一种基于深度学习的认证识别方法以及智能空气锁与流程

1.本发明涉及安全认证技术领域，尤其涉及一种基于深度学习的认证识别方法以及智能空气锁。


背景技术：

2.门禁系统的安全性是任何组织和个人都非常关心的问题。各种智能门锁的破解技术层出不穷。现有的访问安全增强方案有基于密码的，也有基于生物特征的，它们分别容易受到模糊攻击和重放攻击。然而，新兴技术也被用于破解现有的安全增强功能。在defcon2020大会上，甚至有黑客可以使用3d 打印绕过指纹识别来打开门禁系统。对于家庭或者公司环境来说，加强门禁系统的安全性是非常迫切的。此外，在一户多租的情况中，租客频繁的变动需要经常更换钥匙，这对房主和租客来说都将造成不便，如何实现一个门禁增强识别系统是一个现实且具有挑战性的问题。


技术实现要素：

3.针对上述缺陷或不足，本发明的目的在于提供一种基于深度学习的认证识别方法以及智能空气锁。
4.为达到以上目的，本发明的技术方案为：
5.一种基于深度学习的认证识别方法，包括：
6.采集用户信号，并且对采集到的用户信号进行预处理，提取信号特征；所述用户信息包括用户解锁时手部动作对无线信号传播的影响，所述信号特征包括运动特征、以及手部结构特征任一种或者组合；
7.根据信号特征识别用户类型，当用户类型为新用户，则通过深度学习为当前用户进行身份编码，并且向服务器端发送审核指令；向服务器端根据接收的审核指令，完成新用户审核，并且将新用户身份编码与信号特征进行拟合存储，完成新用户注册；
8.当用户类型为已注册用户，则根据用户的信号特征与存储的身份编码进行匹配，输出用户的身份编码，并且在数据库中查找该身份编码，确定用户身份，完成用户认证。
9.所述采集用户信号，并且对采集到的用户信号进行预处理，提取信号特征具体包括：
10.对采集的用户信号进行去除静态变量处理，提取出振幅信息；
11.通过小波阈值去噪方法过滤掉信号中的随机噪声；
12.使用基于皮尔逊相关系数的用户信号分割方法提炼出包含完整用户运动信息的信息段，利用小波变换对分割后用户信号进行基于小波的特征提取；将选取标准解锁动作产生的信号为标准数据，设定阈值，将采集、处理后的用户信号定义为接收数据，将接收数据与标准数据的皮尔逊相关系数进行比较，当大于阈值时，保留数据，得到信号特征。
13.所述将新用户身份编码与信号特征进行拟合存储，完成新用户注册具体包括：
14.根据label编码机制，利用固定维度的向量为用户进行label编码，使用全部[0,9]
内的10个数字，每个label向量都是以数字0开始，其余为[1
‑
9]区间内的任意数字组成的不同序列，使用所有[1,9]范围内9个数字组成不同的序列完成身份编码，将身份编码的结果存入数据库中；
[0015]
利用用户身份分类器，将信号特征入到用户分类器中进行拟合，对用户的信号特征进行基于注意力机制的深度学习网络中进行训练，进行深度神经网络训练后，深度学习网络将信号特征与身份编码相匹配，完成新用户注册，使得再次识别时，能够基于小波的特征，输出与真实用户身份对应的身份编码。
[0016]
所述对用户的信号特征进行基于注意力机制的深度学习网络中进行训练还包括：收集未注册的用户数据和已注册的用户数据一起训练二分类的支持向量机，用作在认证阶段前的数据清洗，筛除非法数据。
[0017]
所述当用户类型为已注册用户，则根据用户的信号特征与存储的身份编码进行匹配，输出用户的身份编码，并且在数据库中查找该身份编码，确定用户身份，完成用户认证具体包括：
[0018]
根据信号特征，利用在注册阶段保存的支持向量机对非解锁运动数据和攻击者数据进行初步筛选；若检测为攻击者，当前数据将无法通过认证，若检测为只合法数据后，在信号特征输入进基于注意力机制的深度神经网络后，编码器将提取出来的信号特征转换为编码器隐藏状态，之后解码器结合注意力机制对隐藏状态循环解码，网络的输出为用户的身份码，将该身份码在数据库中搜索，为用户进行身份认证。
[0019]
所述利用用户身份分类器，将信号特征入到用户分类器中进行拟合具体包括：
[0020]
在开始工作时，先在内存中开辟空间，然后用独热编码方式存储10个数字向量；
[0021]
使用softmax函数将所有上级输出信号特征映射到[0,1]区间上，得到一组概率向量，其表达式如公式(1)所示：
[0022][0023]
公式中，i表示样本下标，c表示样本总量，v表示分类器前级单元的输出；
