BTS：基于时间变化CSI的半监督室内双房间存在检测中的双向师生模型
人工智能
2024-11-26 v4 机器学习
信号处理
摘要
近年来，基于监督学习(SL)和信道状态信息(CSI)的室内人体存在检测引起了广泛关注。然而，现有依赖CSI空间信息的研究易受环境变化影响，导致预测精度下降。此外，基于SL的方法需要耗费时间进行数据标注以重新训练模型。因此，亟需设计一种基于半监督学习(SSL)方案的持续监测模型。本文提出一种双向师生(BTS)学习方法，用于相邻双房间场景下的室内人体存在检测。所提出的基于SSL的原对偶师生网络从有标签和无标签的CSI数据集中智能学习空间和时间特征。此外，增强的惩罚损失函数利用熵和距离度量来区分漂移数据，即受时间变化效应影响且偏离原始分布的新数据集特征。实验结果表明，所提出的BTS系统在用无标签数据重新训练模型后达到了约98%的平均准确率。BTS在布局和環境改变下可保持93%的准确率。此外，BTS在以约98%的最高检测准确率优于现有基于SSL的模型的同时，达到了基于SL方法的渐近性能。
引用
@article{arxiv.2212.10802,
title = {BTS: Bifold Teacher-Student in Semi-Supervised Learning for Indoor Two-Room Presence Detection Under Time-Varying CSI},
author = {Li-Hsiang Shen and An-Hung Hsiao and Kai-Jui Chen and Tsung-Ting Tsai and Kai-Ten Feng},
journal= {arXiv preprint arXiv:2212.10802},
year = {2024}
}
备注
Accepted by IEEE IoT-J