技術(shù)特征：

1.基于WiFi信道狀態(tài)信息多人室內(nèi)環(huán)境狀態(tài)監(jiān)控系統(tǒng)，其特征在于：

1)本系統(tǒng)是用于多人實時環(huán)境感知的首次應(yīng)用；

2)為室內(nèi)進(jìn)出監(jiān)測建立模型；

3)為人數(shù)識別建立模型；

4)利用室內(nèi)進(jìn)出監(jiān)測模型修正人數(shù)識別模型，提高識別準(zhǔn)確率。

2.如權(quán)利要求1所述的基于WiFi信道狀態(tài)信息多人室內(nèi)狀態(tài)監(jiān)控系統(tǒng)，其特征在于本系統(tǒng)是多人實時環(huán)境感知的首次應(yīng)用。利用CSI進(jìn)行環(huán)境感知如動作感知、身份認(rèn)證都是在單人的環(huán)境下進(jìn)行的，本系統(tǒng)是CSI多人實時環(huán)境感知的首次應(yīng)用，能夠?qū)崿F(xiàn)實時室內(nèi)進(jìn)出監(jiān)測和室內(nèi)人數(shù)識別，監(jiān)測房間狀態(tài)是否發(fā)生改變。

3.如權(quán)利要求1所述的基于WiFi信道狀態(tài)信息多人室內(nèi)狀態(tài)監(jiān)控系統(tǒng)，其特征在于為室內(nèi)進(jìn)出監(jiān)測建立模型

步驟1：波形切分，利用人體動作對CSI波形產(chǎn)生不同的影響，根據(jù)方差的差異對波形進(jìn)行有效的切分；

步驟2：提取每個時間片的能量值和能量方差作為特征值；

步驟3：通過隱馬爾科夫的方法為室內(nèi)出入監(jiān)測建立模型；

步驟4：分類

4.如權(quán)利要求3所述的波形切分方法，需要切分出開關(guān)門動作發(fā)生的時間間隔，找出每個動作發(fā)生的時間閾，其特征在于本系統(tǒng)利用人體不同動作對波形產(chǎn)生的差異性，根據(jù)方差進(jìn)行有效的切割。

步驟1：設(shè)置滑動窗口W，計算出每一組信道數(shù)據(jù)在第j個窗口的絕對均值偏差：

${\mathrm{\Δd}}_j\[k\]=\frac{\underset{i=j}{\overset{j+W}{\mathrm{\Σ}}}|Z_{t,r}^{\left\{k\right\}}\left(i\right)-\stackrel{\‾}{Z^{\left\{k\right\}}}\{j;j+W\left\}\right|}{W}$

步驟2：計算所有信道的絕對均值偏差和：

${\mathrm{\ΔD}}_j={\mathrm{\Σ}}_2^p{\mathrm{\Δd}}_j\[k\]$

步驟3：設(shè)定閾值超出一定閾值的即可認(rèn)為是另外一個動作的開始

5.如權(quán)利要求3所述的通過隱馬爾科夫方法建立出入監(jiān)測模型，其特征在于提出使用隱馬爾克夫方法建立模型。開關(guān)門動作可以分為明顯的若干階段，這個階段的概念剛好和隱馬爾科夫模型中狀態(tài)的概念相對性，所以使用隱馬爾科夫模型進(jìn)行建模能夠理想的效果。

6.如權(quán)利要求3所述的分類方法，其特征在于使用10折交叉驗證的方法確定模型參數(shù)包括HMM模型的狀態(tài)數(shù)S及mixtures，從而選取最優(yōu)參數(shù)建立模型，對于不同動作分類不同模型，從而實現(xiàn)開關(guān)門動作的準(zhǔn)確識別。

7.如權(quán)利要求1所述的基于WiFi信道狀態(tài)信息多人室內(nèi)狀態(tài)監(jiān)控系統(tǒng)，其特征在于為人數(shù)識別建立模型：

步驟1：預(yù)訓(xùn)練階段使用三層CNN神經(jīng)網(wǎng)絡(luò)，其中圖中的k_i表示層數(shù)，用h_i表示每一層所含有的節(jié)點數(shù)，使用w₁，w₂，w₃分別表示數(shù)據(jù)輸入層input1和第一層神經(jīng)網(wǎng)絡(luò)，第一層神經(jīng)網(wǎng)絡(luò)和第二次神經(jīng)網(wǎng)絡(luò)，第二次神經(jīng)網(wǎng)絡(luò)和第三層神經(jīng)網(wǎng)絡(luò)的權(quán)值，為了得到最優(yōu)權(quán)值，我們需要對輸入數(shù)據(jù)最大化邊緣分布可以用公式表示為

max∑_h1∑_h2∑_h3Pr(h⁰，h¹，h²，h³)

我們使用RBMs去降低深度學(xué)習(xí)的復(fù)雜度，對于每一層RBM模型，聯(lián)合分布Pr表示如下

$\mathrm{Pr}(h^{i-1},h^i)=\frac{\exp (-E(h^{i-1},h^i\left)\right)}{{\mathrm{\Σ}}_{h^{i-1}}{\mathrm{\Σ}}_{h^i}\exp (-E(h^{i-1},h^i\left)\right)}$

E(h^i-1，hⁱ)＝-b^i-1h^i-1-bⁱhⁱ-h^i-1w_ihⁱ

其中b表示第i層到i-1層的偏差

步驟2：展開參數(shù)階段，當(dāng)預(yù)訓(xùn)練階段訓(xùn)練完成后，我們得到神經(jīng)網(wǎng)絡(luò)權(quán)值，使用前向算法得到新的輸入數(shù)據(jù)input2

步驟3：調(diào)整參數(shù)階段，我們使用后向算法，通過計算輸入數(shù)據(jù)input1和新的input2數(shù)據(jù)的偏差去修正權(quán)重，得到最優(yōu)權(quán)值。

8.如權(quán)利要求1所述的基于WiFi信道狀態(tài)信息多人室內(nèi)狀態(tài)監(jiān)控系統(tǒng)，其特征在于利用室內(nèi)進(jìn)出監(jiān)測模型修正人數(shù)識別模型，根據(jù)出入模型判定房間中是否有人數(shù)改變，從而導(dǎo)致房間狀態(tài)發(fā)生變化，反饋到人數(shù)模型，不斷修正模型，使模型能夠更加準(zhǔn)確的判定房間中人數(shù)，提高識別人數(shù)的準(zhǔn)確率。