公开实施例中提供了一种获取wifi环境中的csi信号；所述wifi环境包括实验室环境和部署环境；所述实验室环境中的csi信号对应有真实标签；所述部署环境的csi信号没有真实标签；所述真实标签用于表示所述wifi环境中存在的目标信息；7.计算所述csi信号对应的多个时间段内的多个频谱图，每个频谱图作为每个所述时间段内的输入特征；8.将所述实验室环境中的所述csi信号在所述时间段内的所述输入特征，以及所述部署环境中所述csi信号在所述时间段内的输入特征混合形成样本数据；每个样本数据为一个输入特征对，所述输入特征对包括实验室环境下存在目标的所述csi信号在一个所述时间段内的数据特征和不存在目标的所述csi信号在一个时间段内的底噪特征，或者部署环境下存在目标的所述csi信号在一个所述时间段内的数据特征和不存在目标的所述csi信号在一个时间段内的底噪特征；9.将所述输入特征对输入至目标感知模型，并通过执行如下一个或多个任务的组合训练所述目标感知模型：10.任务一：对输入的所述输入特征对中的每一个分别进行编码，得到对应的频谱图特征，使得所述频谱图特征经过解码后能够还原出对应的所述输入特征；11.任务二：将不存在目标的csi信号对应的底噪特征表示成低维底噪向量，使得同一wifi环境下所述csi信号对应的所述低维底噪向量之间的相似度大于或等于第一预设阈值，不同wifi环境下所述csi信号对应的所述低维底噪向量之间的相似度大于第二阈值；12.任务三：从输入的所述输入特征对中提取与wifi环境无关的域不变特征；13.任务四：基于所述输入特征对识别所述csi信号中的目标信息。14.进一步地，计算所述csi信号对应的多个时间段内的多个频谱图，每个频谱图作为每个所述时间段内的输入特征，包括：15.基于所述csi信号的多个子载波计算得到多个关于csi信号振幅的时间序列；16.对每个所述关于csi信号振幅的时间序列进行降噪后，切割成长度一致的多个时间段内的时间子序列；17.针对每个时间段内，多个所述关于csi信号振幅的时间序列对应的所述时间子序列进行短时傅里叶变换，得到多个频谱图；18.将多个所述频谱图取均值后作为所述csi信号对应的所述时间段内的输入特征。19.进一步地，将所述实验室环境中的所述csi信号在所述时间段内的所述输入特征，以及所述部署环境中所述csi信号在所述时间段内的输入特征混合形成样本数据，包括：20.对于实验室环境中对应有真实标签且真实标签表明存在目标的所述csi信号的数据特征，随机抽取实验室环境中对应有真实标签且真实标签表明不存在目标的所述csi信号的底噪特征，形成一个输入特征对；21.对于部署环境中存在目标的csi信号的数据特征，随机抽取所述部署环境中不存在目标的所述csi信号的底噪特征，形成一个输入特征对。22.进一步地，所述目标感知模型包括共享特征提取层、第一编解码器对、第二编解码器对、数据特征提取层和底噪特征提取层；所述第一编解码器对包括第一编码器和第一解码器，所述第二编码器对包括第二编码器和第二解码器；对输入的所述输入特征对中的每一个分别进行编码，得到对应的频谱图特征，使得所述频谱图特征经过解码后能够还原出对应的所述输入特征，包括：23.将所述输入特征对中的数据特征和底噪特征输入至所述共享特征提取层，分别提取得到数据共享特征和底噪共享特征；24.将所述数据共享特征输入至所述第一编码器得到隐空间数据表示向量，所述底噪共享特征输入至所述第二编码器得到隐空间底噪表示向量；25.所述隐空间数据表示向量输入至所述第一解码器，再将解码结果输入至数据特征提取层后，得到数据特征的数据还原特征，所述隐空间底噪表示向量输入至所述第二解码器，再将解码结果输入至底噪特征提取层后，得到底噪特征的底噪还原特征。26.进一步地，所述目标感知模型还包括向量降维模块；将不存在目标的csi信号对应的底噪特征表示成低维底噪向量，使得同一wifi环境下所述csi信号对应的所述低维底噪向量之间的相似度大于或等于第一预设阈值，不同wifi环境下所述csi信号对应的所述低维底噪向量之间的相似度大于第二阈值，包括：27.将所述隐空间底噪表示向量输入至所述向量降维模块后，得到所述底噪特征对应的低维底噪向量。28.进一步地，所述目标感知模型还包括向量聚合模块；从输入的所述输入特征对中提取与wifi环境无关的域不变特征，包括：29.