技术领域
[0001] 本
发明涉及一种湿度感知与检测方法，尤其涉及一种基于毫米波信号的湿度感知与检测方法，并涉及采用了该基于毫米波信号的湿度感知与检测方法的系统。
背景技术
[0002] 在当今的无线通信中，毫米波通信已经逐渐成为未来通信技术的研究的热点话题。在不久的将来，未来网络系统的月度流量(5G及以上)将达到50PB，大约是2016年的12倍；所以新的网络系统将需要更好地改善通信的容量性能和数据传输速率。毫米波通信作为未来移动网络中的关键技术之一，越来越受到人们的关注。
[0003] 空气湿度是天气条件的最重要的环境属性之一，空气湿度不仅影响着自然经济的发展、
农作物生长、工业生产，也影响着人们的日常生活与健康。例如，适宜的空气湿度会促进农作物的最快增长与最大丰收，而对于人类来说，50％—70％之间的空气湿度是人体最舒适的湿度，最有益于人们的健康与生活。因此，精准的湿度测量方法是非常需要的。
[0004] 现有的通常用来检测湿度的设备，主要有两类：一种是采用干湿球湿度计，干湿球湿度计是由两个
温度计组成，一个
温度计是放在一个
水槽内，另一个温度计是暴露于空气中。因为水槽中的水分
蒸发会吸收热，并且这些水分的蒸发速率与空气中的
相对湿度有关；当空气中的湿度过低，水槽中的水的蒸发速率会加快；进而利用两个温度计之间的温度差，能够计算出空气中的湿度。
[0005] 第二种是采用湿度
传感器，并且
湿度传感器有两个主要的类型：
电阻型和电容型。对于电阻型，空气中的水蒸气会
吸附在外表的湿润
薄膜上，使得组件的电阻会发生改变；空气湿度能通过计算电阻数值的变化而得到。对于电容型，当环境的湿度改变，湿度敏感电容的
介电常数会发生变化，且湿度敏感电容的电容也会发生变化；通过计算电容的变化来得到相对湿度。
[0006] 总结以上两种方法。第一种方法必须要等到两个温度计足够稳定才能得到湿度，湿度计对湿度的响应时间大约是2-3s，使用这种方法测量出的湿度通常相对较慢。第二种方法由于设计组件过程时的限制，存在一定误差，精确度不高。
发明内容
[0007] 本发明所要解决的技术问题是需要提供一种能够提高湿度检测响应速度和灵敏度的新的湿度感知与检测方法，并提供采用了该湿度感知与检测方法的系统；还进一步提高其感知和检查的准确度。
[0008] 对此，本发明提供一种基于毫米波信号的湿度感知与检测方法，包括：
[0009] 步骤S1，信号接收端接收来自信号发射端的毫米波信号，并对接收的毫米波信号进行提取和过滤；
[0010] 步骤S2，对毫米波信号进行
降维与去噪处理，输出目标模式；
[0011] 步骤S3，将所述目标模式映射至
随机森林分类方法中，以检测周围环境的湿度信息；
[0012] 步骤S4，对湿度信息的检测结果进行输出和反馈。
[0013] 本发明的进一步改进在于，所述步骤S1包括以下子步骤：
[0014] 步骤S101，通过多输入多输出技术，对接收的毫米波信号进行
数据采集；
[0015] 步骤S102，对采集到的M个空间流中包含N个
子载波的毫米波射频数据，读取其包含的射频数据，并从中选择和提取出信道状态信息数据，其中，M和N均为大于1 的自然数；
[0016] 步骤S103、利用低通
滤波器，对提取得到的信道状态信息数据进行过滤处理。
[0017] 本发明的进一步改进在于，所述步骤S102中，在每一个空间流中，求取同一时间点上的T个连续子载波的信道状态信息数据的平均值，并将此平均值作为处理后的信道状态信息数据值，T为大于1且小于N的自然数。
[0018] 本发明的进一步改进在于，所述步骤S2包括以下子步骤：
[0019] 步骤S201，利用主成分分析法计算步骤S1中信道状态信息数据的样本数据集的协方差矩阵，得到其特征值和
特征向量，构成转换矩阵，通过线性投影将高维的信道状态信息数据映射到低维空间中，且使得在此投影维度上的信道状态信息数据值的方差最大；
[0020] 步骤S202，利用线性判别分析法，将经过主成分分析法降维后的信道状态信息数据的样本投影到
鉴别矢量空间，进而
抽取分类信息和压缩特征空间维数，以实现对信道状态信息数据值的第二次子空间投影；
[0021] 步骤S203，输出信道状态信息数据的目标模式。
