CN107025747B - 空时二维信息融合的智能家居入侵检测***及检测方法 - Google Patents
空时二维信息融合的智能家居入侵检测***及检测方法 Download PDFInfo
- Publication number
- CN107025747B CN107025747B CN201710396810.7A CN201710396810A CN107025747B CN 107025747 B CN107025747 B CN 107025747B CN 201710396810 A CN201710396810 A CN 201710396810A CN 107025747 B CN107025747 B CN 107025747B
- Authority
- CN
- China
- Prior art keywords
- evidence
- time
- fusion
- sensor
- intrusion detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 89
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000010365 information processing Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000009545 invasion Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/183—Single detectors using dual technologies
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种空时二维信息融合的智能家居入侵检测***的入侵检测方法,其特征是,包括如下步骤:1)得到证据集E1;2)得到证据集E2;3)融合;4)判断;5)处理:如融合结果小于阈值,则返回步骤1);如融合结果大于或等于阈值,则信息处理单元向移动接收单元发送入侵提示信息并报警,这种方法实用性好、能够提高入侵检测的准确率和实时性。本发明同时还公开了一种空时二维信息融合的智能家居入侵检测***,这种***组网方便、成本低。
Description
技术领域
本发明涉及智能安防检测技术领域,尤其涉及一种空时二维信息融合的智能家居入侵检测***及检测方法。
背景技术
智能家居又称为智能住宅,是指利用先进的计算机、网络通信、自动控制等技术,将与家庭生活有关的各种应用子***有机的结合起来,通过综合管理,让家庭生活更舒适、安全、有效和节能,其中智能家居安防***作为其中的子***有着非常重要的地位。智能家居安防***是传感技术、无线电技术、模糊控制技术以及信息融合技术等多种技术为一体的综合应用,可以用来检测和防止外来非法入侵,对家中安全情况进行实时监控,把入侵警情及时告知用户,并通过网络进行报警。
智能家居安防***虽然极大地提高了我们的生活品质,使我们的生活变得更加舒适和安心。然而在实际应用中该***仍然存在一些问题,如室内宠物的走动造成入侵检测***误报,个别情况下还会出现入侵漏报的情况,这主要是由于所采用的入侵检测算法为单传感器阈值判别法,其误警和漏警概率较高。引入智能化入侵检测技术后,基于Dempster–Shafer(简称D-S)证据理论的信息融合检测算法为主要检测方式。多传感器D-S融合规则实现了多传感器信息的智能融合,提高了检测精度,可是D-S信息融合检测算法无法直接融合冲突度高以及完全矛盾的传感器数据,当传感器因为故障或干扰采集到的数据差异较大时,融合算法会得到与事实相悖的决策结果,这是因为矛盾的传感器数据导致了D-S算法中的“一票否决”的现象而无法做出合理正确的决策;此外,D-S融合的结果需要采集到大量有利证据的情况下才会收敛决策出检测的结果,如果收敛速度太慢就会直接影响到检测***的实时性,这对于智能安防***存在的实际意义造成了严重的影响。
发明内容
本发明的目的是针对现有技术的不足,而提供一种空时二维信息融合的智能家居入侵检测***及检测方法。
这种***组网方便、成本低。
这种方法实用性好、能够提高入侵检测的准确率和实时性。
