CN111915830A - 一种基于csi信号稀疏表示的室内入侵检测方法 - Google Patents
一种基于csi信号稀疏表示的室内入侵检测方法 Download PDFInfo
- Publication number
- CN111915830A CN111915830A CN202010724121.6A CN202010724121A CN111915830A CN 111915830 A CN111915830 A CN 111915830A CN 202010724121 A CN202010724121 A CN 202010724121A CN 111915830 A CN111915830 A CN 111915830A
- Authority
- CN
- China
- Prior art keywords
- csi
- window
- signal
- indoor
- single snapshot
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/22—Electrical actuation
- G08B13/24—Electrical actuation by interference with electromagnetic field distribution
- G08B13/2491—Intrusion detection systems, i.e. where the body of an intruder causes the interference with the electromagnetic field
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于CSI信号稀疏表示的室内入侵检测方法,涉及室内入侵检测技术领域。该方法通过多个时间窗口记录M个天线线阵上的T次快拍CSI数据;对每个窗口的每次单快拍CSI数据进行数学分解,并定义过完备字典D;运用松弛算法分别求解每个时间窗口的T次快拍CSI数据在过完备字典D下的最优稀疏表示,得到最优稀疏表示下的稀疏系数,提取每次快拍的稀疏系数所对应的信号到达角作为信号的特征信息,最终在一个时间窗口内得到T个信号到达角;计算每个时间窗口内T个信号到达角的最大幅度,并设置阈值,对每个窗口时间段的室内安全指数ISIN进行评估,进而实现对每个窗口时间段内的室内环境是否存在入侵行为进行判别。
Description
技术领域
本发明涉及室内入侵检测技术领域,尤其涉及一种基于CSI信号稀疏表示的室内入侵检测方法。
背景技术
入侵检测技术能够实时地对特定区域进行监控,通过对计算机采集的数据进行分析来检测是否有非法入侵的情况发生,如果存在异常情况就会发出警报通知。传统的入侵检测技术基于计算机视觉、红外线、超宽带或雷达等;传统的方法都获得了令人满意的性能并被广泛采用,但大多数方法都是侵入性的,存在一定的局限性,需要特定的传感设备,适用场景单一,从而引发隐私和部署成本等问题。随着无线保真(WirelessFidelity,即WiFi)设备在各种场所的普及部署,室内工作生活环境大多已经覆盖无线局域网(WirelessLocal Area Network,即WLAN),通过分析人员入侵活动对无线信道的影响可以达到被动式人员入侵的检测,基于WiFi信号的人体行为感知技术成为研究的热点。
早期的利用WiFi实现入侵检测的技术通常采用基于接收信号强度指示(ReceivedSignal Strength Indicator,即RSSI),但是在室内环境高动态复杂的情况下,RSSI具有粗粒度性和不稳定性的缺点,会导致入侵检测结果不准确。因此,随着正交频分复用技术(Orthogonal Frequency Division Multiplexing,即OFDM)在无线局域网中更广泛的运用,研究者开始探索更细粒度的信号特征,利用来自于PHY(Port Physical Layer)层的无线信道状态信息(Channel Status Information,即CSI)进行入侵检测的研究工作。CSI是OFDM技术下的信道状态指示参量,对无线信号在多径传播下发生的反射、衍射和散射现象表现地更加敏感,以多层子载波数据的形式保留了由多径效应而产生的信道信息。Li等人利用商品WiFi设备的细粒度信道状态信息(Channel State Information,即CSI)设计并实现了一种自适应的、鲁棒的人类入侵检测系统AR-Alarm。刘云浩等人介绍并分析了WiFi信号的CSI,通过细粒度的CSI实现动作识别、呼吸检测、室内定位等。但此两种入侵检测技术都需要在离线状态下做大量的训练。周健采用CSI幅值方差作为识别动静环境的特征值,设置连续二次窗口并用阈值法综合判断当前室内状态,减轻了系统误报的情况。但是基于统计知识获得的CSI特征受环境变化的影响比较大,在不同的感知环境需要基于CSI幅度和相位选择不同的特征值和阈值,在检测过程中需要人为设定参数。
综上所述,基于特征库匹配的室内入侵检测及方法需要人工采集环境特征和大量离线训练,环境中存在的噪声会使特征库在环境变化时失效,需要重新采集和训练的成本过高。由于待检测的环境状态和CSI统计特征信号之间存在稳定的对应关系,在不同感知环境下的特征变化程度不同,为保证检测的准确性,需要基于CSI幅度和相位人为地选择和设定不同的特征值和阈值,需要人为干预并且计算量大。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种基于CSI信号稀疏表示的室内入侵检测方法,克服现有技术中存在的成本高、人为干预多、计算量大的缺陷和问题,实现运用同一个特征参数对不同的感知环境中入侵行为的准确检测。
为解决上述技术问题,本发明所采取的技术方案是:一种基于CSI信号稀疏表示的室内入侵检测方法,包括以下步骤:
步骤1:在室内环境中布置1个发射天线和M个等间距分布的接收天线线阵,设定大小为T的时间窗口记录这M个天线线阵上的T次快拍CSI数据,连续记录t个时间窗口;
第t个大小为T的时间窗口所记录的CSI数据为T×M维的CSI矩阵其中,CSIt为第t个时间窗口下T次快拍的CSI数据,Hg为第g次的单快拍CSI数据,g=1,2,…,T,hTM为第T次单快拍时第M条天线接收到的CSI数据;
所述第g次的单快拍CSI数据Hg为1×M维的CSI矩阵Hg=(hg,1,…,hg,M),其中,hg,M为第g次单快拍时第M条天线接收到的CSI数据;
步骤2:对每个窗口的每次单快拍CSI数据进行数学分解,并通过信号稀疏表示的方法定义入射信号的过完备字典D;
步骤2.1:对每个窗口的每次单快拍CSI数据进行数学分解;
设定有K个远场窄带信号入射到M个接收天线组成的全方向阵列、阵元间距为d的理想均匀线阵上,则第g次单快拍时第M个阵元接收到的CSI数据hg,M如下公式所示:
其中,sg,M为第g次单快拍时第M条接收天线上接收的无噪声的入射信号信道状态,ng,M为第g次单快拍时第M条天线上的环境噪声,θi为第i个入射信号的入射角,i=1,2,…,K,λ为入射信号波长,j为复数单位;
在式(1)中,hg,M,d,λ,K为已知参数,sg,M,θi,ng,M为未知参数,则接收天线线阵上第t个时间窗口第g次单快拍CSI数据Hg分解为如下公式所示:
Hg=SgA(θ)+Ng (2)
其中,Sg=[sg,1,sg,2,…,sg,K]为第g次单快拍的1×K维的入射信号信道状态矩阵,A(θ)=[a(θ1),a(θ2),…,a(θK)]T为K×M维的导向矢量矩阵,为1×M维的阵列流型矩阵,Ng=[ng,1,ng,2,…,ng,M]为第g次单快拍的1×M维的噪声矢量;
步骤2.2:定义1×E维的入射信号的过完备字典D=[a(θ1),a(θ2),…,a(θE)],其中,θE表示K个远场窄带信号的可能入射方向,E表示可能入射方向数,且E>K;
步骤3:运用松弛算法分别求解每个时间窗口的T次快拍CSI数据在过完备字典D下的最优稀疏表示,得到最优稀疏表示下的稀疏系数,提取每次快拍的稀疏系数所对应的信号到达角(Direction of Arrival,即DOA)作为信号的特征信息,最终在一个时间窗口内得到T个信号到达角;
步骤3.1:将每次单快拍CSI数据在过完备字典D下进行稀疏表示;
第g次单快拍CSI数据Hg在过完备字典D下进行稀疏表示,如下公式所示:
Hg=DXg+Ng (3)
其中,Xg为第g次单快拍的E×1维的稀疏系数,Xg中有K个非零系数对应于K个入射信号的角度信息;
步骤3.2:运用松弛算法,用l1范数对信道稀疏性进行约束,并设定其目标函数,求得目标函数的全局最优解即为稀疏系数;
第g次单快拍时对信道稀疏性进行约束的目标函数如下公式所示:
其中,β表示用于均衡稀疏性和噪声误差的正则化参数,求得该目标函数的全局最优解即为第g次单快拍的稀疏系数Xg;
步骤3.3:选取每次单快拍的稀疏系数中非零系数所对应的幅值最大值作为该次单快拍时入射信号的最佳到达角,即入射信号的特征信息,则最终在一个大小为T的时间窗口内通过T次单快拍共得到T个信号到达角;
步骤4:计算每个时间窗口内T个信号到达角的最大幅度,并设置阈值μ,比较前后相邻两个大小为T的时间窗口的最大幅度与阈值的大小关系,对每个窗口时间段的室内安全指数(Indoor Safety Index Number,即ISIN)进行评估;
步骤4.1:计算每个时间窗口内T个信号到达角的最大幅度;
一个时间窗口内T个信号到达角的最大幅度为该时间窗口内信号到达角的最大值和最小值的差值,如下公式所示:
Rt=doat,max-doat,min (5)
其中,Rt为第t个大小为T的时间窗口内T个信号到达角的最大幅度,doat,max、doat,min分别为第t个大小为T的时间窗口内最大和最小的信号到达角值;
步骤4.2:设置安全阈值μ,评估第t个窗口时间段的室内安全指数ISINt;
当t=1时,如果R1≤μ,ISIN1为100;如果R1>μ,ISIN1为50;
当t>1时,如果Rt≤μ,ISINt为100;如果Rt>μ且Rt-1>μ,ISINt为0;否则ISINt为50;其中,Rt-1为Rt前一个大小为T的时间窗口内T个信号到达角的最大幅度;
步骤5:根据每个窗口时间段的室内安全指数ISIN大小对每个窗口时间段内的室内环境是否存在入侵行为进行判别;
根据室内安全指数ISIN,将室内安全分为安全、预警和危险三种情况;当ISINt为100时,则第t个窗口时间段内室内环境处于安全状态,无入侵行为发生;当ISINt为0时,第t个窗口时间段内室内环境处于危险状态,有入侵行为的发生;当ISINt为50时,第t个窗口时间段内室内环境处于预警状态,此时需进行风险预警。
采用上述技术方案所产生的有益效果在于:本发明提供的一种基于CSI信号稀疏表示的室内入侵检测方法,采用CSI信号稀疏表示得到的无线信号的DOA特征,从数据层面为最终的室内安全检测结果提供了可靠的特征参数,比原始的CSI统计特征更具有鲁棒性,避免了环境变化和随机噪声对统计特征值的影响,解决了环境布局变化时识别准确率下降的问题,达到运用同一个特征参数在不同的感知环境中实现实时的入侵检测的目的。采用估计ISIN的方法判断室内情况,可以避免基于机器学习的离线训练过程,进而减少工作量和布置成本。
附图说明
图1为本发明实施例提供的一种基于CSI信号稀疏表示的室内入侵检测方法的过程示意图;
图2为本发明实施例提供的一种基于CSI信号稀疏表示的室内入侵检测方法的流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例中,一种基于CSI信号稀疏表示的室内入侵检测方法,如图1、2所示,包括以下步骤:
步骤1:在室内环境中布置1个发射天线和M个等间距分布的接收天线线阵,设定大小为T的时间窗口记录这M个天线线阵上的T次快拍CSI数据,连续记录t个窗口;
第t个大小为T的时间窗口所记录的CSI数据为T×M维的CSI矩阵其中,CSIt为第t个时间窗口下T次快拍的CSI数据,Hg为第g次的单快拍CSI数据,g=1,2,…,T,hTM为第T次单快拍第M条天线接收到的CSI数据;
第g次的单快拍CSI数据Hg为1×M维的CSI矩阵Hg=(hg,1,…,hg,M),其中,hg,M为第g次单快拍时第M条天线接收到的CSI数据;
本实施例中,在室内环境中布置1个发射天线和3个等间距分布的接收天线线阵,采样频率为10HZ,设定大小为10的时间窗口记录这3个天线线阵上的10次快拍CSI数据,连续记录60个时间窗口;第一次单快拍CSI数据为1×3维的CSI矩阵H1=(h1,…,h3),h3为第3条天线接收到的CSI数据;第t个大小为10的时间窗口所记录的CSI数据为10×3维的CSI矩阵其中,CSIt为第t个时间窗口下10次快拍的CSI数据,Hg为第g次的单快拍CSI数据,g=1,2,…,10,h103为第10次快拍第3条天线接收到的CSI数据;
步骤2:对每个窗口的每次单快拍CSI数据进行数学分解,并通过信号稀疏表示的方法定义入射信号的过完备字典D;
步骤2.1:对每个窗口的每次单快拍CSI数据进行数学分解;
设定发射天线发射K个远场窄带信号入射到M个接收天线组成的全方向阵列、阵元间距为d的理想均匀线阵上,则第g次单快拍时第M个阵元接收到的CSI数据hg,M如下公式所示:
其中,sg,M为第g次单快拍时第M条接收天线上接收的无噪声的入射信号信道状态,ng,M为第g次单快拍时第M条天线上的环境噪声,θi为第i个入射信号的入射角,i=1,2,…,K,λ为入射信号波长,j为复数单位;
在式(1)中,hg,M,d,λ,K为已知参数,sg,M,θi,ng,M为未知参数,则将接收天线线阵上第t个时间窗口第g次单快拍CSI数据Hg分解为如下公式所示:
Hg=SgA(θ)+Ng (2)
其中,Sg=[sg,1,sg,2,…,sg,K]为第g次单快拍的1×K维的入射信号信道状态矩阵,A(θ)=[a(θ1),a(θ2),…,a(θK)]T为K×M维的导向矢量矩阵,为1×M维的阵列流型矩阵,Ng=[ng,1,ng,2,…,ng,M]为第g次单快拍的1×M维的噪声矢量;
本实施例中,设定发射天线发射2个远场窄带信号入射到3个接收天线组成的全方向阵列、阵元间距为0.06m的理想均匀线阵上,则第g次单快拍时第3个阵元接收到的CSI数据表示为:
其中,sg,3为第g次单快拍时第3条接收天线上无噪声的信道状态;ng,3为第g次单快拍时第3条天线上的环境噪声;θi为第i个入射信号的入射角,i=1,2;0.12为入射信号波长,单位为m;
上述公式中,hg,3,0.06,0.12,2为已知参数,sg,3,θi,n3为未知参数,所以第g次单快拍CSI数据Hg可分解为:
Hg=SgA(θ)+Ng
其中,Sg=[sg,1,sg,2]为第g次单快拍的1×2维的入射信号信道状态矩阵;A(θ)=[a(θ1),a(θ2)]T为2×3维的导向矢量矩阵;为1×3维的阵列流型矩阵;Ng=[ng,1,ng,2,ng,3]为第g次单快拍的1×3维的噪声矢量;
步骤2.2:定义1×E维的入射信号的过完备字典D=[a(θ1),a(θ2),…,a(θE)],其中,θE表示K个远场窄带信号的可能入射方向,E表示可能入射方向数,且E>K;
本实施例中,用角度字典代表181个入射波信号的可能方向(-90°~90°),定义1×181维的入射信号的过完备字典D=[a(θ1),a(θ2),…,a(θ181)];
步骤3:运用松弛算法分别求解每个时间窗口的T次快拍CSI数据在过完备字典D下的最优稀疏表示,得到最优稀疏表示下的稀疏系数,提取每次快拍的稀疏系数所对应的信号到达角(Direction of Arrival,即DOA)作为信号的特征信息,最终在一个时间窗口内得到T个信号到达角;
步骤3.1:将每次单快拍CSI数据在过完备字典D下进行稀疏表示;
第g次单快拍CSI数据Hg在过完备字典D下进行稀疏表示,如下公式所示:
Hg=DXg+Ng (3)
其中,Xg为第g次单快拍的E×1维的稀疏系数,Xg中有K个非零系数对应于K个入射信号的角度信息;
步骤3.2:运用松弛算法,用l1范数对信道稀疏性进行约束,并设定其目标函数,求得目标函数的全局最优解即为稀疏系数;
第g次单快拍时对信道稀疏性进行约束的目标函数如下公式所示:
其中,β表示用于均衡稀疏性和噪声误差的正则化参数,求得该目标函数的全局最优解即为第g次单快拍的稀疏系数Xg;
步骤3.3:选取每次单快拍的稀疏系数中非零系数所对应的幅值最大值作为该次单快拍时入射信号的最佳到达角,即入射信号的特征信息,则最终在一个大小为T的时间窗口内共有T个信号到达角;
本实施例中,运用松弛算法分别求解10次快拍的CSI数据在过完备字典D下的最优稀疏表示,得到最优稀疏表示下的稀疏系数,提取每次单快拍的稀疏系数所对应的信号到达角作为入射信号的特征信息,最终在一个时间窗口内共有10个信号到达角。本实施例中,设定用于均衡稀疏性和噪声误差的正则化参数β=2。
步骤4:计算一个时间窗口内T个信号到达角的最大幅度,并设置阈值μ,比较前后相邻两个大小为T的时间窗口的最大幅度与阈值大小关系,对室内安全指数(IndoorSafety Index Number,即ISIN)进行评估;
步骤4.1:计算每个时间窗口内T个信号到达角的最大幅度;
一个时间窗口内T个信号到达角的最大幅度为该时间窗口内信号到达角的最大值和最小值的差值,如下公式所示:
Rt=doat,max-doat,min (5)
其中,Rt为第t个大小为T的时间窗口内T个信号到达角的最大幅度,doat,max、doat,min分别为第t个大小为T的时间窗口内最大和最小的信号到达角值;
本实施例中,第39个时间窗口内得到的10个信号到达角为doa39=[17,18,21,22,20,19,18,18,17,18],doa39,max=22,doa39,min=17,所以第39个时间窗口的10个信号到达角的最大幅度R39=22-17=5。第40个时间窗口内得到的10个信号到达角为doa40=[18,19,20,20,19,18,19,19,20,20],doa40,max=20,doa40,min=18,所以第40个时间窗口的10个信号到达角的最大幅度R40=20-18=2。
步骤4.2:设置安全阈值μ,评估第t个窗口时间段的室内安全指数ISINt;
当t=1时,如果R1≤μ,ISIN1为100;如果R1>μ,ISIN1为50;
当t>1时,如果Rt≤μ,ISINt为100;如果Rt>μ且Rt-1>μ,ISINt为0;否则ISINt为50;其中,Rt-1为Rt前一个大小为T的时间窗口内T个信号到达角的最大幅度;
本实施例中,设置安全阈值μ=1,当t=40时,R40=2>μ且R39=5>μ,所以ISIN40为0。
步骤5:根据每个窗口时间段内的室内安全指数ISIN大小对每个窗口时间段内的室内环境是否存在入侵行为进行判别;
根据室内安全指数ISIN,将室内安全分为安全、预警和危险三种情况;当ISINt为100时,则第t个窗口时间段内室内环境处于安全状态,无入侵行为发生;当ISINt为0时,第t个窗口时间段内室内环境处于危险状态,有入侵行为的发生;当ISINt为50时,第t个窗口时间段内室内环境处于预警状态,此时需进行风险预警。
本实施例中,第40个窗口时间段的室内安全指数ISIN40为0,则第40个窗口时间段内室内环境处于危险状态,有入侵行为的发生。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (6)
1.一种基于CSI信号稀疏表示的室内入侵检测方法,其特征在于:包括以下步骤:
步骤1:在室内环境中布置1个发射天线和M个等间距分布的接收天线线阵,设定大小为T的时间窗口记录这M个天线线阵上的T次快拍CSI数据,连续记录t个时间窗口;
步骤2:对每个窗口的每次单快拍CSI数据进行数学分解,并通过信号稀疏表示的方法定义入射信号的过完备字典D;
步骤3:运用松弛算法分别求解每个时间窗口的T次快拍CSI数据在过完备字典D下的最优稀疏表示,得到最优稀疏表示下的稀疏系数,提取每次快拍的稀疏系数所对应的信号到达角作为信号的特征信息,最终在一个时间窗口内得到T个信号到达角;
步骤4:计算每个时间窗口内T个信号到达角的最大幅度,并设置阈值μ,比较前后相邻两个大小为T的时间窗口的最大幅度与阈值的大小关系,对每个窗口时间段的室内安全指数ISIN进行评估;
步骤5:根据每个窗口时间段的室内安全指数ISIN大小对每个窗口时间段内的室内环境是否存在入侵行为进行判别。
3.根据权利要求2所述的一种基于CSI信号稀疏表示的室内入侵检测方法,其特征在于:所述步骤2的具体方法为:
步骤2.1:对每个窗口的每次单快拍CSI数据进行数学分解;
设定发射天线发射K个远场窄带信号入射到M个接收天线组成的全方向阵列、阵元间距为d的理想均匀线阵上,则第g次单快拍时第M个阵元接收到的CSI数据hg,M如下公式所示:
其中,sg,M为第g次单快拍时第M条接收天线上接收的无噪声的入射信号信道状态,ng,M为第g次单快拍时第M条天线上的环境噪声,θi为第i个入射信号的入射角,i=1,2,…,K,λ为入射信号波长,j为复数单位;
在式(1)中,hg,M,d,λ,K为已知参数,sg,M,θi,ng,M为未知参数,则接收天线线阵上第t个时间窗口第g次单快拍CSI数据Hg分解为如下公式所示:
Hg=SgA(θ)+Ng (2)
其中,Sg=[sg,1,sg,2,…,sg,K]为第g次单快拍的1×K维的入射信号信道状态矩阵,A(θ)=[a(θ1),a(θ2),…,a(θK)]T为K×M维的导向矢量矩阵,为1×M维的阵列流型矩阵,Ng=[ng,1,ng,2,…,ng,M]为第g次单快拍的1×M维的噪声矢量;
步骤2.2:定义1×E维的入射信号的过完备字典D=[a(θ1),a(θ2),…,a(θE)],其中,θE表示K个远场窄带信号的可能入射方向,E表示可能入射方向数,且E>K。
4.根据权利要求3所述的一种基于CSI信号稀疏表示的室内入侵检测方法,其特征在于:所述步骤3的具体方法为:
步骤3.1:将每次单快拍CSI数据在过完备字典D下进行稀疏表示;
第g次单快拍CSI数据Hg在过完备字典D下进行稀疏表示,如下公式所示:
Hg=DXg+Ng (3)
其中,Xg为第g次单快拍的E×1维的稀疏系数,Xg中有K个非零系数对应于K个入射信号的角度信息;
步骤3.2:运用松弛算法,用l1范数对信道稀疏性进行约束,并设定其目标函数,求得目标函数的全局最优解即为稀疏系数;
第g次单快拍时对信道稀疏性进行约束的目标函数如下公式所示:
其中,β表示用于均衡稀疏性和噪声误差的正则化参数,求得该目标函数的全局最优解即为第g次单快拍的稀疏系数Xg;
步骤3.3:选取每次单快拍的稀疏系数中非零系数所对应的幅值最大值作为该次单快拍时入射信号的最佳到达角,即入射信号的特征信息,则最终在一个大小为T的时间窗口内通过T次单快拍共得到T个信号到达角。
5.根据权利要求4所述的一种基于CSI信号稀疏表示的室内入侵检测方法,其特征在于:所述步骤4的具体方法为:
步骤4.1:计算每个时间窗口内T个信号到达角的最大幅度;
一个时间窗口内T个信号到达角的最大幅度为该时间窗口内信号到达角的最大值和最小值的差值,如下公式所示:
Rt=doat,max-doat,min (5)
其中,Rt为第t个大小为T的时间窗口内T个信号到达角的最大幅度,doat,max、doat,min分别为第t个大小为T的时间窗口内最大和最小的信号到达角值;
步骤4.2:设置安全阈值μ,评估第t个窗口时间段的室内安全指数ISINt;
当t=1时,如果R1≤μ,ISIN1为100;如果R1>μ,ISIN1为50;
当t>1时,如果Rt≤μ,ISINt为100;如果Rt>μ且Rt-1>μ,ISINt为0;否则ISINt为50;其中,Rt-1为Rt前一个大小为T的时间窗口内T个信号到达角的最大幅度。
6.根据权利要求5所述的一种基于CSI信号稀疏表示的室内入侵检测方法,其特征在于:所述步骤5的具体方法为:
根据室内安全指数ISIN,将室内安全分为安全、预警和危险三种情况;当ISINt为100时,则第t个窗口时间段内室内环境处于安全状态,无入侵行为发生;当ISINt为0时,第t个窗口时间段内室内环境处于危险状态,有入侵行为的发生;当ISINt为50时,第t个窗口时间段内室内环境处于预警状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010724121.6A CN111915830B (zh) | 2020-07-24 | 2020-07-24 | 一种基于csi信号稀疏表示的室内入侵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010724121.6A CN111915830B (zh) | 2020-07-24 | 2020-07-24 | 一种基于csi信号稀疏表示的室内入侵检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111915830A true CN111915830A (zh) | 2020-11-10 |
CN111915830B CN111915830B (zh) | 2022-01-25 |
Family
ID=73280461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010724121.6A Active CN111915830B (zh) | 2020-07-24 | 2020-07-24 | 一种基于csi信号稀疏表示的室内入侵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915830B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113260044A (zh) * | 2021-04-12 | 2021-08-13 | 北京邮电大学 | 基于双层字典学习的csi指纹定位方法、装置及设备 |
WO2023138253A1 (zh) * | 2022-01-20 | 2023-07-27 | 大唐移动通信设备有限公司 | 检测方法及通信设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105846879A (zh) * | 2016-06-20 | 2016-08-10 | 电子科技大学 | 一种在毫米波预编码系统中的迭代波束成形方法 |
US20180183650A1 (en) * | 2012-12-05 | 2018-06-28 | Origin Wireless, Inc. | Method, apparatus, and system for object tracking and navigation |
CN108353081A (zh) * | 2015-09-28 | 2018-07-31 | 13部门有限公司 | 无人机入侵检测和对抗 |
CN109698724A (zh) * | 2017-10-24 | 2019-04-30 | 中国移动通信集团安徽有限公司 | 入侵检测方法、装置、设备及存储介质 |
CN110109051A (zh) * | 2019-04-09 | 2019-08-09 | 天津大学 | 基于频控阵的互耦阵列doa估计方法 |
CN110531309A (zh) * | 2019-06-17 | 2019-12-03 | 东南大学 | 存在幅相误差时基于原子范数的相关信号到达角估计方法 |
CN111405457A (zh) * | 2018-12-29 | 2020-07-10 | 华为技术有限公司 | 位置感知方法和装置以及定位方法和装置 |
-
2020
- 2020-07-24 CN CN202010724121.6A patent/CN111915830B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180183650A1 (en) * | 2012-12-05 | 2018-06-28 | Origin Wireless, Inc. | Method, apparatus, and system for object tracking and navigation |
CN108353081A (zh) * | 2015-09-28 | 2018-07-31 | 13部门有限公司 | 无人机入侵检测和对抗 |
CN105846879A (zh) * | 2016-06-20 | 2016-08-10 | 电子科技大学 | 一种在毫米波预编码系统中的迭代波束成形方法 |
CN109698724A (zh) * | 2017-10-24 | 2019-04-30 | 中国移动通信集团安徽有限公司 | 入侵检测方法、装置、设备及存储介质 |
CN111405457A (zh) * | 2018-12-29 | 2020-07-10 | 华为技术有限公司 | 位置感知方法和装置以及定位方法和装置 |
CN110109051A (zh) * | 2019-04-09 | 2019-08-09 | 天津大学 | 基于频控阵的互耦阵列doa估计方法 |
CN110531309A (zh) * | 2019-06-17 | 2019-12-03 | 东南大学 | 存在幅相误差时基于原子范数的相关信号到达角估计方法 |
Non-Patent Citations (2)
Title |
---|
DMITRY MALIOUTOV: "A Sparse Signal Reconstruction Perspective for Source Localization With Sensor Arrays", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 * |
周健: "无线感知网络中基于CSI的室内入侵检测与行为识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113260044A (zh) * | 2021-04-12 | 2021-08-13 | 北京邮电大学 | 基于双层字典学习的csi指纹定位方法、装置及设备 |
CN113260044B (zh) * | 2021-04-12 | 2022-04-05 | 北京邮电大学 | 基于双层字典学习的csi指纹定位方法、装置及设备 |
WO2023138253A1 (zh) * | 2022-01-20 | 2023-07-27 | 大唐移动通信设备有限公司 | 检测方法及通信设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111915830B (zh) | 2022-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11902857B2 (en) | Handling concept drift in Wi-Fi-based localization | |
CN111915830B (zh) | 一种基于csi信号稀疏表示的室内入侵检测方法 | |
Yang et al. | Wi-Wheat: Contact-free wheat moisture detection with commodity WiFi | |
EP2517037B1 (fr) | Procede pour estimer le nombre de sources incidentes a un reseau de capteurs par estimation de la statistique du bruit | |
CN107884751A (zh) | 一种利用单通道接收信号作信源数目估计的方法 | |
Klausner et al. | Performance prediction and estimation for underwater target detection using multichannel sonar | |
CN112034433B (zh) | 一种基于干扰信号重构的穿墙无源移动目标检测方法 | |
CN110751087A (zh) | 一种基于eof的无人机信号识别系统和方法 | |
Chen et al. | A novel scheme for extracting sea surface wind information from rain-contaminated x-band marine radar images | |
Taylor et al. | Detection of short time transients from spectrograms using scan statistics | |
Liu et al. | L1-subspace tracking for streaming data | |
Wang et al. | A robust constant false alarm rate detector based on the Bayesian estimator for the non-homogeneous Weibull clutter in HFSWR | |
EP0535570B1 (en) | Transient detection processing, especially underwater acoustic signal recognition | |
Alqahtani et al. | A novel decentralized analytical methodology for cyber physical networks attack detection | |
Weinberg et al. | A Bayesian-based CFAR detector for Pareto type II clutter | |
Chen et al. | S 3 t: A score statistic for spatiotemporal change point detection | |
Mahgoun et al. | The combination of singular values decomposition with constant false alarm algorithms to enhance ship detection in a polarimetric SAR application | |
CN115032623A (zh) | 子空间信号失配时双参数加权的扩展目标检测方法与系统 | |
US10891318B2 (en) | Temporal logic fusion of real time data | |
Xie et al. | Ship detection in SAR images via Kullback-Leibler divergence-Based matrix information geometry detector | |
CN112596036B (zh) | 一种冲击噪声下mimo雷达阵列的诊断方法 | |
Nascimento et al. | Divergence-based tests for the bivariate gamma distribution applied to polarimetric synthetic aperture radar | |
Comas et al. | A second-order test to detect spatio-temporal anisotropic effects in point patterns | |
Bouhlel et al. | Multivariate Statistical Modeling for Multitemporal SAR Change Detection Using Wavelet Transforms and Integrating Subband Dependencies | |
CN114781152B (zh) | 一种基于阵列因子特征的伪目标辐射源判别方法及系统 |
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 |