将所述隐空间数据表示向量输入至所述向量降维模块后，得到存在目标的csi信号对应的数据特征的低维数据向量；30.将所述低维底噪向量和所述低维数据向量输入至所述向量聚合模块，得到无法判别输入的所述输入特征对来自所述实验室环境还是所述部署环境的域不变特征。31.进一步地，基于所述输入特征对识别所述csi信号中的目标信息，包括：32.从针对多个输入特征分别处理得到的多个所述域不变特征中，选出实验室环境的输入特征对应的域不变特征；33.基于所选出的所述域不变特征识别来自实验室环境的所述csi信号的目标信息的预测结果，以便基于所述预测结果和所述真实标签对所述目标感知模型进行训练。34.第二方面，本公开实施例中提供了一种目标感知模型的训练装置，其中，包括：35.获取模块，被配置为获取wifi环境中的csi信号；所述wifi环境包括实验室环境和部署环境；所述实验室环境中的csi信号对应有真实标签；所述部署环境的csi信号没有真实标签；所述真实标签用于表示所述wifi环境中存在的目标信息；36.计算模块，被配置为计算所述csi信号对应的多个时间段内的多个频谱图，每个频谱图作为每个所述时间段内的输入特征；37.混合模块，被配置为将所述实验室环境中的所述csi信号在所述时间段内的所述输入特征，以及所述部署环境中所述csi信号在所述时间段内的输入特征混合形成样本数据；每个样本数据为一个输入特征对，所述输入特征对包括实验室环境下存在目标的所述csi信号在一个所述时间段内的数据特征和不存在目标的所述csi信号在一个时间段内的底噪特征，或者部署环境下存在目标的所述csi信号在一个所述时间段内的数据特征和不存在目标的所述csi信号在一个时间段内的底噪特征；38.训练模块，被配置为将所述输入特征对输入至目标感知模型，并通过执行如下一个或多个任务的组合训练所述目标感知模型：39.任务一：对输入的所述输入特征对中的每一个分别进行编码，得到对应的频谱图特征，使得所述频谱图特征经过解码后能够还原出对应的所述输入特征；40.任务二：将不存在目标的csi信号对应的底噪特征表示成低维底噪向量，使得同一wifi环境下所述csi信号对应的所述低维底噪向量之间的相似度大于或等于第一预设阈值，不同wifi环境下所述csi信号对应的所述低维底噪向量之间的相似度大于第二阈值；41.任务三：从输入的所述输入特征对中提取与wifi环境无关的域不变特征；42.任务四：基于所述输入特征对识别所述csi信号中的目标信息。43.所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。44.在一个可能的设计中，上述装置的结构中包括存储器和处理器，所述存储器用于存储一条或多条支持上述装置执行上述对应方法的计算机指令，所述处理器被配置为用于执行所述存储器中存储的计算机指令。上述装置还可以包括通信接口，用于上述装置与其他设备或通信网络通信。45.第三方面，本公开实施例提供了一种电子设备，包括存储器、处理器以及存储在存储器上的计算机程序，其中，所述处理器执行所述计算机程序以实现上述任一方面所述的方法。46.第四方面，本公开实施例提供了一种计算机可读存储介质，用于存储上述任一装置所用的计算机指令，该计算机指令被处理器执行时用于实现上述任一方面所述的方法。47.第五方面，本公开实施例提供了一种计算机程序产品，其包含计算机指令，该计算机指令被处理器执行时用于实现上述任一方面所述的方法。48.本公开实施例提供的技术方案可以包括以下有益效果：49.本公开实施例在目标感知模型的训练过程中，将真实标签已知的实验室环境下的样本数据和真实标签未知的部署环境下的数据进行混合后，利用四个任务进行训练，使得训练得到的目标感知模型能够准确识别部署环境中的目标信息，也即利用了实验室环境下采集的有标签数据，实现部署环境的无标签学习，并取得较高的预测精度。50.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。附图说明51.结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：52.图1示出根据本公开一实施方式的目标感知模型的训练方法的流程图；53.图2示出根据本公开一实施方式的目标感知模型的训练方法的一种实现流程图；54.图3示出根据本公开一实施方式的目标感知模型结构示意图；55.