陽 麗，鄧芳明

(1.萍鄉(xiāng)學(xué)院信息與計(jì)算機(jī)工程學(xué)院，江西 萍鄉(xiāng) 337000；2.華東交通大學(xué)電氣與自動(dòng)化工程學(xué)院，江西 南昌 330013)

隨著人工智能的發(fā)展和可穿戴傳感器設(shè)備的普及，基于深度學(xué)習(xí)的人體活動(dòng)識(shí)別(human activity recognition，HAR)得到了廣泛關(guān)注，且具有巨大的應(yīng)用價(jià)值[1]。例如，智能人體活動(dòng)識(shí)別系統(tǒng)可以持續(xù)對(duì)家中的老年人或身體受損的人進(jìn)行健康監(jiān)測(cè)[2－4]。因此，準(zhǔn)確地識(shí)別和記錄人體的活動(dòng)姿態(tài)，能夠?yàn)槿藗兲峁└鼮榫_的服務(wù)，利用傳感器數(shù)據(jù)特點(diǎn)提取具有良好判別力的特征以提高基于傳感器數(shù)據(jù)的HAR 準(zhǔn)確率具有重要的意義。

當(dāng)前主流的無線傳感技術(shù)主要包含藍(lán)牙(Bluetooth)、ZigBee 和無線局域網(wǎng)(WLAN)三種技術(shù)。這些無線技術(shù)易于構(gòu)建無線傳感器網(wǎng)絡(luò)(WSN)，適用于故障診斷和環(huán)境監(jiān)測(cè)[5－6]。然而它們都存在操作復(fù)雜度高、功耗高的缺點(diǎn)，必須采用電池或直流電源供電。這些具有輔助電源的無線傳感器不僅成本高，而且受限于電池壽命，不適合應(yīng)用于長期監(jiān)測(cè)中[7]。當(dāng)前無源無線傳感器技術(shù)主要包含聲表面波(SAW)技術(shù)和射頻識(shí)別(RFID)技術(shù)兩大類。SAW 無線傳感器利用聲表面波完成傳感信號(hào)的采集，具有耐受惡劣環(huán)境(高、低溫和射線輻照)的特點(diǎn)，但制作復(fù)雜且成本高，主要應(yīng)用于電力系統(tǒng)等復(fù)雜環(huán)境監(jiān)測(cè)領(lǐng)域[7]。RFID 技術(shù)利用射頻信號(hào)通過空間耦合實(shí)現(xiàn)非接觸信息傳遞，并通過所傳遞的信息達(dá)到識(shí)別目的。相比于現(xiàn)有的WSN 節(jié)點(diǎn)技術(shù)，基于超高射頻RFID 技術(shù)的傳感標(biāo)簽無線傳輸距離短，速率低，但得益于反向散射調(diào)制技術(shù)的采用，電路結(jié)構(gòu)簡(jiǎn)單，功耗低，適合工作于無源狀態(tài)[8－9]。

人類活動(dòng)識(shí)別特征提取方法包括傳統(tǒng)特征提取和深度學(xué)習(xí)特征表達(dá)兩種方法[10]。傳統(tǒng)方法需人工對(duì)劃分的數(shù)據(jù)抽取統(tǒng)計(jì)學(xué)意義特征向量，包括時(shí)域特征、頻域特征以及其他特征向量。但是傳統(tǒng)方法所抽取的特征都是淺層的，且需要專業(yè)的人體動(dòng)作領(lǐng)域知識(shí)來進(jìn)行特征提取。而深度學(xué)習(xí)技術(shù)可以直接從原始數(shù)據(jù)自動(dòng)地抽取更復(fù)雜的深層的特征，無需人工干預(yù)；同時(shí)，深度學(xué)習(xí)可以有效地解決類內(nèi)差異和類間相似的問題。深度學(xué)習(xí)方法可以從傳感器信號(hào)中提取出具有代表性或最優(yōu)的特征，而無需事先從傳感器信號(hào)中學(xué)習(xí)，然后將這些特征輸入到人類活動(dòng)識(shí)別工作中[11]。

