发明内容
本发明的目的在于提供一种报警方法、装置及系统,以解决当外界环境变化时,减少报警系统的虚警或漏警。
为实现上述目的,本发明实施例提供了如下技术方案:
一种报警方法,包括:
核心服务器从控制器获取报警数据和特征数据,并将所述报警数据传递给应用服务器;
所述核心服务器从应用服务器获取报警处理数据;其中,所述报警处理数据为所述应用服务器从坐席软件获取的,对所述报警数据归类的复核判决;
所述核心服务器根据所述报警处理数据对所述特征数据进行分类,产生新样本;其中所述新样本携带入侵标识或者干扰标识;
所述核心服务器混合所述新样本与原始样本,抽取入侵训练样本集或者干扰训练样本集;
所述核心服务器根据所述入侵训练样本集对所述控制器中的报警单分类器进行训练,生成报警单分类器参数;或者,根据所述干扰训练样本集对所述控制器中的干扰单分类器进行训练,生成干扰单分类器参数;
所述核心服务器将所述报警单分类器参数和所述干扰单分类器参数更新到所述控制器中。
优选的,所述核心服务器混合所述新样本与原始样本,抽取所述入侵训练样本集或者所述干扰训练样本集之前,还包括:
所述核心服务器判断是否满足触发条件,若满足触发条件,则产生所述入侵训练样本集或者所述干扰训练样本集,否则,不产生所述入侵训练样本集或者所述干扰训练样本集。
优选的,所述核心服务器判断是否满足触发条件,包括:
所述核心服务器判断距离上一次产生所述入侵训练样本集或者所述干扰训练样本集的时间间隔是否大于第一阈值;若不大于所述第一阈值,则不满足触发条件;若大于所述第一阈值,则判断累计新样本数是否大于第二阈值;若不大于所述第二阈值,则不满足触发条件;若大于所述第二阈值,则满足触发条件;或者;
所述核心服务器判断当前的虚警率是否大于第三阈值,若不大于所述第三阈值,则不满足触发条件;若大于所述第三阈值,则判断累积新样本数是否大于所述第二阈值;若不大于所述第二阈值,则不满足触发条件;若大于所述第二阈值,则满足触发条件。
优选的,所述核心服务器混合所述新样本与原始样本,抽取入侵训练样本集或者干扰训练样本集,包括:
所述核心服务器将所述新样本与原始样本按类别混合,并将混合后的样本升序排序,等距离抽取样本,获得所述入侵训练样本集或者干扰训练样本集。
一种报警装置,包括:
第一获取模块,用于从控制器获取报警数据;
第二获取模块,用于从所述控制器获取特征数据;
第一发送模块,用于向应用服务器发送所述报警数据;
第三获取模块,用于从所述应用服务器获取报警处理数据,其中所述报警处理数据为所述应用服务器从坐席软件获取的,对所述报警数据归类的复核判决;
新样本生成模块,用于根据所述报警处理数据对所述特征数据进行分类,产生新样本;其中所述新样本携带入侵标识或者干扰标识;
训练样本集生成模块,用于混合所述新样本与原始样本,抽取入侵训练样本集或者干扰训练样本集;
分类器参数生成模块,用于根据所述入侵训练样本集对所述控制器中的报警单分类器进行训练,生成报警单分类器参数;或者,根据所述干扰训练样本集对所述控制器中的干扰单分类器进行训练,生成干扰单分类器参数;
参数更新模块,用于将所述报警单分类器参数或者干扰单分类器参数更新到所述控制器中。
优选的,还包括:
判断模块,用于判断是否满足触发条件,若满足触发条件,则产生所述入侵训练样本集或者所述干扰训练样本集,否则,不产生所述入侵训练样本集或者所述干扰训练样本集。
优选的,所述判断模块具体用于:
判断距离上一次产生所述入侵训练样本集或者所述干扰训练样本集的时间间隔是否大于第一阈值;若不大于所述第一阈值,则不满足触发条件;若大于所述第一阈值,则判断累计新样本数是否大于第二阈值;若不大于所述第二阈值,则不满足触发条件;若大于所述第二阈值,则满足触发条件;或者;