图4示出根据本公开一实施方式的目标感知模型的训练装置的结构框图；56.图5是适于用来实现根据本公开一实施方式的目标感知模型的训练方法的电子设备的结构示意图。具体实施方式57.下文中，将参考附图详细描述本公开的示例性实施方式，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施方式无关的部分。58.在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。59.另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。60.已有技术通过数据驱动模型学习特定场景下采集到的数据后获得感知模型，具体地，将对应某段时间内采集到的csi信号和对应的真实标签作为样本数据输入模型，依据一定的模型更新策略，运用合适的学习算法对模型进行训练，最后运用训练好的模型对数据对部署场景中采集到的csi信号进行分析和预测。特别地，由于深度学习模型对数据强大的拟合能力，一些现有技术利用深度学习模型在wi-fi感知任务上获得了良好的性能，但泛化性较差，模型只适用于特定场景。61.已有技术中数据驱动wi-fi感知技术学习训练成本高，泛化性较差，限制条件多。原因有如下两点：62.目前对于传统统计模型方法难以胜任的较为复杂的感知任务，wi-fi感知技术大多采用数据驱动模型，并采用“一场景一模型”的设置，这是由于wi-fi传播信号受到感知目标与感知设备相对位置、朝向以及环境特征的影响，有效特征淹没于接收信号中，这要求模型对接收到的信号特征进行过滤。而对任务有效的信号特征不独立于背景环境，导致一个过滤模型往往只适用于一个环境或一个相对位置。这导致目前wi-fi感知模型普适性差、学习训练成本高。63.对于某些部署场景，数据驱动模型所需要的训练数据往往无法获得。例如一个针对脆弱人员的跌倒检测模型，由于获得真实部署环境中脆弱人员真实跌倒的csi信号的成本不可接受，以及现有模型较差的普适性，导致无法获得并部署该无线感知模型。这导致适合wi-fi感知技术的场景仅限于能够采集到环境和感知目标都与部署场景几乎处处相同的真实数据和标签的场景。64.因此，为了解决已有技术中数据驱动模型由于csi信号受环境等目标无关特征影响较大的问题，提出一种基于双流自动编码器实现环境底噪学习，获取环境无关特征的深度学习神经网络结构，使特定部署环境下采集的数据可以驱动在其他部署环境下模型的学习，提高模型的泛化性和准确率，减少wi-fi感知技术应用的限制条件。65.下面通过具体实施例详细介绍本公开实施例的细节。66.图1示出根据本公开一实施方式的目标感知模型的训练方法的流程图。如图1所示，该目标感知模型的训练方法包括以下步骤：67.在步骤s101中，获取wifi环境中的csi信号；所述wifi环境包括实验室环境和部署环境；所述实验室环境中的csi信号对应有真实标签；所述部署环境的csi信号没有真实标签；所述真实标签用于表示所述wifi环境中存在的目标信息；68.在步骤s102中，计算所述csi信号对应的多个时间段内的多个频谱图，每个频谱图作为每个所述时间段内的输入特征；69.在步骤s103中，将所述实验室环境中的所述csi信号在所述时间段内的所述输入特征，以及所述部署环境中所述csi信号在所述时间段内的输入特征混合形成样本数据；每个样本数据为一个输入特征对，所述输入特征对包括实验室环境下存在目标的所述csi信号在一个所述时间段内的数据特征和不存在目标的所述csi信号在一个时间段内的底噪特征，或者部署环境下存在目标的所述csi信号在一个所述时间段内的数据特征和不存在目标的所述csi信号在一个时间段内的底噪特征；70.在步骤s104中，将所述输入特征对输入至目标感知模型，并通过执行如下一个或多个任务的组合训练所述目标感知模型：71.任务一：对输入的所述输入特征对中的每一个分别进行编码，得到对应的频谱图特征，使得所述频谱图特征经过解码后能够还原出对应的所述输入特征；72.任务二：将不存在目标的csi信号对应的底噪特征表示成低维底噪向量，使得同一wifi环境下所述csi信号对应的所述低维底噪向量之间的相似度大于或等于第一预设阈值，不同wifi环境下所述csi信号对应的所述低维底噪向量之间的相似度大于第二阈值；73.任务三：从输入的所述输入特征对中提取与wifi环境无关的域不变特征；74.