论文翻译:CrossSense Towards Cross-Site and Large-Scale WiFi Sensing(中文版).docx
- 文档编号:137549
- 上传时间:2022-10-04
- 格式:DOCX
- 页数:21
- 大小:1.09MB
论文翻译:CrossSense Towards Cross-Site and Large-Scale WiFi Sensing(中文版).docx
《论文翻译:CrossSense Towards Cross-Site and Large-Scale WiFi Sensing(中文版).docx》由会员分享,可在线阅读,更多相关《论文翻译:CrossSense Towards Cross-Site and Large-Scale WiFi Sensing(中文版).docx(21页珍藏版)》请在冰豆网上搜索。
CrossSense:
Towards Cross-Site andLarge-ScaleWiFiSensing
摘要
我们介绍了CrossSense,一种将WiFi感知扩展到新环境和更大问题的新系统。
为了降低传感模型训练数据采集的成本,Crosssense采用机器学习离线训练漫游模型,该模型由一组测量值生成,每个目标环境的合成训练样本。
为了扩展到更大的问题规模,CrossSense采用了专家混合方法,其中使用多个专门的传感模型或专家来捕获从不同WiFi输入到所需输出的映射。
专家是离线培训的,并且在运行时,会自动为给定的输入选择适当的专家。
我
们通过将其应用于两个具有代表性的WiFi传感应用(步态识别和手势识别)来评估交叉感,这两个应用是在受控的单链路环境中进行的。
我们表明,CrossSense将最先进的WiFi传感技术的精确度从20%提高到80%以上,并将步态识别和手势识别的精确度分别提高到90%以上,从而提供始终如一的良好性能,尤其是当问题的规模明显大于当前方法能够有效处理
的问题规模时。
1.Introduction
WiFi已经成为一种强大的信息感知媒介。
通过测量无线信道如何受到人类及其活动的影响,诸如步态识别[76]、手势识别[2,26]、活动识别[59,75]甚至生命体征监测[1,68]等任务
都是可能的。
WiFi感知对于智能空间特别有吸引力,因为它可以使用多达两个无线路由器轻松部署,不需要对用户进行检测,并且比其他基于基础设施的解决方案(如视频监控)更不容易侵犯隐私[28,33]。
现有感知技术两个缺点:
1.收集训练数据过程费力,收集量级难以覆盖全面;2.只能部署在小型环境,目标数量的增加会急速降低性能。
虽然现有的研究已经证明了WiFi作为一种传感技术的巨大潜力,但目前存在两个显著的缺点,即限制了WiFi传感的吸收和其可操作的规模。
首先,WiFi感知的主要方法需要一个费时费力的过程来收集训练测量值或指纹,以描述无线信道度量(如信道状态信息(CSI)或接收信号强度指示器(RSSI))如何受到目标(如步态或手势)的影响。
必须仔细收集每个部署站点的每个目标主题或活动的这些培训度量。
虽然从每个住户那里收集这些数据可能是可行的,但要求每个员工或访客在智能办公环境中从每个会议室提供培训测量是不可行的。
其次,目前许多WiFi感知解决方案只能处理少量的主题。
如本文所示,随着目标数量的增加,现有WiFi感知技术的性能会迅速下降。
这使得部署到大型环境(如企业或校园)变得不可行,因为这些场景需要支持数百个用户和大量活动。
CrossSense在应对大环境和大的问题规模得到改进。
在本文中,我们介绍了CrossSense,一种将WiFi感知扩展到新环境和更大的感知问题的系统。
通过同时应对这两个挑战,CrossSense不仅增加了WiFi感知的规模和普及,而且为创新应用和服务开辟了新的可能性。
例如,在公司大楼、酒店或会议中心内的每一个房间,都可以通过在接待处收集访客的培训样本来提供个性化服务;现在,该系统可以一次支持更多的用户。
WiFi感知也可以是多因素认证协议的一部分[29、35、53、65]来验证用户在各个站点的身份声明。
这些令人兴奋的应用只有在wifi培训测量值能够在不同站点间有效地转换和利用,以及传感是否能够针对更大的问题规模时才能实现。