判断当前的虚警率是否大于第三阈值,若不大于所述第三阈值,则不满足触发条件;若大于所述第三阈值,则判断累计新样本数是否大于所述第二阈值;若不大于所述第二阈值,则不满足触发条件;若大于所述第二阈值,则满足触发条件。
优选的,所述训练样本集生成模块,具体用于:
将所述新样本与原始样本按类别混合,并将混合后的样本升序排序,等距离抽取样本,获得所述入侵训练样本集或者干扰训练样本集。
一种报警系统,包括:
探测器,用于采集信息,并将其转化为电信号,其中所述电信号为原始数据;
控制器,用于获取所述原始数据,提取特征数据,根据所述特征数据判断是否报警;若报警,则产生报警数据;
核心服务器,用于从所述控制器获取报警数据和特征数据;并从应用服务器获取报警处理数据,根据所述报警处理数据对所述特征数据进行分类,产生新样本;混合所述新样本与原始样本,抽取入侵训练样本集或者干扰训练样本集;根据所述入侵训练样本集对所述控制器中的报警单分类器进行训练,生成报警单分类器参数;或者,根据所述干扰训练样本集对所述控制器中的干扰单分类器进行训练,生成干扰单分类器参数;并将所述报警单分类器参数和所述干扰单分类器参数更新到所述控制器中;其中,所述新样本携带入侵标识或者干扰标识;
应用服务器,用于从所述核心服务器获取所述报警数据,并根据所述报警数据提取相应的报警服务数据;并从坐席软件上获取报警处理数据;坐席软件,用于从应用服务器获取所述报警服务数据,进行显示,并生成报警处理数据,其中所述报警处理数据为本次报警的复核判决。
优选的,所述控制器根据所述特征数据判断是否报警,具体用于:
所述控制器中的报警单分类器,判断所述报警数据为正常类,则报警;若判断不是正常类,则将所述特征数据输入干扰单分类器;若所述干扰单分类器判断所述报警数据为正常类,则不报警;若判断不是正常类,则报警。
优选的,所述单分类器具体用于:
根据原始分类器参数,对所述特征数据进行相似度计算,产生相似度数据;若所述相似度数据大于第四阈值,则单分类器判定所述特征数据为正常类;所述相似度数据小于第四阈值,则单分类器判定所述特征数据为不是正常类。
优选的,所述控制器产生报警数据之后,还用于:控制现场声光报警设备产生报警信号。
优选的,所述核心服务器产生所述入侵训练样本集或者所述干扰训练样本集之前,还用于:
判断是否满足触发条件,若满足触发条件,则产生所述入侵训练样本集或者所述干扰训练样本集,否则,不产生所述入侵训练样本集或者所述干扰训练样本集。
优选的,所述核心服务器判断是否满足触发条件,具体用于:
判断距离上一次产生所述入侵训练样本集或者所述干扰训练样本集的时间间隔是否大于第一阈值;若不大于所述第一阈值,则不满足触发条件;若大于所述第一阈值,则判断所述新样本数是否大于第二阈值;若不大于所述第二阈值,则不满足触发条件;若大于所述第二阈值,则满足触发条件;或者;
判断当前的虚警率是否大于第三阈值,若不大于所述第三阈值,则不满足触发条件;若大于所述第三阈值,则判断所述新样本数是否大于所述第二阈值;若不大于所述第二阈值,则不满足触发条件;若大于所述第二阈值,则满足触发条件。
优选的,所述核心服务器混合所述新样本与原始样本,抽取入侵训练样本集或者干扰训练样本集,具体用于:
将所述新样本与原始样本按类别混合,并将混合后的样本升序排序,等距离抽取样本,获得所述入侵训练样本集或者干扰训练样本集。
通过以上方案可知,本发明实施例提供的一种报警方法、装置及系统,通过核心服务器从控制器获取报警数据和特征数据,将报警数据传递给应用服务器,并从应用服务器获取报警处理数据;其中,报警处理数据为坐席软件根据报警数据对本次报警是入侵或者报警的复核判决;核心服务器根据报警处理数据对特征数据进行分类,产生新样本,并将新样本与原始样本混合,提取入侵训练样本集和干扰训练样本集;核心服务器根据入侵训练样本集对控制器中的报警单分类器进行训练,生成报警单分类器参数;或者,根据干扰训练样本集对控制器中的干扰单分类器进行训练,生成干扰单分类器参数;并将报警单分类器参数和干扰单分类器参数更新到所述控制器中,使外界环境变化时,控制器在下次检测时及时判断,减少报警系统的漏警和虚警。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种报警方法、装置及系统,以解决当外界环境变化时,减少报警系统的虚警或漏警。
