Araştırmacılar, NTU-Fi veri kümesinde dikkat çekici bir% 95.5 RANK-1 doğruluğu elde eden Wi-Fi Kanal Durum Bilgilerini (CSI) kullanan AI-Powered Derin Öğrenme Boru Hattı WHOFI’yi tanıttılar.
Geleneksel görsel yeniden ID sistemleri, evrişimsel sinir ağlarına (CNN’ler) bağımlı ve renk histogramları veya yönlendirilmiş gradyanların (domuz) histogramları, oklüzyonlar altında kalıcı, değişen aydınlatma ve bakış açısı değişiklikleri gibi özellikler.
Devrim Gözetim
Whofi, Wi-Fi sinyallerinin duvarlara ve oklüzyonlara nüfuz ettiği, CSI matrislerinde sinyal bozulmaları yoluyla kemikler ve organlar gibi iç vücut yapılarından biyometrik imzaları yakaladığı görsel olmayan yöntemlerden yararlanarak bu sorunları atlatır.
Bu yaklaşım sadece sınırsız ortamlarda sağlamlığı arttırmakla kalmaz, aynı zamanda tanımlanabilir görsel verilerin yakalanmasını önlediğinden gizliliği de sağlar.
Çekirdek inovasyon, benzerlik eşleşmesi için gömme alanlarını optimize etmek için toplu bir negatif kayıpla eğitilmiş uzun kısa süreli bellek (LSTM), çift yönlü LSTM (BI-LSTM) ve transformatör kodlayıcıları dahil olmak üzere gelişmiş dizi modelleme mimarileri aracılığıyla CSI’den türetilmiş genlik ve faz verilerinin işlenmesinde yatmaktadır.
WhoFi’nin modüler mimarisi, faz ofsetleri için genlik aykırı çıkarma ve doğrusal dezenfektan için hampel filtreler uygulayarak veri ön işleme ile başlar, ardından Gauss gürültüsü ekleme, genlik ölçeklendirme ve model genellemesini desteklemek için zaman kayması gibi büyütmeler izler.
Kodlayıcı modülü, sıralı CSI girişlerinden gizli gösterimleri çıkarır: LSTMS, bırakma düzenlemesi ile istiflenmiş gizli birimler aracılığıyla zamansal bağımlılıkları işlerken, BI-LSTM’ler, gelişmiş patern tanıma için çift yönlü bağlamı içerir ve transformatörler, uzun aralık korelasyonlarını etkili bir şekilde modellemek için konumsal kodlamalarla çoklu kendi kendine uyum kullanır.
Derin öğrenme mimarileri
Bir imza modülü daha sonra bu kodlamaları L2 normalizasyonu kullanarak normalleştirilmiş bir hipersphere yansıtarak kosinüs benzerlik hesaplamalarını kolaylaştırır.
Sorgu ve galeri örneklerini içeren partilerde eğitilmiş, toplu olarak negatif kayıp, matristeki (pozitif çiftler) diyagonal benzerlikleri en üst düzeye çıkarırken, çapraz entropi yoluyla diyagonalleri (negatifler) en aza indirerek, açık çift etiketlemesi olmadan ölçeklenebilir öğrenmeyi mümkün kılar.
NTU-Fi veri kümesi üzerinde, numune başına 114 alt taşıyıcı ve 2000 paketle MIMO-OFDM kurulumları yoluyla toplanan 14 denekten CSI genlikleri içeren ampirik değerlendirmeler, transformatörün hakimiyetinin altını çizmektedir.
% 95.5 RANK-1,% 98.1 RANK-3,% 99.1 RANK-5 ve% 88.4 ortalama ortalama hassasiyet (MAP) ile LSTM (% 77.7 Sıralama-1,% 56.8 harita) ve BI-LSTM’den (% 84.5 RANK-1,% 61.2 harita) daha iyi performans gösterir.
Ablasyon çalışmaları mantıksız bilgiler ortaya koymaktadır: Genlik filtreleme, ayrımcı gürültüyü ortadan kaldırarak performansı hafifçe bozarken, büyütmeler LSTM ve BI-LSTM’yi arttırır, ancak transformatörler için marjinal kazanımlar verir.
Değişen paket boyutları, transformatörlerin, kaybolma gradyanlarına eğilimli LSTM’lerin aksine, kendi kendine dikkatin verimliliği nedeniyle daha uzun sekanslarda (2000 pakete kadar) geliştiğini göstermektedir.
Daha derin mimariler (3 katman), tekrarlayan modellere marjinal olarak yardımcı olur, ancak tek katman verimliliğini onaylayarak transformatörlerde aşırı sığmaya neden olur.
Pytorch’ta Adam optimizasyonu ve 300’den fazla dönme planlaması ile uygulanan bu çalışma, kablosuz biyometri için tekrarlanabilir bir temel oluşturur.
Yeniden ID için radyo frekans etkileşimlerini kullanarak, akıllı ortamlardaki uygulamaların, güvenlik sistemlerinden sağlık izlemeye kadar, görsel sınırlamaların dağıtımı engellediği sağlık hizmetlerini izlemeye kadar kaldırır.
Gelecekteki uzantılar, faz verilerini veya çok modlu füzyonu entegre edebilir ve farklı senaryolarda doğruluğu daha da artırabilir.
Get Free Ultimate SOC Requirements Checklist Before you build, buy, or switch your SOC for 2025 - Download Now