一种轻微动作扰动场景下基于DTW距离KNN的区域内人员入侵探测方法

一种轻微动作扰动场景下基于dtw距离knn的区域内人员入侵探测方法
技术领域
1.本发明涉及无线感知探测技术领域，具体来说是一种轻微动作扰动场景下基于dtw距离knn的区域内人员入侵探测方法。


背景技术：

2.随着无线网络技术迅速发展，基于无线局域网的无源感知技术受到了广泛关注。wifi技术的兴起与路由器的大量部署为无源感知技术提供了新的思路，具有良好的用户体验和极高的普适性，可以实现更广泛、更经济、更高效的非接触式的人体感知，同时不会由于视野盲区和物体重叠而导致无法获得准确的感知结果，且不存在侵犯隐私的问题。
3.现有的基于wifi的入侵探测系统通常侧重识别人的存在，即在无活动干扰环境下的室内入侵探测，如重庆邮电大学的田增山教授提出的apid基于wifi的自适应室内被动入侵探测、哈尔滨工程大学的一种基于wlan的细粒度室内被动入侵检测方法。以上方法忽视了室内是否有值守者扰动等其他重要因素，而对于有人值守的室内环境，如监护室、仓库、独居老人的房间、养老院等，入侵探测系统仍应当可作为一种重要的安全保障辅助手段。
4.由于人体轻微扰动会导致接收到的csi数据明显波动，所以现有的csi入侵检测方法会因为探测区域中值守者的扰动而面临比较大的性能问题。值守者的活动和有人入侵这两种情况下的csi波形具有相似性并有部分重叠导致入侵探测系统会把值守人员的轻微扰动“判断”成入侵，产生误报。
5.现有的入侵探测方法提取csi方差作为特征值，使用传统的knn算法进行数据分类，当室内存在值守人员的轻微扰动时，这种入侵探测方法误报率高达40％，漏报率接近15％。因此，室内值守人员的轻微动作扰动、家庭饲养的宠物轻微活动等都会影响入侵探测系统精准度，造成较高误报率。
6.由此可见，如何在发展基于无源感知的入侵探测技术的同时，解决在探测区域内有活动干扰的条件下，由于csi波形相似性波动而产生的分类精度低的问题，对提高无源感知入侵探测系统的精准度、降低系统的误报率和漏报率、增强无源感知入侵探测系统的可用性具有重要意义。


