AHNNet:融合注意力机制的行为识别混合神经网络模型

针对Wi-Fi信号的行为感知研究中传统机器学习方法特征提取困难、深度学习方法特征提取方式单一,导致特征提取不充分、识别准确率不高等问题,提出融合注意力机制的人体行为识别混合神经网络模型A HNNet.在对信道状态信息影响因子分析的基础上,使用信道状态信息的振幅数据作为行为识别的基础数据;采用时间滑窗将长时间人体活动序列分割为短时间序列,构建样本数据,克服全局人体行为数据非实时、长度不固定的缺点;通过双向循环门控网络和时序卷积网络并行提取输入数据特征,充分挖掘数据潜在特征之间的关系;在双向循环门控网络中融合注意力机制以强化数据特征,进一步提高模型性能;将双向循环门控网络和时序卷积网络提取到的特征进行融合,增加特征的多样性;将融合特征输入到Softmax分类器进行分类,得到人体活动数据对应的行为.与长短期记忆网络、双向循环神经网络进行了对比,实验结果表明:在标准数据采集室数据集上,AHNNet的行为识别正确率达到97.15％,比未使用注意力机制的模型分类正确率提高1.81％;在公共数据集上,AHNNet的行为识别正确率比其他对比模型的提高至少0.65％,参数量下降47％;在不同环境下,AHNNet在卧室环境中的正确率为95.7％,比标准数据采集室中的下降1.45％.AHNNet具有良好的识别效果和鲁棒性,并且在复杂的居家环境中应具有应用价值.