CN109068349B - 一种基于小样本迭代迁移的室内入侵检测方法 - Google Patents
一种基于小样本迭代迁移的室内入侵检测方法 Download PDFInfo
- Publication number
- CN109068349B CN109068349B CN201810766490.4A CN201810766490A CN109068349B CN 109068349 B CN109068349 B CN 109068349B CN 201810766490 A CN201810766490 A CN 201810766490A CN 109068349 B CN109068349 B CN 109068349B
- Authority
- CN
- China
- Prior art keywords
- rss
- domain
- target domain
- data
- target
- 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 39
- 238000013508 migration Methods 0.000 title claims abstract description 34
- 230000005012 migration Effects 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000013526 transfer learning Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
-
- 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)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明所述一种基于小样本迭代迁移的室内入侵检测方法,分为离线阶段与在线阶段。在离线阶段,为入侵与静默接收信号强度(Received Signal Strength,RSS)打上不同的标签,构建源域。在线阶段,首先获得候选RSS的伪标签,构建目标域。然后利用类内迁移学习将源域与目标域RSS迁移到同一个子空间,再利用源域RSS对目标域RSS进行分类,从而得到目标域RSS更真实的标签,更新目标域。最后,源域与目标域RSS不断进行迭代迁移学习,直至算法收敛,得到目标域RSS最终的标签集,即可得到目标环境的入侵检测结果。本发明所提供的一种基于小样本迭代迁移的室内入侵检测方法,能够在克服设备差异性的同时,达到较高的检测精度,从而完成未知目标入侵检测。
Description
技术领域
本发明属于室内入侵检测技术,具体涉及一种基于小样本迭代迁移的室内入侵检测方法
背景技术
随着无线通信网络技术的飞速发展,基于无线网络的位置服务也得到了广泛的应用。由于无线信号的设备成本低、分布广泛,人们不仅可以利用无线信号满足基本通信要求,还能利用环境中无线信号的感知能力进行未知目标(人或其他问题)入侵检测研究。入侵检测技术不需要被检测目标携带任何设备或是主动参与到检测当中,仅需要检测目标环境中无线信号是否异常,即可完成入侵检测,因此相关学者将此技术称为被动入侵检测技术。由于被动入侵检测技术能仅根据目标对检测环境的影响完成未知目标的检测与定位,现已广泛应用于智能家居、人员搜救、军事防护、企业安防等领域,具有极高的商业应用价值。
马里兰大学首次提出了基于无线信号的被动入侵检测技术,而后受到国内外学者的广泛关注与研究。被动入侵检测技术主要分为基于计算机视觉被动入侵检测技术、基于无线传感器被动入侵检测技术、基于无线网络信号被动入侵检测技术,其中,基于无线信号的被动入侵检测技术凭借成本低廉、不受非视距环境影响、隐私性较强等优点成为主要的入侵检测技术之一。基于无线信号的被动入侵检测技术只需在目标环境中布置一定的无线接入点(Access Point,AP)与监测点(Monitor Point,MP),利用相关算法分析MP采集到的信号(如接收信号强度(Received Signal Strength,RSS)、信道状态信息(Channel statusinformation,CSI)等)的特征,从而检测出环境中有无目标入侵。
尽管与基于计算机视觉和无线传感器的检测技术相比,基于无线信号的被动入侵检测技术具有更强的环境适应能力,但是无线信号无法克服设备差异性与信号时变性,不同的MP检测效果不理想,不同时间采集的信号也会降低检测精度。为克服被动入侵检测技术中设备的差异性,本发明提出一种基于小样本迭代迁移的室内入侵检测方法。
发明内容
本发明的目的是提供一种基于小样本迭代迁移的室内入侵检测方法,该方法能够在克服设备差异性的同时,较好地实现室内环境中的未知目标入侵检测。
本发明所述的一种基于小样本迭代迁移的室内入侵检测方法,包括以下步骤:
步骤一、选择待检测目标区域,在目标区域中布置m个无线接入点(Access Point,AP)和n个监测点(Monitor Point,MP);
步骤二、构建离线数据库;
步骤四、采集在线RSS数据Ron=(r1,r2,…,rn),以第j个MP的数据为例,其中ri j(1≤i≤m)为在第j个MP接收到的来自第i个AP的RSS数据,采用窗长为L的滑窗对其进行处理,对一个窗长内的数据提取六个特征,分别为均值、方差、最大值、最小值、最大值与最小值的差、滑窗内出现概率最高的值,得到第j个MP的特征矩阵且
步骤七、对源域RSS与目标域RSS进行类内迁移,计算使源域RSS与目标域RSS间的最大均值差异(Maximum Mean Discrepancy,MMD)距离最小的迁移矩阵W;
步骤八、用迁移之后的源域RSS(KW的第一行到第ns行RSS)与标签集ys训练一个分类器,然后对迁移之后的目标域RSS(KW的第ns+1行到第nt行RSS)进行分类,得到新的标签集yt;
步骤九、用目标域RSSxt与标签集yt训练一个分类器,然后对剩余RSSxres进行分类,得到标签集yres;将剩余RSSxres加入到目标域RSSxt中,并且将剩余RSS的标签集yres加入到目标域RSS对应的标签集yt中,从而更改目标域
步骤十、重复步骤七与步骤八,得到新的标签集yt;
步骤十一、判断算法是否收敛,若是,则进入步骤十二;若否,则更新目标域,返回步骤十;
步骤十二、算法结束,返回最终目标域RSS对应的标签集yt。
所述步骤二中,构建离线数据库,包括以下步骤:
2a、采集静默接收信号强度(Received Signal Strength,RSS)其中(1≤i≤n)表示在第i个MP接收到的来自m个AP的静默RSS,表示在第i个MP接收到的来自第j个AP的静默RSS;
2c、以第i个MP的RSS数据为例,采用窗长为L的滑窗对其离线数据进行处理,对一个窗长内的RSS数据提取六个特征,分别为均值、方差、最大值、最小值、最大值与最小值的差、滑窗内出现概率最高的值,得到第i个MP的特征矩阵且
5a、取出源域RSS的第i行RSS数据xi,剩余RSS数据构成依次取出第一行RSS到第ns行RSS,可以得到用训练一个分类器,则共有ns个分类器,利用这ns个分类器对目标域RSS数据中的第i行RSSxi进行分类,共有ns个分类结果g1,...,gns,若g1=g2=…=gnum且num/ns≥rate,则xi伪标签为g1,否则其标签为-1;
所述步骤七中,对源域数据与目标域数据进行类内迁移,包括以下步骤:
7a、根据源域RSS与目标域RSS的标签,将源域与目标域中标签相同的RSS分为一类,共分为C类,计算源域RSSxs与目标域RSSxt的MMD距离:
其中,为源域RSS中属于第c类的RSS,为的行数,xi为的第i行元素;为候选RSS中属于第c类的RSS,为的行数,xj为的第j行元素;表示希尔伯特空间,φ(·)表示将原始RSS映射到希尔伯特空间的一个映射;
7c、定义类间MMD矩阵Lc,Lc中的元素定义为:
7d、将源域与目标域RSS的MMD距离改写为
7e、最小化源域RSS与目标域RSS之间的MMD距离:
其中I为单位矩阵,H=I-1/(ns+nt)eeT,e为全1的列向量,tr(WTW)为正则项,控制W的复杂度,WTKHKTW=I用来保持原始数据的特性;
有益效果
本发明考虑了不同MP之间的差异性,结合类内迁移学习,实现室内环境中的未知目标入侵检测。具体来说,首先采集离线静默数据与入侵数据,并为不同的数据打上标签,构建离线数据库从而构建源域;对于在线采集的数据,采用交叉验证法进行初步分类,得到候选数据与剩余数据,然后通过类内迁移学习将候选数据与源域数据迁移到同一个子空间中,进而在子空间中得到候选数据更真实的标签。在此基础之上,利用候选数据及其标签对剩余数据进行分类,从而完成目标域数据的分类;不断对源域数据与目标域数据进行迭代迁移,直至算法收敛,得到目标域最真实的标签集,从而实现未知目标入侵检测。该方法能够应用于无线电网络通信环境,所提供的方法能够有效克服MP的差异性,完成室内环境入侵检测。
附图说明
图1为本发明中步骤一至步骤十二的流程图;
图2为本发明选定的目标环境及AP、MP摆放位置;
图3为MP2为源域时的实验结果;
图4为MP3为源域时的实验结果;
图5为MP4为源域时的实验结果;
图6为MP2,MP3,MP4为源域时的实验结果。
具体实施方案
下面结合附图对本发明作进一步说明。
本发明提供的一种基于小样本迭代迁移的室内入侵检测方法,包括以下步骤:
步骤一、选择待检测目标区域,在目标区域中布置m个无线接入点(Access Point,AP)和n个监测点(Monitor Point,MP);
步骤二、构建离线数据库,具体包括以下步骤:
2a、采集静默接收信号强度(Received Signal Strength,RSS)其中(1≤i≤n)表示在第i个MP接收到的来自m个AP的静默RSS,表示在第i个MP接收到的来自第j个AP的静默RSS;