实现本发明目的的技术方案是:
一种空时二维信息融合的智能家居入侵检测***,包括信息处理单元和与信息处理单元连接的传感器网络及移动接收单元,所述传感器网络设有至少2个传感器单元。
所述信息处理单元包括处理器和与处理器连接的存储器、第一无线收发模块及网络收发模块。
所述传感器单元包括顺序连接的传感器模块、数模转换模块、处理器模块和第二无线收发模块,第二无线收发模块与第一无线收发模块连接。
所述移动接收单元设有移动终端,移动终端与网络收发模块连接。
所述传感器模块为红外、声音、震动、微波传感器。
传感器网络,用于实时采集家居环境物理信息,然后通过第二无线收发模块将这些信息发送给信息处理单元上的第一无线收发模块;
信息处理单元用于实时接收传感器单元发送来的数据信息,并进行数据融合,检测家中是否遭到入侵;如有,则发送提醒信息到移动接收单元。
采用上述空时二维信息融合的智能家居入侵检测***的入侵检测方法,包括如下步骤:
1)得到证据集E1:将传感器网络中所有节点实测的数据作为证据,按照时域融合规则进行处理,具体为:将家庭安防网络中任一传感器i在t时刻获取的实测数据按照概率映射规则函数mi,t,p(·)为命题集合Θ={有人、宠物、没人}分配概率初值,然后将其作该传感器的实时证据Ei,t,p={mi,t,p(有人),mi,t,p(宠物),mi,t,p(没人)},接下来按照时域自适应加权融合规则对该证据进行融合,得到当前时刻该传感器的积累证据Ei,t,c={mi,t,c(有人),mi,t,c(宠物),mi,t,c(没人)},把所有传感器的积累证据组合起来进而得到证据集E1;
2)得到证据集E2:将证据集E1按照空域融合规则进行处理,即将红外、声音、震动、微波传感器组成的积累证据集E1在空域中的冲突数据进行修正,得到修正后的证据集E2;
3)融合:将证据集E2按照信息融合的规则进行融合,得到融合结果,即将证据集E2中的证据依次按照D-S证据组合规则进行融合,得到命题集合“有人、宠物、没人”的融合概率分配值;
4)判断:将步骤3)融合结果与设定阈值0.7进行比较,判断是否有入侵者,即将步骤3)融合结果中命题为“有人”的融合概率值与设定阈值0.7进行比较,判断是否有入侵者;
5)处理:如融合结果小于阈值,则返回步骤1);如融合结果大于或等于阈值,则信息处理单元向移动接收单元发送入侵提示信息并报警。
步骤1)中所述的时域融合规则具体包括:
对任意单个传感器i在t时刻的累计证据中所包含的任意命题累积概率值计算表达式为
mi,t,c(A)=αi,t-1,c,i,t,pmi,t-1,c(A)+βi,t-1,c,i,t,pmi,t,p(A),
其中,A为是命题集合中的任意命题,mi,t,c(A)为该传感器当前t时刻累积证据中对应命题A累积概率值,mi,t-1,c(A)为该传感器t-1时刻累积证据中对应命题A的累积概率值;mi,t,p(A)为该传感器t时刻实时证据中命题A的实时概率值;αi,t-1,c,i,t,p为该传感器在t时刻的实时证据与t-1时刻的累积证据之间相似度系数,范围为0到1;βi,t-1,c,i,t,c为冲突系数,βi,t-1,c,i,t,p=1-αi,t-1,c,i,t,p。证据间相似度系数αi,t-1,c,i,t,p的计算方式为:其中ki,t-1,c,i,t,p为t时刻证据Ei,t,p与t-1时刻积累证据Ei,t-1,c的D-S证据理论冲突值,为t时刻证据Ei,t,p与t-1时刻积累证据Ei,t-1,c的Pignistic概率距离。
步骤2)中所述的空域融合规则包括如下步骤:
2.1):证据集E2中的各个传感器累积证据任意排序,然后将它们首尾相接构成一个环形证据序列,计算任意两个相邻的证据之间的相似度系数;
2.2):设定证据间强相关性阈值和弱相关性阈值分别记为ηER和ηIR,若环形证据序列中的某一条证据与其前一条证据的相似度系数及后一条证据的相似度系数均大于ηER,则标记该证据为强相关性证据;若均小于ηIR,则标记该证据弱相关性证据;其余的证据则标记为一般相关性证据;
2.3):将弱相关证据丢弃、强相关证据保留、一般相关性证据以证据集期望值对其替换修正。
步骤2.3)中所述的证据集期望的计算包括如下步骤:
2.3.1):根据传感器证据之间的相似度系数计算出单个证据在证据集中的支持度,即根据单个传感器i在t时刻的累积证据Ei,t,c={mi,t,c(有人),mi,t,c(宠物),mi,t,c(没人)},计算出其在证据集E2中的支持度其中ki,t,c,j,t,c和分别是证据Ei,t,c和证据Ej,t,c的D-S理论的冲突系数和Pignistic概率距离;
2.3.2):证据集中单个证据的支持度比上所有证据支持度和值得到该证据的权值,通过加权求和的方式计算出证据集期望,即把证据集中任意一个证据Ei,t,c的支持度Sup(Ei,t,c)比上所有证据支持度和值得到该证据的权值通过加权求和方式计算该证据集期望其中
这种空时二维信息融合的智能家居安防入侵检测***及检测方法可以消除传感器采集数据间矛盾冲突较高的问题,进而避免D-S算法在决策时产生“一票否决”现象并提高了融合收敛的速度,以此提高算法决策的准确性和***的实时性,进而降低智能家居安防***的误警率和漏警率。
这种***组网方便、成本低。
这种方法实用性好、能够提高入侵检测的准确率和实时性。
附图说明
图1为实施例中***的结构示意图;
图2为实施例中方法流程示意图;
图3为实施例中空时域信息融合原理示意图;
图4为实施例中入侵检测融合结果示意图。
图中,1.传感器单元 2.信息处理单元 3.移动接收单元 11.传感器模块 12.模数转换模块 13.处理器模块 14第二无线收发模块 21.包括存储器 22.处理器模块 23.第一无线收发模块 24.网络收发模块 31.智能终端。
具体实施方式
下面结合附图和实施例对本发明内容做进一步的阐述,但不是对本发明的限定。
实施例:
参照图1,一种空时二维信息融合的智能家居入侵检测***,包括信息处理单元2和与信息处理单元2连接的传感器网络及移动接收单元3,所述传感器网络设有至少2个传感器单元1。
所述信息处理单元2包括处理器22和与处理器22连接的存储器21、第一无线收发模块23及网络收发模块24。
所述传感器单元1包括顺序连接的传感器模块11、数模转换模块12、处理器模块13和第二无线收发模块14,第二无线收发模块14与第一无线收发模块23连接。
所述移动接收单元3设有移动终端31,移动终端31与网络收发模块24连接。
所述传感器模块11为红外、声音、震动、微波传感器。
传感器网络,用于实时采集家居环境物理信息,然后通过第二无线收发模块14将这些信息发送给信息处理单元2上的第一无线收发模块23;
信息处理单元2用于实时接收传感器单元1发送来的数据信息,并进行数据融合,检测家中是否遭到入侵;如有,则发送提醒信息到移动接收单元31。
本例中,传感器单元1的构建是把传感器的引脚与搭载有Zigbee协议的CC2530芯片的I/O口进行连接,实现家居物理环境信息的采集。
本例中,信息处理单元2的构建是把Ti公司的CC2530开发板的串口与Ti公司的AM3358开发板的串口进行连接,实现接收传感单元1传送的数据,通过以太网网口向移动接收单元3的移动终端31传输数据。
参照图2,采用上述空时二维信息融合的智能家居入侵检测***的入侵检测方法,包括如下步骤:
1)得到证据集E1:将传感器网络中所有节点实测的数据作为证据,按照时域融合规则进行处理,具体为:将家庭安防网络中任一传感器i在t时刻获取的实测数据按照概率映射规则函数mi,t,p(·)为命题集合Θ={有人、宠物、没人}分配概率初值,然后将其作该传感器的实时证据Ei,t,p={mi,t,p(有人),mi,t,p(宠物),mi,t,p(没人)},接下来按照时域自适应加权融合规则对该证据进行融合,得到当前时刻该传感器的积累证据Ei,t,c={mi,t,c(有人),mi,t,c(宠物),mi,t,c(没人)},把所有传感器的积累证据组合起来进而得到证据集E1;
2)得到证据集E2:将证据集E1按照空域融合规则进行处理,即将红外、声音、震动、微波传感器组成的积累证据集E1在空域中的冲突数据进行修正,得到修正后的证据集E2;
3)融合:将证据集E2按照信息融合的规则进行融合,得到融合结果,即将证据集E2中的证据依次按照D-S证据组合规则进行融合,得到命题集合“有人、宠物、没人”的融合概率分配值;
4)判断:将步骤3)融合结果中命题为“有人”的融合概率值与设定阈值0.7进行比较,判断是否有入侵者;
