[發(fā)明專利]一種基于小樣本迭代遷移的室內(nèi)入侵檢測方法

有效

• 申請?zhí)枺?/td>: 201810766490.4
• 申請日: 2018-07-12
• 公開（公告）號(hào): CN109068349B
• 公開（公告）日: 2021-08-06
• 發(fā)明（設(shè)計(jì)）人: 周牧;李垚鲆;聶偉;謝良波;何維;田增山
• 申請（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號(hào): H04W24/08
• 分類號(hào): H04W24/08;H04W4/33;H04B17/318;G06F16/2458;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于小樣本迭代遷移的室內(nèi)入侵檢測方法，其特征在于：包括以下步驟：

步驟一、選擇待檢測目標(biāo)區(qū)域，在目標(biāo)區(qū)域中布置m個(gè)無線接入點(diǎn)(Access Point,AP)和n個(gè)監(jiān)測點(diǎn)(Monitor Point,MP)；

步驟二、構(gòu)建離線數(shù)據(jù)庫，具體包括以下步驟：

2a、采集靜默接收信號(hào)強(qiáng)度(Received Signal Strength,RSS)其中表示在第i個(gè)MP接收到的來自m個(gè)AP的靜默RSS，表示在第i個(gè)MP接收到的來自第j個(gè)AP的靜默RSS；

2b、采集入侵RSS數(shù)據(jù)其中表示在第i個(gè)MP接收到的來自m個(gè)AP的入侵RSS，表示在第i個(gè)MP接收到的來自第j個(gè)AP的入侵RSS；

2c、采用窗長為L的滑窗對第 i 個(gè) MP 的 RSS 數(shù)據(jù) 進(jìn)行處理，對一個(gè)窗長內(nèi)的RSS數(shù)據(jù)提取六個(gè)特征，分別為均值、方差、最大值、最小值、最大值與最小值的差、滑窗內(nèi)出現(xiàn)概率最高的值，得到第i個(gè)MP的特征矩陣且

步驟三、構(gòu)建源域其中為特征對應(yīng)的標(biāo)簽，靜默RSS數(shù)據(jù)對應(yīng)的標(biāo)簽為0，入侵RSS數(shù)據(jù)對應(yīng)的標(biāo)簽為1；

步驟四、采集第j個(gè)MP的在線RSS數(shù)據(jù)，其中為在第j個(gè)MP接收到的來自第i個(gè)AP的RSS數(shù)據(jù)，采用窗長為L的滑窗對其進(jìn)行處理，對一個(gè)窗長內(nèi)的數(shù)據(jù)提取六個(gè)特征，分別為均值、方差、最大值、最小值、最大值與最小值的差、滑窗內(nèi)出現(xiàn)概率最高的值，得到第j個(gè)MP的特征矩陣且

步驟五、對在線采集RSS數(shù)據(jù)的特征進(jìn)行初步分類，具體步驟如下：

5a、取出源域RSS的第i行RSS數(shù)據(jù)x_i，剩余RSS數(shù)據(jù)構(gòu)成依次取出第一行RSS到第n_s行RSS，可以得到用1≤i≤n_s，訓(xùn)練一個(gè)分類器，則共有n_s個(gè)分類器，利用這n_s個(gè)分類器對目標(biāo)域RSS數(shù)據(jù)中的第i行RSSx_i進(jìn)行分類，共有n_s個(gè)分類結(jié)果若g₁＝g₂＝…＝g_num且num/n_s≥rate，則x_i偽標(biāo)簽為g₁，否則其標(biāo)簽為-1；

5b、標(biāo)簽為-1的RSS為剩余RSS，用表示，其他為候選RSS，用表示，候選RSS對應(yīng)的偽標(biāo)簽集為

步驟六、構(gòu)建目標(biāo)域x_t＝x_can，x_can為候選RSS，為候選RSS對應(yīng)的偽標(biāo)簽集；

步驟七、對源域RSS與目標(biāo)域RSS進(jìn)行類內(nèi)遷移，計(jì)算使源域RSS與目標(biāo)域RSS間的最大均值差異(Maximum Mean Discrepancy,MMD)距離最小的遷移矩陣W，具體包括以下步驟：

7a、根據(jù)源域RSS與目標(biāo)域RSS的標(biāo)簽，將源域與目標(biāo)域中標(biāo)簽相同的RSS分為一類，共分為C類，計(jì)算源域RSSx_s與目標(biāo)域RSSx_t的MMD距離：

其中，為源域RSS中屬于第c類的RSS，為的行數(shù)，x_i為的第i行元素；為候選RSS中屬于第c類的RSS，為的行數(shù)，x_j為的第j行元素；表示希爾伯特空間，φ(·)表示將原始RSS映射到希爾伯特空間的一個(gè)映射；

7b、定義一個(gè)核矩陣K_ij＝φ(x_i)^Tφ(x_j)，其中x_i為x_s的第i行RSS，x_j為x_t的第j行RSS；

7c、定義類間MMD矩陣L_c，L_c中的元素定義為：

7d、將源域與目標(biāo)域RSS的MMD距離改寫為

其中，為遷移矩陣，q＜p為遷移之后RSS數(shù)據(jù)的維度，KW為遷移之后的源域與目標(biāo)域RSS；

7e、最小化源域RSS與目標(biāo)域RSS之間的MMD距離：

其中I為單位矩陣，H＝I-1/(n_s+n_t)ee^T，e為全1的列向量，tr(W^TW)為正則項(xiàng)，控制W的復(fù)雜度，W^TKHK^TW＝I用來保持原始數(shù)據(jù)的特性；

7f、令其中Z為拉格朗日乘子，對上式關(guān)于W求偏導(dǎo)并令可得

則W即由的q個(gè)非零最小廣義特征值所對應(yīng)的特征向量構(gòu)成；

步驟八、用遷移之后的源域RSS，即KW的第一行到第n_s行RSS，與標(biāo)簽集y_s訓(xùn)練一個(gè)分類器，然后對遷移之后的目標(biāo)域RSS，即KW的第n_s+1行到第n_t行RS進(jìn)行分類，得到新的標(biāo)簽集y_t；

步驟九、用目標(biāo)域RSSx_t與標(biāo)簽集y_t訓(xùn)練一個(gè)分類器，然后對剩余RSSx_res進(jìn)行分類，得到標(biāo)簽集y_res；將剩余RSSx_res加入到目標(biāo)域RSSx_t中，并且將剩余RSS的標(biāo)簽集y_res加入到目標(biāo)域RSS對應(yīng)的標(biāo)簽集y_t中，從而更改目標(biāo)域

步驟十、重復(fù)步驟七與步驟八，得到新的標(biāo)簽集y_t；

步驟十一、判斷算法是否收斂，若是，則進(jìn)入步驟十二；若否，則更新目標(biāo)域，返回步驟十；

步驟十二、算法結(jié)束，返回最終目標(biāo)域RSS對應(yīng)的標(biāo)簽集y_t。