[0024]
利用argmax函数找到向量中最大值所在位置，将该位置的值置为1，其他位置均置0，输出1所在位置的下标，同样步骤循环10次得到完整输出结果，完成拟合。
[0025]
所述拟合具体包括：
[0026]
使用以rnn为基础的编码器解码器网络体系结构，包括两个递归神经网络，其中一个为编码器，另一个为解码器；编码器将变长源序列映射为定长向量，其公式为：
[0027]
h
i
＝f(x
i
,h
i
‑1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0028]
c＝q({h1,...,h
t
})
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0029]
公式(2)中h
i
表示当前时刻的隐藏状态，x
i
是网络的输入，公式(3)中c代表该网络生成的所有序列，f和q代表非线性的函数。
[0030]
编码器和解码器互相配合，将用户信号拟合成相同长度的label向量，将编码器设置为双向循环神经网络brnn，在输出的时将输出向量设置为定长，使网络自动将输入与输出对齐。
[0031]
当前时刻的输出不仅和之前的状态有关，还可能和未来的状态有关系,通过不断
的训练使网络能够自动将最后的信息特征与最后的输出有效的梯度传递，解码器将向量表示映射回定长目标序列。
[0032]
所述拟合还包括：
[0033]
使用注意力机制结合seq2seq的网络结构对输入的信号特征与用户label 向量进行拟合，将相同特征映射为相同输出序列的能力，同时注意力机制使网络聚焦于对结果影响最大的特征部分。
[0034]
具体包括：
[0035]
设定编码器，解码器和注意力机制；
[0036]
将预处理后的csi序列，csi更新解码器的隐藏状态，每一个时刻解码器隐藏状态s
i
为：
[0037]
s
i
＝f(s
i
‑1,y
i
‑1,c
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0038]
s
i
‑1表示解码器上一时刻的隐藏状态，y
i
‑1表示上一时刻的输出,第i个时刻的特征向量c
i
如公式(4)：
[0039][0040]
其中，h
j
表示每一时刻编码器的隐藏状态，每个权重矩阵a
ij
的计算如公式(5) 所示：
[0041][0042]
其中，e
ij
表示对齐模型，用的损失函数为当多分类交叉熵函数，如公式(7) 所示：
[0043]
crossentropy＝∑(ylog(y) (1
‑
y)log(1
‑
y))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0044]
其中，y是网络的输出，y是当前类别的真实值，多分类交叉熵损失函数最后一层权重的梯度不再跟前面的激活函数的导数相关，只跟输出值和类别真实值的差值成正比，网络收敛快。
[0045]
一种智能空气锁，包括移动端和服务器端；其中，所述移动端包括信号预处理模块、注册模块和认证模块；服务器端包括数据存储器和管理员模块；
[0046]
所述信号预处理模块，用于采集用户信号，并且对采集到的用户信号进行预处理，提取信号特征；所述用户信息包括用户解锁时手部动作对无线信号传播的影响，所述信号特征包括运动特征、以及手部结构特征任一种或者组合；
[0047]
所述注册阶段，用于根据信号特征识别用户类型，当用户类型为新用户，则为当前用户进行身份编码，并且向服务器端发送审核指令；当取得审核通过，则将新用户身份编码与信号特征进行拟合存储，完成新用户注册
[0048]
所述认证阶段模块，用于当用户类型为已注册用户，则根据用户的信号特征与存储的身份编码进行匹配，输出用户的身份编码，并且在数据库中查找该身份编码，确定用户身份，完成用户认证。
[0049]
所述管理员模块，用于根据接收的审核指令，完成新用户审核，并且将新用户身份编码进行存储，完成新用户注册；
[0050]
所述数据存储器，用于存储用户身份编码。
[0051]
与现有技术比较，本发明的有益效果为：
[0052]
