CN110390273A - 一种基于多核迁移学习的室内人员入侵检测方法 - Google Patents
一种基于多核迁移学习的室内人员入侵检测方法 Download PDFInfo
- Publication number
- CN110390273A CN110390273A CN201910594303.3A CN201910594303A CN110390273A CN 110390273 A CN110390273 A CN 110390273A CN 201910594303 A CN201910594303 A CN 201910594303A CN 110390273 A CN110390273 A CN 110390273A
- Authority
- CN
- China
- Prior art keywords
- rss
- aiming field
- source domain
- feature
- multicore
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明所述一种基于多核迁移学习的室内人员入侵检测方法,分为离线与在线阶段。在离线阶段,根据环境状态为采集的入侵与静默接收信号强度(Received Signal Strength,RSS)打上不同的标签,提取RSS特征并利用RSS特征与对应的标签集构建源域。在在线阶段,提取在线RSS的特征,并利用在线RSS特征及对应的伪标签集构建目标域。然后利用多核迁移学习将源域与目标域RSS迁移到同一个子空间,利用迁移后的源域RSS特征与标签集训练一个分类器,对目标域RSS特征进行分类,从而得到目标域RSS特征对应的新的标签,更新目标域。最后,重复上述步骤,直至算法收敛,得到目标域RSS特征最终的标签集,即实现对目标环境的入侵检测。本发明所提供的一种基于多核迁移学习的室内人员入侵检测方法,能够在降低真实环境中噪声对检测性能的影响的同时,实现对入侵人员的准确检测。
Description
技术领域
本发明属于室内入侵检测技术,具体涉及一种基于多核迁移学习的室内人员入侵检测方法。
背景技术
近年来,无线网络传输技术的迅猛发展给无线保真(Wireless Fidelity,Wi-Fi)技术带来了广阔的应用前景。与此同时,由于Wi-Fi覆盖范围广,传输速度快,设备部署简单,价格低廉,基于Wi-Fi的各种技术应运而生,如基于Wi-Fi的室内定位、行为识别、目标跟踪、入侵检测等,其中,基于Wi-Fi的室内入侵检测技术无需检测目标携带设备或主动参与检测过程,利用安装的无线网络基础设施,分析接收到的无线信号的变化,即可完成室内入侵检测。基于Wi-Fi的室内入侵检测技术无需安装额外的设备,可广泛应用于智能家居、人员搜救、军事防护、企业安防等领域,具有极高的商业应用价值。
室内入侵检测技术主要有基于视频、Global Positioning System(GPS)、红外线、超声波、传感器网络、Wi-Fi等入侵检测技术。基于视频的室内入侵检测技术无法保障用户隐私,并且在烟雾、黑暗等环境下无法使用。基于GPS、红外线、超声波、传感器网络等入侵检测技术都需要安装额外的设备,成本高昂,限制了其推广。基于Wi-Fi的室内入侵检测技术无需安装额外设施,不受非视距环境影响,并且能够保护用户隐私,因此受到了国内外学者广泛关注。基于Wi-Fi的室内入侵检测技术在环境中布置若干个无线接入点(AccessPoint,AP)与监测点(Monitor Point,MP),AP发射信号,MP接收信号,应用服务器分析环境静默与有目标入侵时无线信号的变化,从而检测出环境中是否有目标入侵。
然而,由于环境中存在噪声,离线阶段采集到的无线信号与在线阶段采集到的无线信号具有较大差异性,导致基于Wi-Fi的室内入侵检测技术不能准确检测出环境中是否有目标入侵。现有基于Wi-Fi的室内入侵检测技术没有考虑消除环境噪声对信号的影响(或是不能完全消除环境噪声对信号的影响),使得入侵检测准确率不高。因此,丞需一种能够消除环境噪声对无线信号影响,准确检测出环境中有无目标入侵的检测方法。
发明内容
本发明的目的是提供一种基于多核迁移学习的室内人员入侵检测方法,该方法能够克服环境噪声对信号的影响,实现对入侵人员的准确检测。
本发明所述的一种基于多核迁移学习的室内人员入侵检测方法,包括以下步骤:
步骤一、在环境中布置m个无线接入点(Access Point,AP)和n个监测点(MonitorPoint,MP);