2c、以第i个MP的RSS数据为例,采用窗长为L的滑窗对其离线数据进行处理,对一个窗长内的RSS数据提取六个特征,分别为均值、方差、最大值、最小值、最大值与最小值的差、滑窗内出现概率最高的值,得到第i个MP的特征矩阵且
步骤四、采集在线RSS数据Ron=(r1,r2,...,rn),以第j个MP的数据为例,其中ri j(1≤i≤m)为在第j个MP接收到的来自第i个AP的RSS数据,采用窗长为L的滑窗对其进行处理,对一个窗长内的数据提取六个特征,分别为均值、方差、最大值、最小值、最大值与最小值的差、滑窗内出现概率最高的值,得到第j个MP的特征矩阵且
5a、取出源域RSS的第i行RSS数据xi,剩余RSS数据构成依次取出第一行RSS到第ns行RSS,可以得到用训练一个分类器,则共有ns个分类器,利用这ns个分类器对目标域RSS数据中的第i行RSSxi进行分类,共有ns个分类结果若g1=g2=…=gnum且num/ns≥rate,则xi伪标签为g1,否则其标签为-1;
步骤七、对源域RSS与目标域RSS进行类内迁移,计算使源域RSS与目标域RSS间的最大均值差异(Maximum Mean Discrepancy,MMD)距离最小的迁移矩阵W,具体包括以下步骤:
7a、根据源域RSS与目标域RSS的标签,将源域与目标域中标签相同的RSS分为一类,共分为C类,计算源域RSSxs与目标域RSSxt的MMD距离:
其中,为源域RSS中属于第c类的RSS,为的行数,xi为的第i行元素;为候选RSS中属于第c类的RSS,为的行数,xj为的第j行元素;表示希尔伯特空间,φ(·)表示将原始RSS映射到希尔伯特空间的一个映射;
7c、定义类间MMD矩阵Lc,Lc中的元素定义为:
7d、将源域与目标域RSS的MMD距离改写为
7e、最小化源域RSS与目标域RSS之间的MMD距离:
其中I为单位矩阵,H=I-1/(ns+nt)eeT,e为全1的列向量,tr(WTW)为正则项,控制W的复杂度,WTKHKTW=I用来保持原始数据的特性;
步骤八、用迁移之后的源域RSS(KW的第一行到第ns行RSS)与标签集ys训练一个分类器,然后对迁移之后的目标域RSS(KW的第ns+1行到第nt行RSS)进行分类,得到新的标签集yt。
步骤九、用目标域RSSxt与标签集yt训练一个分类器,然后对剩余RSSxres进行分类,得到标签集yres;将剩余RSSxres加入到目标域RSSxt中,并且将剩余RSS的标签集yres加入到目标域RSS对应的标签集yt中,从而更改目标域
步骤十、重复步骤七与步骤八,得到新的标签集yt。
步骤十一、判断算法是否收敛,若是,则进入步骤十二;若否,则更新目标域,返回步骤十。
步骤十二、算法结束,返回最终目标域RSS对应的标签集yt。
Claims (1)
1.一种基于小样本迭代迁移的室内入侵检测方法,其特征在于:包括以下步骤:
步骤一、选择待检测目标区域,在目标区域中布置m个无线接入点(Access Point,AP)和n个监测点(Monitor Point,MP);
步骤二、构建离线数据库,具体包括以下步骤:
2c、采用窗长为L的滑窗对第 i 个 MP 的 RSS 数据 进行处理,对一个窗长内的RSS数据提取六个特征,分别为均值、方差、最大值、最小值、最大值与最小值的差、滑窗内出现概率最高的值,得到第i个MP的特征矩阵且
步骤四、采集第j个MP的在线RSS数据,其中为在第j个MP接收到的来自第i个AP的RSS数据,采用窗长为L的滑窗对其进行处理,对一个窗长内的数据提取六个特征,分别为均值、方差、最大值、最小值、最大值与最小值的差、滑窗内出现概率最高的值,得到第j个MP的特征矩阵且
5a、取出源域RSS的第i行RSS数据xi,剩余RSS数据构成依次取出第一行RSS到第ns行RSS,可以得到用1≤i≤ns,训练一个分类器,则共有ns个分类器,利用这ns个分类器对目标域RSS数据中的第i行RSSxi进行分类,共有ns个分类结果若g1=g2=…=gnum且num/ns≥rate,则xi伪标签为g1,否则其标签为-1;
步骤七、对源域RSS与目标域RSS进行类内迁移,计算使源域RSS与目标域RSS间的最大均值差异(Maximum Mean Discrepancy,MMD)距离最小的迁移矩阵W,具体包括以下步骤:
7a、根据源域RSS与目标域RSS的标签,将源域与目标域中标签相同的RSS分为一类,共分为C类,计算源域RSSxs与目标域RSSxt的MMD距离:
其中,为源域RSS中属于第c类的RSS,为的行数,xi为的第i行元素;为候选RSS中属于第c类的RSS,为的行数,xj为的第j行元素;表示希尔伯特空间,φ(·)表示将原始RSS映射到希尔伯特空间的一个映射;
7c、定义类间MMD矩阵Lc,Lc中的元素定义为:
7d、将源域与目标域RSS的MMD距离改写为