本发明提供了一种基于深度学习的认证识别方法以及智能空气锁，使用了全编码方法，当网络训练时目标类别数量巨大时(比如有上百万个目标类别)，使用一百个字节即可表示全部类别，相比于传统的独热编码或者哑编码，极大地节省了内存空间。另外，本发明使用天线间振幅差方法去除静态变量，相比于信号中的相位数据，振幅数据更加的稳定，去除了静态变量之后的信号更易于提取用户的独特特征。本发明实现一个基于深度学习的智能空气锁生成方法。该方法利用wifi感知用户解锁时手部的运动特征，对用户进行感知认证，该方法是对传统钥匙解锁方法的增强认证，无需用户做额外的动作，具有较强的安全性和新用户可扩展性，使得认证和解锁的安全性大大提高。
[0053]
本发明使用的用户分类器包含了信号特征的编码和解码过程，编码过程可以理解为是放大信号中包含的特征，注意力机制会使得网络聚焦于对结果影响跟大的特征部分，解码过程是将放大之后的特征解码为想要的形式，同时，相比于其他神经网络(如卷积神经网络)，循环神经网络更适合处理时序数据，对时序数据有更好的记忆功能。
附图说明
[0054]
图1是本发明基于深度学习的认证识别方法示意图；
[0055]
图2是本发明全编码示例图；
[0056]
图3是本发明增加新用户结果图；
[0057]
图4是本发明网络输出流程图；
[0058]
图5是本发明双向循环神经网络(brnn)示意图；
[0059]
图6是本发明airlock网络结构示意图
[0060]
图7是本发明装置结构示意图；
[0061]
图8是本发明三种网络用户响应时间对比cdf图；
[0062]
图9是本发明三种网络模型认证误差累计比较；
[0063]
图10是本发明airlock身份认证混淆矩阵；
[0064]
图11是本发明振幅差模型与csi熵模型对比图。
具体实施方式
[0065]
下面将结合附图对本发明做详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
[0066]
如图1所示，本发明提供了一种基于深度学习的认证识别方法，包括：
[0067]
s1、采集用户信号，并且对采集到的用户信号进行预处理，提取信号特征；所述用户信息包括用户解锁时手部动作对无线信号传播的影响，所述信号特征包括运动特征、以及手部结构特征任一种或者组合；
[0068]
本发明是通过采用采集用户解锁时手部的运动信号，例如手部的旋转运动，本发明基于手部旋转动作的无线感知解锁认证系统分为注册阶段和认证阶段，当用户在进行开所动作时，能够采集手部的运动信号。
[0069]
信号收发系统采集原始信号进行信号预处理，提取基于小波的特征进入下一步。
[0070]
信号预处理包括:
[0071]
1.1、去除静态变量
[0072]
对采集的用户信号进行去除静态变量处理，提取出振幅信息；
[0073]
相比于csi(channel state information，信道状态信息)中的振幅，相位信息存在着载波频率偏移(cfo)和采样频率偏置(sfo)，导致原始的相位信息难以获取，而振幅信息则稳定许多，因此本发明首先探索使用振幅信息来提取用户的运动特征。在同一环境中，静态变量是不变的，人体运动造成每对天线信号传播路径变化是不同的，因此首先将接收到的信号进行分离，分别假设天线1接收到的信号为h1(f)，天线2接收到的信号为h2(f)，则可以得到公式(8) 和公式(9)：
[0074]
h1(f)＝h
s1
(f) h
d1
(f)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0075]
h2(f)＝h
s2
(f) h
d2
(f)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0076]
其中h
s1
(f)和h
d1
(f)分别代表天线1接收到的静态变量和动态变量，同理h
s2
(f) 和h
d2
(f)分别代表天线2接收到的静态变量和动态变量，想要去除原信号当中的静态变量，使公式(8)减去公式(9)，又由于静态变量对信号造成的变化微乎其微，且在同一环境中天线接收到的静态变量是相同的，于是可以得到公式(10)：
[0077]
h1(f)
‑
h2(f)≈h
d2
(f)
‑
h
d1
(f)＝h
δ
(f)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0078]
得到两根天线的数据相减之后为h
δ
(f)
[0079]
1.2、通过小波阈值去噪方法过滤掉信号中的随机噪声；
[0080]
