CN108416419B - 一种基于多元信号特征的wlan室内目标入侵检测方法 - Google Patents
一种基于多元信号特征的wlan室内目标入侵检测方法 Download PDFInfo
- Publication number
- CN108416419B CN108416419B CN201810093472.4A CN201810093472A CN108416419B CN 108416419 B CN108416419 B CN 108416419B CN 201810093472 A CN201810093472 A CN 201810093472A CN 108416419 B CN108416419 B CN 108416419B
- Authority
- CN
- China
- Prior art keywords
- ray
- value
- population
- intrusion
- chromosome
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 20
- 210000000349 chromosome Anatomy 0.000 claims description 38
- 230000009471 action Effects 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 230000035772 mutation Effects 0.000 claims description 2
- 241000894007 species Species 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 abstract description 5
- 238000010276 construction Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Burglar Alarm Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明本发明提出了一种基于多元信号特征的WLAN(Wireless Local Area Network)室内目标入侵检测方法。它解决了利用现有WLAN基础设施实现对未知目标的室内入侵检测方法中离线阶段需要大量人力及时间开销进行RSS特征数据库构建和入侵检测鲁棒性低的问题。它首先建立基于自适应深度射线树的准三维射线追踪模型，对室内静默和入侵状态下的接收信号强度(Received Signal Strength,RSS)传播特性进行建模；其次，联合RSS均值、方差、最大值、最小值、极差值和中位值六种信号特征构建概率神经网络(Probabilistic Neural Network,PNN)的训练数据库；最后，利用训练得到的PNN对新采集RSS数据进行多分类判决，进而实现对入侵目标的检测与区域定位。本发明方法能够运用于无线电通信网络环境。
Description
技术邻域
本发明属于室内入侵检测技术，具体涉及到一种基于多元信号特征的WLAN室内目标入侵检测方法。
背景技术
现有室内目标入侵检测系统主要利用视频图像、全球定位系统(GlobalPositioning System,GPS)、红外、超声波、压力传感器和无线传感网。其中，视频图像存在用户隐私泄露问题，同时在夜晚或烟雾等光照条件恶劣的情况下无法使用；GPS、红外、超声波和压力传感器通常需要检测目标携带特殊的硬件设备；无线传感网往往要求系统在检测区域内部署大量的传感节点，从而导致系统部署成本较高。
马里兰大学提出的WLAN室内目标入侵检测系统能够有效保护用户的位置隐私，同时在非视距且非特殊硬件条件下具有稳定工作的优点，其核心思想是利用目标出现在目标区域的不同位置时对无线通信链路造成不同的WLAN信号特征干扰改变值。基于此，越来越多的国内外学者开始研究WLAN室内目标入侵检测算法，较为典型的有：①基于信号统计特征的入侵检测算法，如运动均值(Moving Average,MA)和运动方差(Moving Variance,MV)检测算法，该方法只需在离线阶段提取目标区域在静默状态下WLAN信号均值和方差的统计特性，进而在根据在线检测阶段的无线WLAN信号统计特性相对于无人静默状态下的变化进行入侵检测，但这类算法不能实现对入侵目标的位置估计；②基于被干扰链路几何位置推算的入侵检测方法，该方法通过较大的无线通信链路干扰改变值推断出被干扰链路，进而通过被干扰链路的几何位置坐标推算出入侵目标的位置，如Wilson提出的基于射频层析成像的入侵检测算法是根据射频链路变化与入侵目标位置之间的图像几何关系来实现目标入侵检测，但其在多径衰落严重的室内环境下检测性能将急剧恶化；③基于指纹学习的入侵检测方法，该方法在离线阶段大量采集目标区域内静默和不同入侵状态下无线通信链路WLAN信号特征的先验知识库并进行两者映射关系的学习，进而在在线检测阶段进行观测到的链路干扰改变值与先验知识库的匹配，从而找到入侵目标的位置，如利用神经网络(Neural Network)对目标区域内静默和入侵状态下的信号特征进行分类，该方法虽然较好的满足了高精度、高可靠性的需求，但其离线数据库的构建需要耗费大量的人力及时间成本。
