一種基于Wi-Fi的室內(nèi)人員辨識(shí)模型

方潛生，黃 晶，王 萍，張振亞

（1.安徽建筑大學(xué)智能建筑與建筑節(jié)能安徽省重點(diǎn)實(shí)驗(yàn)室，安徽合肥 230022；2.安徽建筑大學(xué)電子與信息工程學(xué)院，安徽合肥 230601）

0 引言

現(xiàn)階段我國(guó)建筑能耗約占全國(guó)社會(huì)終端總能耗的22%，遠(yuǎn)高于發(fā)達(dá)國(guó)家的平均水平［1］，建筑節(jié)能勢(shì)在必行。建筑物的使用與人員關(guān)聯(lián)甚緊，建筑物內(nèi)人員數(shù)量、流量和位置分布均為節(jié)能調(diào)控提供了重要的數(shù)據(jù)參考。

當(dāng)前，室內(nèi)人員辨識(shí)及其在建筑節(jié)能領(lǐng)域的應(yīng)用已成為學(xué)術(shù)界和工業(yè)界的一大研究熱點(diǎn)［2-9］。其中，人員計(jì)數(shù)、人群密度估計(jì)屬于計(jì)算機(jī)視覺領(lǐng)域的重要研究?jī)?nèi)容。例如，Alzaydi 等［10］對(duì)高密度視頻圖像的人員計(jì)數(shù)方法進(jìn)行了研究；Chen 等［11］首次提出利用移動(dòng)設(shè)備的麥克風(fēng)和揚(yáng)聲器等音頻技術(shù)實(shí)現(xiàn)人員計(jì)數(shù)的方法；Meyn 等［12］基于SUN（Sensor-Utility-Network）框架實(shí)現(xiàn)了室內(nèi)人員計(jì)數(shù)，準(zhǔn)確率比直接觀察提高了70%；Huang 等［13］首次提出基于二氧化碳濃度對(duì)室內(nèi)人員數(shù)目進(jìn)行估計(jì)，但準(zhǔn)確率受外界環(huán)境影響較大。目前，上海交通大學(xué)、清華大學(xué)、香港中文大學(xué)、中國(guó)科學(xué)院自動(dòng)化研究所等機(jī)構(gòu)的專家學(xué)者們相繼開展了遮擋檢測(cè)和補(bǔ)償技術(shù)、背景消除技術(shù)、回歸算法（模型）等基于視頻圖像的人員計(jì)數(shù)方法研究［14-16］。

除人員計(jì)數(shù)外，人員定位也是人員狀態(tài)監(jiān)測(cè)的重要組成部分。例如，Want 等［17］設(shè)計(jì)了第一個(gè)室內(nèi)標(biāo)記感測(cè)原型系統(tǒng)Active Badge；Valle 等［18］采用智能手機(jī)的Wi-Fi 信號(hào)、GSM、加速度計(jì)/磁場(chǎng)傳感功能實(shí)現(xiàn)了人員室內(nèi)定位；Priyantha 等［19］研究了基于WLAN、藍(lán)牙、WiFi、RFID 等無(wú)線信號(hào)強(qiáng)度的人員室內(nèi)定位方法，精度可達(dá)到厘米級(jí)；Sun等［20］基于慣性/磁傳感、無(wú)線通信技術(shù)，結(jié)合慣性導(dǎo)航算法實(shí)現(xiàn)了基于信號(hào)強(qiáng)度的人員室內(nèi)定位；Kotaru 等［21］研發(fā)了基于Wi-Fi 的可精準(zhǔn)到厘米級(jí)別的人體定位系統(tǒng)SpotFi；Wang 等［22］提出一種基于光學(xué)無(wú)線通信技術(shù)的室內(nèi)定位系統(tǒng)。