1.3、使用基于皮尔逊相关系数的用户信号分割方法提炼出包含完整用户运动信息的信息段，利用小波变换对用户信号进行基于小波的特征提取；将选取标准解锁动作产生的信号为标准数据，设定阈值，将采集、处理后的用户信号定义为接收数据，将接收数据与标准数据的皮尔逊相关系数进行比较，当大于阈值时，保留数据，得到信号特征。
[0081]
皮尔逊相关系数即两个变量之间的相似程度，首先选择一段静态信号作为标准变量，设置时间窗口在csi序列上不断检测，当前时间窗口内的数据如果为静态时(没有用户运动)的信号，则当前窗口内的数据与标准变量的皮尔逊相似度系数就会接近于1，反之如当前时间窗口的信号数据与标准数据皮尔逊相似度系数趋近于0，则表明当前窗口内数据是用户运动产生的，因此根据此方法，可以将没有用户运动时刻产生的数据去除，只保留用户运动时产生的数据。
[0082]
将所有接收到的信号都进行特征提取处理是不现实的，并不是任何时刻的信号中都包含有用户解锁的运动信息，比如在静态环境中。另外，必须考虑这样一种情况，当门前有其他非解锁动作发生时，例如小孩子在门前打闹等情况，而系统却对当前数据进行特征提取，显然这是毫无意义的。为了避免这种情况，利用皮尔逊相关系数来对信号进行分割，将包含用户特征信息的数据筛选出来，从而做后续的处理，剩余数据则将会被抛弃。
[0083]
选取标准解锁动作产生的信号为标准数据，通过实验找到经验阈值，对于接收到的数据，当前窗口内数据与标准数据的皮尔逊相关系数大于阈值时保留数据，并且进行下一步处理，否则丢弃，以此过滤掉除目标运动以外的数据。
[0084]
s2、根据信号特征识别用户类型，当用户类型为新用户，则通过深度学习为当前用户进行身份编码，并且向服务器端发送审核指令；向服务器端根据接收的审核指令，完成新
用户审核，并且将新用户身份编码与信号特征进行拟合存储，完成新用户注册；
[0085]
所述将新用户身份编码与信号特征进行拟合存储，完成新用户注册具体包括：
[0086]
2.1、根据label编码机制，利用固定维度的向量为每个用户进行label编码，使用全部[0,9]内的10个数字，每个label向量都是以数字0开始，其余为[1
‑
9]区间内的任意数字组成的不同序列，使用所有[1,9]范围内9个数字组成不同的序列完成身份编码，将身份编码的结果存入数据库中；
[0087]
示例性，假设目标类别总数为5，可以用任意的大于log95维的向量为其编码，如图2所示。全编码使用所有[1,9]范围内9个数字组成不同的序列，唯一的标识一个类别，在上述例子中，使用了5维的label向量，除了已有五位用户之外，理论上还可以添加94‑
5个新用户，相比于哑编码，同样使用5维的label向量，全编码可标记数量是哑编码方法的1300多倍，虽然全编码在未知当前数据集类别总数时直接设置了label向量长度，会存在使用5维向量只为2类做label 标记，即向量维度大于输出类别总数的内存浪费现象发生。
[0088]
此外，本发明设置了10维的label向量，长度为10的数字序列总共可以标记99个类别，倘若用独热编码标记99个类，则需要99维的向量。此外，当有新用户加入时也不需要删除原有的label向量，比如加入user6和user7时全编码效果如图3所示。
[0089]
2.2、利用用户身份分类器，将信号特征入到用户分类器中进行拟合，对用户的信号特征进行基于注意力机制的深度学习网络中进行训练，进行深度神经网络训练后，深度学习网络将信号特征与身份编码相匹配，完成新用户注册，使得再次识别时，能够基于小波的特征，输出与真实用户身份对应的身份编码。
[0090]
本发明提出的基于手部旋转动作的无线感知解锁认证系统分为注册阶段和认证阶段，本发明给该系统起名为空气锁(airlock)。
[0091]
在注册阶段，airlock向用户收集数据。在此期间，用户只需要利用钥匙解锁，同时，门两侧已安装接收端和发送端不断地收集来自用户的数据，用作网络训练，网络成功拟合之后，便开始认证阶段，该用户需要通过感知认证和钥匙解锁。需要说明的是，为了减少系统开销，airlock设定经验阈值s，当信号的变化率也就是波形的斜率大于s时，airlock认为有动作发生，反之认为没有动作发生并且不启动后续的程序，一旦airlock检测到解锁行为，先分别提取两个天线接收的数据，将两根信号的数据做差值处理，消除信号中包含的静态变量，提取出振幅信息。接着通过小波阈值去噪方法过滤掉信号中的随机噪声。最后，使用基于皮尔逊相关系数的信号分割方法提炼出包含完整用户运动信息的信息段，利用小波变换对信号进行基于小波的特征提取，将其输入到基于注意力机制的深度学习网络中进行训练，剩余的信息片段将不做任何处理并被丢弃。