任务四：基于所述输入特征对识别所述csi信号中的目标信息。75.本实施例中，该方法可以在服务器上执行。设备初始化后，可以从已有的实验室数据集中随机选择一段时间的有真实标签的csi数据和对应于这些具有这些数据的实验室底噪csi数据，所谓底噪csi数据是实验室环境中无目标的情况下采集的csi数据。随机选择的一段时间的有真实标签的csi数据例如总长大约20秒，具体长度可以基于实际需要而定，在此不做具体限制。真实标签可以包括但不限于采集csi数据时实验室环境中是否存在目标以及目标的其他信息，目标的其他信息可以包括但不限于目标个数、目标分类、目标状态等。76.之后，将设备放置在部署环境中，使得设备能够采集一段时间部署环境内不存在目标的底噪csi数据，之后设备可以实时采集部署环境中真实情况下的csi数据。77.通过上述流程，总共得到了四种csi数据，分别为：实验室环境中存在目标时的csi信号；实验室环境中不存在目标时的csi信号，也即底噪数据；部署环境中存在目标时的csi信号；部署环境中不存在目标时的csi信号，也即底噪数据。需要说明的是，实验室环境中存在目标时的csi信号的真实标签已知，而部署环境中存在目标时的csi信号的真实标签未知。真实标签用于表示wifi环境中存在的目标信息，该目标信息可以包括但不限于是否存在目标、目标数量、目标类型、目标状态等。在一些实施例中，目标状态可以包括但不限于目标所在位置、目标姿态等。78.在一些实施例中，实验室环境和部署环境中的csi数据可以理解为：在实验室环境和部署环境中存在wifi信号，wifi信号作为一种电磁波在实验室环境和部署环境中会发生多径传播，在室内环境中墙面、物体表面、地面、活动的人体等都会对wifi信号产生反射而使电磁波产生不同的传播路径，这些信号最终叠加在一起形成了接收端接收到的wifi信号。接收机对接收到的wifi信号进行测量，获得wifi信号从发射到接收过程中，在感知目标所处的环境中的散射、衰落和功率衰减对信号造成的影响，测量值被称为信道状态信息(channel state information，csi)。79.可以理解的是，实验室环境为已有的用于获取真实标签与实验数据对应关系的环境，本实施例中实验数据为存在目标和不存在目标时所接收到的wifi信号的测量值。而部署环境为真实环境，例如可以是需要在后续的现实生活中不断检测该环境中目标信息的环境。该部署环境中目标信息是未知的，需要进行检测的。80.完成上述数据的采集后，可以将这些数据进行预处理，在数据预处理过程中，可以得到每个csi信号在多个时间段内的频谱图，将该频谱图作为该csi信号在该时间段内的输入特征。81.基于该输入特征可以形成用于模型训练的多个样本数据。每个样本数据包括一个输入特征对；该输入特征对包括实验室环境下的输入特征对或者部署环境下的输入特征对，实验室环境下的输入特征对包括存在目标的所述csi信号在一个所述时间段内的数据特征和不存在目标的所述csi信号在一个时间段内的底噪特征；部署环境下的输入特征对包括存在目标的所述csi信号在一个所述时间段内的数据特征和不存在目标的所述csi信号在一个时间段内的底噪特征。82.经过上述预处理得到csi信号在每一时间段对应的样本数据之后，可以基于该些样本数据训练目标感知模型，模型训练过程可以如图2所示。在训练目标感知模型的过程中，通过一次输入一个输入特征对，这些输入特征对经过目标感知模型的处理，并经过多个任务的训练，经过大量输入特征对的训练后，该目标感知模型训练完成，训练完成的目标感知模型可以准确预测输入的输入特征对中存在目标的csi信号中的目标信息。83.训练目标感知模型的任务包括以下一种或多种的组合：84.任务一：对输入的所述输入特征对中的每一个分别进行编码，得到对应的频谱图特征，使得所述频谱图特征经过解码后能够还原出对应的所述输入特征；85.任务二：将不存在目标的csi信号对应的底噪特征表示成低维底噪向量，使得同一wifi环境下所述csi信号对应的所述低维底噪向量之间的相似度大于或等于第一预设阈值，不同wifi环境下所述csi信号对应的所述低维底噪向量之间的相似度大于第二阈值；86.任务三：从输入的所述输入特征对中提取与wifi环境无关的域不变特征；87.任务四：基于所述输入特征对识别所述csi信号中的目标信息。88.