基于基于WiFi信号的入侵检测机理及实验研究信号的入侵检测机理及实验研究
室内安全关乎人们的生命财产安全, 通过室内入侵检测可以达到预警、避免损失的目的。与常见的入侵检测方法
不同,利用了无线通信信号WiFi的信道状态信息(Channel Status Information,CSI)与人体行为的关联,可以达
到入侵检测的目的。研究了信道冲击响应与信道频率响应及CSI的关系,并利用CSI数据集EHUCOUNT和机器
学习方法仿真验证了CSI与人行为的关联,结果表明6种典型场景下SVM(Support Vector Machine)入侵检测准确
率为93.35%~99.23%;CNN(Convolutional Neural Network)入侵检测准确率为89.17%~99.14%。通过研制的
专用谱传感节点采集WiFi信号进行实际场景测试,证明入侵检测准确率为98%,这表明基于WiFi信号的入侵检
测具有应用价值。
0 引言引言
入侵检测方法包括微波、红外、超声报警器以及雷达和视频监控等
[1-5]
,这些检测方法原理和性能不同,适用于不同的场
所。近年来,由于WiFi基础设施的普及,基于WiFi信号的人体行为感知技术成为研究的热点
[6]
。例如,庞娜等人
[7]
利用CSI进
行异常用户活动检测,周启臻等人
[8]
利用CSI相位差实现了人员入侵检测,DOMENICO S D等人
[9]
从CSI振幅中提取多普勒频
率在穿墙场景下实现了人数检测,Wang Jie等人
[10]
基于经验模式分解从CSI中提取特征实现了人员身份识别,MOORE R等
人
[11]
利用RSSI平均值和方差检测接收机和发射机之间的人员入侵。
2018年2月,SOBRON I等人公开了CSI数据集EHUCOUNT
[12]
,WiFi信号检测机理及应用研究进入了新阶段。本文的主要
工作如下:通过仿真实验进一步验证了子载波的振幅和相位与人行为的关联;采用奇异值分解提取了CSI数据集的特征,并通
过支持向量机(Support Vector Machine,SVM)对特征进行分类,证明6种典型场景下检测率为93.35%~99.23%;基于卷积神
经网络(Convolutional Neural Network,CNN)得到了6种典型场景下检测准确率为89.17%~99.14%;通过研制的专用谱传感
节点采集WiFi信号,实验证明检测准确率为98%。
1 信道状态信息信道状态信息及数据集及数据集
1.1 信道状态信息信道状态信息
在无线信号传输过程中,环境的变化会使无线信道呈现出差异化的特点。人体活动会影响无线信号的多径传输。一般用信
道冲击响应(CIR)对信道的多径效应进行描述,信道冲击响应可表示为
[12]
:
评论0
最新资源