[0092]
所述对用户的信号特征进行基于注意力机制的深度学习网络中进行训练还包括：收集未注册的用户数据和已注册的用户数据一起训练二分类的支持向量机，用作在认证阶段前的数据清洗，筛除非法数据。
[0093]
在进行深度神经网络训练之前，使用全编码方法将所有合法用户的身份进行标记(俗称“打label”)，将编码的结果存入数据库中，之后深度学习网络可以根据基于小波的特征，输出与真实用户身份对应的编码，以此对用户进行身份认证。此外，airlock还收集非法数据(即未注册的用户数据)，与合法数据(已注册的用户数据)一起训练二分类的支持向量机(support vector machine, svm)，用作在认证阶段前的数据清洗，目的是筛除非法数
据。训练结束后保存所有的网络模型。
[0094]
s3、当用户类型为已注册用户，则根据用户的信号特征与存储的身份编码进行匹配，输出用户的身份编码，并且在数据库中查找该身份编码，确定用户身份，完成用户认证。
[0095]
具体包括：
[0096]
根据信号特征，利用在注册阶段保存的支持向量机对非解锁运动数据和攻击者数据进行初步筛选；若检测为攻击者，当前数据将无法通过认证，若检测为只合法数据后，在信号特征输入进基于注意力机制的深度神经网络后，编码器将提取出来的信号特征转换为编码器隐藏状态，之后解码器结合注意力机制对隐藏状态循环解码，网络的输出为用户的身份码，将该身份码在数据库中搜索，为用户进行身份认证。
[0097]
所述利用用户身份分类器，将信号特征入到用户分类器中进行拟合具体包括：
[0098]
在开始工作时，先在内存中开辟空间，然后用独热编码方式存储10个数字向量；
[0099]
使用softmax函数将所有上级输出信号特征映射到[0,1]区间上，得到一组概率向量，其表达式如公式(1)所示：
[0100][0101]
公式中，i表示样本下标，c表示样本总量，v表示分类器前级单元的输出；
[0102]
利用argmax函数找到向量中最大值所在位置，将该位置的值置为1，其他位置均置0，输出1所在位置的下标，同样步骤循环10次得到完整输出结果，完成拟合，如图4所示，图中h表示循环神经网络的隐藏特征，t代表当前时刻， o代表每个时刻输出的数字，每个时刻的隐藏状态经过softmax函数都会得到一组概率向量，argmax函数会找到向量中最大值所在位置，将该位置的值置为1，其他位置均置0，输出1所在位置的下标，比如图中softmax输出向量中第10 位概率值最大，值为0.8，于是将该向量第10位的数置为1其他均为0，形成的向量正好与内存中数字9的独热编码相同于是当前时刻输出9，同样步骤循环 10次得到完整输出结果。
[0103]
另外，不仅仅是输出需要用循环神经网络，由于本发明利用皮尔逊相关系数来分割信号，所以输入数据的长度可能会发生变化，受到机器翻译工作的启发，airlock首先使用以拟合具体包括：
[0104]
a、使用以rnn为基础的编码器解码器网络体系结构，包括两个递归神经网络，其中一个为编码器，另一个为解码器；编码器将变长源序列映射为定长向量，其公式为：
[0105]
h
i
＝f(x
i
,h
i
‑1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0106]
c＝q({h1,...,h
t
})
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0107]
公式(2)中h
i
表示当前时刻的隐藏状态，x
i
是网络的输入，公式(3)中c代表该网络生成的所有序列，f和q代表非线性的函数。
[0108]
b、编码器和解码器互相配合，将用户信号拟合成相同长度的label向量，将编码器设置为双向循环神经网络brnn，在输出的时将输出向量设置为定长，使网络自动将输入与输出对齐。
[0109]
airlock的目标输出是定长为10个字节的label序列，由此这里可能会产生一些疑问，是否要将每次输入的特征都分为十个部分，每个人不同时间的运动习惯会有差异，分为