参见图1,一种报警方法,包括:
S101、核心服务器从控制器获取报警数据和特征数据,并将报警数据传递给应用服务器;
S102、核心服务器从应用服务器获取报警处理数据;其中,报警处理数据为应用服务器从坐席软件获取的,对报警数据归类的复核判决;
具体的,复核判决包括入侵判决或者干扰判决。
S103、核心服务器根据报警处理数据对特征数据进行分类,产生新样本;其中新样本携带入侵标识或者干扰标识;
具体的,样本是指带类别标签的特征向量数据,其中样本可以是来自不同的控制器。
S104、核心服务器混合新样本与原始样本,抽取入侵训练样本集或者干扰训练样本集;
S105、核心服务器根据入侵训练样本集对控制器中的报警单分类器进行训练,生成报警单分类器参数;或者,根据干扰训练样本集对控制器中的干扰单分类器进行训练,生成干扰单分类器参数;
S106、核心服务器将报警单分类器参数和干扰单分类器参数更新到控制器中。
具体的,每次核心服务器抽取入侵训练样本集或者干扰训练样本集之后,都会重新对分类器进行训练。
具体的,核心服务器将报警单分类器参数更新到控制器中,使控制器在下次检测时,及时的报警,减少报警系统的漏警;将干扰单分类器参数更新到控制器中,使控制器在下次检测时,及时判断其为干扰,不报警,减少报警系统的虚警。
具体的,核心服务器根据入侵训练样本集对控制器中的报警单分类器进行训练,生成报警单分类器参数;或者,根据干扰训练样本集对控制器中的干扰单分类器进行训练,生成干扰单分类器参数时,以包含类别标签的样本集作为输入,以分类器对样本的类别判别结果作为输出,通过学习算法不断调整分类器的参数,直到输出的错误率达到要求。其中,不同的分类器(神经网络、支持向量机等)有不同的学习迭代算法。
通过以上方案可知,本发明实施例提供的一种报警方法,通过核心服务器从控制器获取报警数据和特征数据,并将报警数据传递给应用服务器,并从应用服务器获取报警处理数据;其中,报警处理数据为应用服务器从坐席软件获取的,对报警数据归类的复核判决;核心服务器根据报警处理数据对特征数据进行分类,产生新样本,并将新样本与原始样本混合,提取入侵训练样本集和干扰训练样本集;核心服务器根据入侵训练样本集对控制器中的报警单分类器进行训练,生成报警单分类器参数;或者,根据干扰训练样本集对控制器中的干扰单分类器进行训练,生成干扰单分类器参数;并将报警单分类器参数和干扰单分类器参数更新到所述控制器中,使外界环境变化时,控制器在下次检测时及时判断,减少报警系统的漏警和虚警。
优选的,在本发明的另一实施例中,核心服务器混合新样本与原始样本,抽取入侵训练样本集或者干扰训练样本集之前,还包括:
核心服务器判断是否满足触发条件,若满足触发条件,则产生入侵训练样本集或者干扰训练样本集,否则,不产生入侵训练样本集或者干扰训练样本集。
参见图2,在本发明的另一实施例中,提供了另一种报警方法,包括:
S201、核心服务器从控制器获取报警数据和特征数据,并将报警数据传递给应用服务器;
S202、核心服务器从应用服务器获取报警处理数据;其中,报警处理数据为应用服务器从坐席软件获取的,对报警数据归类的复核判决;
S203、核心服务器根据报警处理数据对特征数据进行分类,产生新样本;其中新样本携带入侵标识或者干扰标识;
S204、核心服务器判断距离上一次产生入侵训练样本集或者干扰训练样本集的时间间隔是否大于第一阈值;或者,核心服务器判断当前的虚警率是否大于第三阈值;