目前的深度學(xué)習(xí)算法可以分為四個(gè)體系:有監(jiān)督的卷積神經(jīng)網(wǎng)絡(luò)(CNN)、基于自編碼(AutoEncoder)的深度神經(jīng)網(wǎng)絡(luò)、基于限制玻爾茲曼機(jī)(Restricted Boltzmann machine，RBM)的深度置信網(wǎng)絡(luò)(Deep belief networks，DBN)和基于遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent neural network，RNN)的深度神經(jīng)網(wǎng)絡(luò)[12－16]。其中，深度置信網(wǎng)絡(luò)已經(jīng)被應(yīng)用于許多復(fù)雜的模式識(shí)別問題中，包括語音識(shí)別、圖像和視頻處理和分類。適當(dāng)?shù)嘏渲肈BN 可獲得其最優(yōu)性能。DBN 配置需要對(duì)超參數(shù)和DBN 結(jié)構(gòu)進(jìn)行適當(dāng)?shù)脑O(shè)置，DBN 超參數(shù)包括小批量的大小、權(quán)值的初始設(shè)置、周期數(shù)、學(xué)習(xí)速率、動(dòng)量以及隱藏層和單元數(shù)。在訓(xùn)練數(shù)據(jù)不足的情況下，超參數(shù)的設(shè)置是至關(guān)重要的。因此，DBN性能可能會(huì)有所不同，并且可以根據(jù)配置降低。

為了提高人體活動(dòng)識(shí)別精度，使其具有更好的魯棒性，本文提出了一種基于RFID 傳感和DBN 最優(yōu)結(jié)構(gòu)人體活動(dòng)識(shí)別技術(shù)。首先，設(shè)計(jì)了一種無源RFID 傳感標(biāo)簽，人體加速度信號(hào)存入傳感器數(shù)據(jù)區(qū)，標(biāo)簽序列號(hào)和硬件版本組成了標(biāo)簽ID，可以進(jìn)行唯一標(biāo)識(shí)。在使用DBN 進(jìn)行訓(xùn)練之前，使用滑動(dòng)窗口技術(shù)從傳感器數(shù)據(jù)中降低高維特征的維數(shù)。從原始的人體傳感器數(shù)據(jù)中提取重要的初始特征。然后，采用核主成分分析(KPCA)和線性判別分析(LDA)對(duì)特征進(jìn)行進(jìn)一步處理，使其更具魯棒性。最后，利用這些特征訓(xùn)練DBN。通過在真實(shí)可穿戴傳感器數(shù)據(jù)集上實(shí)驗(yàn)。

1 人體行為識(shí)別結(jié)構(gòu)

如圖1 所示，為設(shè)計(jì)的人體行為識(shí)別結(jié)構(gòu)。在該結(jié)構(gòu)中，RFID 傳感標(biāo)簽用于采集人體行為加速度信號(hào)，并對(duì)其歸一化，形成訓(xùn)練集和測(cè)試集。訓(xùn)練集用于訓(xùn)練DBN 網(wǎng)絡(luò)，完成訓(xùn)練的DBN 網(wǎng)絡(luò)通過測(cè)試集進(jìn)行測(cè)試。

圖1 人體行為識(shí)別結(jié)構(gòu)流程圖

2 RFID 傳感標(biāo)簽設(shè)計(jì)

2.1 RFID 傳感標(biāo)簽結(jié)構(gòu)設(shè)計(jì)

現(xiàn)有RFID 通信協(xié)議ISO18000－6C[17]并沒有規(guī)定RFID 標(biāo)簽如何實(shí)現(xiàn)傳感功能，因此加速度信號(hào)可以寫入RFID 標(biāo)簽ID 信息內(nèi)容。如圖2 所示為本文所制定的RFID 標(biāo)簽傳感信息方案，標(biāo)簽96 bit ID 信息在邏輯上分為3 個(gè)區(qū)域:標(biāo)簽類型區(qū)(8 bit)、傳感器數(shù)據(jù)區(qū)(64 bit)和標(biāo)簽ID 區(qū)(24 bit)。每段可以自定義數(shù)據(jù)位數(shù)，標(biāo)簽類型用于識(shí)別標(biāo)簽的類型和功能；加速度信號(hào)存入傳感器數(shù)據(jù)區(qū)，可以根據(jù)實(shí)際需求加入相應(yīng)的傳感器信息；標(biāo)簽序列號(hào)和硬件版本組成了標(biāo)簽ID，RFID 傳感標(biāo)簽可以使用此標(biāo)簽ID 進(jìn)行唯一標(biāo)識(shí)。

