[发明专利]一种基于多元信号特征的WLAN室内目标入侵检测方法

摘要

本发明本发明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。本发明方法能够运用于无线电通信网络环境。

主权项

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。