若时间间隔小于第一阈值或者,当前的虚警率小于第三阈值,则执行S203;若时间间隔大于第一阈值或者,当前的虚警率大于第三阈值,则执S205;
S205、核心服务器判断累积新样本数是否大于第二阈值;
若累积新样本数小于第二阈值,则执行S203;若累积新样本数大于第二阈值,则执行S206;
S206、核心服务器混合新样本与原始样本,抽取入侵训练样本集或者干扰训练样本集;
S207、核心服务器根据入侵训练样本集对控制器中的报警单分类器进行训练,生成报警单分类器参数;或者,根据干扰训练样本集对控制器中的干扰单分类器进行训练,生成干扰单分类器参数;
S208、核心服务器将报警单分类器参数和干扰单分类器参数更新到控制器中。
具体的,第一阈值为时间间隔阈值,第二阈值产生新样本数目阈值,第三阈值为虚警率阈值;第一阈值、第二阈值、以及第三阈值为人工预先设定;其中虚警率定义为单位时间单位距离发生的误报警次数。
优选的,为了避免新样本对已学习的知识产生干扰,在本发明的另一实施例中,核心服务器混合新样本与原始样本,抽取入侵训练样本集或者干扰训练样本集,包括:
核心服务器将新样本与原始样本按类别混合,并将混合后的样本升序排序,等距离抽取样本,获得入侵训练样本集或者干扰训练样本集。
具体的,为了避免新样本对已学习的知识产生干扰,有必要保留一部分原始样本,但是选取的保留样本须有代表性,能够尽可能多地包含原样本的信息。
具体的,本实施例提出一种选取方法,首先将新收集的样本与原有样本按类别分别混合,对于每种样本类别Ωi={xi1,xi2,…,xiM},计算每个样本xij与Ωi的Mahalanobis距离(马氏距离),d(xij,Ωi)=(xij-μi)'∑-1(xij-μi)(其中j=1,2,…,M,M为Ωi中包含的样本数,μi为样本类别Ωi的中心),然后将样本按照上述距离值进行升序排列。依据希望保留用于再次学习的样本数目K,对上述已排列好的样本等间隔M/K进行抽取,Ω1得到训练样本集。
参见图3,一种报警装置,包括:
第一获取模块101,用于从控制器获取报警数据;
第二获取模块102,用于从控制器获取特征数据;
第一发送模块103,用于向应用服务器发送报警数据;
第三获取模块104,用于从应用服务器获取报警处理数据,其中报警处理数据为应用服务器从坐席软件获取的,对报警数据归类的复核判决;
具体的,复核判决包括入侵判决或者干扰判决。
新样本生成模块105,用于根据报警处理数据对特征数据进行分类,产生新样本;其中新样本携带入侵标识或者干扰标识;
具体的,样本是指带类别标签的特征向量数据,其中样本可以是来自不同的控制器。
训练样本集生成模块106,用于混合新样本与原始样本,抽取入侵训练样本集或者干扰训练样本集;
分类器参数生成模块107,用于根据入侵训练样本集对控制器中的报警单分类器进行训练,生成报警单分类器参数;或者,用于根据干扰训练样本集对控制器中的干扰单分类器进行训练,生成干扰单分类器参数;
参数更新模块108,用于将报警单分类器参数或者干扰单分类器参数更新到控制器中。
具体的,每次训练样本集生成模块106抽取入侵训练样本集或者干扰训练样本集之后,分类器参数生成模块107都会重新对分类器训练。
具体的,参数更新模块108将报警单分类器参数更新到控制器中,使控制器在下次检测时,及时的报警,减少报警系统的漏警;将干扰单分类器参数更新到控制器中,使控制器在下次检测时,及时判断其为干扰,不报警,减少报警系统的虚警。
具体的,分类器参数生成模块107根据入侵训练样本集对控制器中的报警单分类器进行训练,生成报警单分类器参数;或者,根据干扰训练样本集对控制器中的干扰单分类器进行训练,生成干扰单分类器参数时,以包含类别标签的训练样本集作为输入,以分类器对样本的类别判别结果作为输出,通过学习算法不断调整分类器的参数,直到输出的错误率达到要求。其中,不同的分类器(神经网络、支持向量机等)有不同的学习迭代算法。
通过以上方案可知,本发明实施例提供的一种报警装置,通过第一获取模块101从控制器获取报警数据;第二获取模块102从控制器获取特征数据;第一发送模块103将报警数据发送给应用服务器;第三获取模块104从应用服务器获取报警处理数据;其中,报警处理数据为坐席软件根据报警数据对本次报警是入侵或者报警的复核判决;新样本生成模块105根据报警处理数据对特征数据进行分类,产生新样本;训练样本集生成模块106将新样本与原始样本混合,提取入侵训练样本集和干扰训练样本集;分类器参数生成模块107根据入侵训练样本集对控制器中的报警单分类器进行训练,生成报警单分类器参数;或者,根据干扰训练样本集对控制器中的干扰单分类器进行训练,生成干扰单分类器参数;并将通过参数更新模块108将报警单分类器参数和干扰单分类器参数更新到控制器中,使外界环境变化时,控制器在下次检测时及时判断,减少报警系统的漏警和虚警。
参见图4,在本发明的另一实施例中,提供了另一种报警装置,包括:
第一获取模块201,用于从控制器获取报警数据;
第二获取模块202,用于从控制器获取特征数据;
第一发送模块203,用于向应用服务器发送报警数据;
第三获取模块204,用于从应用服务器获取报警处理数据,其中报警处理数据为应用服务器从坐席软件获取的,根据报警数据对本次报警的复核判决;
新样本生成模块205,用于根据报警处理数据对特征数据进行分类,产生新样本;其中新样本携带入侵标识或者干扰标识;
判断模块206,用于判断是否满足触发条件,若满足触发条件,则产生入侵训练样本集或者干扰训练样本集,否则,不产生入侵训练样本集或者干扰训练样本集。
训练样本集生成模块207,用于混合新样本与原始样本,抽取入侵训练样本集或者干扰训练样本集;
分类器参数生成模块208,用于根据入侵训练样本集对控制器中的报警单分类器进行训练,生成报警单分类器参数;或者,根据干扰训练样本集对控制器中的干扰单分类器进行训练,生成干扰单分类器参数;
参数更新模块209,用于将报警单分类器参数或者干扰单分类器参数更新到控制器中。
优选的,在本发明的另一实施例中,判断模块206具体用于:
判断距离上一次产生入侵训练样本集或者干扰训练样本集的时间间隔是否大于第一阈值;若不大于第一阈值,则不满足触发条件;若大于第一阈值,则判断累计新样本数是否大于第二阈值;若不大于第二阈值,则不满足触发条件;若大于第二阈值,则满足触发条件;或者;
判断当前的虚警率是否大于第三阈值,若不大于第三阈值,则不满足触发条件;若大于第三阈值,则判断累计新样本数是否大于第二阈值;若不大于第二阈值,则不满足触发条件;若大于第二阈值,则满足触发条件。
具体的,第一阈值为时间间隔阈值,第二阈值产生新样本数目阈值,第三阈值为虚警率阈值;第一阈值、第二阈值、以及第三阈值为人工预先设定;其中虚警率定义为单位时间单位距离发生的误报警次数。
优选的,在本发明的另一实施例中,训练样本集生成模块207,具体用于:
将新样本与原始样本按类别混合,并将混合后的样本升序排序,等距离抽取样本,获得入侵训练样本集或者干扰训练样本集。
具体的,为了避免新样本对已学习的知识产生干扰,有必要保留一部分原始样本,但是选取的保留样本须有代表性,能够尽可能多地包含原样本的信息。
具体的,本实施例提出一种选取方法,首先将新收集的样本与原有样本按类别分别混合,对于每种样本类别Ωi={xi1,xi2,…,xiM},计算每个样本xij与Ωi的Mahalanobis距离(马氏距离),d(xij,Ωi)=(xij-μi)'∑-1(xij-μi)(其中j=1,2,…,M,M为Ωi中包含的样本数,μi为样本类别Ωi的),然后将样本按照上述距离值进行升序排列。依据希望保留用于再次学习的样本数目K,对上述已排列好的样本等间隔M/K进行抽取,得到训练样本集。
参见图5,一种报警系统,包括:
探测器301,用于采集信息,并将其转化为电信号,其中电信号为原始数据;
具体的,受限于灵敏度,单个探测器往往只能监测一段长度的围栏,所以在放置探测器时,会沿着周界按一定距离部署多个探测器,形成带状的传感器网络。
具体的,探测器301之间采用模拟数据线或总线进行连接,若探测器产生的是模拟信号,则适合用模拟数据线进行信号传输;若探测器产生的是数字信号,则适合总线形式进行信号传输
控制器302,用于获取原始数据,提取特征数据,根据特征数据判断是否报警;若报警,则产生报警数据;
具体的,控制器302具有多个通道,可同时收集来自多个探测器301的数据,依据探测器301的接口不同,控制器302可采用总线数字接口或模拟接口,以一定的采样周期进行数据收集和处理。
具体的,因为单个控制器的存储及处理能力有限,一般会沿着周界按一定距离部署多个控制器,形成传感器网络的汇聚和处理节点。
核心服务器303,用于从控制器302获取报警数据和特征数据;并从应用服务器304获取报警处理数据,根据报警处理数据对特征数据进行分类,产生新样本;混合新样本与原始样本,抽取入侵训练样本集或者干扰训练样本集;根据入侵训练样本集对控制器中的报警单分类器进行训练,生成报警单分类器参数;或者,根据干扰训练样本集对控制器中的干扰单分类器进行训练,生成干扰单分类器参数;并将报警单分类器参数和干扰单分类器参数更新到控制器中;其中,新样本携带入侵标识或者干扰标识;
具体的,样本是指带类别标签的特征向量数据,其中样本可以是来自不同的控制器。
具体的,每次核心服务器抽取入侵训练样本集或者干扰训练样本集之后,都会重新对分类器进行训练。
应用服务器304,用于从核心服务器303获取报警数据,并根据报警数据提取相应的报警服务数据;并从坐席软件上获取报警处理数据;
坐席软件305,用于从应用服务器304获取报警服务数据,进行显示,并生成报警处理数据,其中报警处理数据为本次报警的复核判决。
具体的,复核判决包括入侵判决或者干扰判决。
具体的,报警数据为报警消息,其中携带探测器探测区域的标识;经核心服务器303传输给应用服务器304,其中应用服务器304根据报警数据携带的探测区域标识,提取与现场关联的探测区域内的监控视频等信息,在坐席软件305上显示,工作人员根据信息,来复核是否真的有入侵行为发生。
具体的,核心服务器303将报警单分类器参数更新到控制器302中,使控制器302在下次检测时,及时的报警,减少报警系统的漏警;将干扰单分类器参数更新到控制器中,使控制器302在下次检测时,及时判断其为干扰,不报警,减少报警系统的虚警。
通过以上方案可知,本发明实施例提供的一种报警系统,通过核心服务器303从控制器302获取报警数据和特征数据,并将报警数据传递给应用服务器304,并从应用服务器304获取报警处理数据;其中,报警处理数据为坐席软件305根据报警数据对本次报警是入侵或者报警的复核判决;核心服务器303根据报警处理数据对特征数据进行分类,产生新样本,并将新样本与原始样本混合,提取入侵训练样本集和干扰训练样本集;核心服务器303根据入侵训练样本集对控制器302中的报警单分类器进行训练,生成报警单分类器参数;或者,根据干扰训练样本集对控制器302中的干扰单分类器进行训练,生成干扰单分类器参数;并将报警单分类器参数和干扰单分类器参数更新到控制器302中,使使外界环境变化时,控制器202在下次检测时及时判断,减少报警系统的漏警和虚警。
优选的,在本发明的另一实施例中,控制器302根据特征数据判断是否报警,具体用于:
控制器302中的报警单分类器,判断报警数据为正常类,则报警;若判断不是正常类,则将特征数据输入干扰单分类器;若干扰单分类器判断报警数据为正常类,则不报警;若判断不是正常类,则报警。
具体的,控制器302的每个采样周期,原始数据首先进入特征提取环节,包括对原始数据的变换、组合、降维等操作,形成特征数据。
具体的,由于初期入侵样本数量十分有限,报警单分类器没有被激活,所以在初期,报警单分类器只将报警数据传递给干扰单分类器,并没有判断作用;特征数据输入干扰单分类器,若干扰单分类器判断报警数据为正常类,则不报警;若判断不是正常类,则报警;其中,当核心服务器收集到足够多的入侵新样本时,才会触发对报警单分类器的训练,并激活该模块。
优选的,在本发明的另一实施例中,单分类器具体用于:
根据原始分类器参数,对特征数据进行相似度计算,产生相似度数据;若相似度数据大于第四阈值,则单分类器判定特征数据为正常类;相似度数据小于第四阈值,则单分类器判定特征数据为不是正常类。
具体的,第四阈值为相似度阈值,若特征数据和训练分类器参数的样本集特别相近,则可以判断特征数据为正常类;
具体的,报警单分类器判断特征数据为正常类,表示探测区域有入侵动作,报警;若不是正常类,则表示控制器也不能判断探测区域是否有入侵动作,再把特征数据输入干扰单分类器中,若干扰单分类器判断其为正常类,则表示探测区域内有干扰,不报警;若干扰单分类器判断其不是正常类,则表示控制器也不能判断探测区域时候有干扰,所以报警,并把报警数据传递给坐席软件,来让工作人员对本次报警进行复核判决。
优选的,在本发明的另一实施例中,控制器302产生报警数据之后,还用于:控制现场声光报警设备产生报警信号。
具体的,在控制器302报警之后,控制器302的继电器或DO接口,可用于驱动现场的声光告警设备。
优选的,在本发明的另一实施例中,核心服务器303产生入侵训练样本集或者干扰训练样本集之前,还用于:
判断是否满足触发条件,若满足触发条件,则产生入侵训练样本集或者干扰训练样本集,否则,不产生入侵训练样本集或者干扰训练样本集。
优选的,在本发明的另一实施例中,核心服务器303判断是否满足触发条件,具体用于:
判断距离上一次产生入侵训练样本集或者干扰训练样本集的时间间隔是否大于第一阈值;若不大于第一阈值,则不满足触发条件;若大于第一阈值,则判断新样本数是否大于第二阈值;若不大于第二阈值,则不满足触发条件;若大于第二阈值,则满足触发条件;或者;
判断当前的虚警率是否大于第三阈值,若不大于第三阈值,则不满足触发条件;若大于第三阈值,则判断新样本数是否大于第二阈值;若不大于第二阈值,则不满足触发条件;若大于第二阈值,则满足触发条件。
具体的,第一阈值为时间间隔阈值,第二阈值产生新样本数目阈值,第三阈值为虚警率阈值;第一阈值、第二阈值、以及第三阈值为人工预先设定;其中虚警率定义为单位时间单位距离发生的误报警次数。
优选的,在本发明的另一实施例中,核心服务器303混合新样本与原始样本,抽取入侵训练样本集或者干扰训练样本集,具体用于:
将新样本与原始样本按类别混合,并将混合后的样本升序排序,等距离抽取样本,获得入侵训练样本集或者干扰训练样本集。
具体的,为了避免新样本对已学习的知识产生干扰,有必要保留一部分原始样本,但是选取的保留样本须有代表性,能够尽可能多地包含原样本的信息。
具体的,本实施例提出一种选取方法,首先将新收集的样本与原有样本按类别分别混合,对于每种样本类别Ωi={xi1,xi2,…,xiM},计算每个样本xij与Ωi的Mahalanobis距离(马氏距离),d(xij,Ωi)=(xij-μi)'∑-1(xij-μi)(其中j=1,2,…,M,M为Ωi中包含的样本数,μi为样本类别Ωi的中心),然后将样本按照上述距离值进行升序排列。依据希望保留用于再次学习的样本数目K,对上述已排列好的样本等间隔M/K进行抽取,得到训练样本集。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。