于是，针对上述问题，本发明基于现有WLAN基础设施，提出结合自适应深度射线树与概率神经网络来训练静默和入侵状态下的接收信号强度(Received Signal Strength,RSS)特征，相较于传统RSS特征数据库构建方法需要更小的人力及时间开销；利用遗传算法(Genetic Algorithm,GA)自适应优化射线树的深度限制数，相较于传统射线追踪方法在预测精度损失不大的条件下大大提高计算效率；联合RSS均值、方差、最大值、最小值、极差值和中位值六种信号特征构建概率神经网络(Probabilistic Neural Network,PNN)的训练数据库，使其具有更强的模式识别能力和更好的算法收敛性。
发明内容
本发明为了解决利用现有WLAN基础设施实现对未知目标的室内入侵检测方法中离线阶段需要大量人力及时间开销进行RSS特征数据库构建和入侵检测鲁棒性低的问题，提供了一种基于多元信号特征的WLAN室内目标入侵检测方法。
本发明基于多元信号特征的WLAN室内目标入侵检测方法的步骤如下：
离线阶段：
步骤一：在目标区域内布置若干WLAN接入点AP和监测点MP。
步骤二：导入实现环境信息，在对环境进行三维建模以后进行二维投影，记录环境中相关信息包括对环境三维建模结果中所有铅锤面和铅垂线进行编号，N(铅垂面或铅垂线的作用部分个数)；Dk(k＝1，…，N)(第k个作用部分编号)；Pk和Hk(k＝1，…，N1)(第k条铅垂线的顶点坐标和高度)；N1(铅垂线条数)；ck、εk和μk(k＝1，…，N2)(第k个铅垂面的相对介电常数、电导率和磁导率)；N2(铅垂面个数)；λ(工作波长)；n(深度限制数)；PAP和PMP(AP和MP的位置坐标)；HAP和HMP(AP和MP的高度)；Pt(AP发射功率)。
步骤三：利用传统的反向射线跟踪法判断是否存在直达路径，若存在进而根据费马原理来实现直射路径二维投影的三维拓展并计算直达路径的到达信号场强。
步骤四：将射线追踪模型的深度限制数n初始化为1；设置GA算法参数交叉概率Pc，变异概率Pm，种群规模M，计算率阈值ρth，有效射线贡献率阈值Cth；设计根据每条射线经过的作用部分(即铅锤面或铅垂线)编号按时序拼接成一条染色体，并将每条射线到达MP处的场强值作为其对应染色体的适应度。
步骤五：利用遗传算法GA计算当前深度限制数条件下的射线对MP处场强的贡献率Cn，其中每次迭代中需利用改进的反向射线追踪法计算每代种群中每个染色体的适应度(即相对应的每条射线到达信号场强值)e1，…，eM。
步骤六：判断当前深度限制数条件下的射线贡献率是否大于预设的阈值，若是，则深度限制数n加1并重复步骤五，否则将当前深度限制数记为最优深度限制数(或称最优射线阶数)，同时记录1到n各深度限制数下最终染色体对应的射线贡献率较大的非直达射线。
步骤七：为了考虑天花板和地面作为作用部分的影响，对直达射线和1到n各深度限制数下最终染色体对应的射线贡献率较大的非直达射线进行加入天花板或地面的反射作用参与的三维拓展。
步骤八：所有n阶以内直达和非直达射线到达信号场强进行叠加，并由射线功率和法可得MP处的接收信号功率Ptotal。
步骤九：考虑人体内水的含量大于70％，在入侵状态下将人体建模为具有一定高度的三维水柱，使水柱依次遍历不同的目标区域内不同入侵位置，并根据步骤二至步骤八计算不同入侵状态下MP处的信号功率。
步骤十：构建PNN模型，包括含输入层、模式层、求和层和输出层。
步骤十一：利用滑动窗函提取以上步骤构建的RSS数据的多种统计，包括均值、方差、最大值、最小值、极差值和中位值，以此训练PNN。
在线阶段：
步骤十二：输入测试数据，利用滑动窗函数对原始RSS数据进行分段，并计算各分段数据的RSS均值、方差、最大值、最小值、极差值和中位值输入对应的训练好的PNN，进而对于每个PNN独立得到关于测试样本的分类结果。最后，根据投票准则(出现概率最大的分类结果即为最后的检测结果)来完成对新采集RSS数据的多分类判决，进而实现对室内目标的入侵检测与区域定位。
有益效果
本发明首先建立基于自适应深度射线树的准三维射线追踪模型，对室内静默和入侵状态下的接收信号强度RSS传播特性进行建模；其次，联合RSS均值、方差、最大值、最小值、极差值和中位值六种信号特征构建概率神经网络PNN的训练数据库；最后，利用训练得到的PNN对新采集RSS数据进行多分类判决，进而实现对入侵目标的检测与区域定位。本发明能够运用于无线电通信网络环境，并解决了现有的室内动态定位算中指纹校准开销高且并定位精度不理想的问题。它解决了利用现有WLAN基础设施实现对未知目标的室内入侵检测方法中离线阶段需要大量人力及时间开销进行RSS特征数据库构建和入侵检测鲁棒性低的问题。
