Pyroelectric infrared sensors for human identification using non-negative matrix factorization and bp neural network
本文探讨了利用非负矩阵分解（Non-negative Matrix Factorization, NMF）和反向传播（Back Propagation, BP）神经网络来提高热释电红外传感器（Pyroelectric Infrared, PIR）在人体识别方面的准确性和效率。研究的目的是解决传统PIR传感器在处理大量输出数据时计算需求较高、以及在分类和识别过程中产生高误报的问题。通过提出一种特征提取和传感器数据融合方法，能够在检测区域内识别移动的多个目标。
需要了解PIR传感器的基本工作原理和应用领域。PIR传感器是小型、低功率、低成本的被动传感器，专门用于检测与环境非热平衡的人体。这些传感器通过感应温度变化来捕获入射辐射。它们常被用于商业应用中，如检测个体存在和触发报警。此外，PIR传感器也在更复杂的领域中得到应用，包括热成像、辐射测量、温度计和生物测量等。由于PIR传感器的这些特性，它们在无线传感网络中是非常优秀的设备，尤其适用于成本和功耗有限的应用场景。
研究中提出了使用无线PIR传感器进行多人识别的方法。这些方法具有低计算功率需求，适合有限资源的无线节点并行实施，并进一步减少了侵扰性和成本，因为不需要使用电线。本文组织结构如下：第二部分介绍PIR传感器及其工作原理，然后介绍了非负矩阵分解和BP神经网络在PIR传感器数据处理中的应用。
非负矩阵分解是一种无监督学习技术，用于从多维数据中提取特征。它通过将数据矩阵分解为两个或更多个非负矩阵的乘积来实现，且每个矩阵都包含原始数据集的重要信息。在PIR传感器的应用中，NMF可以用于从传感器输出数据中提取有助于目标识别的特征。
BP神经网络是一种监督学习算法，广泛应用于分类和回归问题。它通过一层一层的计算和误差反向传播来进行学习，从而最小化网络输出和期望输出之间的误差。在本研究中，BP神经网络用于处理从PIR传感器获得的特征数据，并对个体目标数据进行分类和识别。
模拟结果表明，所提出的特征提取和数据融合方法能够降低PIR传感器在无线传感节点中的计算需求。此外，当使用BP神经网络时，系统能够实现个体目标数据的96%正确识别率和混合多目标数据的90%正确分类率。这说明结合NMF和BP神经网络的方法不仅提高了PIR传感器在复杂环境中的应用范围，还能够有效地减少错误分类，提高系统的整体识别性能。
研究强调了NMF和BP神经网络在资源有限的无线传感节点中的应用价值。该方法的提出为PIR传感器在人体识别领域提供了新的技术途径，有助于PIR传感器在未来更加复杂的应用中发挥更大的作用，如智能家庭系统、安全监控、能源管理等。
本研究提供了通过机器学习算法增强PIR传感器数据处理能力的新思路，具有实际应用前景，尤其在那些对成本和功耗有严格限制的环境中。通过降低误报率和提高识别率，基于NMF和BP神经网络的PIR传感器系统可以实现更可靠的人体识别功能，推动无线传感技术的发展。