十个部分会不会导致同类样本差异过大，从而导致网络拟合困难，答案当然是不需要对输入的特征进行划分，编码器和解码器互相配合的工作体系可以处理变长的输入数据，因此不同长度的用户运动数据也可以自动拟合成相同长度的label向量。airlock只需要将编码器设置为双向循环神经网络(brnn)，其不仅有前向算法还有后向推算算法。airlock在输出的时候将输出向量设置为定长，使网络自动将输入与输出对齐，如图5所示。当前时刻的输出不仅和之前的状态有关，还可能和未来的状态有关系,这样通过不断的训练使网络能够自动将最后的特征与最后的输出有效的梯度传递，解码器将向量表示映射回定长目标序列。在给定源序列的条件下，两个网络共同训练目标序列使条件概率最大化。
[0110]
为了将用户运动特征与用户身份编码(label向量)建立更紧密的联系， airlock使用了注意力机制结合seq2seq的网络结构对输入特征与用户label向量进行拟合，该结构具有将相同特征映射为相同输出序列的能力，同时注意力机制可以使网络聚焦于对结果影响最大的特征部分，该结构如图6所示。由图可知整个网络分为三大部分，编码器，解码器和注意力机制。
[0111]
具体包括：
[0112]
1)、设定编码器，解码器和注意力机制；
[0113]
2)、将预处理后的csi序列作为网络的输入，更新解码器的隐藏状态，每一个时刻解码器隐藏状态s
i
为：
[0114]
s
i
＝f(s
i
‑1,y
i
‑1,c
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0115]
s
i
‑1表示解码器上一时刻的隐藏状态，y
i
‑1表示上一时刻的输出,第i个时刻的特征向量c
i
如公式(4)：
[0116][0117]
其中，h
j
表示每一时刻编码器的隐藏状态，每个权重矩阵a
ij
的计算如公式(5)所示：
[0118][0119]
其中，e
ij
表示对齐模型，用的损失函数为当多分类交叉熵函数，如公式(7) 所示：
[0120]
crossentropy＝∑(ylog(y) (1
‑
y)log(1
‑
y))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0121]
其中，y是网络的输出，y是当前类别的真实值，之所以用多分类交叉熵损失函数，是因为其于最后一层权重的梯度不再跟前面的激活函数的导数相关，只跟输出值和类别真实值的差值成正比，此时网络收敛较快。又因为反向传播是基于链式法则，不同层之间导数相乘，整个权重矩阵的更新都会加快。不仅如此，多分类交叉熵损失求导更简单，损失数值大小只与正确类别的概率有关。同时损失函数对于softmax激活层的输入求导相对简单。
[0122]
系统的输入是预处理后的csi序列，csi会更新解码器的隐藏状态。解码器工作完毕后，其隐藏状态与注意力分数和解码器隐藏状态结合得到当前时刻的输出output，系统每时刻的输出v都是数字的概率向量，通过argmax函数得到当前时刻概率最大的数字，当前时刻的输出也是下一时刻的输入，更新解码器隐藏状态。需要说明的是，相比于工作，通过
不断的探索，在解码器中增加一层线性层来深度拟合特征数据，这可能是因为运动特征相比于文本数据更为复杂。
[0123]
如图7所示，本发明还提供了一种智能空气锁，包括移动端1和服务器端 2；其中，所述移动端1包括信号预处理模块11、注册模块12和认证模块13；服务器端2包括数据存储器21和管理员模块22；
[0124]
所述信号预处理模块11，用于采集用户信号，并且对采集到的用户信号进行预处理，提取信号特征；所述用户信息包括用户解锁时手部动作对无线信号传播的影响，所述信号特征包括运动特征、以及手部结构特征任一种或者组合；
[0125]
所述注册阶段12，用于根据信号特征识别用户类型，当用户类型为新用户，则为当前用户进行身份编码，并且向服务器端发送审核指令；当取得审核通过，则将新用户身份编码与信号特征进行拟合存储，完成新用户注册
[0126]
所述认证阶段模块13，用于当用户类型为已注册用户，则根据用户的信号特征与存储的身份编码进行匹配，输出用户的身份编码，并且在数据库中查找该身份编码，确定用户身份，完成用户认证。
[0127]
所述管理员模块22，用于根据接收的审核指令，完成新用户审核，并且将新用户身份编码进行存储，完成新用户注册；