步骤二、离线阶段,利用在n个MP采集到的来自m个AP的离线接收信号强度(Received Signal Strength,RSS)及对应的标签集构建源域
步骤三:在线阶段,利用n个MP采集到来自m个AP的在线RSS矩阵及对应的伪标签集构建目标域
步骤四、计算源域与目标域RSS特征混合分布之间的多核最大均值差异(MultipleKernel Maximum Mean Discrepancy,MKMMD);
步骤五、最小化源域与目标域RSS特征混合分布之间的多核MKMMD,求解最优迁移矩阵;
步骤六、利用迁移之后的源域RSS特征及对应的标签集训练一个分类器,对迁移后的目标域RSS特征进行分类,得到目标域RSS特征对应的新的标签集yT;
步骤七、将新的标签集赋值给伪标签集;
步骤八、判断算法是否收敛,若是,则执行步骤九;若否,重复步骤四到步骤八;
步骤九、算法结束,得到环境的入侵检测结果。
所述步骤二中,离线阶段,利用n个监测点MP采集到的来自m个AP的离线接收信号强度(Received Signal Strength,RSS)及对应的标签集构建源域包括以下步骤:
2a、n个MP采集到来自m个AP的离线RSS矩阵为其中,表示第i个MP接收到来自第j个AP的离线RSS向量;
2b、采用窗长为L的滑窗对Rs进行处理,对每个窗长内的离线RSS数据提取八个特征,分别为RSS均值、RSS方差、RSS最大值、RSS最小值、RSS最值差、RSS中值、最大概率RSS和RSS过均值概率,得到离线RSS矩阵Rs对应的特征矩阵其中,为第s个离线RSS特征向量,ns为离线滑窗个数,p(=8nm)为RSS特征数,n和m分别为MP和AP个数;
2c、第s个离线RSS特征向量xs对应第k(k=1,…,K)(即待检测环境存在1种静默和K-1种入侵状态)种状态的标签为ys=k,由此得到离线RSS特征矩阵对应的标签集
2d、构建源域
所述步骤三中,在线阶段,利用n个MP采集到来自m个AP的在线RSS矩阵及对应的伪标签集构建目标域包括以下步骤:
3a、n个MP采集到来自m个AP的在线RSS矩阵为其中,表示第i个MP接收到来自第j个AP的在线RSS向量;
3b、采用窗长为L的滑窗对Rt进行处理,对每个窗长内的在线RSS数据提取八个特征,分别为RSS均值、RSS方差、RSS最大值、RSS最小值、RSS最值差、RSS中值、最大概率RSS和RSS过均值概率,得到在线RSS矩阵Rt对应的特征矩阵其中,为第t个在线RSS特征向量,nt为在线滑窗个数;
3c、利用源域RSS特征XS及对应的标签集ys训练一个分类器,对在线RSS特征XT进行分类,得到目标域RSS特征矩阵对应的的伪标签集
3d、构建目标域
所述步骤四中,计算源域与目标域RSS特征混合分布之间的多核最大均值差异(Multiple Kernel Maximum Mean Discrepancy,MKMMD),包括以下步骤:
4a、令P(XS)和P(XT)分别为源域与目标域RSS特征的边缘分布,计算源域与目标域RSS特征边缘分布之间的多核MKMMD:
其中,为希尔伯特空间,和分别为XS和XT的边缘分布为P(XS)和P(XT)时的期望运算,为希尔伯特空间中的2-范数运算,φ为将RSS特征矩阵映射到希尔伯特空间的映射函数,将(1)式近似为:
4b、令P(XS|yS)和分别为源域和目标域RSS特征的条件分布,计算源域与目标域RSS特征条件分布之间的多核MKMMD:
其中, 和分别表示源域和目标域中类别为k的RSS特征向量,和分别表示源域和目标域中第k类的RSS特征向量个数;
4c、计算源域和目标域RSS特征混合分布之间的MKMMD:
4d、将(4)式改写为:
其中,“tr”为对矩阵求迹,的第i行第j列元素为 L0的第i行第j列元素为Lk(1≤k≤K)的第i行第j列元素为
4e、定义核函数其中,fg为第g(g=1,…,G)个核函数,αg(≥0)且为第g个常系数,G为核函数的个数,令 和的第i行第j列元素分别为和
4f、令其中,为迁移矩阵,将(5)式改写为:
所述步骤五中,最小化源域与目标域RSS特征混合分布之间的多核MKMMD,求解最优迁移矩阵,包括以下步骤:
5a、最小化源域与目标域RSS特征混合分布之间的MKMMD:
其中,为迁移后的RSS特征,将(7)式改写为:
其中,I为单位矩阵,H=I-1/(ns+nt)eeT,e为全1的列向量,λ(>0)为权衡参数,tr(WTW)为控制W复杂度的正则项;
5b、构造拉格朗日函数:
其中,Z为由拉格朗日乘子组成的对角阵;
5c、对L(W)关于W求偏导:
5d、令(10)式等于0,得到:
5e、将(11)式两边同乘WT,得到:
则最优迁移矩阵W由关于的q个非零最小广义特征值对应的特征向量组成。
有益效果
考虑到环境噪声对入侵检测性能的影响,本发明利用多核迁移学习消除环境噪声造成的离线与在线RSS的差异性,实现对环境中未知入侵目标的准确检测。具体来说,首先采集离线RSS并提取特征,并根据环境所处状态为离线RSS特征打上标签,构建源域;其次,采集在线RSS并提取特征,并通过分类器得到在线RSS的伪标签,构建目标域;再次,最小化源域与目标域的MKMMD,得到最优迁移矩阵;然后利用迁移之后的源域RSS特征与标签训练一个分类器对目标域RSS进行分类,得到目标域新的标签集;最后,利用新的标签集更新目标域,重复以上步骤,直至算法收敛,得到目标域最终的标签集,从而实现环境中未知入侵目标的准确检测。该方法能够应用于无线网络通信领域,所提供的方法能够有效克服环境噪声对信号的影响,准确完成室内未知目标入侵检测。
附图说明
图1为本发明中步骤一至步骤九的流程图;
图2为本发明实验环境图,包括大厅、走廊1、走廊2、房间四个区域,在四个区域分别采集静默以及入侵RSS,采集时间为5分钟,采样率为1Hz;
图3为算法迭代50次,采用的分类器为K-近邻时,本发明方法的虚警率、漏检率、检测准确率的变化;
图4为采用不同核函数虚警率的箱线图,其中采用的核函数分别为线性核高斯核f2(xi,xj)=exp(-γ||xi-xj||2)、拉普拉斯核反平方距离核f4(xi,xj)=1/(γ||xi-xj||2+1),反距离核f5(xi,xj)=1/(γ||xi-xj||+1),多核其中,γ为源域中两两不同RSS特征距离的中值[15];
图5为采用不同核函数漏检率的箱线图,其中采用的核函数分别为线性核高斯核f2(xi,xj)=exp(-γ||xi-xj||2)、拉普拉斯核反平方距离核f4(xi,xj)=1/(γ||xi-xj||2+1),反距离核f5(xi,xj)=1/(γ||xi-xj||+1),多核其中,γ为源域中两两不同RSS特征距离的中值[15];
图6为采用不同核函数检测准确率的箱线图,其中采用的核函数分别为线性核高斯核f2(xi,xj)=exp(-γ||xi-xj||2)、拉普拉斯核反平方距离核f4(xi,xj)=1/(γ||xi-xj||2+1),反距离核f5(xi,xj)=1/(γ||xi-xj||+1),多核其中,γ为源域中两两不同RSS特征距离的中值[15]。
具体实施方案
下面结合附图对本发明作进一步说明。
本发明提供的一种基于多核迁移学习的室内人员入侵检测方法,包括以下步骤:
步骤一、在环境中布置m个无线接入点(Access Point,AP)和n个监测点(MonitorPoint,MP)。
步骤二、离线阶段,利用在n个MP采集到的来自m个AP的离线接收信号强度(Received Signal Strength,RSS)及对应的标签集构建源域具体包括以下步骤:
2a、n个MP采集到来自m个AP的离线RSS矩阵为其中,表示第i个MP接收到来自第j个AP的离线RSS向量;
2b、采用窗长为L的滑窗对Rs进行处理,对每个窗长内的离线RSS数据提取八个特征,分别为RSS均值、RSS方差、RSS最大值、RSS最小值、RSS最值差、RSS中值、最大概率RSS和RSS过均值概率,得到离线RSS矩阵Rs对应的特征矩阵其中,为第s个离线RSS特征向量,ns为离线滑窗个数,p(=8nm)为RSS特征数,n和m分别为MP和AP个数;
2c、第s个离线RSS特征向量xs对应第k(k=1,…,K)(即待检测环境存在1种静默和K-1种入侵状态)种状态的标签为ys=k,由此得到离线RSS特征矩阵对应的标签集
2d、构建源域
步骤三:在线阶段,利用n个MP采集的到来自m个AP的在线RSS矩阵及对应的伪标签集构建目标域具体包括以下步骤:
3a、n个MP采集到来自m个AP的在线RSS矩阵为其中,表示第i个MP接收到来自第j个AP的在线RSS向量;
3b、采用窗长为L的滑窗对Rt进行处理,对每个窗长内的在线RSS数据提取八个特征,分别为RSS均值、RSS方差、RSS最大值、RSS最小值、RSS最值差、RSS中值、最大概率RSS和RSS过均值概率,得到在线RSS矩阵Rt对应的特征矩阵其中,为第t个在线RSS特征向量,nt为在线滑窗个数;
3c、利用源域RSS特征XS及对应的标签集ys训练一个分类器,对在线RSS特征XT进行分类,得到目标域RSS特征矩阵对应的的伪标签集
3d、构建目标域