5)处理:如融合结果小于阈值,则返回步骤1);如融合结果大于或等于阈值,则信息处理单元2向移动接收单元3发送入侵提示信息并报警。
具体地,本例步骤1)中,所述的映射规则函数mi,t,p(·)可以按照如下概率映射表进行设置:
经典D-S理论中,两个证据E1和E2之间的冲突系数表示为:
其中A和B均为命题集合Θ中的命题事件,显然,k1,2越接近于1,表明两个证据之间的冲突就越大,然而,此种方式表征证据间的冲突程度存在明显缺陷,例如两个完全相同的证据E1={0.7,0.3}和E2={0.7,0.3},它们间的冲突系数本应为0,然而,上式算出的冲突系数为k1,2=0.42;
为了改进这个缺陷,引入Pignistic概率距离来修正冲突系数的表示式,假设E1和E2为传感器网络结点采集到的2个证据,则E1和E2之间的Pignistic概率距离表达式为:
其中,为证据Ei正在命题全集上的Pignistic概率函数,经Pignistic概率距离修正后E1和E2之间的冲突系数可表示为相应的相似度系数可表示为α1,2=1-β1,2。
时域融合常用的方法是D-S融合或加权融合,然而时域数据出现极端冲突的频率很高,加权融合由于人为设定权值使得融合结果不合理,因此本例中采用时域自适应加权融合规则,避免了证据间的冲突程度高带来融合结果不理想以及人为设定权值的方法不合理,其实施过程为步骤1),具体实现步骤参见图3。
具体地,本例步骤1)中,时域融合规则包括:
对红外、声音、震动、微波传感器中任一传感器i在t时刻累积证据Ei,t,c中所包含的命题A的累积概率值计算表达式为:
mi,t,c(A)=αi,t-1,c,i,t,pmi,t-1,c(A)+βi,t-1,c,i,t,pmi,t,p(A);
其中,mi,t,c(A)为红外、声音、震动、微波传感器中任一传感器i在t时刻累积证据Ei,t,c中命题A的累积概率值,mi,t-1,c(A)为该传感器在t-1时刻累积证据Ei,t-1,c中命题A的累积概率值,mi,t,p(A)为该传感器在t时刻实时证据Ei,t,p中命题A的实时概率值,ai,t-1,c,i,t,p=1-βi,t-1,c,i,t,p为该传感器在t时刻的实时证据Ei,t,p与t-1时刻的累积证据Ei,t-1,c之间相似性系数。其中,为冲突系数。
其中,ki,t-1,c,i,t,p为该传感器在t时刻的实时证据Ei,t,p与t-1时刻的累积证据Ei,t-1,c之间的D-S证据理论冲突值,表示该传感器在t时刻的实时证据Ei,t,p与t-1时刻的累积证据Ei,t-1,c之间的Pignistic概率距离。例如,红外传感器在t时刻采集到的证据Er,t,p为mr,t,p(有人)、mr,t,p(宠物)、mr,t,p(没人),其在t-1时刻的积累证据Er,t-1,c为mr,t-1,c(有人)、mr,t-1,c(宠物)、mr,t-1,c(没人),则红外传感器在t时刻的累积证据的表达式为:
mr,t,c(有人)=αr,t,p,r,t-1,cmr,t-1,c(有人)+βr,t,p,r,t-1,cmr,t,p(有人);
mr,t,c(宠物)=αr,t,p,r,t-1,cmr,t-1,c(宠物)+βr,t,p,r,t-1,cmr,t,p(宠物);
mr,t,c(没人)=αr,t,p,r,t-1,cmr,t-1,c(没人)+βr,t,p,r,t-1,cmr,t,p(没人)。
步骤2)中所述的空域融合规则包括如下步骤:
2.1):证据集E2中的各个传感器累积证据任意排序,然后将它们首尾相接构成一个环形证据序列,计算任意两个相邻的证据之间的相似度系数;
2.2):设定证据间强相关性阈值和弱相关性阈值分别记为ηER和ηIR,若环形证据序列中的某一条证据与其前一条证据的相似度系数及后一条证据的相似度系数均大于ηER,则标记该证据为强相关性证据;若均小于ηIR,则标记该证据弱相关性证据;其余的证据则标记为一般相关性证据;
2.3):将弱相关证据丢弃、强相关证据保留、一般相关性证据以证据集期望值对其替换修正。