圖2 所設(shè)計(jì)的RFID 傳感標(biāo)簽ID 方案

圖3 是RFID 傳感標(biāo)簽結(jié)構(gòu)圖，傳感標(biāo)簽由通信模塊、電源管理模塊和數(shù)字模塊組成。通信模塊由通信天線和RFID 通信芯片組成，它負(fù)責(zé)完成傳感標(biāo)簽信號(hào)的發(fā)送、接收以及調(diào)制和解調(diào)的功能；電源管理模塊由取能天線、匹配網(wǎng)絡(luò)、倍壓整流電路和穩(wěn)壓電路構(gòu)成，它負(fù)責(zé)為傳感標(biāo)簽的正常工作提供電源電壓；數(shù)字模塊由微控制單元(Micro-controller unit，MCU)和加速度傳感器組構(gòu)成，MCU 用于控制整個(gè)傳感標(biāo)簽的工作并符合相應(yīng)的RFID 通信協(xié)議，加速度傳感器用于采集人體活動(dòng)信號(hào)并完成相應(yīng)數(shù)據(jù)的數(shù)字轉(zhuǎn)換。MCU、加速度傳感器和RFID 通信芯片之間的通信由I2C 總線連接控制。

圖3 本文采用的RFID 傳感標(biāo)簽結(jié)構(gòu)圖

根據(jù)Friis 公式，RFID 傳感標(biāo)簽的工作功率可以表達(dá)為[18]:

式中:Er(W)表示閱讀器發(fā)射功率，Ga表示標(biāo)簽天線增益，ηr表示標(biāo)簽電源管理模塊的轉(zhuǎn)換效率，d(m)為標(biāo)簽的工作距離，λ(m)為電磁波波長。標(biāo)簽的工作距離是RFID 系統(tǒng)最重要的性能指標(biāo)，根據(jù)式(1)，標(biāo)簽的工作距離d又可以表達(dá)為:

通常情況下，閱讀器發(fā)射功率Er受到相應(yīng)國家和組織的限制(例如我國和歐洲最大為2 W，北美最大為4 W)，標(biāo)簽天線增益Ga有限(例如典型偶極子天線增益為1.64)。所以由式(2)可以得到:傳感標(biāo)簽的低功耗設(shè)計(jì)和電源管理的高效率設(shè)計(jì)在標(biāo)簽設(shè)計(jì)中占有重要地位。

2.2 RFID 傳感標(biāo)簽電路設(shè)計(jì)

電源管理模塊是RFID 傳感標(biāo)簽的關(guān)鍵模塊。如圖4 所示，本文設(shè)計(jì)的電源管理模塊包含匹配網(wǎng)絡(luò)、倍壓整流電路和穩(wěn)壓電路三部分。匹配網(wǎng)絡(luò)用于完成取能天線和倍壓整流電路間的功率匹配，從而達(dá)到天線接收信號(hào)功率的最大化；倍壓整流電路用于將天線接收的射頻信號(hào)轉(zhuǎn)換為直流電壓信號(hào)；由于輸入射頻信號(hào)的不穩(wěn)定，穩(wěn)壓電路用于將倍壓整流電路輸出的直流信號(hào)轉(zhuǎn)換為一穩(wěn)定直流電壓，為電流傳感標(biāo)簽其他模塊供電。匹配網(wǎng)絡(luò)采用了L型匹配網(wǎng)絡(luò)，其中電容C1是高品質(zhì)因數(shù)瓷介微調(diào)電容器，電感L1為高品質(zhì)因數(shù)射頻電感，通過調(diào)節(jié)C1數(shù)值實(shí)現(xiàn)最大能量傳輸效率。

圖4 本文設(shè)計(jì)的電源管理模塊

倍壓整流電路由單級(jí)整流電路和直流－直流(DC-DC)電荷泵構(gòu)成。單級(jí)整流電路的內(nèi)部結(jié)構(gòu)有整流二極管D1、D2，同時(shí)還有電容C2，它負(fù)責(zé)將輸入射頻信號(hào)轉(zhuǎn)換為直流信號(hào)；由于整流電路的整流效率主要由整流二極管的閾值電壓決定[19]，因此本設(shè)計(jì)采用了零偏置電壓的肖特基二極管SMS7630。不同于傳統(tǒng)的多級(jí)升壓整流電路[20]，本設(shè)計(jì)在單級(jí)整流電路后采用了高轉(zhuǎn)換效率的低壓DC-DC 電荷泵芯片S－882Z24；S－882Z24 采用全耗盡絕緣體上硅(Silicon On Insulator，SOI)工藝，最低輸入電壓可低至0.3 V。當(dāng)負(fù)載電容C的輸出電壓VR充電升高至VRH＝2.4 V 時(shí)，S－882Z24 內(nèi)的管理電路自動(dòng)給后面的穩(wěn)壓電路放電，從而激活標(biāo)簽數(shù)字模塊；當(dāng)負(fù)載電容C的輸出電壓VR放電降低至VRL＝1.85 V 時(shí)，S－882Z24 斷開輸出回路并開始新的充電過程。