CrossSense旨在提供这些功能。
重用数据:
NN的开始层提取的wifi特性与优化问题无关,来重用这部分信息。
为了使WiFi训练测量能够一次性采集并跨站点使用,Crosssense集成了一种基于人工神经网络的方法,用于漫游以前从另一个站点采集的测量,以自动生成新环境的合成传感模型训练样本(也称为虚拟样本[66])。
漫游模式首先是离线训练,然后用于任何看不见的对象。
为了减少为新闻站点或感知任务学习漫游模型所需的样本数量,我们使用传输学习[87]来
利用现有的漫游模型。
我们利用神经网络起始层提取的WiFi信号特性基本上与优化问题无关的事实。
我们跨站点和域重用网络的这些部分,在这个过程中,我们大大加快了学习新漫游模型的速度。
多个模型:
对于不同应用场景、输入数据,训练不同的模型,形成通用的处理框架。
为了使WiFi感知能够针对更大的问题规模,我们采用了基于专家的混合方法[30]。
中心思想是,我们使用多个模型(专家),其中每个专家专门用于应用场景和输入数据的子集,而不是使用单一的整体模型来执行传感任务(例如步态识别或手势识别)。
这样,每个模型仅在其预测有效时使用。
我们的方法的一个主要优点是,新的模型可以很容易地添加,并且只有在适当的时候才被选择。
这是一种将机器学习用于WiFi感知的新方法,具有针对不同输入、应用领域和环境的通用框架。
我们将CrossSense应用于基于WiFi的步态识别和手势识别,并考虑基于CSI和RSSI的指标,以此证明CrossSense的优势。
我们将其与五种最先进的WiFi感知方法
[26、60、66、76、90]和无线信号转换方法[13]进行了比较。
我们对三个受控站点进行了广泛的评估,涉及100个用户、40个手势和120多万个无线活动样本。
我们表明,CrossSense在评估场景和感知任务中提供了最佳和最可靠的性能。
它将最先进的解决方案的精度提高了4倍,并使WiFi感应能够跨站点工作,并可用于更大的问题规模。
本文的主要贡献是:
•我们提出了一个自动方案,以有效利用现有WiFi培训测量,为新环境构建传感模型(第
4节);
•我们首次申请转移学习,以便在不同地点和任务之间有效地重用所学知识,用于WiFi感知(第4.3节);
•我们的工作是第一个将WiFi传感模型混合起来,扩大可支持问题的规模,比最先进的技术提供显著的性能改进。
我们的通用框架允许轻松地添加新模型,以针对更广泛的应用程序上下文(第5节);
2.motivation
两个缺点:
跨站点泛化能力弱、可支持问题规模小。
Crosssense解决了当前无线传感解决方案中的两个显著缺点:
跨站点泛化和可支持问题的规模。
为了进一步说明这些局限性,在下文中,我们将步态识别视为WiFi感知任务的代表性示例,并演示当(a)根据从其他环境收集的训练样本构建感知模型,以及(b)针对超过十几个用户的目标时,最先进方法wiwho[90]的性能如何受到影响。
设置。
我们的评估环境包括一个大厅和一个走廊。
这两种环境的大小不同,因此对无线信号有不同的多径效应。
第6.1节给出了我们评估设置的更多详细信息。
为了收集训练测量数据,每个用户都要走直线并通过两个WiFi设备20次。
在测试过程中,每个用户沿着直线走过评估场景10次。
wiwho的任务是将一个测试度量映射到一个已知用户。
培训数据的影响。
第一个实验涉及六个用户——与[90]中用于评估wiwho的用户数相同。
我们希望wiwho能够有效地处理这种用户规模。
图1a表明,如果使用从测试环境中获得的示例构建WIWHO,可以实现高精度(75%到87%)。
性能相当于[90]中报告的75%到80%的准确度。
然而,当使用从另一个地点采集的样本建立传感模型时,精度下降到25%以下。
环境影响。
图2a显示了为同一个人收集的CSI振幅在不同地点的视觉上是不同的。
为了量化差异,我们计算为此人收集的10个测量值中每对之间的动态时间扭曲(DTW)距离。
该指标通常用于量化信号测量之间的相似性[69,73]——DTW距离越远,两次测量越不相似。
图2b中的累积分布函数(CDF)图表明,当从同一环境中进行测量而不是从不同环境中进行测量时,更多样本的DTW距离更近。