7e、最小化源域RSS与目标域RSS之间的MMD距离:
其中I为单位矩阵,H=I-1/(ns+nt)eeT,e为全1的列向量,tr(WTW)为正则项,控制W的复杂度,WTKHKTW=I用来保持原始数据的特性;
步骤八、用迁移之后的源域RSS,即KW的第一行到第ns行RSS,与标签集ys训练一个分类器,然后对迁移之后的目标域RSS,即KW的第ns+1行到第nt行RS进行分类,得到新的标签集yt;
步骤九、用目标域RSSxt与标签集yt训练一个分类器,然后对剩余RSSxres进行分类,得到标签集yres;将剩余RSSxres加入到目标域RSSxt中,并且将剩余RSS的标签集yres加入到目标域RSS对应的标签集yt中,从而更改目标域
步骤十、重复步骤七与步骤八,得到新的标签集yt;
步骤十一、判断算法是否收敛,若是,则进入步骤十二;若否,则更新目标域,返回步骤十;
步骤十二、算法结束,返回最终目标域RSS对应的标签集yt。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810766490.4A CN109068349B (zh) | 2018-07-12 | 2018-07-12 | 一种基于小样本迭代迁移的室内入侵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810766490.4A CN109068349B (zh) | 2018-07-12 | 2018-07-12 | 一种基于小样本迭代迁移的室内入侵检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109068349A CN109068349A (zh) | 2018-12-21 |
CN109068349B true CN109068349B (zh) | 2021-08-06 |
Family
ID=64816289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810766490.4A Active CN109068349B (zh) | 2018-07-12 | 2018-07-12 | 一种基于小样本迭代迁移的室内入侵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109068349B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210545B (zh) * | 2019-05-27 | 2022-08-26 | 河海大学 | 基于迁移学习的红外遥感水体分类器构建方法 |
CN110365659B (zh) * | 2019-06-26 | 2020-08-04 | 浙江大学 | 一种小样本场景下的网络入侵检测数据集的构造方法 |
CN110390273A (zh) * | 2019-07-02 | 2019-10-29 | 重庆邮电大学 | 一种基于多核迁移学习的室内人员入侵检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103944887A (zh) * | 2014-03-24 | 2014-07-23 | 西安电子科技大学 | 基于隐条件随机场的入侵事件检测方法 |
CN105303743A (zh) * | 2015-09-15 | 2016-02-03 | 北京腾客科技有限公司 | 基于WiFi的室内入侵检测方法和装置 |
CN105469111A (zh) * | 2015-11-19 | 2016-04-06 | 浙江大学 | 基于改进的mfa和迁移学习的小样本集的物体分类方法 |
CN106570104A (zh) * | 2016-11-01 | 2017-04-19 | 南京理工大学 | 一种流数据的多分区聚类预处理方法 |
CN106953784A (zh) * | 2017-03-17 | 2017-07-14 | 智科达(厦门)科技有限公司 | 一种智能家居中室内环境入侵检测方法及系统 |
CN107480699A (zh) * | 2017-07-13 | 2017-12-15 | 电子科技大学 | 一种基于信道状态信息和支持向量机的入侵检测方法 |
CN107590263A (zh) * | 2017-09-22 | 2018-01-16 | 辽宁工程技术大学 | 一种基于多变量决策树模型的分布式大数据分类方法 |
CN108093406A (zh) * | 2017-11-29 | 2018-05-29 | 重庆邮电大学 | 一种基于集成学习的无线传感网入侵检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140142456A1 (en) * | 2012-04-27 | 2014-05-22 | Control A Plus, LLC | Environmental and patient monitor for providing activity recommendations |
