一种基于多元信号特征的WLAN室内目标入侵检测方法技术

本发明专利技术本发明专利技术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。本发明专利技术方法能够运用于无线电通信网络环境。

A WLAN indoor target intrusion detection method based on multivariate signal characteristics

The invention provides a method for indoor target intrusion detection based on multi-signal characteristics of WLAN (Wireless Local Area Network). It solves the problem that using the existing WLAN infrastructure to realize the off-line phase of the indoor intrusion detection method for unknown targets requires a lot of manpower and time to build RSS feature database and low intrusion detection robustness. Firstly, a quasi-three-dimensional ray-tracing model based on adaptive depth-ray tree is established to model the propagation characteristics of the received signal Strength (RSS) in silent and intrusive indoor environment. Secondly, an approximation is constructed by combining the six signal characteristics of RSS: mean, variance, maximum, minimum, extreme and median. The training database of Probabilistic Neural Network (PNN); finally, the new collected RSS data are classified and judged by the trained PNN, and then the intrusion detection and region location are realized. The method of the invention can be applied to the radio communication network environment.

【技术实现步骤摘要】
一种基于多元信号特征的WLAN室内目标入侵检测方法技术邻域本专利技术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。
技术介绍
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(GlobalPositioningSystem,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(MovingAverage,MA)和运动方差(MovingVariance,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(NeuralNetwork)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，本专利技术基于现有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(ReceivedSignalStrength,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(GeneticAlgorithm,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(ProbabilisticNeuralNetwork,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。
技术实现思路
本专利技术为了解决利用现有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。本专利技术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。有益效果本专利技术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。本专利技术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为本专利技术的流程图；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，图本文档来自技高网...

【技术保护点】
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(Access Point,AP)和监测点(Monitor Point,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(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＝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(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。...

【技术特征摘要】
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(AccessPoint,AP)和监测点(MonitorPoint,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(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＝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(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。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(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。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。步骤三：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(即相对应的每条射线到达信号场强值)e1，…，eM。步骤四：令k＝1。步骤五：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...

【专利技术属性】
技术研发人员：周牧，林艺馨，谢良波，杨小龙，何维，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50