附图说明
图1为本发明的流程图；
图2为基于自适应深度射线树的准三维射线追踪模型的流程图；
图3为环境三维建模及对应的二维投影结果，图中灰色和黑色部分分别表示环境和室内设施边界面；
图4为某条不经水平面作用的1次绕射加1次反射射线的三维拓展结果，图中，P1和P2分别为绕射点和反射点；
图5为图4中1次绕射加1次反射射线拓展后射线的二维展开结果，图中，HAP、HMP、HP1和HP2分别为AP、MP、P1和P2高度，L、d1、d2和d3分别为二维展开结果中AP与MP、AP与P1、P1与P2和P2与MP的连线二维投影距离，θ为射线俯角；
图6为某条经水平面作用的1次绕射加2次反射射线的三维拓展结果；
图7为其图6射线对应的二维展开结果图，其中AP’为AP关于水平面的镜像点，P3为水平面反射点；
图8为本发明采用的PNN拓扑结构，其中，各层(包含输入层、模式层、求和层和输出层)；
图9为本发明选用的实验环境，其中，2个AP(即AP1和AP2，型号为D-Link DAP2310)和3个MP(即MP1、MP2和MP3，型号为SAMSUNG GT-S7568)分别放置于2m和0.5m高处，在每个MP处，分别采集静默和入侵状态下来自各个AP的5分钟RSS数据；
图10为对实验环境进行2、3、4、5和6区域划分的示意图；
图11给出了在不同区域划分条件下的入侵检测性能混淆矩阵，矩阵中，s、a1、a2、a3、a4、a5和a6分别表示静默、区域1入侵、区域2入侵、区域3入侵、区域4入侵、区域5入侵和区域6入侵状态，第行i第j列元素表示第i个真实状态被判决为第j个状态的概率，随着划分区域数的增加，虽然入侵检测性能整体上呈下降趋势，但其对应的平均成功检测概率均高于95％，从而能够有效保证室内目标入侵检测与区域定位的性能要求；
图12给出了在4区域划分条件下不同单一RSS特征数据所对应的入侵检测性能混淆矩阵，对比图11(c)和12可知，本文发明采用的联合RSS均值、方差、最大值、最小值、极差值和中位值六种信号特征构建PNN训练数据库的方法，具有最优的入侵检测与区域定位性能。
具体实施方案
结合图1说明本发明实施方式，本实施方式步骤如下：
离线阶段：
步骤一：在目标区域内布置若干WLAN接入点AP和监测点MP。
结合图2利用自适应深度射线树的射线追踪模型构造静默和入侵状态下的RSS特征数据的具体步骤如下：
步骤二：导入实现环境信息，结合图3在对环境进行三维建模以后进行二维投影，记录环境中相关信息包括N(铅垂面或铅垂线的作用部分个数)；Dk(k＝1，…，N)(第k个作用部分编号)；Pk和Hk(k＝1，…，N1)(第k条铅垂线的顶点坐标和高度)；N1(铅垂线条数)；ck、εk和μk(k＝1，…，N2)(第k个铅垂面的相对介电常数、电导率和磁导率)；N2(铅垂面个数)；λ(工作波长)；n(深度限制数)；PAP和PMP(AP和MP的位置坐标)；HAP和HMP(AP和MP的高度)；Pt(AP发射功率)。
步骤三：利用反向射线跟踪法判断是否存在直射路径：若连接AP和MP三维位置坐标PAP和PMP的二维投影坐标构成的线段与环境内所有作用部分存在相交情况，则不存在直射路径；否则存在直射路径，进而根据费马原理来实现直射路径二维投影的三维拓展，拓展后射线的二维展开结果为相应AP与MP的连线，通过已知AP与MP二维投影坐标间的距离L可由公式(1)推算出AP与MP三维坐标间的距离r0：
进而由公式(2)计算直射路径的到达信号场强
其中
为距离AP1m处的信号场强，k(＝2π/λ)为波数：
步骤四：初始化深度限制数n为1；设置GA算法参数交叉概率Pc，变异概率Pm，种群规模M，计算率阈值ρth，有效射线贡献率阈值Cth。
步骤五：记录找到的所有n-1阶射线路径中最大的到达信号场强值en-1，当n为1时则为直射路径的到达信号场强ELOS。
步骤六：根据深度限制数n随机产生第一代种群T1(即M个不同的长度为n的随机编号序列对应的M条染色体)，则每个编号序列代表着对应射线路径经过的作用部分(即铅锤面或铅垂线)，并令当前种群T＝T1。
利用反向射线跟踪法计算当前种群T中每个染色体的适应度(即相对应的每条射线到达信号场强值)e1，…，eM的具体步骤如下：
步骤七：令i＝1。
步骤八：根据当前种群T中第i条n阶射线经过的作用部分编号对变量Bk(k＝1，…，n+2)进行赋值，其中，B1＝1和Bn+2＝1分别表示射线起始位置AP和终止位置MP；Bk＝0和1(k＝2，…，n+1)分别表示射线在第k个铅垂面或铅垂线上发生反射和绕射)。
步骤九：令AP和MP的二维投影坐标分别为L1和Ln+2。
步骤十：令k＝2。
步骤十一：若Bk＝0，则将Lk-1关于第k个铅垂面的镜像点二维投影坐标赋给Lk；否则若Bk＝1，则将第k条铅垂线的二维投影坐标赋给Lk。
步骤十二：令k＝k+1。
步骤十三：判断k是否小于等于n+1；是，则转步骤十一；否，则转步骤十四。
