本發(fā)明屬于信號處理
技術(shù)領(lǐng)域：
，更進一步涉及無線信號處理
技術(shù)領(lǐng)域：
中的一種處理基于信道狀態(tài)信息的活動人員數(shù)量估計方法。本發(fā)明在離線訓練階段訓練支持向量機分類器，在在線估計階段用訓練好的支持向量機分類器進行活動人員數(shù)量估計，可用于對進出類似智能家居場景中，需要統(tǒng)計或者監(jiān)測的活動人員的數(shù)量進行在線估計和監(jiān)測。
背景技術(shù)：
：在現(xiàn)實生活中的很多場景當中，獲取某一個區(qū)域內(nèi)活動人員數(shù)量估計值具有很重要的意義。理想的活動人員數(shù)量估計方法應當是適用范圍廣，估計準確度高，對用戶無任何約束的。由于現(xiàn)實生活中場景的多樣性以及用戶行為模式的隨機性，因此找到一種能夠滿足上述條件的活動人員數(shù)量估計方法是一項充滿挑戰(zhàn)的任務。傳統(tǒng)的活動人員數(shù)量估計技術(shù)多是基于計算機視覺的，這類技術(shù)通常是通過檢測圖像中的人臉或頭肩來進行人員檢測，從而實現(xiàn)活動人員數(shù)量估計，但是由于光學傳感器的局限性，這類方法有諸多弊端，如只能在光線充足的情況下工作，并且只能估計視線之內(nèi)的人員。所以需要新的研究方法的提出。moustafayoussef，ahmedsaeed和ahmede.kosba等人在其發(fā)表的論文“alarge-scaledevice-freepassivelocalizationsystemforwirelessenvironments”(mobilecomputing,ieeetransactionson,2013,12(7):1321-1334)中提出了一種基于接收信號強度的活動人員數(shù)量估計方法。該方法先統(tǒng)計室內(nèi)活動的人數(shù)不同時，接收信號強度的方差的差別，再根據(jù)這種差別來進行活動人員數(shù)量估計。該方法存在的不足之處是，估計的準確度較差，適用性不強。西安交通大學在其申請的專利文獻“一種利用信道狀態(tài)信息的非綁定人數(shù)計數(shù)方法”(專利申請?zhí)枺?01410458022.2，公開號：cn104239951a)中提出了一種基于信道狀態(tài)信息的非綁定人數(shù)計數(shù)方法。該方法統(tǒng)計在活動人員數(shù)量已知的情況下，信道狀態(tài)信息擴張矩陣中的非零元素百分比值(percentageofnon-zeroelementsinthedilatedcsimatrix，pem)的變化規(guī)律，再根據(jù)灰色理論對其進行擬合和估計，構(gòu)建信道狀態(tài)信息配置文件，通過與該信道狀態(tài)信息配置文件進行匹配來估計活動人員數(shù)量。該方法存在不足之處是，估計的準確度不高，估計結(jié)果波動較大。技術(shù)實現(xiàn)要素：本發(fā)明的目的是針對上述現(xiàn)有技術(shù)的不足，提出了一種基于信道狀態(tài)信息的活動人員數(shù)量估計方法。本發(fā)明與現(xiàn)有技術(shù)中其他人數(shù)估計技術(shù)相比準確度高，適應性強。本發(fā)明包括離線訓練和在線估計兩個階段，具體步驟包括如下：在需要進行活動人員數(shù)量估計的待估計區(qū)域內(nèi)，進行離線訓練的步驟如下：(1)采集已知活動人員數(shù)量的信道狀態(tài)信息：利用人數(shù)估計系統(tǒng)，采集待估計區(qū)域內(nèi)已知活動人員數(shù)量的信道狀態(tài)信息；(2)用信道狀態(tài)信息特征提取算法，對已知活動人員數(shù)量的信道狀態(tài)信息進行處理，得到已知活動人員數(shù)量的信道狀態(tài)信息特征：(2a)設定一個長度為l的滑動窗口，l的取值為大于0的整數(shù)；(2b)用滑動窗口對已知活動人員數(shù)量的信道狀態(tài)信息進行采樣，將采樣后的已知活動人員數(shù)量的信道狀態(tài)信息序列作為待處理信道狀態(tài)信息序列；(2c)利用均值公式和標準差公式，分別計算待處理信道狀態(tài)信