[0022] 本发明的进一步改进在于，所述步骤S3包括以下子步骤：
[0023] 步骤S301，基于随机森林分类方法的统计学理论，以不同环境湿度导致的信道状态信息数据的不同特征作为训练样本，持续从原始训练样本集中有放回地重复随机抽取n个样本以生成新的训练
决策树，然后按以上步骤生成m棵决策树组成随机森林，建立高维特征模型；其中，m和n均为大于1的自然数；
[0024] 步骤S302，将步骤S2中输出的目标模式，映射至所述随机森林分类方法的高维特征模型进行湿度分类，以检测周围环境的湿度信息。
[0025] 本发明的进一步改进在于，所述步骤S4包括以下子步骤：
[0026] 步骤S401，判断是否检测出了当前环境的湿度信息，若是跳转至步骤S402，若否则返回步骤S1；
[0027] 步骤S402，实时输出和显示湿度检测结果，并将湿度信息的检测结果反馈至所述步骤S3中，以实现对
支持向量机的高维特征模型的调整。
[0028] 本发明还提供一种基于毫米波信号的湿度感知与检测系统，采用了如上所述的毫米波信号的湿度感知与检测方法，并包括：
[0029] 感知模
块，包括信号发射端和信号接收端，用于接收和采集毫米波信号；
[0030] 处理模块，用于对采集到的毫米波信号的信道状态信息数据进行主成分分析和线性判别分析，实现数据的降维与去噪处理；并结合训练样本的参数对目标模式进行分类和匹配，从而检测出当前环境的湿度信息；
[0031] 校正模块，用于将所述处理模块中的检测结果与已知训练样本进行对比，当检测结果与训练样本之间的差值大于预设的偏差
阈值时，进行校正；
[0032] 输出模块，用于实时输出并显示检测到的当前环境的湿度信息。
[0033] 本发明的进一步改进在于，所述感知模块包括以下单元：
[0034] 采集单元，用于对接收的毫米波信号进行数据采集；
[0035] 提取单元，用于提取毫米波信号的信道状态信息数据；
[0036] 过滤单元，用于对提取得到的信道状态信息数据值进行过滤处理。
[0037] 本发明的进一步改进在于，所述处理模块包括以下单元：
[0038]
数据处理单元，用于对采集到的毫米波信号的信道状态信息数据值进行数据降维与去噪处理；
[0039] 建模单元，以数据处理单元输出的信道状态信息数据值作为训练样本，建立高维特征模型；
[0040] 检测单元，将处理后的数据值映射至随机森林分类方法的高维特征模型中，分离出目标模式的目标湿度类别。
[0041] 本发明的进一步改进在于，所述输出模块中，通过智能终端实时显示当前的环境湿度，并且在当前湿度超过预设的湿度阈值时发出提醒。
[0042] 与
现有技术相比，本发明的有益效果在于：创新地将毫米波通信应用到空气湿度感知与检测方法上，利用毫米波信号有着高速数据传输速的特点，进而实现更快速的湿度感知和检测，灵敏度更高；在此
基础上，本发明还采用子空间投影的方法，利用主成分分析法(PCA)和线性判别分析法(LDA)等数据处理
算法，有效地对毫米波信号的信道状态信息数据进行了数据降维与去噪处理，去除了数据中大量的噪声信号，进一步放大了信号中的湿度的特征；加之，本发明还使用了信道状态信息数据来进一步放大湿度对毫米波信号的细微影响，从而进一步提高了湿度感知检测的精确度和灵敏度。
附图说明
[0043] 图1是本发明一种
实施例的工作流程示意图；
[0044] 图2是本发明一种实施例的详细工作流程示意图；
[0045] 图3是本发明一种实施例的系统
框架结构示意图；
[0046] 图4是本发明一种实施例的系统实验布置图。
具体实施方式
[0047] 下面结合附图，对本发明的较优的实施例作进一步的详细说明。
[0048] 如图1所示，本例提供一种基于毫米波信号的湿度感知与检测方法，包括：
[0049] 步骤S1，信号接收端接收来自信号发射端的毫米波信号，并对接收的毫米波信号进行提取和过滤；所述信号接收端和信号发射端分别为毫米波信号接收装置和毫米波信号发射装置；
[0050] 步骤S2，对毫米波信号进行降维与去噪处理，输出目标模式；所述目标模式包括经过处理后的毫米波信号数据集和相关特征参数，所述相关特征参数包括均值、方差、最大值、最小值、偏度和绝对中位差等；
[0051] 步骤S3，将所述目标模式映射至随机森林分类方法中，以检测周围环境的湿度信息；