步骤十四：判断Bi＝1(i＝1，…，n)是否成立；是，则转步骤十九；否，则转步骤十五。
步骤十五：令k＝2。
步骤十六：若Bk＝0且Bk+1＝1，则将Lk和Lk+1的连线与第k个铅垂面交点的二维投影坐标赋给Lk，且令Bk＝1；否则转步骤十七
步骤十七：令k＝k+1。
步骤十八：判断k是否小于等于n+1；是，则转步骤十六；否，则转步骤十四。
步骤十九：令k＝1。
步骤二十：令Tk,k+1为Lk和Lk+1的连线。
步骤二十一：若Tk,k+1与环境内所有作用部分存在相交，则令ei＝0，并转到步骤二十二。
步骤二十二：令k＝k+1。
步骤二十三：判断k是否小于等于n+1；是，则转步骤二十；否，则转步骤二十四。
步骤二十四：判断ei是否等于0；是，则转步骤二十五；否则，则同样根据费马原理将当前种群T第i个染色体对应的第i条n阶射线的二维投影进行三维拓展，进而计算其所对应染色体的适应度ei，拓展后射线的二维展开结果为相应AP与MP的连线，通过已知AP与MP二维投影坐标间的距离L可根据几何关系推算出相邻作用点间的三维坐标间的距离，进而计算其所对应染色体的适应度ei；具体例如图4给出了某条不经水平面作用的1次绕射加1次反射射线的三维拓展结果，图中，P1和P2分别为垂直面绕射点和反射点。图5为该拓展后射线的二维展开结果，图中，HAP、HMP、HP1和HP2分别为AP、MP、P1和P2高度，L、d1、d2和d3分别为二维展开结果中AP与MP、AP与P1、P1与P2和P2与MP的连线二维投影距离，θ为射线俯角。由几何关系可知：
对于非直达射线，则根据其经过作用部分的反射或绕射特性，迭代计算出该射线的到达信号场强
为：
其中，
为由公式(2)计算得到的第1个作用点相对于AP的直达射线到达信号场强，Rp和Dq分别为第p和q个作用部分的反射和绕射系数，P和Q分别为反射和绕射次数，At为第t次反射或绕射的扩散因子，rt为第t到t+1个作用点的距离。
步骤二十五：令i＝i+1。
步骤二十六：判断i是否小于等于种群规模M；是，则转步骤八；否，则转步骤二十七。
步骤二十七：令k＝1。
步骤二十八：由适应度比例选择算法(即个体被选中的概率和适应度函数值成正比)从T中选出2个染色体。
步骤二十九：判断random(0,1)是否小于Pc；是，则对该2个染色体执行单点交叉操作；否，则转步骤三十。
步骤三十：判断random(0,1)是否小于Pm；是，则对该2个染色体执行变异操作；否，则转步骤三十一。
步骤三十一：将新得到的2个染色体加入新生种群T_new中，并令k＝k+1。
步骤三十二：判断k是否小于等于种群规模M；是，则转步骤二十八；否，则转步骤三十三。
步骤三十三：将新生种群T_new赋给T，并计算ρ＝NC/Nn，其中NC为从初代种群到当前种群的出现过的染色体种类。
步骤三十四：判断ρ是否小于等于计算率阈值ρth；是，则转步骤七；否，计算Tf＝en-1/2以及当前种群T中染色体适应度>Tf的个数m，进而计算当前深度限制数n下的射线贡献率Cn＝m/M。
步骤三十五：判断Cn是否大于有效射线贡献率阈值Cth；是，则记录当前种群T中所有染色体，并令n＝n+1，转步骤五；否，则记录当前种群T中所有染色体，将当前深度限制数记为最优深度限制数(或称最优射线阶数)。
步骤三十六：为了考虑天花板和地面作为作用部分的影响，对直达射线和1到n各深度限制数下最终染色体对应的射线贡献率较大的非直达射线进行加入天花板或地面的反射作用参与的三维拓展，并利用公式(5)计算其对应的射线到达信号场强。图6给出了某条经水平面作用的1次绕射加2次反射射线的三维拓展结果，其对应的二维展开结果如图7所示，图中，AP’为AP关于水平面的镜像点，P3为水平面反射点。由几何关系可知：
步骤三十七：将所有n阶以内直达和非直达射线到达信号场强进行叠加，并由射线功率和法可得MP处的接收信号功率Ptotal，其中，
为第i条射线的到达信号场强，l为射线数：
步骤三十八：考虑人体内水的含量大于70％，在入侵状态下将人体建模为具有一定高度的三维水柱，使水柱依次遍历不同的目标区域内不同入侵位置，并根据步骤二至步骤三十八计算不同入侵状态下MP处的信号功率。
利用RSS数据的多种统计特征训练PNN以提高入侵检测与区域定位性能的具体步骤如下：
步骤三十九：构建PNN模型，图8给出了本文采用的PNN拓扑结构，输入层神经元个数为信号特征维度d(即AP与MP的全部组合种类数)，该层计算
其中，
分别为测试样本和第k个训练样本的归一化向量，n为训练样本数；模式层神经元个数为n，该层计算核密度函数
其中，δ为平滑因子；求和层神经元个数为c，c为状态数(即目标区域划分的类数加1即静默类)，该层计算x属于第i个状态的条件概率
其中，Pi为第i个状态的先验概率，Ni为属于第i个状态的训练样本数；输出层神经元个数为1，该层计算max{gi(x),i∈{1,…,c}}，其中，对应最大gi(x)值的i即为PNN输出状态。