息序列中的每一個子載波數(shù)據(jù)的均值和標準差；(2d)去除待處理信道狀態(tài)信息序列中每一個子載波數(shù)據(jù)中的異常數(shù)據(jù)，得到去除異常數(shù)據(jù)后的信道狀態(tài)信息序列；(2e)利用方差公式，計算去除異常數(shù)據(jù)后的信道狀態(tài)信息序列中每一個子載波數(shù)據(jù)的方差：(2f)將去除異常數(shù)據(jù)后的信道狀態(tài)信息序列的所有子載波數(shù)據(jù)的方差組成向量，作為已知活動人員數(shù)量的信道狀態(tài)信息特征；(3)訓練支持向量機分類器：用已知活動人員數(shù)量的信道狀態(tài)信息特征對支持向量機分類器進行訓練，得到訓練好的分類器；在與離線訓練階段的相同待估計區(qū)域內(nèi)，使用訓練好的分類器，進行在線估計活動人員數(shù)量的步驟如下：(4)采集待估計活動人員數(shù)量的信道狀態(tài)信息：使用與離線訓練階段采集信道狀態(tài)信息時相同的人數(shù)估計系統(tǒng)，在與離線訓練階段相同區(qū)域內(nèi)，采集待估計活動人員數(shù)量的信道狀態(tài)信息；(5)提取待估計活動人員數(shù)量的信道狀態(tài)信息特征：用與離線訓練階段相同的信道狀態(tài)信息特征提取算法，對待估計活動人員數(shù)量的信道狀態(tài)信息進行處理，得到待估計活動人員數(shù)量的信道狀態(tài)信息特征；(6)估計活動人員數(shù)量：用離線訓練階段訓練好的分類器，對待估計活動人員數(shù)量的信道狀態(tài)信息特征進行分類，得到活動人員數(shù)量。本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點：第一，由于本發(fā)明在離線訓練階段和在線估計階段，均采用信道狀態(tài)信息特征提取的方法，所提取的信道狀態(tài)信息特征能夠準確地區(qū)分不同的活動人員數(shù)量，克服了現(xiàn)有技術(shù)中活動人員數(shù)量估計的準確度不高的問題，使得本發(fā)明對活動人員數(shù)量的估計準確度更高。第二，由于本發(fā)明在離線訓練階段和在線估計階段，均采用支持向量機分類器，能夠更好地區(qū)分不同活動人員數(shù)量的信道狀態(tài)信息特征，克服了現(xiàn)有技術(shù)中活動人員數(shù)量估計結(jié)果波動較大的問題，使得本發(fā)明對活動人員數(shù)量進行在線估計所得結(jié)果的穩(wěn)定性更好。附圖說明圖1是本發(fā)明的流程圖；圖2是本發(fā)明的信道狀態(tài)信息特征提取流程圖；圖3是本發(fā)明的仿真圖。具體實施方式下面結(jié)合附圖對本發(fā)明做進一步的描述。參照圖1，本發(fā)明實現(xiàn)的具體步驟如下：在需要進行活動人員數(shù)量估計的待估計區(qū)域內(nèi)，進行離線訓練的步驟如下：步驟1，采集已知活動人員數(shù)量的信道狀態(tài)信息。在待估計區(qū)域設置一個人數(shù)估計系統(tǒng)，其中包括一個無線接入點，4個監(jiān)測點以及一個中心服務器，4個監(jiān)測點均安裝有具備采集信道狀態(tài)信息能力的無線網(wǎng)卡，無線接入點建立基于802.11n無線局域網(wǎng)通信標準協(xié)議的無線網(wǎng)絡，所有監(jiān)測點及中心服務器均與無線接入點建立連接。各監(jiān)測點以每秒200次的頻率向無線接入點持續(xù)發(fā)送ping命令數(shù)據(jù)包，并根據(jù)無線接入點返回的icmp應答數(shù)據(jù)包來計算信道狀態(tài)信息，同時各監(jiān)測點將采集得到的信道狀態(tài)信息通過無線接入點實時發(fā)送到中心服務器。利用人數(shù)估計系統(tǒng)，采集待估計區(qū)域內(nèi)已知活動人員數(shù)量的信道狀態(tài)信息作為離線訓練階段所用的數(shù)據(jù)。步驟2，用信道狀態(tài)信息特征提取算法，對已知活動人員數(shù)量的信道狀態(tài)信息進行處理，提取已知活動人員數(shù)量的信道狀態(tài)信息特征。