技术实现要素：

7.本发明的目的是为了解决现有技术中难以在轻微扰动环境下进行人员入侵探测的缺陷，提供一种轻微动作扰动场景下基于dtw距离knn的区域内人员入侵探测方法来解决上述问题。
8.为了实现上述目的，本发明的技术方案如下：
9.一种轻微动作扰动场景下基于dtw距离knn的区域内人员入侵探测方法，包括以下步骤：
10.11)探测区域内wifi数据的收集：将支持ieee 802.11a/b/g/n无线通信协议的一
对无线信号收发器部署在探测区域内，并使用ping-i 0.001命令每秒收发1000个数据包，分别收集不同目标在探测区域内无人活动及入侵、探测区域内有人入侵、探测区域内有人轻微活动三种人员状态下的无线信号信道状态信息csi数据，其中目标为不同身高、体重的人员；
11.12)数据预处理：对于每个目标在每个动作状态下收集到的数据取中间稳定状态的6000个数据包，从无线信号信道状态信息csi数据中包含的幅值和相位两种信息中，提取出其中的csi幅值信息；采用daubechies小波作为小波函数进行两次分解和重构的离散小波变换，对csi幅值信息数据进行去噪的预处理；
12.13)构建训练数据集、验证数据集与测试数据集：根据去噪预处理后的csi幅值信息数据构建训练数据集、验证数据集与测试数据集；
13.14)csi时域特征的提取：通过幅值差特征提取算法，获得不同人员状态下无线信号状态信息之间的幅值差，作为csi的时域特征；
14.15)区域内人员入侵的探测：使用基于动态时间规整距离的knn检测算法对验证数据集样本进行分类，从验证数据集数据中区分出探测区域内无人活动及入侵、探测区域内有人入侵、探测区域内有人轻微活动三种人员状态，并通过多次交叉验证，找到使分类效果满足探测精准度要求的最佳k值；
15.16)测试数据集分类结果的获得：找到基于动态时间规整距离的knn检测算法的最佳k值后，将测试数据集数据使用基于动态时间规整距离的knn检测算法进行分类，即得到测试数据集的分类结果。
16.所述构建训练数据集、验证数据集与测试数据集的方法如下：
17.从csi幅值信息数据中，取80％用作训练数据集，取10％用作验证数据集，取10％用作测试数据集，其中，
18.训练数据集表示为：
19.x＝{(xk，ck)|k＝1，2，...n1}，
20.是训练数据集中第k个训练样本向量，表示第k个训练样本向量中第i个特征分量值；ck表示第k个样本相应的类别，属于类别标签；n1表示的是训练数据集中训练样本向量的总数；
21.验证数据集表示为：
22.y＝{(y
l
，c
l
)|l＝1，2，...n2}，
23.其中，是验证数据集中第l个验证样本向量，表示第l个验证样本向量中第j个特征分量值；c
l
表示第l个样本相应的类别，属于类别标签，用于交叉验证时判断分类效果的好坏；n2表示的是验证数据集中验证样本向量的总数；
24.测试数据集表示为：
25.z＝{z
p
|p＝1，2，...n3}，
26.其中，是测试数据集中第p个测试样本向量，表示第p个测试样本向量中第r个特征分量值，n3表示的是测试数据集中测试样本向量的总数。
27.所述csi时域特征的提取包括以下步骤：
28.31)从训练数据集中选用一组探测区域内无人活动及入侵时的csi幅值信息向量，
作为用于计算幅值差的无人状态下稳定的基准样本向量组，记为基准样本向量组o；由于信道状态信息中子载波的数量为30，2
×
3的mim0的链路数量为6，所以每组基准样本向量组0中包括180个基准样本向量o；同时，每个样本向量o内共包含i个特征分量值；
29.32)将训练数据集、验证数据集与测试数据集中，不同目标在探测区域内无人活动及入侵、探测区域内有人入侵、探测区域内有人轻微活动，这三种人员状态下所有组的csi幅值信息样本向量分别减去无人状态下稳定的基准样本向量组o，
30.即获得不同人员状态下无线信号状态信息之间的幅值差，作为csi的时域特征，csi时域特征幅值差提取算法具体公式如下：
[0031][0032]
其中，n＝1、2、...180表示每组csi幅值信息样本向量的个数，x表示训练数据集x中三种人员状态下的csi幅值信息样本向量，y表示验证数据集y中三种人员状态下的csi幅值信息样本向量，z表示测试数据集z中三种人员状态下的csi幅值信息样本向量，o表示选用的无人入侵时稳定的csi幅值信息基准向量；
[0033]
完成csi时域特征幅值差的提取处理。
[0034]
所述区域内人员入侵的探测包括以下步骤：
[0035]