步骤四十：为了保证每对AP与MP之间RSS特征数据的稳定性，利用滑动窗函数(每段RSS数据长度即为滑动窗宽度)对原始RSS数据进行分段，并计算各分段数据的RSS均值、方差、最大值、最小值、极差值和中位值。在此基础上，利用该六种信号特征分别训练六个PNN结构，对输入层第j个神经元与模式层第k个神经元的连接权重ωjk以及模式层第k个神经元与求和层第i个神经元的连接权重aki进行训练赋值的具体步骤如下：
步骤四十一：将n个某信号特征训练样本记为{xk＝(xk1,…,xkd),k＝1,…,n}，令k＝0，ωjk＝0，aki＝0。
步骤四十二：令k＝k+1，
步骤四十三：若x属于第i个状态，则aki＝1。
步骤四十四：判断k是否等于n；是，则当前信号特征对应的PNN训练完毕；否，则转步骤四十一。
在线阶段：
步骤四十五：输入测试数据{tk＝(xk1,…,xkd),k＝1,…,t}，其中t为测试样本时间长度，然后利用滑动窗函数对原始RSS数据进行分段，并计算各分段数据的RSS均值、方差、最大值、最小值、极差值和中位值输入对应的训练好的PNN，进而对于每个PNN独立得到关于测试样本的分类结果。最后，根据投票准则(出现概率最大的分类结果即为最后的检测结果)来完成对新采集RSS数据的多分类判决，进而实现对室内目标的入侵检测与区域定位。
Claims (4)
1.基于多元信号特征的WLAN室内目标入侵检测方法，其特征在于它的步骤如下：
离线阶段：
步骤一：在目标区域内布置若干WLAN接入点AP和监测点MP；
步骤二：导入实现环境信息，在对环境进行三维建模以后进行二维投影，记录环境中相关信息包括对环境三维建模结果中所有铅锤面和铅垂线进行编号，N表示铅垂面或铅垂线的作用部分个数；Dk表示第k个作用部分编号，其中，k＝1，…，N；Pk和Hk分别表示第k条铅垂线的顶点坐标和高度，其中，k＝1，…，N1；N1表示铅垂线条数；ck、εk和μk分别表示第k个铅垂面的相对介电常数、电导率和磁导率，其中，k＝1，…，N2；N2表示铅垂面个数；λ表示工作波长；n表示深度限制数；PAP和PMP分别表示AP和MP的位置坐标；HAP和HMP分别表示AP和MP的高度；Pt表示AP发射功率；
步骤三：利用传统的反向射线跟踪法判断是否存在直达路径，若存在进而根据费马原理来实现直射路径二维投影的三维拓展并计算直达路径的到达信号场强；
步骤四：将射线追踪模型的深度限制数n初始化为1；设置GA算法参数交叉概率Pc，变异概率Pm，种群规模M，计算率阈值ρth，有效射线贡献率阈值Cth；设计根据每条射线经过的作用部分编号按时序拼接成一条染色体，并将每条射线到达MP处的场强值作为其对应染色体的适应度；
步骤五：利用GA算法计算当前深度限制数n条件下的射线对MP处场强的贡献率Cn，其中每次迭代中需利用改进的反向射线追踪法计算每代种群中每个染色体的适应度e1，…，eM；
步骤六：判断当前深度限制数条件下的射线贡献率是否大于预设的阈值，若是，则深度限制数n＝n+1并重复步骤五，否则将当前深度限制数记为最优深度限制数，同时记录1到n各深度限制数下最终染色体对应的射线贡献率较大的非直达射线；
步骤七：为了考虑天花板和地面作为作用部分的影响，对直达射线和1到n各深度限制数下最终染色体对应的射线贡献率较大的非直达射线进行加入天花板或地面的反射作用参与的三维拓展；
步骤八：所有n阶以内直达和非直达射线到达信号场强进行叠加，并由射线功率和法可得MP处的接收信号功率Ptotal；
步骤九：考虑人体内水的含量大于70％，在入侵状态下将人体建模为具有一定高度的三维水柱，使水柱依次遍历不同的目标区域内不同入侵位置，并根据步骤二至步骤八计算不同入侵状态下MP处的信号功率；
步骤十：构建PNN模型，包括含输入层、模式层、求和层和输出层；
步骤十一：利用滑动窗函提取以上步骤构建的RSS数据的多种统计，包括均值、方差、最大值、最小值、极差值和中位值，以此训练PNN；
在线阶段：
步骤十二：输入测试数据，利用滑动窗函数对原始RSS数据进行分段，并计算各分段数据的RSS均值、方差、最大值、最小值、极差值和中位值输入对应的训练好的PNN，进而对于每个PNN独立得到关于测试样本的分类结果，最后，根据投票准则来完成对新采集RSS数据的多分类判决，进而实现对室内目标的入侵检测与区域定位。
2.根据权利要求1所述的基于多元信号特征的WLAN室内目标入侵检测方法，其特征在于步骤四到六的利用GA算法自适应确定射线追踪模型的深度限制数n，其中设计根据每条射线经过的作用部分编号按时序拼接成一条染色体，并将每条射线到达MP处的场强值作为其对应染色体的适应度，该过程描述如下：
步骤一：初始化深度限制数n为1；设置GA算法参数交叉概率Pc，变异概率Pm，种群规模M，计算率阈值ρth，有效射线贡献率阈值Cth；
步骤二：将找到的多有n-1阶射线路径中最大的到达信号场强值记为en-1，当n为1时则为直射路径的到达信号场强ELOS；