步骤四、计算源域与目标域RSS特征混合分布之间的多核最大均值差异(MultipleKernel Maximum Mean Discrepancy,MKMMD),具体包括以下步骤:
4a、令P(XS)和P(XT)分别为源域与目标域RSS特征的边缘分布,计算源域与目标域RSS特征边缘分布之间的多核MKMMD:
其中,为希尔伯特空间,和分别为XS和XT的边缘分布为P(XS)和P(XT)时的期望运算,为希尔伯特空间中的2-范数运算,φ为将RSS特征矩阵映射到希尔伯特空间的映射函数,将(1)式近似为:
4b、令P(XS|yS)和分别为源域和目标域RSS特征的条件分布,计算源域与目标域RSS特征条件分布之间的多核MKMMD:
其中, 和分别表示源域和目标域中类别为k的RSS特征向量,和分别表示源域和目标域中第k类的RSS特征向量个数;
4c、计算源域和目标域RSS特征混合分布之间的MKMMD:
4d、将(4)式改写为:
其中,“tr”为对矩阵求迹,的第i行第j列元素为 L0的第i行第j列元素为Lk(1≤k≤K)的第i行第j列元素为
4e、定义核函数其中,fg为第g(g=1,…,G)个核函数,αg(≥0)且为第g个常系数,G为核函数的个数,令 和的第i行第j列元素分别为和
4f、令其中,为迁移矩阵,将(5)式改写为:
步骤五、最小化源域与目标域RSS特征混合分布之间的多核MKMMD,求解最优迁移矩阵,具体包括以下步骤:
5a、最小化源域与目标域RSS特征混合分布之间的MKMMD:
其中,为迁移后的RSS特征,将(7)式改写为:
其中,I为单位矩阵,H=I-1/(ns+nt)eeT,e为全1的列向量,λ(>0)为权衡参数,tr(WTW)为控制W复杂度的正则项;
5b、构造拉格朗日函数:
其中,Z为由拉格朗日乘子组成的对角阵;
5c、对L(W)关于W求偏导:
5d、令(10)式等于0,得到:
5e、将(11)式两边同乘WT,得到:
则最优迁移矩阵W由关于的q个非零最小广义特征值对应的特征向量组成。
步骤六、利用迁移之后的源域RSS特征及对应的标签集训练一个分类器,对迁移后的目标域RSS特征进行分类,得到目标域RSS特征对应的新的标签集yT。
步骤七、将新的标签集赋值给伪标签集。
步骤八、判断算法是否收敛,若是,则执行步骤九;若否,重复步骤四到步骤八。
步骤九、算法结束,得到环境的入侵检测结果。
Claims (2)
1.一种基于多核迁移学习的室内人员入侵检测方法,其特征在于:包括以下步骤:
步骤一、在环境中布置m个无线接入点(Access Point,AP)和n个监测点(MonitorPoint,MP);
步骤二、离线阶段,利用在n个MP采集到的来自m个AP的离线接收信号强度(ReceivedSignal Strength,RSS)及对应的标签集构建源域
步骤三:在线阶段,利用n个MP采集到的来自m个AP的在线RSS矩阵及对应的伪标签集构建目标域
步骤四、计算源域与目标域RSS特征混合分布之间的多核最大均值差异(MultipleKernel Maximum Mean Discrepancy,MKMMD);
步骤五、最小化源域与目标域RSS特征混合分布之间的多核MKMMD,求解最优迁移矩阵;
步骤六、利用迁移之后的源域RSS特征及对应的标签集训练一个分类器,对迁移后的目标域RSS特征进行分类,得到目标域RSS特征对应的新的标签集yT;
步骤七、将新的标签集赋值给伪标签集;
步骤八、判断算法是否收敛,若是,则执行步骤九;若否,重复步骤四到步骤八;
步骤九、算法结束,得到环境的入侵检测结果。
2.根据权利要求1所述一种基于多核迁移学习的室内人员入侵检测方法,其特征在于:步骤四中,计算源域与目标域RSS特征混合分布之间的多核最大均值差异(MultipleKernel Maximum Mean Discrepancy,MKMMD),包括以下步骤:
4a、令P(XS)和P(XT)分别为源域与目标域RSS特征的边缘分布,计算源域与目标域RSS特征边缘分布之间的多核MKMMD:
其中,为希尔伯特空间,和分别为XS和XT的边缘分布为P(XS)和P(XT)时的期望运算,为希尔伯特空间中的2-范数运算,φ为将RSS特征矩阵映射到希尔伯特空间的映射函数,将(1)式近似为:
4b、令P(XS|yS)和分别为源域和目标域RSS特征的条件分布,计算源域与目标域RSS特征条件分布之间的多核MKMMD:
其中, 和分别表示源域和目标域中类别为k的RSS特征向量,和分别表示源域和目标域中第k类的RSS特征向量个数;
4c、计算源域和目标域RSS特征混合分布之间的MKMMD:
4d、将(4)式改写为:
其中,“tr”为对矩阵求迹,的第i行第j列元素为(1≤i≤ns+nt;1≤j≤ns+nt;xi,xj∈XS∪XT),L0的第i行第j列元素为Lk(1≤k≤K)的第i行第j列元素为
4e、定义核函数其中,fg为第个核函数,αg(≥0)且为第g个常系数,G为核函数的个数,令 和的第i行第j列元素分别为和
4f、令其中,为迁移矩阵,将(5)式改写为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910594303.3A CN110390273A (zh) | 2019-07-02 | 2019-07-02 | 一种基于多核迁移学习的室内人员入侵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910594303.3A CN110390273A (zh) | 2019-07-02 | 2019-07-02 | 一种基于多核迁移学习的室内人员入侵检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110390273A true CN110390273A (zh) | 2019-10-29 |
Family
ID=68286051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910594303.3A Pending CN110390273A (zh) | 2019-07-02 | 2019-07-02 | 一种基于多核迁移学习的室内人员入侵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110390273A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723823A (zh) * | 2020-06-24 | 2020-09-29 | 河南科技学院 | 一种基于第三方迁移学习的水下目标检测方法 |
CN111860614A (zh) * | 2020-06-30 | 2020-10-30 | 西安工程大学 | 基于深度子空间自表达的多标签分类方法 |
CN115086973A (zh) * | 2022-08-19 | 2022-09-20 | 深圳市桑尼奇科技有限公司 | 一种智能家居人体感应方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107895177A (zh) * | 2017-11-17 | 2018-04-10 | 南京邮电大学 | 一种保持图像分类稀疏结构的迁移分类学习方法 |
CN108200644A (zh) * | 2018-01-10 | 2018-06-22 | 浙江工业大学 | 一种基于网络可视图的无源室内定位方法 |
CN108369533A (zh) * | 2015-10-13 | 2018-08-03 | 施耐德电器工业公司 | 软件定义自动化***的集中化管理 |
CN109068349A (zh) * | 2018-07-12 | 2018-12-21 | 重庆邮电大学 | 一种基于小样本迭代迁移的室内入侵检测方法 |
CN109348410A (zh) * | 2018-11-16 | 2019-02-15 | 电子科技大学 | 基于全局和局部联合约束迁移学习的室内定位方法 |
CN109376578A (zh) * | 2018-08-27 | 2019-02-22 | 杭州电子科技大学 | 一种基于深度迁移度量学习的小样本目标识别方法 |
US20190158340A1 (en) * | 2012-12-05 | 2019-05-23 | Origin Wireless, Inc. | Apparatus, systems and methods for fall-down detection based on a wireless signal |
CN109948741A (zh) * | 2019-03-04 | 2019-06-28 | 北京邮电大学 | 一种迁移学习方法及装置 |
-
2019
- 2019-07-02 CN CN201910594303.3A patent/CN110390273A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190158340A1 (en) * | 2012-12-05 | 2019-05-23 | Origin Wireless, Inc. | Apparatus, systems and methods for fall-down detection based on a wireless signal |