[0052] 步骤S4，对湿度信息的检测结果进行输出和反馈，进而便于调整随机森林分类方法中的参数，来进一步提升准确性。
[0053] 也就是说，本例是基于毫米波信号的湿度感知与检的方法，这是一种创新的检测湿度的方法，此为其一；利用毫米波信号发射装置和毫米波信号接收装置，在特定的实验场景中，比如如图4所示，通过提取毫米波信号中的CSI数据，所述CSI数据为Channel State Information数据，即信道状态信息数据，然后使用一种创新的降维和去噪方法对数据进行处理和分析，极大程度地提高了精准度，这是本例的又一创新点。并通过
机器学习的分类方法进行分类，从而检测出周围环境的湿度信息。本例比现有技术的湿度感知与检测方法有着更快的湿度检测响应速度，灵敏度更高，精确度也更高。
[0054] 图4中，发射器指的是毫米波信号发射装置，即信号发射端；接收器指的是毫米波信号接收装置，即信号接收端；图4中1、2、3、4和5表示分布于5个不同
位置上的无线湿度计。
[0055] 如图2所示，本例所述步骤S1包括以下子步骤：
[0056] 步骤S101，通过多输入多输出(MIMO)技术，对接收的毫米波信号进行数据采集；
[0057] 步骤S102，对采集到的M个空间流中包含N个子载波的毫米波射频数据，通过Matlab等工具读取其包含的射频数据，并从中选择和提取出信道状态信息数据(CSI 数据)，其中，M和N均为大于1的自然数；
[0058] 步骤S103、利用
低通滤波器，对提取得到的信道状态信息数据进行过滤处理，进而减少周围环境因素对信道状态信息数据所造成的干扰。
[0059] 优选的，本例所述步骤S102中，在每一个空间流中，求取同一时间点上的T个连续子载波的信道状态信息数据的平均值，并将此平均值作为处理后的信道状态信息数据值，T为大于1且小于N的自然数。
[0060] 本例所述步骤S2通过采用一种创新的子空间投影方法，对收集到的毫米波信号的信道状态信息数据(CSI数据)进行基于主成分分析(PCA)和线性判别分析(LDA) 算法的数据降维与去噪处理，输出目标模式。
[0061] 更为具体的，本例所述步骤S2包括以下子步骤：
[0062] 步骤S201，利用主成分分析法，对于步骤S1中信道状态信息数据的m个n维样本数据集D＝(x(1),x(2),...,x(m))，通过协方差矩阵计算公式，可求出样本数据的协方差矩阵XXT，根据方程Ax＝λx(x≠0)，可以进一步求出协方差矩阵XXT对应的特征值λ和特征值λ对应的特征向量x(通过特征值及其相应的特征向量可以用来描述一个向量的一次线性变换)，其中，m和n为自然数，A为n阶矩阵；将特征值λ按照从大到小的顺序排序，选择其中最大的k个特征值λ，然后将其对应的k个特征向量(w1,w2,...,wk)分别作为列向量，组成转换矩阵W，通过将原始的样本数据集中的每一个样本x(i)，转化为新的样本z(i)＝WTx(i)，得到输出样本集D'＝(z(1),z(2),...,z(m))，从而将高维的信道状态信息数据映射到低维空间中，且使得在此投影维度上的信道状态信息数据值的方差最大；其中，m、n、i和k为自然数；这里所述步骤S201所实现的第一次子空间投影的具体计算过程属于优选的实现，在实际应用中，能够将高维的CSI数据映射到低维的空间中来表示的其他投影方式也可以；
[0063] 步骤S202，利用线性判别分析法，对于经过主成分分析法降维后的信道状态信息(1) (2) (m)数据的样本数据集D'＝(z ,z ,...,z )，通过相应的数学原理与公式，计算样本数据集的类内散度矩阵 和类间散度矩阵Sb
进一步计算矩阵Sw-1Sb，根据方程Ax＝λx(x≠0)，可以进一步计
算矩阵Sw-1Sb的最大的d个特征值λ和对应的d个特征向量(w1,w2,...,wd)，将d 个特征向量(w1,w2,...,wd)分别作为列向量，组成投影矩阵W，对初始样本集中的每一个样本z(i)，转化(i) T (i) (1) (2) (m)