以上人員計(jì)數(shù)與定位方法依賴于大量硬件設(shè)施，成本高昂，且很少將人員定位與計(jì)數(shù)相結(jié)合。為此，本文提出一種無(wú)需額外鋪設(shè)昂貴硬件設(shè)施和人員主動(dòng)參與的室內(nèi)人員自動(dòng)計(jì)數(shù)方法。該方法基于當(dāng)今社會(huì)人員與移動(dòng)終端的強(qiáng)依賴關(guān)系，在感興趣區(qū)域部署多個(gè)可持續(xù)監(jiān)測(cè)Wi-Fi 連接請(qǐng)求信息的低廉商用Wi-Fi 探針，以檢測(cè)人員的存在性。考慮到不同建筑物、區(qū)域、背景環(huán)境對(duì)Wi-Fi 信號(hào)存在不同程度的反射、折射、散射以及衍射等影響，本文從Wi-Fi 數(shù)據(jù)采集和模型構(gòu)建兩方面著手，通過(guò)部署多探針裝置采集數(shù)據(jù)并構(gòu)建通用室內(nèi)人員辨識(shí)模型，以降低環(huán)境對(duì)模型性能的影響，提高其泛化能力，實(shí)現(xiàn)室內(nèi)人員精準(zhǔn)計(jì)數(shù)。

1 室內(nèi)環(huán)境下Wi-Fi終端入網(wǎng)信號(hào)傳播特點(diǎn)

如圖1 所示，根據(jù)IEEE 802.11 系列協(xié)議，當(dāng)移動(dòng)終端打開Wi-Fi 模塊后便會(huì)廣播Wi-Fi 探測(cè)請(qǐng)求（Probe Request）幀，掃描所在區(qū)域內(nèi)目前有哪些802.11 網(wǎng)絡(luò)可接入（圖1 中用虛線框表示無(wú)線接入點(diǎn)可有可無(wú)），該幀中包含終端MAC 地址、接收信號(hào)強(qiáng)度、信道號(hào)等信息。Wi-Fi 探針即利用Wi-Fi 探測(cè)請(qǐng)求幀的明文特性監(jiān)測(cè)并解析出其中的有用信息。

Fig.1 Schematic diagram of Wi-Fi probe sniffing Wi-Fi terminal圖1 Wi-Fi探針嗅探Wi-Fi終端示意圖

除加密性和廣播性外，只要移動(dòng)終端開啟Wi-Fi 模塊，無(wú)論是否成功接入到某個(gè)無(wú)線接入點(diǎn)，終端都會(huì)間歇性、突發(fā)性地廣播Wi-Fi 探測(cè)請(qǐng)求幀。加之室內(nèi)無(wú)線傳播環(huán)境的復(fù)雜性，位于終端通信半徑內(nèi)的Wi-Fi 探針不可能持續(xù)周期性地正確接收到來(lái)自于同一終端的Wi-Fi 探測(cè)請(qǐng)求幀；且在相同的時(shí)間間隔內(nèi)，不同探針檢測(cè)到的幀數(shù)量也不盡相同。如圖2 所示，同一時(shí)間段內(nèi)不同探針接收到的來(lái)自同一終端Wi-Fi 的探測(cè)請(qǐng)求幀相互獨(dú)立，具有間歇性和突發(fā)性。

Fig.2 Characteristics of Wi-Fi terminal network access detection request frame圖2 Wi-Fi終端入網(wǎng)探測(cè)請(qǐng)求幀特性

2 室內(nèi)人員辨識(shí)模型構(gòu)建

2.1 系統(tǒng)模型

Fig.3 Data acquisition array device based on multi Wi-Fi probe圖3 基于多Wi-Fi探針的數(shù)據(jù)采集陣列裝置

如圖3 所示，為降低Wi-Fi 信號(hào)間歇性和突發(fā)性對(duì)室內(nèi)人員辨識(shí)模型性能的影響，在建筑物空間內(nèi)部署n 個(gè)商用WiFi 探針，記為R=(R1，R2，…，Rn)，形成一個(gè)多Wi-Fi探針的數(shù)據(jù)采集陣列裝置。圖4 為本文設(shè)計(jì)的基于Wi-Fi的室內(nèi)區(qū)域人員辨識(shí)模型，其中正數(shù)據(jù)指區(qū)域內(nèi)移動(dòng)終端的接收信號(hào)強(qiáng)度（Received Signal Strength Indication，RSSI）向量，負(fù)數(shù)據(jù)指區(qū)域外移動(dòng)終端的RSSI 向量。為降低模型對(duì)環(huán)境的依賴性，提高其泛化能力，本文采集了多個(gè)不同區(qū)域的Wi-Fi 終端樣本數(shù)據(jù)并進(jìn)行了標(biāo)注。圖4（I）展示了離線階段模型訓(xùn)練的過(guò)程，該階段采用粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的方法訓(xùn)練分類模型。圖4（II）為在線辨識(shí)階段，首先采用區(qū)域的Wi-Fi 探針聯(lián)合裝置捕獲Wi-Fi 數(shù)據(jù)幀；然后對(duì)Wi-Fi 數(shù)據(jù)幀進(jìn)行解析，獲取探針I(yè)D、移動(dòng)終端MAC 地址、RSSI 等信息；最后將解析后的信號(hào)強(qiáng)度處理成適合模型輸入的向量，通過(guò)模型分類識(shí)別獲取區(qū)域內(nèi)人員數(shù)量。