步骤三：根据深度限制数n随机产生第一代种群T1，即M个不同的长度为n的随机编号序列对应的M条染色体，则每个编号序列代表着对应射线路径经过的作用部分，即铅锤面或铅垂线，并令当前种群T＝T1；利用改进的反向射线跟踪法计算当前种群T中每个染色体的适应度e1，…，eM；
步骤四：令k＝1；
步骤五：由适应度比例选择算法从T中选出2个染色体；
步骤六：判断random(0,1)是否小于Pc；是，则对该2个染色体执行单点交叉操作；否，则转步骤七；
步骤七：判断random(0,1)是否小于Pm；是，则对该2个染色体执行变异操作；否，则转步骤八；
步骤八：将新得到的2个染色体加入新生种群T_new中，并令k＝k+1；
步骤九：判断k是否小于等于种群规模M；是，则转步骤五；否，则转步骤十；
步骤十：将新生种群T_new赋给T，并计算ρ＝NC/Nn，其中NC为从初代种群到当前种群的出现过的染色体种类；
步骤十一：判断ρ是否小于等于计算率阈值ρth；是，则转步骤三；否，则计算Tf＝en-1/2和当前种群T中染色体适应度>Tf的个数m，进而计算当前深度限制数n下的射线贡献率Cn＝m/M；
步骤十二：判断Cn是否大于有效射线贡献率阈值Cth；是，则记录当前种群T中所有染色体，并令n＝n+1，转步骤二；否，则记录当前种群T中所有染色体，将当前深度限制数记为最优深度限制数。
3.根据权利要求1所述的基于多元信号特征的WLAN室内目标入侵检测方法，其特征在于步骤五的利用改进的反向射线跟踪法计算当前种群T中每个染色体的适应度e1，…，eM，该过程描述如下：
步骤一：令i＝1；
步骤二：根据当前种群T中第i条n阶射线经过的作用部分编号对变量Bk进行赋值，其中，k＝1，…，n+2，B1＝1和Bn+2＝1分别表示射线起始位置AP和终止位置MP；Bk＝0和1分别表示射线在第k个铅垂面或铅垂线上发生反射和绕射，其中，k＝2，…，n+1；
步骤三：令AP和MP的二维投影坐标分别为L1和Ln+2；
步骤四：令k＝2；
步骤五：若Bk＝0，则将Lk-1关于第k个铅垂面的镜像点二维投影坐标赋给Lk；否则若Bk＝1，则将第k条铅垂线的二维投影坐标赋给Lk；
步骤六：令k＝k+1；
步骤七：判断k是否小于等于n+1；是，则转步骤五；否，则转步骤八；
步骤八：判断Bi＝1是否成立，其中，i＝1，…，n；是，则转步骤十三；否，则转步骤九；
步骤九：令k＝2；
步骤十：若Bk＝0且Bk+1＝1，则将Lk和Lk+1的连线与第k个铅垂面交点的二维投影坐标赋给Lk，且令Bk＝1；否则转步骤十一；
步骤十一：令k＝k+1；
步骤十二：判断k是否小于等于n+1；是，则转步骤十；否，则转步骤八；
步骤十三：令k＝1；
步骤十四：令Tk,k+1表示Lk和Lk+1的连线；
步骤十五：若Tk,k+1与环境内所有作用部分存在相交，则令ei＝0，并转到步骤十六；
步骤十六：令k＝k+1；
步骤十七：判断k是否小于等于n+1；是，则转步骤十四；否，则转步骤十八；
步骤十八：若ei不等于0，则根据费马原理将当前种群T第i个染色体对应的第i条n阶射线的二维投影进行三维拓展，进而计算其所对应染色体的适应度ei。
4.根据权利要求1所述的基于多元信号特征的WLAN室内目标入侵检测方法，其特征在于步骤十一的RSS数据的多种统计特征训练PNN以提高入侵检测与区域定位性能， 该过程描述如下：
步骤一：构建PNN模型，输入层神经元个数为信号特征维度d，即AP与MP的全部组合种类数，该层计算
其中，k＝1,…,n，x和xk分别为测试样本和第k个训练样本的归一化向量，n为训练样本数；该层计算核密度函数
其中，δ为平滑因子；求和层神经元个数为c，c为状态数，该层计算x属于第i个状态的条件概率
其中，Pi为第i个状态的先验概率，Ni为属于第i个状态的训练样本数；输出层神经元个数为1，该层计算max{gi(x),i∈{1,…,c}}，其中，对应最大gi(x)值的i即为PNN输出状态；
步骤二：为了保证每对AP与MP之间RSS特征数据的稳定性，利用滑动窗函数对原始RSS数据进行分段，并计算各分段数据的RSS均值、方差、最大值、最小值、极差值和中位值，在此基础上，利用该六种信号特征分别训练六个PNN结构，对输入层第j个神经元与模式层第k个神经元的连接权重ωjk以及模式层第k个神经元与求和层第i个神经元的连接权重aki进行训练赋值的具体步骤如下：
步骤三：将n个某信号特征训练样本记为{xk＝(xk1,…,xkd),k＝1,…,n}，令k＝0，ωjk＝0，aki＝0；
步骤四：令k＝k+1，
ωjk＝xkj；
步骤五：若x属于第i个状态，则aki＝1；