CN108369533A (zh) * | 2015-10-13 | 2018-08-03 | 施耐德电器工业公司 | 软件定义自动化***的集中化管理 |
CN107895177A (zh) * | 2017-11-17 | 2018-04-10 | 南京邮电大学 | 一种保持图像分类稀疏结构的迁移分类学习方法 |
CN108200644A (zh) * | 2018-01-10 | 2018-06-22 | 浙江工业大学 | 一种基于网络可视图的无源室内定位方法 |
CN109068349A (zh) * | 2018-07-12 | 2018-12-21 | 重庆邮电大学 | 一种基于小样本迭代迁移的室内入侵检测方法 |
CN109376578A (zh) * | 2018-08-27 | 2019-02-22 | 杭州电子科技大学 | 一种基于深度迁移度量学习的小样本目标识别方法 |
CN109348410A (zh) * | 2018-11-16 | 2019-02-15 | 电子科技大学 | 基于全局和局部联合约束迁移学习的室内定位方法 |
CN109948741A (zh) * | 2019-03-04 | 2019-06-28 | 北京邮电大学 | 一种迁移学习方法及装置 |
Non-Patent Citations (4)
Title |
---|
MU ZHOU 等: "Indoor instrusion detection based on deep signal feature fusion and minimized-MKMMD transfer learning", 《PHYSICAL COMMUNICATION》 * |
YEJUN TANG 等: "Semi-Supervised TRansfer Learning for Convolutional Neural Network Based Chinese Character Recognition", 《2017 14TH IAPR INTERNATIONAL CONFERENCE ON DOCUMENT ANALYSIS AND RECOGNITION(ICDAR)》 * |
刘树毅 等: "基于域自适应神经网络的跨项目软件缺陷预测", 《计算机与数字工程》 * |
周牧 等: "基于多核最大均值差异迁移学习的WLAN室内入侵检测方法", 《电子与信息学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723823A (zh) * | 2020-06-24 | 2020-09-29 | 河南科技学院 | 一种基于第三方迁移学习的水下目标检测方法 |
CN111860614A (zh) * | 2020-06-30 | 2020-10-30 | 西安工程大学 | 基于深度子空间自表达的多标签分类方法 |
CN111860614B (zh) * | 2020-06-30 | 2023-09-19 | 西安工程大学 | 基于深度子空间自表达的多标签分类方法 |
CN115086973A (zh) * | 2022-08-19 | 2022-09-20 | 深圳市桑尼奇科技有限公司 | 一种智能家居人体感应方法及装置 |
CN115086973B (zh) * | 2022-08-19 | 2022-11-11 | 深圳市桑尼奇科技有限公司 | 一种智能家居人体感应方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Indoor intelligent fingerprint-based localization: Principles, approaches and challenges | |
Ahmad et al. | Occupancy detection in non-residential buildings–A survey and novel privacy preserved occupancy monitoring solution | |