其中，任务一的目的是目标感知模型可以对输入的输入特征对进行编码，编码得到的频谱图特征还可以被目标感知模型解码后还原出原输入数据，也即输入的输入特征对中存在目标的csi信号对应的数据特征经过目标感知模型的编码处理后得到频谱图特征，该频谱图特征经过目标感知模型的解码处理后，可以还原出输入的输入特征对中存在目标的csi信号对应的数据特征；同理，输入的输入特征对中不存在目标的csi信号对应的底噪特征经过目标感知模型的编码处理后得到频谱图特征，该频谱图特征经过目标感知模型的解码处理后，可以还原出输入的输入特征对中不存在目标的csi信号对应的底噪特征。89.任务二的目的是将不存在目标的csi信号对应的底噪特征表示成低维底噪向量，使得该低维底噪向量能够表示出环境信息，也即同一wifi环境下的csi信号对应的该低维底噪向量之间相似度高，例如相似度大于或等于第一预设阈值，而不同wifi环境下的csi信号对应的该低维底噪向量之间的相似度较低，例如相似度小于或等于第二预设阈值，理想的情况下，同一wifi环境下的csi信号对应的该低维底噪向量之间紧密分布，而不同wifi环境下的csi信号对应的该低维底噪向量之间近似于呈正交关系。90.任务三的目的是从输入特征对中提取与wifi环境无关的域不变特征，也即该域不变特征不体现环境信息，使得目标感知模型无法从该域不变特征中判别出该输入特征对应的是哪个wifi环境中的csi信号。91.任务四的目的是基于输入特征对识别出存在目标csi信号中的目标信息。92.在目标感知模型的具体训练过程中，首先将目标感知模型初始化，并循环实现以下步骤：将多个输入特征对作为一个输入特征对批次(例如可以采用64个实验室环境下的输入特征对和64个部署环境下的输入特征对，将它们混合生成一个批次)；该输入特征对一次输入至目标感知模型后，基于每个任务对应的损失函数进行梯度反向传播和模型参数更新；直到达到模型训练停止条件，退出循环后，便可以获得适用于当前环境的目标感知模型。模型训练停止条件可以包括但不限于训练次数超过预设限制、模型参数收敛等。93.本公开实施例在目标感知模型的训练过程中，将真实标签已知的实验室环境下的样本数据和真实标签未知的部署环境下的数据进行混合后，利用四个任务进行训练，使得训练得到的目标感知模型能够准确识别部署环境中的目标信息，也即利用了实验室环境下采集的有标签数据，实现部署环境的无标签学习，并取得较高的预测精度。94.在本实施例的一个可选实现方式中，步骤s102，即计算所述csi信号对应的多个时间段内的多个频谱图，每个频谱图作为每个所述时间段内的输入特征的步骤，进一步包括以下步骤：95.基于所述csi信号的多个子载波计算得到多个关于csi信号振幅的时间序列；96.对每个所述关于csi信号振幅的时间序列进行降噪后，切割成长度一致的多个时间段内的时间子序列；97.针对每个时间段内，多个所述关于csi信号振幅的时间序列对应的所述时间子序列进行短时傅里叶变换，得到多个频谱图；98.将多个所述频谱图取均值后作为所述csi信号对应的所述时间段内的输入特征。99.该可选的实现方式中，假设每个csi信号对应c个子载波，针对每个子载波的csi信号分别计算振幅，获得c个关于csi信号振幅的时间序列，将时间序列中的振幅降噪后分别用长度为w步，步长为s步的滑窗进行切割，每个时间段内切割得到c个时间子序列，对同一时间段内切割得到的长度为w的c个时间子序列进行短时傅里叶变换，得到c个频谱图，该c个频谱图取均值后可以作为该段短时间内的输入特征。100.在本实施例的一个可选实现方式中，步骤s103，即计算所述csi信号对应的多个时间段内的多个频谱图，每个频谱图作为每个所述时间段内的输入特征的步骤，进一步包括以下步骤：101.对于实验室环境中对应有真实标签且真实标签表明存在目标的所述csi信号的数据特征，随机抽取实验室环境中对应有真实标签且真实标签表明不存在目标的所述csi信号的底噪特征，形成一个输入特征对；102.对于部署环境中存在目标的csi信号的数据特征，随机抽取所述部署环境中不存在目标的所述csi信号的底噪特征，形成一个输入特征对。103.该可选的实现方式中，在经过数据预处理，得到实验室环境下的输入特征以及部署环境下的输入特征之后，组成输入特征对，一个输入特征对可以是一个样本数据。104.