取能天線采用常用的鞭狀天線，而通信天線采用微帶貼片天線設(shè)計(jì)，有利于應(yīng)用于電網(wǎng)多金屬環(huán)境中。所采用的射頻芯片為英頻杰公司的Monza X－8K，它是一款符合EPC G2 和ISO18000－6C 通信標(biāo)準(zhǔn)的RFID 芯片，內(nèi)部集成了8 192 bit 非易失性存儲(chǔ)器(Nonvolatile Memory，NVM) 和I2C 總線。MCU 型號(hào)選用德州儀器MSP430FR6964，最低工作電壓為1.8 V，最高工作頻率為62 MHz，最低功耗為118 μA/MHz，能夠提供256 kB 的磁性隨機(jī)存取存儲(chǔ)器和8 kB 的靜態(tài)隨機(jī)存儲(chǔ)以及20 個(gè)12 bit 模數(shù)轉(zhuǎn)換(Analog-Digital Converter，ADC)通道。

3 最優(yōu)DBN 結(jié)構(gòu)

本文提出的系統(tǒng)由傳感器數(shù)據(jù)采集、降維特征提取和人體活動(dòng)識(shí)別三大部分組成。如圖5 所示為人體活動(dòng)識(shí)別選擇最優(yōu)DBN(Optimal DBN，ODBN)結(jié)構(gòu)的方法的工作流程。

圖5 人體活動(dòng)識(shí)別的新方法

3.1 傳感器數(shù)據(jù)采集

傳感器數(shù)據(jù)來源于人體活動(dòng)相關(guān)的加速度傳感器。本文考慮加速度計(jì)和陀螺儀的傳感器數(shù)據(jù)，在去除噪聲和對(duì)傳感器信號(hào)進(jìn)行統(tǒng)計(jì)分析后，進(jìn)行特征提取，降低特征的維數(shù)。系統(tǒng)最后一部分利用機(jī)器人特征訓(xùn)練DBN，找到ODBN 結(jié)構(gòu)，以提高人類活動(dòng)識(shí)別的精度。

3.2 特征提取與降維

為了從人體傳感器信號(hào)中獲得魯棒特征，根據(jù)現(xiàn)有特征提取方法，采用滑動(dòng)窗口技術(shù)。窗口的均值ˉw根據(jù)下式求得:

式中:wi表示i時(shí)刻的幅度值，N表示滑動(dòng)窗口的窗口數(shù)?；瑒?dòng)窗口的標(biāo)準(zhǔn)差如下:

滑動(dòng)窗口的平均絕對(duì)偏差如下:

固定長度滑動(dòng)窗口中的最大值和最小值如下:

滑動(dòng)窗口的偏斜頻率如下:

式中:s表示頻率偏度，K表示頻率峰度，σ表示標(biāo)準(zhǔn)差，f表示采集加速信號(hào)的頻率，ˉf表示頻率均值。

滑動(dòng)窗口中的最大頻率表示為:

滑動(dòng)窗口中的平均能量解析為:

三個(gè)背對(duì)背窗口的信號(hào)幅度區(qū)域(SMA)解析為:

滑動(dòng)窗口的信息熵表示為:

式中:t表示滑動(dòng)窗口的信息熵，ci表示當(dāng)滑動(dòng)窗口幅度值為wi時(shí)的概率。

窗口中的四分位范圍根據(jù)中間值進(jìn)行解析，如下所示:

窗口的自回歸(AR)系數(shù)為:

式中:W(t)是時(shí)間序列信號(hào)，α表示AR 系數(shù)，ε(t)被視為噪聲項(xiàng)，p表示濾波器階數(shù)?，F(xiàn)在，兩個(gè)窗口w1和w2的皮爾遜相關(guān)系數(shù)描述如下:

式中:Cov(w1，w2)表示二者的協(xié)方差。

然后，頻率信號(hào)加權(quán)平均值確定為:

頻帶[x，y]的能量S表示為:

式中:[x，y]表示帶寬范圍，fi表示為i時(shí)刻信號(hào)頻率。

在這一點(diǎn)上，一個(gè)中心矢量和三個(gè)連續(xù)窗口的平均值之間的夾角為:

3.3 DBN 訓(xùn)練與活動(dòng)檢測(cè)

DBN 中增強(qiáng)特性作為可視層輸入。隱藏單位被認(rèn)為是低數(shù)量。每個(gè)受限玻爾茲曼機(jī)(RBM)層分別使用圖6 所示的對(duì)比發(fā)散算法進(jìn)行訓(xùn)練，如下式所示。

圖6 RBM 訓(xùn)練過程

RBM 層形成一個(gè)生成模型，其中可見和隱藏單元(v，h)的能量如下:

網(wǎng)絡(luò)權(quán)重更新如下式(21):

式中:ε<0 是學(xué)習(xí)率。

訓(xùn)練程序從一組特定的隱藏層和單元開始，然后增加一些隱藏單元，重新訓(xùn)練DBN。該過程將持續(xù)一定次數(shù)的迭代。根據(jù)特定DBN 結(jié)構(gòu)的最高精度選擇最佳模型。

4 仿真結(jié)果與分析

4.1 RFID 傳感標(biāo)簽測(cè)試

首先在實(shí)驗(yàn)室環(huán)境下驗(yàn)證所設(shè)計(jì)的無源RFID傳感標(biāo)簽的通信和傳感性能。利用JX 儀器公司的專用RFID 性能測(cè)試儀JX－R1200 對(duì)所提出的無源RFID 傳感器標(biāo)簽的通信性能進(jìn)行了測(cè)試。如圖7所示顯示了測(cè)量數(shù)據(jù)流，所設(shè)計(jì)的RFID 傳感器標(biāo)簽符合ISO18000－6C 的RFID 協(xié)議，而且從圖7 中還可從測(cè)量到的EPC 消息中區(qū)分出唯一的ID，這證明了所提出的RFID 傳感器的快速識(shí)別能力。

圖7 RFID 測(cè)試儀測(cè)量信息

所測(cè)得的反射系數(shù)和所提出的RFID 傳感器標(biāo)簽的靈敏度如圖8 所示。測(cè)得的天線中心頻率為915 MHz，對(duì)應(yīng)的回波損耗S11為－26 dB，符合ISO18000－6C 協(xié)議中S11在中心頻率處的值應(yīng)低于－10 dB。標(biāo)簽靈敏度是指能夠激活標(biāo)簽的最小接收信號(hào)功率。從圖8 可以看出，感應(yīng)標(biāo)簽的最小靈敏度為－15 dBm，對(duì)應(yīng)2 W 讀卡器功率的最大工作距離為8.5 m。

圖8 實(shí)測(cè)反射系數(shù)和靈敏度

4.2 算法分析

如圖9 所示，通過RFID 傳感標(biāo)簽采集加速度等信號(hào)，并建立數(shù)據(jù)集，包括12 個(gè)行為:站著、坐著、走著、躺著、站著－坐著、上樓、下樓、坐著－躺著、坐著－站著、躺著－坐著、躺著－站著、站著－躺著。其中7 767 組數(shù)據(jù)用于訓(xùn)練，3 162 組數(shù)據(jù)用于測(cè)試。在數(shù)據(jù)庫中，用于訓(xùn)練和測(cè)試獨(dú)特動(dòng)作的測(cè)試數(shù)量并不是均勻分布的。

圖9 RFID 傳感標(biāo)簽采集加速度信號(hào)

首先從第1 層和第2 層的10 個(gè)隱藏單元開始構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)，然后將隱藏單元的數(shù)量增加到860個(gè)。在表1 中，DBN 結(jié)構(gòu)序列號(hào)1 到16，代表16 種不同結(jié)構(gòu)，兩個(gè)隱藏層的單元數(shù)與列1 和列2 中提到的相同。其余結(jié)構(gòu)的第1 層和第2 層具有不同數(shù)量的隱藏單元。其中動(dòng)量為0.7，學(xué)習(xí)率為2，批量大小為881。表1 中DBN 結(jié)構(gòu)為DBN－16 的RBM層重建誤差如圖10 所示。結(jié)果表明，重構(gòu)誤差隨著重建次數(shù)的增加而急劇下降。