Yuan et al. | Occupancy estimation in buildings based on infrared array sensors detection | |
CN110390273A (zh) | 一种基于多核迁移学习的室内人员入侵检测方法 | |
CN106559749B (zh) | 一种基于射频层析成像的多目标被动式定位方法 | |
Kouyoumdjieva et al. | Survey of non-image-based approaches for counting people | |
CN114026452A (zh) | 确定无线信号所穿过的空间中的运动区域 | |
CN113966472A (zh) | 确定被识别为无线信号检测到的运动的运动位置的运动区域的置信度 | |
CN106792465A (zh) | 一种基于众包指纹的室内指纹地图构建方法 | |
US20220101709A1 (en) | INDOOR OCCUPANCY ESTIMATION, TRAJECTORY TRACKING and EVENT MONITORING AND TRACKING SYSTEM | |
CN106211084A (zh) | 基于gsm信号的环境感知方法 | |
Zhang et al. | Device-free wireless localization and activity recognition with deep learning | |
US20070132582A1 (en) | Mobile object detection method and detection system | |
D'Aloia et al. | Iot indoor localization with ai technique | |
Shao et al. | Floor identification in large-scale environments with wi-fi autonomous block models | |
Belka et al. | Integrated visitor support system for tourism industry based on IoT technologies | |
Rozum et al. | Bluetooth low power portable indoor positioning system using simo approach | |
CN113271539B (zh) | 一种基于改进的cnn模型的室内目标定位方法 | |
Shin et al. | FindingMiMo: Tracing a missing mobile phone using daily observations | |
Niu et al. | AtLAS: An activity-based indoor localization and semantic labeling mechanism for residences | |
Atashi et al. | Multiple model BLE-based tracking via validation of RSSI fluctuations under different conditions | |
CN109068349A (zh) | 一种基于小样本迭代迁移的室内入侵检测方法 | |
Vidya et al. | Accurate anomaly detection using various machine learning methods for IoT devices in indoor environment | |
Natarajan et al. | A machine learning approach to passive human motion detection using WiFi measurements from commodity IoT devices | |
Feagin Jr et al. | A Review of Existing Test Methods for Occupancy Sensors |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191029 |
|
WD01 | Invention patent application deemed withdrawn after publication |