针对实验室环境下存在目标的csi信号对应的数据特征，从实验室环境下的底噪特征中随机抽取一个，与该数据特征形成一个输入特征对；而对于部署环境下存在目标的csi信号对应的数据特征，也同样随机抽取一个部署环境下不存在目标的csi信号对应的底噪特征，形成一个输入特征对。105.需要说明的是，实验室环境下的csi信号带有真实标签，可以基于真实标签确定哪些是数据特征，哪些是底噪特征。106.而部署环境中的csi信号没有真实标签，但是在采集数据时，不存在目标的csi信号是单独采集的，这批采集的数据对应的输入特征可以确定是底噪特征，而除这部分数据之外的其他数据(采集其他数据的时候一般会在存在目标的情况下采集)可以确定为存在目标的csi数据，其对应的输入特征也就是数据特征。107.在本实施例的一个可选实现方式中，所述目标感知模型包括共享特征提取层、第一编解码器对、第二编解码器对、数据特征提取层和底噪特征提取层；所述第一编解码器对包括第一编码器和第一解码器，所述第二编码器对包括第二编码器和第二解码器；所述对输入的所述输入特征对中的每一个分别进行编码，得到对应的频谱图特征，使得所述频谱图特征经过解码后能够还原出对应的所述输入特征的步骤，进一步包括以下步骤：108.将所述输入特征对中的数据特征和底噪特征输入至所述共享特征提取层，分别提取得到数据共享特征和底噪共享特征；109.将所述数据共享特征输入至所述第一编码器得到隐空间数据表示向量，所述底噪共享特征输入至所述第二编码器得到隐空间底噪表示向量；110.所述隐空间数据表示向量输入至所述第一解码器，再将解码结果输入至数据特征提取层后，得到数据特征的数据还原特征，所述隐空间底噪表示向量输入至所述第二解码器，再将解码结果输入至底噪特征提取层后，得到底噪特征的底噪还原特征。111.该可选的实现方式中，目标感知模型的结构可以如图3所示。目标感知模型包括共享特征提取层、第一编解码器对、第二编解码器对、数据特征提取层和底噪特征提取层；所述第一编解码器对包括第一编码器和第一解码器，所述第二编码器对包括第二编码器和第二解码器。如图3所示，任务一中输入特征对(也即实验室环境和部署环境下混合得到的数据-底噪对)对应的数据输入特征(也即数据频谱图s1)和底噪输入特征(也即底噪频谱图s2)分别经过共享特征层后提取出数据共享特征和底噪共享特征；数据共享特征经过第一编码器进行编码得到隐空间数据表示向量，底噪共享特征经过第二编码器编码得到隐空间底噪表示向量。112.隐空间数据表示向量输入至第一解码器后经过数据特征提取层，得到数据特征的数据还原特征，需要说明的是，该数据还原特征在模型训练过程中与数据特征可能不同，而模型训练中任务一的目的是在模型训练完成后，该数据还原特征与数据特征相同。113.隐空间底噪表示向量输入至第二解码器后经过底噪特征提取层，得到底噪特征的底噪还原特征，需要说明的是，该底噪还原特征在模型训练过程中与底噪特征可能不同，而模型训练中任务一的目的是在模型训练完成后，该底噪还原特征与数据特征相同。114.在算法框架中，记某次批次梯度下降中算法的输入是在算法框架中，记某次批次梯度下降中算法的输入是其中b是预先设定的批次大小。为实验室环境下的输入特征对，y(i)是对应的真实标签；是部署环境下的输入特征对。115.记设(1,2,…,b)的一个重排σ(1,2,…,b)。116.构造来源标签并将s＝(s(k))k＝1,2,…,b和l按σ(1,2,…,b)重排，得到sσ和lσ。117.对于任务一，可以设计损失函数项：118.当这一项函数值趋近于0时，目标感知模型使用压缩后的向量可以准确地复原出对应的数据频谱图或者底噪频谱图，目标感知模型的编码器部分输出的隐空间表示蕴含了丰富的关于频谱图的信息。119.在本实施例的一个可选实现方式中，所述目标感知模型还包括向量降维模块；将不存在目标的csi信号对应的底噪特征表示成低维底噪向量，使得同一wifi环境下所述csi信号对应的所述低维底噪向量之间的相似度大于或等于第一预设阈值，不同wifi环境下所述csi信号对应的所述低维底噪向量之间的相似度大于第二阈值的步骤，进一步包括以下步骤：120.将所述隐空间底噪表示向量输入至所述向量降维模块后，得到所述底噪特征对应的低维底噪向量。121.该可选的实现方式中，如图3所示，任务二的目的是训练目标感知模型，使得隐空间底噪表示向量经过向量降维模块后，输出的低维底噪向量能够表示出csi信号的wifi环境信息。