空域融合常用的方法是多传感器以D-S规则融合,然而经典D-S融合算法无法直接处理冲突度高的数据,当证据集合中某个传感器因为故障或干扰得到的证据与其他证据存在极端冲突时,融合结果就会出现“一票否决”现象,即融合结果趋近于故障或干扰传感器的证据,针对这种情况,本例采用空域修正冲突数据融合的规则,对当前时刻采集到的传感器积累数据进行处理,找出冲突证据并用证据集期望值对其修正,这样不仅加快了D-S融合结果的收敛速度,还使得融合结果更加合理有效,进而提高了检测装置的准确性和实时性,其实施过程为步骤2),具体实现步骤参见图3,包括:
本例步骤2)中,所述的空域融合规则包括如下步骤:
步骤2.1):假设红外传感器、声音传感器、震动传感器、微波传感器在t时刻的累积证据分别记为Er,t,c、Ev,t,c、Es,t,c、Ew,t,c,首先将它们首尾相接构成一个环形证据序列,然后按照对证据相似度的定义,可得到上述传感器累积证据间的相似度依次为αr,t,c,v,t,c、αv,t,c,s,t,c、αs,t,c,w,t,c、αw,t,c,r,t,c;
步骤2.2):假定强相关性证据的阈值ηER=0.7、弱相关性证据的阈值ηIR=0.3,若环形证据序列中的某一条证据与其前一条证据的相似度系数和后一条证据的相似度系数均大于ηER,则该证据为强相关性证据,如果均小于ηIR,则该证据为弱相关证据;其余的证据为一般相关性证据,例如对于声音传感器证据Ev,t,c,其与前一条证据的相似度系数为αr,t,c,v,t,c,其与后一条证据的相似度系数为αv,t,c,s,t,c;如果αr,t,c,v,t,c和αv,t,c,s,t,c均大于0.7,则声音传感器证据Ev,t,c为强相关性证据;
步骤2.3)、将弱相关性证据丢弃、强相关证据保留、一般相关性证据以证据集期望对其进行替换修正。
步骤2.3)中所述的证据集期望的计算包括如下步骤:
2.3.1):根据传感器证据之间的相似度系数计算出单个证据在证据集中的支持度,即根据单个传感器i在t时刻的累积证据Ei,t,c={mi,t,c(有人),mi,t,c(宠物),mi,t,c(没人)},计算出其在证据集E2中的支持度其中ki,t,c,j,t,c和分别是证据Ei,t,c和证据Ej,t,c的D-S理论的冲突系数和Pignistic概率距离;
2.3.2):证据集中单个证据的支持度比上所有证据支持度和值得到该证据的权值,通过加权求和的方式计算出证据集期望,即把证据集中任意一个证据Ei,t,c的支持度Sup(Ei,t,c)比上所有证据支持度和值得到该证据的权值通过加权求和方式计算该证据集期望其中
具体地,本例步骤2.3)中,证据集期望的计算步骤如下:
已知红外传感器、声音传感器、震动传感器、微波传感器在同t时刻的累积证据分别记为Er,t,c、Ev,t,c、Es,t,c、Ew,t,c;
步骤2.3.1):按照证据间相似度系数定义,计算任意两个传感器之间的相似度系数αr,t,c,v,t,c、αr,t,c,s,t,c、αr,t,c,w,t,c、αv,t,c,s,t,c、αv,t,c,w,t,c、αs,t,c,w,t,c;然后计算出红外、声音、震动、微波等相应传感器的支持度分别为
Sup(Er,t,c)=αr,t,c,v,t,c+αr,t,c,s,t,c+αr,t,c,w,t,c
Sup(Ev,t,c)=αr,t,c,v,t,c+αv,t,c,s,t,c+αv,t,c,w,t,c
Sup(Es,t,c)=αr,t,c,s,t,c+αv,t,c,s,t,c+αs,t,c,w,t,c
Sup(Ew,t,c)=αr,t,c,w,t,c+αv,t,c,w,t,c+αs,t,c,w,t,c;
步骤2.3.2):用单个证据的支持度比上所有证据支持度和值得到该证据的权值,以此方式计算得到红外、声音、震动、微波等传感器的权值分别为 其中Ω={r,v,s,w};
以加权求和方式计算出证据集期望为其中
具体地,本例中步骤3)中,将证据集合E2中的证据依次按照D-S融合规则进行融合,具体为融合规则包括:
对于证据集合E2中的任意两个证据Ei={mi(有人),mi(宠物),mi(没人)}和Ej={mj(有人),mj(宠物),mj(没人)},D-S融合规则为
其中,为D-S理论冲突值。
具体地,本例中步骤4)中,将步骤3)中按照D-S融合规则得到结果中命题“有人”的融合概率值于0.7进行比较,具体为:
对于步骤3)得到的融合结果Eresult={mresult(有人),mresult(宠物),mresult(没人)},将mresult(有人)与决策阈值0.7进行比较,若大于或等于0.7则决策为有入侵事件发生,否则,决策为无入侵事件发生。