本發(fā)明實施例是中心服務器通過信道狀態(tài)信息特征提取算法，對4個監(jiān)測點的已知活動人員數(shù)量的信道狀態(tài)信息進行處理，得到已知活動人員數(shù)量的信道狀態(tài)信息特征。參照圖2，對本發(fā)明的信道狀態(tài)信息特征提取算法的具體步驟描述如下。第1步，設定一個長度為l的滑動窗口，l的取值為大于0的整數(shù)。第2步，用滑動窗口對信道狀態(tài)信息進行采樣，將采樣后的信道狀態(tài)信息序列作為待處理信道狀態(tài)信息序列。第3步，利用下式，計算待處理信道狀態(tài)信息序列每一個子載波上的數(shù)據(jù)的均值和標準差：其中，μk表示待處理信道狀態(tài)信息序列中所有信道狀態(tài)信息記錄的第k個子載波上數(shù)據(jù)的均值，∑表示求和操作，i表示待處理信道狀態(tài)信息序列中信道狀態(tài)信息記錄的索引號，表示待處理信道狀態(tài)信息序列中第i條信道狀態(tài)信息記錄上的第k個子載波上的數(shù)據(jù)，σk表示待處理信道狀態(tài)信息序列中所有信道狀態(tài)信息記錄的第k個子載波上數(shù)據(jù)的標準差，表示開平方操作，l表示滑動窗口的大小。第4步，去除待處理信道狀態(tài)信息序列每一個子載波上的數(shù)據(jù)中的異常數(shù)據(jù)，得到去除異常數(shù)據(jù)后的信道狀態(tài)信息序列。所述異常數(shù)據(jù)是指，待處理信道狀態(tài)信息序列的每一個子載波數(shù)據(jù)中位于[μk-3*σk,μk+3*σk]范圍之外的數(shù)據(jù)，其中，μk表示待處理信道狀態(tài)信息序列中所有信道狀態(tài)信息記錄的第k個子載波數(shù)據(jù)的均值，σk表示待處理信道狀態(tài)信息序列中所有信道狀態(tài)信息記錄的第k個子載波數(shù)據(jù)的標準差，*表示相乘操作。第5步，利用下式，計算去除異常值后的信道狀態(tài)信息序列中每一個子載波上的數(shù)據(jù)的方差：其中，表示去除異常值后的信道狀態(tài)信息序列中所有信道狀態(tài)信息記錄的第k個子載波上數(shù)據(jù)的均值，l表示去除異常值后的信道狀態(tài)信息序列中信道狀態(tài)信息記錄的數(shù)量，表示去除異常值后的信道狀態(tài)信息序列中第i條信道狀態(tài)信息記錄上的第k個子載波上的數(shù)據(jù)，δk表示去除異常值后的信道狀態(tài)信息序列中所有信道狀態(tài)信息記錄的第k個子載波上數(shù)據(jù)的標準差。第6步，將去除異常數(shù)據(jù)后的信道狀態(tài)信息序列所有子載波上的數(shù)據(jù)的方差組合成向量，作為信道狀態(tài)信息特征。步驟3，訓練支持支持向量機分類器。本發(fā)明實施例是中心服務器用已知活動人員數(shù)量的信道狀態(tài)信息特征對支持向量機分類器進行訓練，得到訓練好的分類器。在與離線訓練階段的相同待估計區(qū)域內(nèi)，使用訓練好的分類器，進行在線估計活動人員數(shù)量的步驟如下：步驟4，采集待估計活動人員數(shù)量的信道狀態(tài)信息。使用與離線訓練階段采集信道狀態(tài)信息時相同的人數(shù)估計系統(tǒng)，在與離線訓練階段相同區(qū)域內(nèi)，采集待估計活動人員數(shù)量的信道狀態(tài)信息。步驟5，提取信道狀態(tài)信息特征。本發(fā)明實施例是中心服務器用與離線訓練階段相同的信道狀態(tài)信息特征提取算法，對4個監(jiān)測點采集得到的待估計活動人員數(shù)量的信道狀態(tài)信息進行處理，得到待估計活動人員數(shù)量的信道狀態(tài)信息特征。參照圖2，對本發(fā)明的信道狀態(tài)信息特征提取算法的具體步驟描述如下。第1步，設定一個長度為l的滑動窗口，l的取值為大于0的整數(shù)。第2步，用滑動窗口對信道狀態(tài)信息進行采樣，將采樣后的信道狀態(tài)信息序列作為待處理信道狀態(tài)信息序列。