Fig.4 Wi-Fi-based indoor occupant identification model圖4 基于Wi-Fi的室內(nèi)人員辨識(shí)模型

2.2 Wi-Fi數(shù)據(jù)采集與預(yù)處理

Wi-Fi 信號(hào)在傳播時(shí)易受室內(nèi)物品及人員的影響，存在嚴(yán)重的多徑現(xiàn)象。為此，將多Wi-Fi 探針的數(shù)據(jù)采集裝置置于區(qū)域某個(gè)高處（具體高度并不作要求），如柜子頂部等，盡可能使Wi-Fi 終端與探針裝置之間存在視距傳輸（LoS）。數(shù)據(jù)采集來(lái)源于室內(nèi)多個(gè)區(qū)域，采集到的原始數(shù)據(jù)經(jīng)過(guò)處理才能送入人員辨識(shí)模型進(jìn)行訓(xùn)練和判斷。

使用離差標(biāo)準(zhǔn)化對(duì)降噪后的RSSI 序列進(jìn)行歸一化處理，使其取值范圍為［0，1］，具體轉(zhuǎn)換公式為：

式中，min（RSSI）和max（RSSI）分別為當(dāng)前一個(gè)時(shí)間窗口內(nèi)探針檢測(cè)到的RSSI最小值和最大值。

2.3 基于PSO-BP的人員辨識(shí)通用模型構(gòu)建

為辨識(shí)終端是否在指定區(qū)域內(nèi)，基于多探針感知到的同一終端的RSSI 值，圍繞多探針數(shù)據(jù)集構(gòu)建基于BP 神經(jīng)網(wǎng)絡(luò)的區(qū)域內(nèi)人員辨識(shí)模型，其由輸入層、隱含層和輸出層組成，結(jié)構(gòu)見圖5。對(duì)于同一個(gè)移動(dòng)終端，可將同一時(shí)間周期內(nèi)不同探針（如n 個(gè)）探測(cè)得到的RSSI 值（預(yù)處理后）構(gòu)成一個(gè)n維向量，表示為：

Fig.5 BP neural network structure used by personnel indentification model圖5 人員辨識(shí)模型采用的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

將該向量作為模型輸入，其中RSSI′i表示第i 個(gè)探針探測(cè)到的移動(dòng)終端的接收信號(hào)強(qiáng)度值（預(yù)處理后）。當(dāng)輸出值為0時(shí)表示被感知的移動(dòng)終端在指定區(qū)域外。

隱含層神經(jīng)元的激活函數(shù)表示為：

輸出層神經(jīng)元的激活函數(shù)表示為：

模型訓(xùn)練過(guò)程中，采用PSO 算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的內(nèi)部權(quán)重和閾值。PSO 算法可在更大的空間內(nèi)搜索最優(yōu)解，具有很強(qiáng)的全局尋優(yōu)能力，在一定程度上彌補(bǔ)了BP 神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)的不足，能進(jìn)一步減小神經(jīng)網(wǎng)絡(luò)輸出誤差。PSO-BP 算法的具體流程如圖6所示。

Fig.6 PSO-BP algorithm flow圖6 PSO-BP算法流程

首先，根據(jù)BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)初始化輸入層、隱含層、輸出層的神經(jīng)元個(gè)數(shù)以及各層之間的權(quán)重與閾值；然后初始化區(qū)域的鄰域拓?fù)浣Y(jié)構(gòu)，以及粒子的位置和速度，每個(gè)區(qū)域并行計(jì)算并比較粒子的適應(yīng)值，尋找個(gè)體最優(yōu)值和本地最優(yōu)值，對(duì)本地最優(yōu)值和鄰域最優(yōu)值進(jìn)行比較，尋找區(qū)域最優(yōu)值；最后根據(jù)區(qū)域最優(yōu)值更新粒子的位置和速度，算法迭代到最大迭代次數(shù)時(shí)終止，得到最終的區(qū)域內(nèi)人員辨識(shí)模型。

