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 PDF

Info

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
Application number
CN201810766490.4A
Other languages
English (en)
Other versions
CN109068349A (zh
Inventor
周牧
李垚鲆
聂伟
谢良波
何维
田增山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201810766490.4A priority Critical patent/CN109068349B/zh
Publication of CN109068349A publication Critical patent/CN109068349A/zh
Application granted granted Critical
Publication of CN109068349B publication Critical patent/CN109068349B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W24/00Supervisory, monitoring or testing arrangements
    • H04W24/08Testing, supervising or monitoring using real traffic
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B17/00Monitoring; Testing
    • H04B17/30Monitoring; Testing of propagation channels
    • H04B17/309Measuring or estimating channel quality parameters
    • H04B17/318Received signal strength
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30Services specially adapted for particular environments, situations or purposes
    • H04W4/33Services 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

一种基于小样本迭代迁移的室内入侵检测方法
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;
步骤三、构建源域
Figure BDA0001728456260000021
其中
Figure BDA0001728456260000022
为特征对应的标签,静默RSS数据对应的标签为0,入侵RSS数据对应的标签为1;
步骤四、采集在线RSS数据Ron=(r1,r2,…,rn),以第j个MP的数据
Figure BDA0001728456260000023
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
Figure BDA0001728456260000024
Figure BDA0001728456260000025
步骤五、对在线采集RSS数据的特征
Figure BDA0001728456260000026
进行初步分类;
步骤六、构建目标域
Figure BDA0001728456260000027
xt=xcan,xcan为候选RSS,
Figure BDA0001728456260000028
为候选RSS对应的伪标签集;
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
Figure BDA00017284562600000210
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)
Figure BDA0001728456260000029
其中
Figure BDA0001728456260000031
(1≤i≤n)表示在第i个MP接收到的来自m个AP的静默RSS,
Figure BDA0001728456260000032
表示在第i个MP接收到的来自第j个AP的静默RSS;
2b、采集入侵RSS数据
Figure BDA0001728456260000033
其中
Figure BDA0001728456260000034
(1≤i≤n)表示在第i个MP接收到的来自m个AP的入侵RSS,
Figure BDA0001728456260000035
表示在第i个MP接收到的来自第j个AP的入侵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
Figure BDA0001728456260000036
Figure BDA0001728456260000037
所述步骤五中,对在线采集数据的特征
Figure BDA0001728456260000038
进行初步分类,包括以下步骤:
5a、取出源域RSS的第i行RSS数据xi,剩余RSS数据构成
Figure BDA0001728456260000039
依次取出第一行RSS到第ns行RSS,可以得到
Figure BDA00017284562600000310
Figure BDA00017284562600000311
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;
5b、标签为-1的RSS为剩余RSS,用
Figure BDA00017284562600000312
表示,其他为候选RSS,用
Figure BDA00017284562600000313
表示,候选RSS对应的伪标签集为
Figure BDA00017284562600000314
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:
Figure BDA00017284562600000315
其中,
Figure BDA00017284562600000316
为源域RSS中属于第c类的RSS,
Figure BDA00017284562600000317
Figure BDA00017284562600000318
的行数,xi
Figure BDA00017284562600000319
的第i行元素;
Figure BDA00017284562600000320
为候选RSS中属于第c类的RSS,
Figure BDA00017284562600000321
Figure BDA00017284562600000322
的行数,xj
Figure BDA00017284562600000323
的第j行元素;
Figure BDA00017284562600000324
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;
7b、定义一个核矩阵
Figure BDA00017284562600000325
Kij=φ(xi)Tφ(xj),其中xi为xs的第i行RSS,xj为xt的第j行RSS;
7c、定义类间MMD矩阵Lc,Lc中的元素定义为:
Figure BDA0001728456260000041
7d、将源域与目标域RSS的MMD距离改写为
Figure BDA0001728456260000042
其中,
Figure BDA0001728456260000043
为迁移矩阵,q<p为迁移之后RSS数据的维度,KW为迁移之后的源域与目标域RSS;
7e、最小化源域RSS与目标域RSS之间的MMD距离:
Figure BDA0001728456260000044
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;
7f、令
Figure BDA0001728456260000045
其中Z为拉格朗日乘子,对上式关于W求偏导并令
Figure BDA0001728456260000046
可得
Figure BDA0001728456260000047
则W即由
Figure BDA0001728456260000048
KHKT的q个非零最小广义特征值所对应的特征向量构成。
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)
Figure BDA0001728456260000051
其中
Figure BDA0001728456260000052
(1≤i≤n)表示在第i个MP接收到的来自m个AP的静默RSS,
Figure BDA0001728456260000053
表示在第i个MP接收到的来自第j个AP的静默RSS;
2b、采集入侵RSS数据
Figure BDA0001728456260000054
其中
Figure BDA0001728456260000055
(1≤i≤n)表示在第i个MP接收到的来自m个AP的入侵RSS,
Figure BDA0001728456260000056
表示在第i个MP接收到的来自第j个AP的入侵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
Figure BDA0001728456260000057
Figure BDA0001728456260000061
步骤三、构建源域
Figure BDA0001728456260000062
其中
Figure BDA0001728456260000063
为特征对应的标签,静默RSS数据对应的标签为0,入侵RSS数据对应的标签为1。
步骤四、采集在线RSS数据Ron=(r1,r2,...,rn),以第j个MP的数据
Figure BDA0001728456260000064
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
Figure BDA0001728456260000065
Figure BDA0001728456260000066
步骤五、对在线采集RSS数据的特征
Figure BDA0001728456260000067
进行初步分类,具体步骤如下:
5a、取出源域RSS的第i行RSS数据xi,剩余RSS数据构成
Figure BDA0001728456260000068
依次取出第一行RSS到第ns行RSS,可以得到
Figure BDA0001728456260000069
Figure BDA00017284562600000610
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
Figure BDA00017284562600000611
若g1=g2=…=gnum且num/ns≥rate,则xi伪标签为g1,否则其标签为-1;
5b、标签为-1的RSS为剩余RSS,用
Figure BDA00017284562600000612
表示,其他为候选RSS,用
Figure BDA00017284562600000613
表示,候选RSS对应的伪标签集为
Figure BDA00017284562600000614
步骤六、构建目标域
Figure BDA00017284562600000615
xt=xcan,xcan为候选RSS,
Figure BDA00017284562600000616
为候选RSS对应的伪标签集。
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:
Figure BDA00017284562600000617
其中,
Figure BDA00017284562600000618
为源域RSS中属于第c类的RSS,
Figure BDA00017284562600000619
Figure BDA00017284562600000620
的行数,xi
Figure BDA00017284562600000621
的第i行元素;
Figure BDA00017284562600000622
为候选RSS中属于第c类的RSS,
Figure BDA00017284562600000623
Figure BDA00017284562600000624
的行数,xj
Figure BDA00017284562600000625
的第j行元素;
Figure BDA00017284562600000626
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;
7b、定义一个核矩阵
Figure BDA0001728456260000071
Kij=φ(xi)Tφ(xj),其中xi为xs的第i行RSS,xj为xt的第j行RSS;
7c、定义类间MMD矩阵Lc,Lc中的元素定义为:
Figure BDA0001728456260000072
7d、将源域与目标域RSS的MMD距离改写为
Figure BDA0001728456260000073
其中,
Figure BDA0001728456260000074
为迁移矩阵,q<p为迁移之后RSS数据的维度,KW为迁移之后的源域与目标域RSS;
7e、最小化源域RSS与目标域RSS之间的MMD距离:
Figure BDA0001728456260000075
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;
7f、令
Figure BDA0001728456260000076
其中Z为拉格朗日乘子,对上式关于W求偏导并令
Figure BDA0001728456260000077
可得
Figure BDA0001728456260000078
则W即由
Figure BDA0001728456260000079
KHKT的q个非零最小广义特征值所对应的特征向量构成。
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
Figure BDA0001728456260000081
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:
2a、采集静默接收信号强度(Received Signal Strength,RSS)
Figure FDA0003121405820000011
其中
Figure FDA0003121405820000012
表示在第i个MP接收到的来自m个AP的静默RSS,
Figure FDA0003121405820000013
表示在第i个MP接收到的来自第j个AP的静默RSS;
2b、采集入侵RSS数据
Figure FDA0003121405820000014
其中
Figure FDA0003121405820000015
表示在第i个MP接收到的来自m个AP的入侵RSS,
Figure FDA0003121405820000016
表示在第i个MP接收到的来自第j个AP的入侵RSS;
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
Figure FDA0003121405820000017
Figure FDA0003121405820000018
步骤三、构建源域
Figure FDA0003121405820000019
其中
Figure FDA00031214058200000110
Figure FDA00031214058200000119
为特征对应的标签,静默RSS数据对应的标签为0,入侵RSS数据对应的标签为1;
步骤四、采集第j个MP的在线RSS数据
Figure FDA00031214058200000111
,其中
Figure FDA00031214058200000112
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
Figure FDA00031214058200000113
Figure FDA00031214058200000114
步骤五、对在线采集RSS数据的特征
Figure FDA00031214058200000115
进行初步分类,具体步骤如下:
5a、取出源域RSS的第i行RSS数据xi,剩余RSS数据构成
Figure FDA00031214058200000116
依次取出第一行RSS到第ns行RSS,可以得到
Figure FDA00031214058200000117
Figure FDA00031214058200000118
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
Figure FDA00031214058200000120
若g1=g2=…=gnum且num/ns≥rate,则xi伪标签为g1,否则其标签为-1;
5b、标签为-1的RSS为剩余RSS,用
Figure FDA0003121405820000021
表示,其他为候选RSS,用
Figure FDA0003121405820000022
表示,候选RSS对应的伪标签集为
Figure FDA0003121405820000023
步骤六、构建目标域
Figure FDA0003121405820000024
xt=xcan,xcan为候选RSS,
Figure FDA0003121405820000025
为候选RSS对应的伪标签集;
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:
Figure FDA0003121405820000026
其中,
Figure FDA0003121405820000027
为源域RSS中属于第c类的RSS,
Figure FDA0003121405820000028
Figure FDA0003121405820000029
的行数,xi
Figure FDA00031214058200000218
的第i行元素;
Figure FDA00031214058200000210
为候选RSS中属于第c类的RSS,
Figure FDA00031214058200000211
Figure FDA00031214058200000212
的行数,xj
Figure FDA00031214058200000213
的第j行元素;
Figure FDA00031214058200000214
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;
7b、定义一个核矩阵
Figure FDA00031214058200000215
Kij=φ(xi)Tφ(xj),其中xi为xs的第i行RSS,xj为xt的第j行RSS;
7c、定义类间MMD矩阵Lc,Lc中的元素定义为:
Figure FDA00031214058200000216
7d、将源域与目标域RSS的MMD距离改写为
Figure FDA00031214058200000217
其中,
Figure FDA0003121405820000031
为迁移矩阵,q<p为迁移之后RSS数据的维度,KW为迁移之后的源域与目标域RSS;
7e、最小化源域RSS与目标域RSS之间的MMD距离:
Figure FDA0003121405820000032
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;
7f、令
Figure FDA0003121405820000033
其中Z为拉格朗日乘子,对上式关于W求偏导并令
Figure FDA0003121405820000034
可得
Figure FDA0003121405820000035
则W即由
Figure FDA0003121405820000036
的q个非零最小广义特征值所对应的特征向量构成;
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
Figure FDA0003121405820000037
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
CN201810766490.4A 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 Active CN109068349B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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