为新的样本y ＝Wz ，得到输出样本集D”＝(y ,y ,...,y )，从而将此样本数据集投影到最佳鉴别矢量空间上，以实现对信道状态信息数据值的第二次子空间投影；其中，Nj(j＝1,2...k)为第j类样本的个数，Zj(j＝1,2...k)为第j类样本的集合，μj(j＝1,2...k)为第j类样本的均值向量，μ为所有样本均值向量，∑j(j＝1,2... k)为第j类样本的协方差矩阵，m、k、j、i和d均为自然数；这里所述的步骤S202实现的第二次子空间投影的具体计算过程属于优选的实现，在实际应用中，能够达到抽取分类信息等的其他投影方式也可以。
[0064] 步骤S203，输出信道状态信息数据的目标模式。
[0065] 本例所述步骤S201中，利用主成分分析法(PCA)算法，计算步骤S1中的CSI 样本数据集的协方差矩阵，进而得到协方差矩阵的特征值和特征向量，构成转换矩阵，通过线性投影，将高维的CSI数据映射到低维的空间中来表示，且使得在此投影的维度上的CSI数据的方差最大，因此就能用较少的数据维度，同时也保留住较多的原CSI 数据的特性，实现对CSI数据的第一次子空间投影。
[0066] 本例所述步骤S202中，利用线性判别分析法(LDA)算法，将经过PCA算法降维后的CSI模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，且使得投影后的模式样本在新的子空间上具有最大的类间距离和最小的类内距离，即投影后不同类别之间的CSI数据投影点的距离更大，而同一类别的CSI 数据投影点更接近，实现对CSI数据的第二次子空间投影；
[0067] 由于噪声信号较大，使得湿度特征对毫米波信号的影响并不剧烈，因此本例通过使用子空间投影的方法将噪声信号集中在低维度的子空间中。通过PCA和LDA的两次子空间投影，噪声信号的
波动特性可以转移到低维度的子空间中去，通过移除CSI 数据中低维度的数据，保留高维度的数据，能有效地去除大量的噪声信号，因此这也使得本例比现有技术具有更高的准确度的创新处之一。最后在所述步骤S203输出去噪后的CSI目标模式。
[0068] 本例所述步骤S3包括以下子步骤：
[0069] 步骤S301，基于随机森林分类方法的统计学理论，以不同环境湿度导致的信道状态信息数据的不同特征作为训练样本，持续从原始训练样本集中随机且有放回地重复随机抽取n个样本以生成新的训练决策树，然后按以上步骤生成m棵决策树组成随机森林，建立高维特征模型；其中，m和n均为大于1的自然数；
[0070] 步骤S302，将步骤S2中输出的目标模式，映射至所述随机森林分类方法的高维特征模型进行湿度分类，以检测周围环境的湿度信息。
[0071] 本例所述步骤S4及时对检测结果的响应信息进行反馈，进而调整支持向量机的高维特征模型，来进一步提升准确性。具体的，本例所述步骤S4优选包括以下子步骤：
[0072] 步骤S401，判断是否检测出了当前环境的湿度信息，若是跳转至步骤S402，若否则返回步骤S1；
[0073] 步骤S402，实时输出和显示湿度检测结果，并将湿度信息的检测结果反馈至所述步骤S3中，以实现对支持向量机的高维特征模型的调整。
[0074] 如图3所示，本例还提供一种基于毫米波信号的湿度感知与检测系统，采用了如上所述的毫米波信号的湿度感知与检测方法，并包括：
[0075] 感知模块，包括信号发射端和信号接收端，通过毫米波信号接收端接收和采集来自毫米波信号发射端的毫米波信号，并从中提取出信道状态信息数据；
[0076] 处理模块，用于对采集到的毫米波信号的信道状态信息数据进行主成分分析和线性判别分析，实现数据的降维与去噪处理；并结合训练样本的参数对目标模式进行分类和匹配，从而检测出当前环境的湿度信息；
[0077] 校正模块，用于将所述处理模块中的检测结果与已知训练样本进行对比，当检测结果与训练样本之间的差值大于预设的偏差阈值时，进行校正，以进一步提高分类算法的准确性；所述预设的偏差阈值可以根据用户的需求进行调整和自定义设置；
[0078] 输出模块，用于实时输出并显示检测到的当前环境的湿度信息。
[0079] 本例所述感知模块包括以下单元：
[0080] 采集单元，利用MIMO(多输入多输出)技术，用于对接收的毫米波信号进行数据采集；
[0081] 提取单元，用于提取毫米波信号的信道状态信息数据；如对于采集到的M个空间流中的包含N个子载波的毫米波RF(射频)数据，通过Matlab，读取包含多重