在一些实施例中，任务二的训练目标是同一个wifi环境下的隐空间底噪表示向量经过向量降维模块后得到低维底噪向量紧密分布，而对应不同wifi环境的低维底噪向量ej之间相互正交。122.针对任务二，可以涉及损失函数项其中i表示低维底噪向量w所属环境编号，j∈{1,2,…,j}，其中j表示实验室环境数和部署环境数之和。sim(·,·)是一个向量相似度函数，一般设置为两个向量的夹角余弦值。表示上一优化轮次中，所有环境编号为j的所有低维底噪向量w的均值。123.当这一项损失函数值趋近于0时，来自编号为i的wifi环境在各时间段内采集到的csi信号对应的低维底噪向量集合落在该空间的一条直线上，且与来自其他wifi环境(编号为j,j≠i)各时间段采集到的csi信号对应的低维底噪向量两两正交。这一项损失函数促使目标感知模型在接收来自相似wifi环境的底噪特征时在目标向量空间中输出相似的低维底噪向量，同时区分开来自不同wifi环境的底噪特征，也即接收来自相似wifi环境的底噪特征时在目标向量空间中输出的低维底噪向量相似度较小，或者是正交的，该任务可以协助任务三中对域不变特征的提取。124.在图3所示的对比学习模块中，通过上述损失函数项计算任务二对应的损失函数值，进而再通过梯度下降法利用损失函数值对目标感知模型的模型参数进行更新。125.在本实施例的一个可选实现方式中，所述目标感知模型还包括向量聚合模块；从输入的所述输入特征对中提取与wifi环境无关的域不变特征的步骤，进一步包括以下步骤：126.将所述隐空间数据表示向量输入至所述向量降维模块后，得到存在目标的csi信号对应的数据特征的低维数据向量；127.将所述低维底噪向量和所述低维数据向量输入至所述向量聚合模块，得到无法判别输入的所述输入特征对来自所述实验室环境还是所述部署环境的域不变特征。128.该可选的实现方式中，目标感知模型还包括向量聚合模块，隐空间数据表示向量经过向量降维模块降维处理后得到低维数据向量，该低维数据向量和低维底噪向量输入至向量聚合模块进行聚合后，可以得到域不变特征。任务三的目的是训练目标感知特征，使得输出的域不变特征中不包括环境信息，目标感知模型不能通过该域不变特征识别出低维数据向量和低维底噪向量对应的输入特征来自于实验室环境还是部署环境。129.针对任务案，设计损失函数项其中是目标感受模型接受输入特征si之后产生的目标向量集ui，经过判别器得到的模型输出。任务三中，训练的目的是要求尽可能大，以监督目标感知模型接收实验室环境中csi信号对应的输入特征和部署环境中csi信号的输入特征时输出的目标向量没有明显分布差异，促使目标感知模型输出的目标向量就是该任务三需要的域不变的特征，由此目标感知模型可以借助有真实标签的实验室环境中的csi信号实现对无真实标签的部署环境中的csi信号的准确分类。同时，任务三与任务二存在着一定程度上的对抗，避免目标感知模型获得的域不变特征不是只包含无关信息的平凡解。130.任务三中的判别器用于判别域不变特征u来自实验室环境还是部署环境，通过任务三对应的损失函数，最终训练目标感知模型使得该判别器无法判别出该目标向量来自实验室环境还是部署环境。判别器实际上是用于计算损失函数的部分，基于该判别器计算的损失函数值可以更新目标感知模型的模型参数。131.在本实施例的一个可选实现方式中，基于所述输入特征对识别所述csi信号中的目标信息的步骤，进一步包括以下步骤：132.从针对多个输入特征分别处理得到的多个所述域不变特征中，选出实验室环境的输入特征对应的域不变特征；133.基于所选出的所述域不变特征识别来自实验室环境的所述csi信号的目标信息的预测结果，以便基于所述预测结果和所述真实标签对所述目标感知模型进行训练训练。134.该可选的实现方式中，任务四的目的是能够识别出输入特征对应的csi信号中的目标信息。在训练过程中，可以获得一个批次内多个输入特征对对应的多个域不变特征，从中选出实验室环境中带有真实标签的域不变特征，并基于所选出的域不变特征识别来自实验室环境的csi信号的目标信息的预测结果，通过该预测结果和真实标签的差别可以对目标感知模型的模型参数进行更新。135.在一些实施例中，在一个批次梯度下降中获得b个输入特征对应的域不变特征后，仅取出其中b1个l＝1(也即来自实验室环境)的向量，并按照对的真实标签y计算交叉熵分类损失。损失函数项可以构建为136.