US9584528B2 (en) * | 2012-09-06 | 2017-02-28 | Qualcomm Incorporated | Securing databases against piracy attacks |
US8811614B2 (en) * | 2012-10-16 | 2014-08-19 | The Boeing Company | Space based authentication utilizing signals from low and medium earth orbit |
US20160243388A1 (en) * | 2015-02-19 | 2016-08-25 | Robin Jerry McDaniel | Autonomous fire suppression nozzle |
US9820170B2 (en) * | 2015-04-28 | 2017-11-14 | Verint Americas Inc. | System and method for monitoring wireless communication terminals on multiple frequency channels |
IL248058B (en) * | 2016-09-26 | 2021-04-29 | Verint Systems Ltd | System and method for obtaining an ID of a mobile communication terminal at a checkpoint |
-
2018
- 2018-07-12 CN CN201810766490.4A patent/CN109068349B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103944887A (zh) * | 2014-03-24 | 2014-07-23 | 西安电子科技大学 | 基于隐条件随机场的入侵事件检测方法 |
CN105303743A (zh) * | 2015-09-15 | 2016-02-03 | 北京腾客科技有限公司 | 基于WiFi的室内入侵检测方法和装置 |
CN105469111A (zh) * | 2015-11-19 | 2016-04-06 | 浙江大学 | 基于改进的mfa和迁移学习的小样本集的物体分类方法 |
CN106570104A (zh) * | 2016-11-01 | 2017-04-19 | 南京理工大学 | 一种流数据的多分区聚类预处理方法 |
CN106953784A (zh) * | 2017-03-17 | 2017-07-14 | 智科达(厦门)科技有限公司 | 一种智能家居中室内环境入侵检测方法及系统 |
CN107480699A (zh) * | 2017-07-13 | 2017-12-15 | 电子科技大学 | 一种基于信道状态信息和支持向量机的入侵检测方法 |
CN107590263A (zh) * | 2017-09-22 | 2018-01-16 | 辽宁工程技术大学 | 一种基于多变量决策树模型的分布式大数据分类方法 |
CN108093406A (zh) * | 2017-11-29 | 2018-05-29 | 重庆邮电大学 | 一种基于集成学习的无线传感网入侵检测方法 |
Non-Patent Citations (3)
Title |
---|
A Collaborative Intrusion Detection Model using a novel optimal weight strategy based on Genetic Algorithm for Ensemble Classifier;Shaohua Teng.ect;《Proceedings of the 2018 IEEE 22nd International Conference on Computer Supported Cooperative Work in Design》;20180519;全文 * |
A Parallel Clustering Ensemble Algorithm for Intrusion Detection System;Hongwei Gao.ect;《2010 Ninth International Symposium on Distributed Computing and Applications to Business, Engineering and Science》;20100812;全文 * |