2.4 基于并行計(jì)算的人員辨識(shí)通用模型訓(xùn)練

由于Wi-Fi 終端入網(wǎng)通信具有固有的間歇性和非周期性，加之受室內(nèi)環(huán)境的影響，位于移動(dòng)終端通信范圍內(nèi)的每個(gè)Wi-Fi 探針不能夠持續(xù)周期性地正確接收同一個(gè)移動(dòng)終端信號(hào)，即使在相同的持續(xù)時(shí)間間隔內(nèi)，不同探針檢測(cè)到的移動(dòng)終端次數(shù)也不盡相同，且漏檢現(xiàn)象十分嚴(yán)重。為此，本文設(shè)計(jì)了如圖3 所示的Wi-Fi 探針聯(lián)合裝置，4 個(gè)Wi-Fi 探針同時(shí)工作，以降低上述問(wèn)題對(duì)人員統(tǒng)計(jì)造成的影響。這4 個(gè)Wi-Fi 探針組成的數(shù)據(jù)采集裝置對(duì)應(yīng)24-1 種組合方式，數(shù)據(jù)集可分為15 種情況，根據(jù)輸入數(shù)據(jù)的不同可以訓(xùn)練15 種模型。此外，為了降低室內(nèi)人員辨識(shí)模型對(duì)環(huán)境的依賴性，在訓(xùn)練時(shí)需采集多種不同區(qū)域的大量數(shù)據(jù)，因此模型訓(xùn)練任務(wù)重、耗時(shí)長(zhǎng)。為此，本文引入并行計(jì)算的思想，使用實(shí)驗(yàn)室服務(wù)器，配置為Intel Xeon E5-2637 的CPU，4 個(gè)NVIDIA Tesla k80 的GPU 和192G 內(nèi)存。根據(jù)使用到的Wi-Fi 探針個(gè)數(shù)，模型可分為1-探針模型（包括4 種模型）、2-探針模型（包括6 種模型）、3-探針模型（包括4 種模型）和4-探針模型（包括1 種模型）4 種類型。采用并行訓(xùn)練方式能夠同時(shí)訓(xùn)練多個(gè)分類模型，采用分布式方法迭代優(yōu)化粒子群，能大幅度縮短模型的訓(xùn)練時(shí)間。每類模型的訓(xùn)練時(shí)間如表1 所示。可以看出，采用并行計(jì)算可有效提高模型訓(xùn)練效率。

Table 1 Training time of personnel identification model based on parallel computing表1 基于并行計(jì)算的人員辨識(shí)模型訓(xùn)練時(shí)間

3 實(shí)驗(yàn)驗(yàn)證與性能分析

3.1 實(shí)驗(yàn)環(huán)境搭建

為測(cè)試人員辨識(shí)模型的性能，本文基于新型建筑智能化平臺(tái)搭建了一套分布式人員辨識(shí)系統(tǒng)，并在智能建筑與建筑節(jié)能安徽省重點(diǎn)實(shí)驗(yàn)室4 樓開展了驗(yàn)證實(shí)驗(yàn)。該樓層的區(qū)域布局和Wi-Fi 探針裝置部署如圖7 所示，401、402、403、404、405、407 等標(biāo)記為區(qū)域編號(hào)，在以上區(qū)域內(nèi)部分別配置1 個(gè)WiFi 聯(lián)合裝置，放置在實(shí)驗(yàn)區(qū)域的固定位置，離地高度約為2m。

Fig.7 Schematic diagram of experimental site layout and Wi-Fi probe deployment location圖7 實(shí)驗(yàn)區(qū)域布局及Wi-Fi探針部署位置示意圖

3.2 人員辨識(shí)模型性能分析與泛化能力考察

將15 種數(shù)據(jù)集分別標(biāo)記為data1、data2、data3……data15，具體信息如表2 所示。使用并行計(jì)算方法，在計(jì)算能力比較強(qiáng)大的服務(wù)器上訓(xùn)練15種模型。