任务四中的分类器用于将来自实验室环境的csi信号对应的域不变特征进行分类，确定目标信息，例如是否存在目标、目标的类型、目标的姿态等。137.在一些实施例中，利用上述任务一至任务四训练目标感知模时，损失函数可以设置为138.下述为本公开装置实施例，可以用于执行本公开方法实施例。139.图4示出根据本公开一实施方式的目标感知模型的训练装置的结构框图。该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图4所示，该目标感知模型的训练装置包括：140.获取模块401，被配置为获取wifi环境中的csi信号；所述wifi环境包括实验室环境和部署环境；所述实验室环境中的csi信号对应有真实标签；所述部署环境的csi信号没有真实标签；所述真实标签用于表示所述wifi环境中存在的目标信息；141.计算模块402，被配置为计算所述csi信号对应的多个时间段内的多个频谱图，每个频谱图作为每个所述时间段内的输入特征；142.混合模块403，被配置为将所述实验室环境中的所述csi信号在所述时间段内的所述输入特征，以及所述部署环境中所述csi信号在所述时间段内的输入特征混合形成样本数据；每个样本数据为一个输入特征对，所述输入特征对包括实验室环境下存在目标的所述csi信号在一个所述时间段内的数据特征和不存在目标的所述csi信号在一个时间段内的底噪特征，或者部署环境下存在目标的所述csi信号在一个所述时间段内的数据特征和不存在目标的所述csi信号在一个时间段内的底噪特征；143.训练模块404，被配置为将所述输入特征对输入至目标感知模型，并通过执行如下一个或多个任务的组合训练所述目标感知模型：144.任务一：对输入的所述输入特征对中的每一个分别进行编码，得到对应的频谱图特征，使得所述频谱图特征经过解码后能够还原出对应的所述输入特征；145.任务二：将不存在目标的csi信号对应的底噪特征表示成低维底噪向量，使得同一wifi环境下所述csi信号对应的所述低维底噪向量之间的相似度大于或等于第一预设阈值，不同wifi环境下所述csi信号对应的所述低维底噪向量之间的相似度大于第二阈值；146.任务三：从输入的所述输入特征对中提取与wifi环境无关的域不变特征；147.任务四：基于所述输入特征对识别所述csi信号中的目标信息。148.本实施例中的目标感知模型的训练装置与上文中对目标感知模型的训练方法对应一致，具体细节参见上文中对目标感知模型的训练方法的描述，在此不再赘述。149.图5是适于用来实现根据本公开一实施方式的目标感知模型的训练方法的电子设备的结构示意图。150.如图5所示，电子设备500包括处理单元501，其可实现为cpu、gpu、fpga、npu等处理单元。处理单元501可以根据存储在只读存储器(rom)502中的程序或者从存储部分508加载到随机访问存储器(ram)503中的程序而执行本公开上述任一方法的实施方式中的各种处理。在ram503中，还存储有电子设备500操作所需的各种程序和数据。处理单元501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。151.以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至i/o接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。152.特别地，根据本公开的实施方式，上文参考本公开实施方式中的任一方法可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行本公开实施方式中任一方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。153.附图中的流程图和框图，图示了按照本公开各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。154.描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。155.作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。156.以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!