本例中,实验模拟入侵者进入各类传感器所采集到数据及其融合结果如图4所示,实验分3个阶段来模拟不同的入侵情况和传感器工作状态下的检测结果:
第一阶段(采样次序0-15),模拟入侵者进入的情况:由图4的采样次序0-15可以看出入侵者在第3个采样周期时进入,4类传感器均感应到了有人进入,基础概率分配值也相应增加,最终的融合检测结果收敛于有人进入;
第二阶段(采样次序15-25),模拟检测***中任一个传感器在单独出现故障或者受到外界干扰的情况下的数据:由图4的采样次序0-15可以看出四类传感器在分别受到干扰时,所采集的数据对最终的融合结果并未造成影响,均不会因为受到干扰而检测到有人的存在;
第三阶段(采样次序25-45),模拟检测***中任两个传感器同时出现故障或者受到干扰的情况下的数据:由图4的采样次序25-45可以看出即便在2个传感器受到干扰的情况下,故障数据对最终的融合得到的结果均为造成明显影响;
步骤5):如步骤4)决策出是有入侵行为的发生,则信息处理单元2向移动接收单元3发送入侵提示信息并报警。
Claims (4)
1.一种采用空时二维信息融合的智能家居入侵检测***的入侵检测方法,其特征是,所述检测***包括信息处理单元和与信息处理单元连接的传感器网络及移动接收单元,所述传感器网络设有至少2个传感器单元,所述信息处理单元包括处理器和与处理器连接的存储器、第一无线收发模块及网络收发模块,所述传感器单元包括顺序连接的传感器模块、数模转换模块、处理器模块和第二无线收发模块,第二无线收发模块与第一无线收发模块连接,所述方法 包括如下步骤:
1)得到证据集E1:将传感器网络中所有节点实测的数据作为证据,按照时域融合规则进行处理,得到证据集E1;
2)得到证据集E2:将证据集E1按照空域融合规则进行处理,得到证据集E2;
3)融合:将证据集E2按照信息融合的规则进行融合,得到融合结果,即将证据集E2中的证据依次按照D-S证据组合规则进行融合,得到命题集合“有人、宠物、没人”的融合概率分配值;
4)判断:将步骤3)融合结果与设定阈值0.7进行比较,判断是否有入侵者,即将步骤3)融合结果中命题为“有人”的融合概率值与设定阈值0.7进行比较,判断是否有入侵者;
5)处理:如融合结果小于阈值,则返回步骤1);如融合结果大于或等于阈值,则信息处理单元向移动接收单元发送入侵提示信息并报警,所述的时域融合规则具体包括:
对任意单个传感器i在t时刻的累计证据中所包含的任意命题累积概率值计算表达式为
mi,t,c(A)=αi,t-1,c,i,t,pmi,t-1,c(A)+βi,t-1,c,i,t,pmi,t,p(A),
其中,A为是命题集合中的任意命题,mi,t,c(A)为该传感器当前t时刻累积证据中对应命题A累积概率值,mi,t-1,c(A)为该传感器t-1时刻累积证据中对应命题A的累积概率值;mi,t,p(A)为该传感器t时刻实时证据中命题A的实时概率值;αi,t-1,c,i,t,p为该传感器在t时刻的实时证据与t-1时刻的累积证据之间相似度系数,范围为0到1;βi,t-1,c,i,t,c为冲突系数,βi,t-1,c,i,t,p=1-αi,t-1,c,i,t,p。
2.根据权利要求1所述的采用空时二维信息融合的智能家居入侵检测***的入侵检测方法,其特征是,所述证据间相似度系数αi,t-1,c,i,t,p的计算方式为:其中ki,t-1,c,i,t,p为t时刻实时证据Ei,t,p与t-1时刻积累证据Ei,t-1,c的D-S证据理论冲突值,为t时刻实时证据Ei,t,p与t-1时刻积累证据Ei,t-1,c的Pignistic概率距离。
3.根据权利要求1所述的采用空时二维信息融合的智能家居入侵检测***的入侵检测方法,其特征是,步骤2)中所述的空域融合规则包括如下步骤:
2.1):证据集E2中的各个传感器累积证据任意排序,然后将它们首尾相接构成一个环形证据序列,计算任意两个相邻的证据之间的相似度系数;
2.2):设定证据间强相关性阈值和弱相关性阈值分别记为ηER和ηIR,若环形证据序列中的某一条证据与其前一条证据的相似度系数及后一条证据的相似度系数均大于ηER,则标记该证据为强相关性证据;若均小于ηIR,则标记该证据弱相关性证据;其余的证据则标记为一般相关性证据;