3.2.1 模型對(duì)Wi-Fi探針組合方式的泛化能力

為研究本文模型對(duì)探針組合方式的泛化能力，在407區(qū)域使用4 個(gè)Wi-Fi 探針同時(shí)采集數(shù)據(jù)，經(jīng)過(guò)數(shù)據(jù)解析、處理，共得到31 517 個(gè)樣本，并對(duì)其進(jìn)行標(biāo)注。針對(duì)表2 中的15 種數(shù)據(jù)集并行訓(xùn)練15 種區(qū)域內(nèi)人員辨識(shí)模型。前文提到，根據(jù)使用到的Wi-Fi探針個(gè)數(shù)，15 種模型可分為4 大類。對(duì)4 種類型的人員辨識(shí)模型分別進(jìn)行泛化性討論，分析模型在不同數(shù)據(jù)集之間的泛化能力。

4 種1-探針模型的召回率計(jì)算結(jié)果見表3。可以看出，1號(hào)Wi-Fi探針采集的Wi-Fi數(shù)據(jù)作為訓(xùn)練集訓(xùn)練出的模型能有效辨識(shí)1 號(hào)Wi-Fi 探針、2 號(hào)Wi-Fi 探針、3 號(hào)Wi-Fi 探針、4 號(hào)Wi-Fi 探針采集的數(shù)據(jù)，召回率達(dá)0.893 以上。同樣的，2 號(hào)Wi-Fi 探針、3 號(hào)Wi-Fi 探針、4 號(hào)Wi-Fi 探針訓(xùn)練出的模型能以較高的召回率辨識(shí)其他Wi-Fi 探針采集的數(shù)據(jù)。4 種1-探針模型的準(zhǔn)確率計(jì)算結(jié)果見表4，可以看出，1-探針模型的準(zhǔn)確率可達(dá)0.893以上。

Table 2 Data set name and number of samples表2 數(shù)據(jù)集名稱和樣本數(shù)

Table 3 1-sniffer model recall rate表3 1-探針模型召回率

Table 4 1-sniffer model accuracy表4 1-探針模型準(zhǔn)確率

2-探針模型、3-探針模型的召回率和準(zhǔn)確率分別見表5、表6、表7、表8?？梢钥闯?，1 號(hào)和2 號(hào)Wi-Fi 探針同時(shí)采集的Wi-Fi 數(shù)據(jù)作為訓(xùn)練集訓(xùn)練出的模型能有效辨識(shí)1 號(hào)和3號(hào)Wi-Fi探針、1號(hào)和4號(hào)Wi-Fi探針、2號(hào)和3號(hào)Wi-Fi探針、2 號(hào)和4 號(hào)Wi-Fi 探針、3 號(hào)和4 號(hào)采集的數(shù)據(jù)，召回率可達(dá)0.995 7 以上。同樣的，其他2-探針模型均表現(xiàn)出很好的召回性能。

Table 5 2-sniffer model recall rate表5 2-探針模型召回率

Table 6 2-sniffer model accuracy表6 2-探針模型準(zhǔn)確率

Table 7 3-sniffer model recall rate表7 3-探針模型召回率

Table 8 3-sniffer model accuracy表8 3-探針模型準(zhǔn)確率

驗(yàn)證試驗(yàn)結(jié)果表明，本文模型對(duì)Wi-Fi 探針的組合方式泛化能力很強(qiáng)。因此，可以合并4 類1 種Wi-Fi 探針采集的數(shù)據(jù)集訓(xùn)練1-探針模型，合并6 類2 種Wi-Fi 探針采集的數(shù)據(jù)集訓(xùn)練2-探針模型，合并4 類3 種Wi-Fi 探針采集的數(shù)據(jù)集訓(xùn)練3-探針模型。綜上所述，本文提出的基于Wi-Fi 的室內(nèi)人員辨識(shí)模型對(duì)探針組合具有良好的泛化能力，即15 種不同探針的模型最終可簡(jiǎn)化為1-探針辨識(shí)模型、2-探針辨識(shí)模型、3-探針辨識(shí)模型和4-探針辨識(shí)模型。