[0128]
所述数据存储器21，用于存储用户身份编码。
[0129]
本发明的效果：
[0130]
(1)使用了全编码方法。当网络训练时目标类别数量巨大时(比如有上百万个目标类别)，使用一百个字节即可表示全部类别，相比于传统的独热编码或者哑编码，极大地节省了内存空间。
[0131]
(2)使用天线间振幅差方法去除静态变量，相比于信号中的相位数据，振幅数据更加的稳定，去除了静态变量之后的信号更易于提取用户的独特特征。
[0132]
(3)使用的用户分类器包含了信号特征的编码和解码过程，编码过程可以理解为是放大信号中包含的特征，注意力机制会使得网络聚焦于对结果影响跟大的特征部分，解码过程是将放大之后的特征解码为想要的形式，同时，相比于其他神经网络(如卷积神经网络)，循环神经网络更适合处理时序数据，对时序数据有更好的记忆功能。
[0133]
本发明验证结果：
[0134]
1认证精度
[0135]
为了测试airlock基于注意力机制的seq2seq深度神经网络分类器的认证性能，将其与另外两种网络模型进行对比，首先是三层线性层结构的深度学习网络(linemodel)具有三个线性层的深度神经网络已经在大多数数据集中发挥了不俗的表现。另一种则是提出的fingerpass，采用三层的长短时记忆循环神经网络(lstm)，且在其工作中指出，第一层lstm可以分析手势特征(例如手指弯曲等动作)，第二层lstm可以识别具体运动的物理特征(例如运动的方向，速度等)，第三层lstm可以在用户层面进行认证。因此将这两种具有代表性的网络与airlock比较。本发明的评估数据来源于场景a中的8个合法用户。要求每个志愿者走到门口前他们认为最适合解锁(由于不同的身体类型,每个人将会停留在不同的位置)的位置,然后取出钥匙解锁，在七天的时间内收集样本共计11200条csi数据。
[0136]
在实验中发现用户的解锁动作基本会在1.5s内完成，为了确保用户在认证阶段不
会等待过长的时间，本发明首先对比了三种网络结构的用户响应时间，结果如图8所示。
[0137]
由图可知，从左到右第一线条，第二线条和第三线条分别代表，linemodel、 fingerpass和airlock，系统的反应时间随着网络复杂度的增加而增加，然而 airlock依然可以实现平均0.79s的响应时间，语音识别的运行时间大约是 0.68s，也是可以满足人们日常需求的，并且未来通过算法改进还将进一步提升识别识别效率。
[0138]
接下来本发明对比了三种网络结构对8位用户的认证精度累计误差分布，结果如图9所示。
[0139]
横坐标为认证的误差百分比。由图可见，对于每个用户，简单线性层表现最差，80％的测试中其认证精度小于70％，这是因为普通的线性层网络并没有对时序数据的记忆功能，当输入较长时丧失了对之前数据的拟合结果。fingerpass 的识别精度小于90％，且稳定性较差，相比airlock的平均识别精度低14％。与手指滑动相比，手部的旋转运动包含更多的也更复杂的特征，因此简单的深度神经网络不能很好地拟合airlock的应用场景。
[0140]
为了更全面的评估airlock对合法用户的识别性能，总结了airlock身份认证混淆矩阵，如图10所示。
[0141]
图中纵坐标为识别结果，横坐标为真实值，airlock实现了平均96.5％的识别准确率，其中最高的为用户d，准确率为100％，用户d比较热爱运动，手部动作稳定性高。精度最低是f用户为89.2％，这可能是用户f为女生，手部力量不足，执行动作稳定性连贯性较差。
[0142]
2静态变量去除
[0143]
为了验证airlock振幅差模型的有效性，即信号预处理步骤不会对信号产生过多的干涉，从而导致信号失真，将其与csi熵模型进行了比较。如图11所示。
[0144]
纵坐标为csi的振幅，横坐标为数据包的下标。图(a)，(b)，(c)分别表示 csi熵模型，天线间振幅差和差值之后小波去噪的结果，可以看出，天线间振幅差和csi熵模型具有同样效果，且并没有导致信号失真，只是仍然存在较多的信号毛刺，然而经过小波去噪后波形明显清晰，具有良好的连续性。
[0145]
对于本领域技术人员而言，显然能了解到上述具体事实例只是本发明的优选方案，因此本领域的技术人员对本发明中的某些部分所可能作出的改进、变动，体现的仍是本发明的原理，实现的仍是本发明的目的，均属于本发明所保护的范围。