属性信息的RF数据，并从中选择和提取出CSI(信道状态信息)的属性信息，M和N均为大于1的自然数[0082] 过滤单元，用于对提取得到的信道状态信息数据值进行过滤处理，来减少周围环境因素对信道状态信息造成的干扰。在每一个空间流中，求取同一时间点上的T个连续子载波的CSI值的平均值，并将此平均值作为处理后的CSI数据值，T为大于1且小于N的自然数。
[0083] 本例所述处理模块包括以下单元：
[0084] 数据处理单元，用于对采集到的毫米波信号的信道状态信息数据值进行数据降维与去噪处理，比如采用PCA和LDA等数据处理算法；
[0085] 建模单元，基于随机森林方法的统计学理论，以数据处理单元输出的信道状态信息数据值作为训练样本，建立高维特征模型；
[0086] 检测单元，将处理后的数据值映射至随机森林分类方法的高维特征模型中，分离出目标模式的目标湿度类别。
[0087] 本例所述校正模块用于将感知模块检测出的结果与已知的类别进行对比，如果出现偏差，则及时进行校正，来进一步提高分类算法的准确性。所述输出模块中，通过智能终端实时显示当前的环境湿度，并且在当前湿度超过预设的湿度阈值时发出提醒。预设的湿度阈值可以根据用户的需求进行调整和自定义设置。
[0088] 当本例所述湿度感知与检测系统开始工作时，毫米波信号发射端发射毫米波信号，同时，在同一实验场景下的毫米波信号接收端会接收和采集初始的毫米波信号数据，并从中提取出CSI数据，并进行过滤处理。
[0089] 整个实验场景的实验布置图优选如图4所示，然后在步骤S201中，利用主成分分析法(PCA)算法，计算步骤S1中的CSI样本矩阵的协方差矩阵的特征值和特征向量，构成转换矩阵，通过线性投影，将高维的CSI数据映射到低维的空间中来表示，且使得在此投影的维度上的CSI数据的方差最大，因此就能用较少的数据维度，同时也保留住较多的原CSI数据的特性，实现对CSI数据的第一次子空间投影。
[0090] 在步骤S202中，利用线性判别分析法(LDA)算法，将经过PCA算法降维后的 CSI模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，且使得投影后的模式样本在新的子空间上具有最大的类间距离和最小的类内距离，即投影后不同类别之间的CSI数据投影点的距离更大，而同一类别的CSI数据投影点更接近，实现对CSI数据的第二次子空间投影。
[0091] 由于噪声信号较大，使得湿度特征对毫米波信号的影响并不剧烈，因此我们通过使用子空间投影的方法将噪声信号集中在低维度的子空间中。通过PCA和LDA的两次子空间投影，噪声信号的波动特性可以转移到低维度的子空间中去，通过移除CSI 数据中低维度的数据，保留高维度的数据，本例能够有效地去除大量的噪声信号，因此这也使得本例比其他的现有技术具有更高的准确度，这是本例的创新之处。最后输出去噪后的CSI目标模式。
[0092] 然后在所述步骤S3利用随机森林分类方法来对处理后的CSI数据进行分类和输出，最后在所述步骤S4中及时对检测结果的响应信息进行反馈，进而调整支持向量机的高维特征模型，来进一步提升准确性。
[0093] 如图1和图2所示的
流程图，本例所述湿度感知与检测方法包括四个重要步骤：提取和过滤毫米波信号的CSI数据、对CSI数据进行数据降维和去噪处理、利用随机森林方法进行湿度分类并输出以及反馈检测结果。
[0094] 综上所述，本例创新地将毫米波通信应用到空气湿度感知与检测方法上，利用毫米波信号有着高速数据传输速的特点，进而实现更快速的湿度感知和检测，灵敏度更高；在此基础上，本发明还采用子空间投影的方法，利用主成分分析法(PCA)和线性判别分析法(LDA)等数据处理算法，有效地对毫米波信号的信道状态信息数据进行了数据降维与去噪处理，去除了数据中大量的噪声信号，进一步放大了信号中的湿度的特征；加之，本发明还使用了信道状态信息数据来进一步放大湿度对毫米波信号的细微影响，从而进一步提高了湿度感知检测的精确度和灵敏度。
[0095] 以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