3.2.2 模型對(duì)不同區(qū)域的泛化能力

為進(jìn)一步研究人員辨識(shí)模型對(duì)不同區(qū)域的泛化能力，采集6 個(gè)實(shí)驗(yàn)區(qū)域（401、402、403、404、405 和407 區(qū)域）內(nèi)的Wi-Fi 數(shù)據(jù)，每個(gè)實(shí)驗(yàn)區(qū)域同時(shí)使用4 個(gè)Wi-Fi 探針采集數(shù)據(jù)。經(jīng)過(guò)數(shù)據(jù)解析、處理，共得到79 995 個(gè)樣本作為實(shí)驗(yàn)數(shù)據(jù)。打亂后隨機(jī)選取80%的樣本，共63 996 條數(shù)據(jù)作為訓(xùn)練集，剩余20%的樣本共15 999 條作為測(cè)試集。訓(xùn)練數(shù)據(jù)為訓(xùn)練集中全部數(shù)據(jù)，并行訓(xùn)練4 個(gè)人員辨識(shí)模型，設(shè)置BP 神經(jīng)網(wǎng)絡(luò)的隱含層個(gè)數(shù)為6，迭代次數(shù)maxGen為1 000，學(xué)習(xí)因子c1 設(shè)置為2，學(xué)習(xí)因子c2 設(shè)置為2，慣性因子設(shè)置為0.8。模型訓(xùn)練過(guò)程中，根據(jù)誤差MSE 值使用鏈?zhǔn)椒▌t進(jìn)行每層梯度參數(shù)變化的計(jì)算和不斷迭代調(diào)整。

對(duì)每個(gè)區(qū)域的召回率進(jìn)行計(jì)算，結(jié)果如表9 所示?？梢钥闯?，各區(qū)域召回率均能達(dá)到90%以上。計(jì)算訓(xùn)練得到的4 種辨識(shí)模型的準(zhǔn)確率，結(jié)果如表10 所示?？梢钥闯觯髂Ｐ蜏?zhǔn)確率均可達(dá)到91%以上。實(shí)驗(yàn)結(jié)果表明，該模型能準(zhǔn)確辨識(shí)人員是否在區(qū)域內(nèi)，且具備較強(qiáng)的泛化能力，大大降低了不同室內(nèi)環(huán)境因素對(duì)模型性能的影響。

Table 9 Recall rate of each area表9 各區(qū)域召回率

Table 10 Accuracy of each model表10 各模型準(zhǔn)確率

4 結(jié)語(yǔ)

本文結(jié)合Wi-Fi 探針技術(shù)與智能計(jì)算方法，設(shè)計(jì)并實(shí)現(xiàn)了一種基于Wi-Fi 的室內(nèi)人員辨識(shí)通用模型。該模型采用PSO 算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)內(nèi)部的權(quán)重和閾值，不僅收斂速度快，而且不易陷入局部極值，具有較強(qiáng)的泛化能力。面對(duì)人員辨識(shí)通用模型繁重的訓(xùn)練任務(wù)，本文采用并行計(jì)算方法，有效提高了模型訓(xùn)練速度。驗(yàn)證實(shí)驗(yàn)結(jié)果表明，該模型對(duì)不同Wi-Fi 探針的組合方式具有良好的泛化能力，召回率可達(dá)到90%以上，準(zhǔn)確率可達(dá)91%以上。此外，該模型對(duì)不同區(qū)域亦具有良好的泛化能力，解決了傳統(tǒng)人員辨識(shí)模型部署一次訓(xùn)練一次的難題，滿足建筑物智能化系統(tǒng)快速部署人員計(jì)量方法的實(shí)際應(yīng)用需求。

由于室內(nèi)環(huán)境復(fù)雜，Wi-Fi 信號(hào)傳播特性多樣化，Wi-Fi 終端接入網(wǎng)絡(luò)時(shí)連接請(qǐng)求信號(hào)具有間歇性。本研究使用4 個(gè)Wi-Fi 探針，以降低Wi-Fi 信號(hào)間歇性和突發(fā)性對(duì)室內(nèi)人員辨識(shí)模型性能的影響，但尚未考慮探針數(shù)量對(duì)模型檢測(cè)結(jié)果的影響，未來(lái)還需要對(duì)此進(jìn)行進(jìn)一步研究。同時(shí)，后續(xù)仍需針對(duì)WiFi 信號(hào)的特征進(jìn)行更深層次的挖掘，建立既能反映人員的存在性與WiFi 信號(hào)特征關(guān)聯(lián)，又能抵抗室內(nèi)環(huán)境影響的人員識(shí)別模型，以滿足建筑智能化系統(tǒng)對(duì)人員準(zhǔn)確刻畫的需求。