当从不同的环境中进行无线测量时,平均DTW距离增加了40%,这表明测试环境对无线信道度量有很大的影响。
我们还发现,使用定向天线并不能消除这一问题,这与先前的研究结果一致[66]。
显然,为大厅调整的传感模型对走廊无效。
问题大小的影响。
在第二个实验中,我们从目标环境中收集训练样本,但是我们考虑了更多的目标用户。
图1b显示,随着用户数量的增加,精度会迅速下降。
当目标用户分别超过10个和60个时,准确率分别从80%下降到60%和30%以下。
在本文的后面,我们证明了手势识别也存在同样的问题——随着手势数量的增加,当前传感方法的精度大大降低。
经验教训。
这个例子表明,当前基于分类器的方法必须从每个部署环境中收集每个目标主题或活动的培训样本,并且只适用于较小的问题规模。
我们希望有一种技术能够利用在一个站点为每个新环境收集的WiFi培训样本。
如果我们能够做到这一点,那么我们就可以用相同的训练样本以低成本为新环境构建传感模型。
我们还希望传感方法能够有效地处理更大的问题规模,以支持更多的主题和活动。
Crosssense设计用于解决这两个问题。
3.OverviewofCrossSense
我们的工作重点是使WiFi感应
(1)能够通过使用一组培训测量数据在各个站点高效工作,
(2)能够扩展到大问题规模。
为了实现跨站点感知,CrossSense利用机器学习功能,将从一个环境收集到的WiFi培训测量值漫游到另一个环境。
漫游模型接收从数据收集站点收集的WiFi测量值,并生成合成训练实例,就好像合成数据是从目标环境收集的一样。
该模型是在从数据收集站点和每个部署站点收集的一组示例上进行离线培训的。
学习模型用于翻译任何看不见的主题或活动的训练度量。
至关重要的是,漫游模型需要从一小部分示例中捕获环境如何影响WiFi信号,以便我们可以应用该模型来合成一组更大的未公开测量。
这在第4节中有详细说明。
为了将WiFi感知扩展到更大的问题大小,CrossSense使用多个模型将现场WiFi测量映射到所需的输出。
然后,它使用分类器来选择应该使用哪个专家进行输入测量。
根据输入信号的特性,可以动态选择不同的模型。
这与之前所有采用“一刀切”模式的WiFi感知研究不同。
我们认为,单个模型不太可能精确地捕获大问题规模的不同输入。
这在第5节中有更详细的描述。
4.RoamingWiFimeasurements
两个动机使用ANN:
ANN可以捕获线性和非线性关系,非常适合不同环境的归纳、ANN非常适合转移学习,降低新环境的培训成本;
CrossSense使用人工神经网络(ANN)在环境中转换WiFi感应测量。
使用人工神经网络的动机是双重的。
首先,人工神经网络可以捕获线性和非线性关系,使其非常适合于在不同的环境中进行归纳。
例如,开放式大厅往往比小型走廊具有不同的多径效应,需要一种灵活的方式来模拟不同类型的关系。
其次,人工神经网络非常适合转移学习,可用于降低新环境的培训成本(第4.3节)。
在第7.7节中,我们还考虑了其他技术,并得出结论,ANN
具有最佳的总体性能。
漫游模型的输入是从先前收集的WiFi训练测量中提取的数字特征向量,输出是目标环境中这些测量的预期特征值。
第5.1节描述了使用的一组功能。
建立和使用这种模型遵循监督机器学习的三个步骤:
(i)生成训练数据(ii)学习模型(iii)使用模型。
这些步骤描述如下。
4.1BuildingaRoamingModel
图3说明了构建漫游模型的过程。
我们首先从部署和数据收集站点收集一些WiFi信号测量值。
然后我们提取原始信号数据的重要可量化特性或特征。
最后,我们对收集到的数据应用学习算法来构建漫游模型。
图4描述了漫游模型的结构,它是一个完全连接的前馈神经网络,具有7个隐藏层。
输入和输出层的节点
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 论文翻译:CrossSense Towards Cross-Site and Large-Scale WiFi Sensing中文版 论文 翻译 CrossSense Cross Site Large
链接地址:https://www.bdocx.com/doc/137549.html