基于小样本标记实例的数据流集成入侵检测模型;俞研, 黄皓;《电子学报》;20070225;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109068349A (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11164329B2 (en) | Multi-channel spatial positioning system | |
CN108921051B (zh) | 基于循环神经网络注意力模型的行人属性识别网络及技术 | |
US10592725B2 (en) | Neural network systems | |
Han et al. | A combined online-learning model with K-means clustering and GRU neural networks for trajectory prediction | |
CN109068349B (zh) | 一种基于小样本迭代迁移的室内入侵检测方法 | |
Cao et al. | Ensemble extreme learning machine and sparse representation classification | |
CN106897681B (zh) | 一种遥感图像对比分析方法及系统 | |
CN106714110A (zh) | 一种Wi‑Fi位置指纹地图自动构建方法及系统 | |
Li et al. | TransLoc: A heterogeneous knowledge transfer framework for fingerprint-based indoor localization | |
CN110072186B (zh) | 基于属性独立的加权朴素贝叶斯室内定位方法 | |
CN104955149B (zh) | 基于模糊规则更新的室内wlan被动入侵检测定位方法 | |
Zhu et al. | Accurate WiFi-based indoor localization by using fuzzy classifier and mlps ensemble in complex environment | |
CN106570490B (zh) | 一种基于快速聚类的行人实时跟踪方法 | |
CN104394588B (zh) | 基于Wi‑Fi指纹和多维尺度分析的室内定位方法 | |
CN111079847A (zh) | 一种基于深度学习的遥感影像自动标注方法 | |
Bahadori et al. | ReWiS: Reliable Wi-Fi sensing through few-shot multi-antenna multi-receiver CSI learning | |
Liu et al. | Analysis and visualization of deep neural networks in device-free Wi-Fi indoor localization | |
Sun et al. | Modeling and recognizing human trajectories with beta process hidden Markov models | |
Inaba et al. | Conversational group detection based on social context using graph clustering algorithm | |
CN110390273A (zh) | 一种基于多核迁移学习的室内人员入侵检测方法 | |
CN113988228A (zh) | 一种基于rfid和视觉融合的室内监控方法及系统 | |
Cui et al. | Semi-supervised deep adversarial forest for cross-environment localization | |
CN113643330A (zh) | 一种基于动态语义特征的目标跟踪方法及系统 | |
Rao et al. | MFFALoc: CSI-Based Multi-Features Fusion Adaptive Device-Free Passive Indoor Fingerprinting Localization | |
Zou et al. | Machine learning empowered occupancy sensing for smart buildings |
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 |