2.3):将弱相关证据丢弃、强相关证据保留、一般相关性证据以证据集期望值对其替换修正。
4.根据权利要求3所述的采用空时二维信息融合的智能家居入侵检测***的入侵检测方法,其特征是,
步骤2.3)中所述的证据集期望的计算包括如下步骤:
2.3.1):根据传感器证据之间的相似度系数计算出单个证据在证据集中的支持度;
2.3.2):证据集中单个证据的支持度比上所有证据支持度和值得到该证据的权值,通过加权求和的方式计算出证据集期望。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710396810.7A CN107025747B (zh) | 2017-05-31 | 2017-05-31 | 空时二维信息融合的智能家居入侵检测***及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710396810.7A CN107025747B (zh) | 2017-05-31 | 2017-05-31 | 空时二维信息融合的智能家居入侵检测***及检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107025747A CN107025747A (zh) | 2017-08-08 |
CN107025747B true CN107025747B (zh) | 2019-06-14 |
Family
ID=59529970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710396810.7A Expired - Fee Related CN107025747B (zh) | 2017-05-31 | 2017-05-31 | 空时二维信息融合的智能家居入侵检测***及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107025747B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108428315A (zh) * | 2018-03-05 | 2018-08-21 | 中国人民解放军军事科学院国防工程研究院 | 电子哨兵*** |
CN108769015A (zh) * | 2018-05-29 | 2018-11-06 | 深圳汇通智能化科技有限公司 | 一种智能家居入侵检测*** |
CN111784986B (zh) * | 2020-07-13 | 2021-02-09 | 和宇健康科技股份有限公司 | 基于大数据的智能安防报警方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5471194A (en) * | 1993-03-23 | 1995-11-28 | Aritech Corporation | Event detection system with centralized signal processing and dynamically adjustable detection threshold |
CN101556651B (zh) * | 2009-04-15 | 2011-02-16 | 北京航空航天大学 | 一种分簇无线传感器网络内多源数据融合方法 |
CN202394353U (zh) * | 2012-01-05 | 2012-08-22 | 广州铁路职业技术学院 | 基于无线网络的家居安防装置 |
CN102737468A (zh) * | 2012-07-11 | 2012-10-17 | 重庆大学 | 基于无线多传感器信息融合的火灾检测***及方法 |
CN102945590A (zh) * | 2012-10-19 | 2013-02-27 | 安徽工程大学 | 基于无线传感网络的家居安防*** |
CN104616416A (zh) * | 2015-01-14 | 2015-05-13 | 东华大学 | 一种基于多传感器信息融合的无线火灾报警*** |
-
2017