圖10 RMB 層重建誤差

表1 DBN 中第1 層和第2 層的隱藏單元數(shù)及對(duì)應(yīng)的精度

將訓(xùn)練后DBN 的權(quán)值矩陣作為神經(jīng)網(wǎng)絡(luò)初始權(quán)值，其中人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)輸出與活動(dòng)類型數(shù)保持一致，利用最優(yōu)雙曲型激活函數(shù)的反向傳播訓(xùn)練算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。神經(jīng)網(wǎng)絡(luò)各層次學(xué)習(xí)率的標(biāo)度因子為1，學(xué)習(xí)率為2，動(dòng)量為0.5。根據(jù)表1 可知，網(wǎng)絡(luò)結(jié)構(gòu)為DBN－16 的訓(xùn)練錯(cuò)誤率如圖11 所示。結(jié)果表明，誤差率隨迭代次數(shù)的增加而減小。

圖11 表1 的DBN 結(jié)構(gòu)－16 網(wǎng)絡(luò)訓(xùn)練的誤差率

表1 和圖12 給出了不同DBN 結(jié)構(gòu)的測(cè)試集的精度。從圖11 中可知，隨著隱藏單元數(shù)量的增加，精確度增加。精度的增加一直持續(xù)到第1 層和第2層的隱藏單元數(shù)為40，隨后準(zhǔn)確度降低。當(dāng)隱藏單位增加到260，之后增加到860 時(shí)，精度顯著降低并幾乎為零。由結(jié)果可知，對(duì)于這種人類活動(dòng)識(shí)別，DBN 的最佳結(jié)構(gòu)是兩個(gè)隱藏層的40 個(gè)隱藏單元。

圖12 不同DBN 結(jié)構(gòu)的精度

表1 中DBN 結(jié)構(gòu)為DBN－16 對(duì)應(yīng)的混淆矩陣(40 個(gè)隱藏單元)見表3，錯(cuò)誤率見表2。由表2 可知，從坐姿到站立姿勢(shì)的錯(cuò)誤率非常高。由于在訓(xùn)練數(shù)據(jù)集中的訓(xùn)練實(shí)例數(shù)量較少，因此，它在DBN中沒有被正確地建模。

表2 訓(xùn)練數(shù)據(jù)中不同類型的活動(dòng)及其識(shí)別錯(cuò)誤率

表3 DBN 結(jié)構(gòu)的混淆矩陣－16

精度測(cè)試與標(biāo)準(zhǔn)分類器支持向量機(jī)(SVM)進(jìn)行了比較。在本文提出的方法中，支持向量機(jī)達(dá)到94.12%的準(zhǔn)確率，而40 個(gè)隱藏單元的DBN 達(dá)到97.5%的準(zhǔn)確率，是目前數(shù)據(jù)集的最高準(zhǔn)確率。分析結(jié)果表明，DBN和ANN 分類器的結(jié)構(gòu)對(duì)DBN 的性能有很大的影響。因此，本文提出方法的得到了實(shí)驗(yàn)驗(yàn)證。

5 結(jié)論

本文研究了一種基于RFID 傳感標(biāo)簽和深度信念網(wǎng)絡(luò)的人體活動(dòng)識(shí)別算法。首先設(shè)計(jì)了一種無源RFID 標(biāo)簽，獲取人體加速度信號(hào)，而且此標(biāo)簽還可以進(jìn)行唯一標(biāo)識(shí)。然后描述了如何從傳感器信號(hào)中提取魯棒特征并利用它們訓(xùn)練DBN。文中還討論了如何通過改變DBN 結(jié)構(gòu)的超參數(shù)來尋找ODBN 結(jié)構(gòu)。實(shí)驗(yàn)結(jié)果表明，所設(shè)計(jì)的傳感標(biāo)簽最小靈敏度約為－17 dBm，對(duì)應(yīng)在2 W 的閱讀器功率下傳感標(biāo)簽最大工作距離為10.5 m；與傳統(tǒng)的支持向量機(jī)方法相比，本文提出的DBN 方法具有明顯的優(yōu)越性。所提出的方法獲得的總體精度為97.5%，在相同的數(shù)據(jù)集中也優(yōu)于其他現(xiàn)有的DBN。