步骤六：判断k是否等于n；是，则当前信号特征对应的PNN训练完毕；否，则转步骤三。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810093472.4A CN108416419B (zh) | 2018-01-31 | 2018-01-31 | 一种基于多元信号特征的wlan室内目标入侵检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810093472.4A CN108416419B (zh) | 2018-01-31 | 2018-01-31 | 一种基于多元信号特征的wlan室内目标入侵检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108416419A CN108416419A (zh) | 2018-08-17 |
| CN108416419B true CN108416419B (zh) | 2021-07-30 |
Family
ID=63127271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810093472.4A Active CN108416419B (zh) | 2018-01-31 | 2018-01-31 | 一种基于多元信号特征的wlan室内目标入侵检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108416419B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110276921B (zh) * | 2019-07-08 | 2021-04-06 | 重庆邮电大学 | 基于无线信号特征的室内入侵和空间结构变化识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101141259A (zh) * | 2007-10-22 | 2008-03-12 | 杭州华三通信技术有限公司 | 防止误接入接入点设备的方法及装置 |
| CN101252445A (zh) * | 2008-04-09 | 2008-08-27 | 田大新 | 用于wlan的集成化网络安全管理方法 |
| CN101959282A (zh) * | 2010-09-26 | 2011-01-26 | 杭州华三通信技术有限公司 | 无线局域网接入控制方法及其装置 |
| CN102244840A (zh) * | 2011-06-17 | 2011-11-16 | 中南大学 | 一种认知无线Mesh网络中的组播路由及频谱分配方法 |
| CN105430740A (zh) * | 2015-10-31 | 2016-03-23 | 北京工业大学 | 基于WiFi信号强度仿真与位置指纹算法的室内无线定位方法 |
| CN106845716A (zh) * | 2017-01-25 | 2017-06-13 | 东南大学 | 一种基于导航误差约束的水面无人艇局部分层路径规划方法 |
-
2018
- 2018-01-31 CN CN201810093472.4A patent/CN108416419B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101141259A (zh) * | 2007-10-22 | 2008-03-12 | 杭州华三通信技术有限公司 | 防止误接入接入点设备的方法及装置 |
| CN101252445A (zh) * | 2008-04-09 | 2008-08-27 | 田大新 | 用于wlan的集成化网络安全管理方法 |
| CN101959282A (zh) * | 2010-09-26 | 2011-01-26 | 杭州华三通信技术有限公司 | 无线局域网接入控制方法及其装置 |
| CN102244840A (zh) * | 2011-06-17 | 2011-11-16 | 中南大学 | 一种认知无线Mesh网络中的组播路由及频谱分配方法 |
| CN105430740A (zh) * | 2015-10-31 | 2016-03-23 | 北京工业大学 | 基于WiFi信号强度仿真与位置指纹算法的室内无线定位方法 |
| CN106845716A (zh) * | 2017-01-25 | 2017-06-13 | 东南大学 | 一种基于导航误差约束的水面无人艇局部分层路径规划方法 |
Non-Patent Citations (2)
| Title |
|---|
| 《基于Wi-Fi的室内入侵检测》;毛文瑞等;《合肥工业大学学报》;20140731;第37卷(第7期);全文 * |
| 《基于模糊规则更新的室内WLAN未知目标入侵检测算法》;李坤鹏;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170315(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108416419A (zh) | 2018-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Temel et al. | On deployment of wireless sensors on 3-D terrains to maximize sensing coverage by utilizing cat swarm optimization with wavelet transform | |