第3步，利用下式，計算待處理信道狀態(tài)信息序列每一個子載波上的數(shù)據(jù)的均值和標準差：其中，μk表示待處理信道狀態(tài)信息序列中所有信道狀態(tài)信息記錄的第k個子載波上數(shù)據(jù)的均值，∑表示求和操作，i表示待處理信道狀態(tài)信息序列中信道狀態(tài)信息記錄的索引號，表示待處理信道狀態(tài)信息序列中第i條信道狀態(tài)信息記錄上的第k個子載波上的數(shù)據(jù)，σk表示待處理信道狀態(tài)信息序列中所有信道狀態(tài)信息記錄的第k個子載波上數(shù)據(jù)的標準差，表示開平方操作，l表示滑動窗口的大小。第4步，去除待處理信道狀態(tài)信息序列每一個子載波上的數(shù)據(jù)中的異常數(shù)據(jù)，得到去除異常數(shù)據(jù)后的信道狀態(tài)信息序列。所述異常數(shù)據(jù)是指，待處理信道狀態(tài)信息序列的每一個子載波數(shù)據(jù)中位于[μk-3*σk,μk+3*σk]范圍之外的數(shù)據(jù)，其中，μk表示待處理信道狀態(tài)信息序列中所有信道狀態(tài)信息記錄的第k個子載波數(shù)據(jù)的均值，σk表示待處理信道狀態(tài)信息序列中所有信道狀態(tài)信息記錄的第k個子載波數(shù)據(jù)的標準差，*表示相乘操作。第5步，利用下式，計算去除異常值后的信道狀態(tài)信息序列中每一個子載波上的數(shù)據(jù)的方差：其中，表示去除異常值后的信道狀態(tài)信息序列中所有信道狀態(tài)信息記錄的第k個子載波上數(shù)據(jù)的均值，l表示去除異常值后的信道狀態(tài)信息序列中信道狀態(tài)信息記錄的數(shù)量，表示去除異常值后的信道狀態(tài)信息序列中第i條信道狀態(tài)信息記錄上的第k個子載波上的數(shù)據(jù)，δk表示去除異常值后的信道狀態(tài)信息序列中所有信道狀態(tài)信息記錄的第k個子載波上數(shù)據(jù)的標準差。第6步，將去除異常數(shù)據(jù)后的信道狀態(tài)信息序列所有子載波上的數(shù)據(jù)的方差組合成向量，作為信道狀態(tài)信息特征。步驟6，活動人數(shù)估計。本發(fā)明實施例是中心服務器用離線訓練階段訓練好的分類器，對待估計活動人員數(shù)量的信道狀態(tài)信息特征進行分類，得到活動人員數(shù)量。下面結(jié)合仿真圖對本發(fā)明的效果做進一步的描述。1、仿真實驗條件：硬件環(huán)境：intelcorei7-4770k,3.5ghz,8gbram；軟件環(huán)境：windows7，matlabr2015b；2、仿真內(nèi)容與仿真結(jié)果分析：本發(fā)明在辦公室環(huán)境中進行了測試，在離線訓練階段，分別采集了辦公室內(nèi)有1到6個活動人員的信道狀態(tài)信息，用信道狀態(tài)信息提取算法提取其信道狀態(tài)信息特征用于訓練支持向量機分類器。在本發(fā)明仿真的在線估計階段，讓未知數(shù)量的人員在辦公室內(nèi)活動，采集待估計活動人員數(shù)量的信道狀態(tài)信息，用信道狀態(tài)信息提取算法，提取其信道狀態(tài)信息特征，并用在離線訓練階段得到的分類器對其進行分類，得到活動人員數(shù)量的估計值。為說明本發(fā)明的仿真效果，定義估計誤差為在線訓練階段得到活動人員數(shù)量的估計值與辦公室內(nèi)實際人數(shù)之間差值的絕對值，估計誤差累積概率定義為估計誤差小于或等于t的在線估計次數(shù)與總在線估計次數(shù)的比值，其中t的取值為正整數(shù)。本發(fā)明的仿真實驗重復進行200次在線估計的過程，得到仿真結(jié)果如圖3所示的估計誤差累積概率分布曲線和如表1所示的估計誤差累積概率分布表。圖3的仿真結(jié)果圖中的橫坐標表示估計誤差，縱坐標表示估計誤差累積概率分布。由表1所示的估計誤差累積概率分布表可以看到，本發(fā)明的方法估計誤差小于或等于1人的概率為97％，估計誤差小于或等于2人的概率為100％，由此說明本發(fā)明具有很高的估計準確度。表1估計誤差累積概率分布表估計誤差小于或等于1人小于或等于2人估計誤差累積概率分布0.971.00當前第1頁12