- 2017-05-31 CN CN201710396810.7A patent/CN107025747B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN107025747A (zh) | 2017-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10297128B2 (en) | Wireless sensor network | |
CN107025747B (zh) | 空时二维信息融合的智能家居入侵检测***及检测方法 | |
US20170053504A1 (en) | Motion detection system based on user feedback | |
AU2017386444B2 (en) | Reliability management-based uncertainty elimination context awareness system and working method thereof | |
CN105025515B (zh) | 一种基于gm模型的无线传感器网络流量异常检测方法 | |
Liang et al. | Multi-sensor fusion approach for fire alarm using BP neural network | |
CN109361728B (zh) | 一种基于多源传感数据关联度的分级事件报告***及方法 | |
CN103237308B (zh) | 一种车载自组织网络的分布式入侵检测方法 | |
CN109936568B (zh) | 一种基于循环神经网络的防恶意攻击传感器数据采集方法 | |
CN103325204A (zh) | 一种环境参量感知的火灾判定方法 | |
CN110188015B (zh) | 一种主机访问关系异常行为自适应检测装置及其监测方法 | |
CN108875823A (zh) | 基于新的证据衡量标准下证据的组合方法 | |
CN104036623B (zh) | 数据信息误报纠正的方法 | |
Nwakanma et al. | Iot-based vibration sensor data collection and emergency detection classification using long short term memory (lstm) | |
CN117456726A (zh) | 基于人工智能算法模型的异常停车识别方法 | |
Shahi et al. | Naive Bayesian decision model for the interoperability of heterogeneous systems in an intelligent building environment | |
CN110011847A (zh) | 一种传感云环境下的数据源质量评估方法 | |
WO2022024211A1 (ja) | 学習活用システム、活用装置、学習装置、プログラム及び学習活用方法 | |
CN113923014A (zh) | 一种基于k近邻法的车载总线网络异常检测方法 | |
CN106910318A (zh) | 一种进出行为监控方法及*** | |
CN111476965B (zh) | 火灾检测模型的构建方法、火灾检测方法及相关设备 | |
CN112734699A (zh) | 物品状态告警方法、装置、存储介质及电子装置 | |
CN105451235A (zh) | 基于背景更新的无线传感器网络入侵检测方法 | |
JP2007279887A (ja) | 特異パターン検出システム、モデル学習装置、特異パターン検出装置、特異パターン検出方法、及び、コンピュータプログラム | |
CN108256540A (zh) | 一种信息处理方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190614 |
|
CF01 | Termination of patent right due to non-payment of annual fee |