| CN106717082A (zh) | 减轻信号噪声的基于指纹的室内定位 | |
| CN105636201B (zh) | 基于稀疏信号指纹数据库的室内定位方法 | |
| CN112135248B (zh) | 一种基于K-means最优估计的WIFI指纹定位方法 | |
| Ahmadi et al. | RSSI-based localization in wireless sensor networks using Regression Tree | |
| Lin et al. | Wi-Fi indoor localization based on multi-task deep learning | |
| Sadhukhan et al. | A novel weighted fusion based efficient clustering for improved wi-fi fingerprint indoor positioning | |
| Dong et al. | A wifi fingerprint augmentation method for 3-d crowdsourced indoor positioning systems | |
| CN111263295B (zh) | 一种wlan室内定位方法和装置 | |
| CN115840205A (zh) | 一种基于激光雷达技术的地形面积计量方法和系统 | |
| CN117237902A (zh) | 基于深度学习的机器人物体识别系统 | |
| CN108416419B (zh) | 一种基于多元信号特征的wlan室内目标入侵检测方法 | |
| CN102110173A (zh) | 一种改进亲和矩阵的多路谱聚类方法 | |
| Liu et al. | Novel robust indoor device-free moving-object localization and tracking using machine learning with Kalman filter and smoother | |
| Chen et al. | DeepMetricFi: Improving Wi-Fi fingerprinting localization by deep metric learning | |
| CN108631817B (zh) | 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法 | |
| CN107071894A (zh) | 一种基于WiFi的室内定位优化算法 | |
| Neuman et al. | Segmentation-based online change detection for mobile robots | |
| Li et al. | RBF neural network based RFID indoor localization method using artificial immune system | |
| Abdullah et al. | A probability neural network-Jensen-Shannon divergence for a fingerprint based localization | |
| Li | PSO based wireless sensor networks coverage optimization on DEMs | |
| CN115567131A (zh) | 一种基于降维复卷积网络的6g无线信道特性提取方法 | |
| Li et al. | Exploiting unlabeled RSSI fingerprints in multi-building and multi-floor indoor localization through deep semi-supervised learning based on mean teacher | |
| CN115623422A (zh) | 三维战场辐射源定位跟踪方法 | |
| Haryati et al. | Comparative study of distance measures on fuzzy subtractive clustering |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |