[发明专利]基于模糊规则更新的室内WLAN被动入侵检测定位方法

摘要

本发明请求保护一种基于WLAN的室内被动入侵检测定位方法。这种定位方法相对传统的室内定位方法无需待定位的人或目标携带相关硬件设备且主动参与便可实现定位。由于室内WLAN无线环境下人的出现和运动会引起室内无线信号的反射、散射、绕射等，从而引起信号衰落，使得在室内有人入侵时的无线信号相对无人静默环境下的信号有所变化，于是，利用这种无线信号的变化来检测环境中是否有异常入侵。模糊推理综合利用环境中的无线信号变化特征来训练模糊规则，构建无线信号异常变化特征与位置的映射关系，从而实现对入侵目标的位置估计，并通过设计模糊规则自适应学习算法来适应环境的变化，从而提高了本发明方法的鲁棒性。

主权项

一种基于模糊规则更新的室内WLAN被动入侵检测定位方法，其特征在于，包括以下步骤：步骤一：在无人静默环境下，利用监测设备MP采集环境中来自不同无线接入点AP的信号强度sj,t,，从而采集得到K个数据流Sj＝[sj,1,...,sj,m](j＝1,...,K)，(其中，K为MP数目与AP数目之积，sj,t,(t＝1,...,m)为第j个数据流中第t时刻的信号强度值，m为无人静默环境监测时间长度，且记数据流集合为A＝{S1,...,SK}；步骤二：利用公式(1)所示的滑动窗函数，将数据流Sj划分为m‑1个滑动窗数组，令Wj,t(t＝2,...,m)为第j个数据流在第t时刻的滑动窗数组；Wj,t=[sj,1,...,sj,t]1<t<L[sj,t-L+1,sj,t-L+2,...,sj,t]t≥L---(1)]]>其中，L为最大滑动窗宽度；步骤三：计算t时刻的数据流信号特征Xt＝[x1,t,x2,t,...,xk,t],(t＝2,...,m)，其中，xj,t(j＝1,...,K；t＝2,...,m)为各滑动窗Wj,t中信号强度的方差，其计算过程如公式(2)所示：xj,t=[(sj,1-Σm=1tsj,mt)2+...+(sj,t-Σm=1tsj,mt)2]t1<t<L[(sj,t-L+1-Σm=t-L+1tsj,mL)2+...+(sj,t-Σm=t-L+1tsj,mt)2]LL≤t---(2)]]>步骤四：基于公式(4)的Epanechnikov核函数，得到xj,t的概率密度函数fj(x)(j＝1,...,K)，如公式(3)所示：fj(x)=1m×hjΣt=1mV(x-xj,thj)---(3)]]>其中，hj为核密度估计带宽，其取值根据Scott规则得到，如公式(5)所示，Epanechnikov核函数V的计算表达式如公式(4)所示；hj＝2.345σj×m‑0.2   (5)其中，σj为第j个数据流中所有滑动窗方差xj,t的标准差；步骤五：计算各数据流滑动窗方差的异常判决门限uj(j＝1,...,K)，如公式(6)所示；uj=Fj-1(0.9)---(6)]]>其中，函数为密度函数fj(x)的累积分布函数Fj(x)的逆函数；利用模糊集合“正常”、“异常”、“严重异常”对数据流信号特征xj,t进行划分，且分别用符号A1、A2和A3表示以上三个模糊集合；数据流信号特征xj,t对模糊集合“正常”的隶属度如公式(7)所示，数据流信号特征xj,t对模糊集合“异常”的隶属度如公式(8)所示，其中，数据流信号特征xj,t对模糊集合“严重异常”的隶属度如公式(9)所示，其中，步骤六：利用N组训练数据[Xi,Zi](i＝1,...,N)提取模糊规则，如公式(10)所示；规则Ri：若且…，且则入侵区域为Zi(10)其中，公式(10)中模糊规则分为模糊输入和模糊输出两部分，Xi＝[x1,i,x2,i,...,xK,i](i＝1,...,N)为第i组训练数据的K个数据流信号特征，Zi为第i组训练数据入侵区域，将环境划分为g个区域，且分别用Zone1,...,Zoneg表示，则有Zi∈{Zone1,Zone2,...,Zoneg}，令表示信号特征xj,i所属隶属度最大的模糊集合，即：步骤七：计算步骤六中构建的N个模糊规则的激励强度ωi，如公式(12)；步骤八：计算步骤六中构建的N个规则的置信度CFi，如公式(13)所示；其中，P为N个规则中与规则Ri有相同模糊输入的规则的集合，集合P中有Np个规则，对应的激励强度为C为N个规则中与规则Ri有相同模糊输入和输出的规则的集合，集合C中有NC个规则，对应的激励强度为步骤九：模糊规则合并，对于有相同模糊输入和模糊输出的规则，仅保留最大置信度的那一个规则，构建模糊规则库S的模糊推理系统，其中，模糊规则库S的结构如下：规则1：若且…，且则入侵区域为Z1的置信度为CF1规则2：若且…，且则入侵区域为Z2的置信度为CF2… … …规则N'：若且…，且则入侵区域为ZN'的置信度为CFN'其中，N'为合并后的规则数目，为数据流信号特征xj(j＝1,2,...,K)隶属度最大的模糊集合，即模糊输出Z1,Z2,...,ZN'∈{Zone1,Zone2,...,Zoneg}为入侵区域；步骤十：各MP实时监测环境中的信号数据流；步骤十一：检测动态环境中的数据流集合A＝{S1,...,SK}是否发生因无线接入点增加或故障所引起的数据流集合元素变化，若数据流集合A中的元素发生变化，变化的数据流元素集合记为A',A'＝{S1,...,SK'}，其中，K'为变化后的数据流数目，进入步骤十二，否则，进入步骤十四；步骤十二：记录环境中新出现数据流集合A'的持续时间t，若t超过设定阈值td，则判定环境中的数据流集合发生变化，并进入步骤十三，否则，进入步骤十四；步骤十三：自适应更新模糊规则：对由于无线接入点增加引起的新出现的数据流，即Sj∈A'且的信号特征xj,t将其划分到新的模糊集合无关中，隶属度设为1，模糊集合“无关”用A4表示，即利用公式(3)计算新出现的数据流的信号特征的概率密度函数fj(x)，并利用公式(6)计算新出现的数据流Sj的异常判决门限对由于无线接入点故障引起消失的数据流即Sj∈A且的信号特征xj,t将其模糊划分改为“无关”，其隶属度设为1，即步骤十四：判断动态环境中各数据流的信号特征xj,t(j＝1,2,...,K')是否大于各自对应的异常判决门限若各数据流的信号特征均小于各自的异常判决门限，则判断此时信号特征正常且监测环境中无入侵，进入步骤十五，否则，判断此时信号特征异常且监测环境中有入侵情况出现，进入步骤十六；步骤十五：将正常的数据流信号特征xj,t(j＝1,...,K')代入步骤四、步骤十三中对应的数据流，增加正常信号特征的数目利用公式(3)重新计算各数据流信号特征的概率密度函数，利用公式(6)重新计算异常判决门限并进入步骤十；步骤十六：将步骤十四中判断为异常数据流的信号特征xj,t(j＝1,...,K')进行模糊划分以构建模糊输入，如公式(14)所示：若x1,t是且x2,t是…，且xK',t是其中，xj,t(j＝1,...,K')为各数据流对应的信号特征，为相应的数据流信号特征xj,t隶属度最大的模糊集合；步骤十七：将步骤十六构建的模糊输入和模糊规则库中的规则进行匹配，若模糊规则库中有规则与之匹配，则进入步骤十九，否则，进入步骤十八；步骤十八：设定模糊集合间的距离为：D(“正常”，“异常”)＝1，D(“异常”，“严重异常”)＝1，D(“严重异常”，“无关”)＝1，D(“正常”，“严重异常”)＝2，D(“正常”，“无关”)＝3，D(“异常”，“无关”)＝2，计算Xt＝[x1,t,...,xK',t]构建的模糊输入与规则库S中的规则的相似性，如公式(15)所示；其中，Rq为规则库S中第q个规则，M为规则库S中的规则数目，为步骤十六中对xj,t(j＝1,...,K')划分的模糊集合，v表示隶属度，为规则Rq中第j个数据流信号特征xj,t的最大隶属模糊集合，在M个规则中，找出与步骤十六构建的模糊输入相似性最高的规则Rq'，如公式(16)所示；S(X(t),Rq')≥S(X(t),Rq),(q＝1,...M),q'∈{1,2,...,M}  公式(16)在公式(16)中，Rq'为与异常数据流信号特征构建的模糊输入相似性最高的规则，Rq'的模糊输出为异常数据流信号特征Xt＝[x1,t,x2,t,...,xk',t]对应的入侵检测结果；利用Xt构建的模糊输入与规则Rq'的模糊输出，构建新的模糊规则Rnew，利用规则Rnew扩充模糊规则库S；规则Rnew选为与Xt构建的模糊输入匹配的规则，进入步骤二十；步骤十九：在数据库中选择与Xt构建的模糊输入匹配的所有规则，选择匹配度最高的规则的模糊输出为定位结果；规则匹配度如公式(17)所示；Mq＝ωq×CFq,(q＝1,...,M)  (17)，Mq表示规则匹配度；选择匹配度最大的规则其满足公式(18)；表示最大规则匹配度；规则选为与Xt构建的模糊输入匹配的规则；步骤二十：与Xt构建的模糊输入匹配规则的模糊输出为入侵检测定位结果，输出入侵检测定位结果，并结束入侵检测定位。