41)计算训练数据集样本和验证数据集样本之间的动态时间规整距离dtw；
[0036]
411)设定累计距离矩阵d表示为
[0037][0038]
其中，m(i，j)表示经过幅值差特征提取的训练数据集x中某一训练样本向量x＝(x1，x2，
…
，xi)的第i个特征分量值与经过幅值差特征提取的验证数据集y中某一验证样本向量y＝(y1，y2，
…
，yj)的第j个特征分量值之间的欧氏距离，即
[0039]
412)设定dtw距离的递推计算公式如下：
[0040]
l
min
(i，j)＝min{l
min
(i，j-1)，l
min
(i-1，j)，l
min
(i-1，j-1)} m(i，j)，
ꢀꢀ
(3)
[0041]
其中，l
min
(i,j)表示从矩阵d左上角m(1,1)到任一点m(i,j)的最短路径长度，且令初始条件为l
min
(0,0)＝l
min
(0,1)＝l
min
(1,0)＝0，l
min
(i,j)＝m(1,1)；
[0042]
42)将dtw距离与knn结合，构建改进型的knn分类算法：
[0043]
对所得的dtw距离升序排序，根据设定的k值，取与验证样本距离最近的k个训练样本，得到k个近邻训练样本的类别标签，选取k个训练样本中出现次数最多的类别标签作为此次迭代下验证样本的分类结果；
[0044]
43)交叉验证的评估：通过交叉验证判断本次迭代的分类结果是否满足要求，是否需要调整k值；
[0045]
若需要调整，则设定新的合适的k值，进行下次迭代。当满足迭代结束条件后，停止
迭代，获取最佳分类结果时的k值。
[0046]
所述构建改进型的knn分类算法包括以下步骤：
[0047]
51)通过dtw距离递推计算公式，对验证数据集y中n2个验证样本向量和训练数据集x中n1个训练样本向量进行计算，得到验证数据集y中每个验证样本向量与训练数据集中所有训练样本向量之间的dtw距离；并将计算所得的dtw距离保存在n2个2*n1的二维矩阵中，每个二维矩阵第一行用于储存训练样本向量的标签，第二行储存当前矩阵的验证数据集样本与所有训练样本向量之间的dtw距离；
[0048]
52)根据dtw距离的大小，分别对二维矩阵内的列向量按升序方式进行排序，并根据设定的k值，选取每个二维矩阵中前k列训练样本向量标签和最小dtw距离数据，得到n2个最小dtw距离的k近邻矩阵；
[0049]
53)统计每个最小dtw距离的k近邻矩阵内每种训练样本向量标签出现的次数，并选取当前矩阵内出现次数最多的类别标签作为此次迭代下当前验证样本的分类结果标签，共获得n2个分类结果标签，即验证数据集y中每个验证样本向量均被分类完成。
[0050]
所述交叉验证的评估方法为使用若干次9折交叉验证求均值方法，评估不同k值对轻微扰动场景下基于dtw距离knn的区域内人员入侵探测方法效果的影响，从而选出具有最佳分类效果的超参数k值，其具体步骤如下：
[0051]
61)将训练数据集中的所有样本平均分为与验证数据集中样本数目相同的八份，
[0052]
将训练数据集x的这八份训练样本向量和验证数据集y中的验证样本向量同时使用基于动态时间规整距离的knn检测算法进行分类，从验证数据集样本中区分出探测区域内无人活动及入侵、探测区域内有人入侵、探测区域内有人轻微活动三种人员状态，得到基于当前迭代下k值的分类结果；评估并记录当前迭代下基于该k值的本轮分类结果的精准度；
[0053]
62)将训练数据集x的八份训练样本向量轮流取一份作为新一轮交叉验证的验证数据集样本，其余的七份训练样本向量和上一轮交叉验证的验证数据集样本作为新一轮交叉验证的训练数据集样本，重复上述knn检测算法分类的步骤，并对每一轮交叉验证的分类结果进行评估和记录；
[0054]
63)交叉验证重复9轮后，将9轮交叉验证得到的分类结果精准度求均值，作为对当前迭代下基于该k值的dtw距离knn分类算法精准度的估计；
[0055]
64)对上述的9折交叉验证流程进行多次重复并求均值，最终得到一个针对当前迭代下基于该k值的dtw距离knn分类算法精准度的单一估测。
[0056]
有益效果
[0057]
本发明的一种轻微动作扰动场景下基于dtw距离knn的区域内人员入侵探测方法，与现有技术相比通过提取不同人员状态下无线信号状态信息之间的幅值差作为csi的时域特征，能更好的区分在轻微动作扰动场景下不同人员状态的探测区域内无线信号的信道状态；通过使用基于动态时间规整距离的knn检测算法进行数据分类，分类准确率高，且更适用于在轻微动作扰动场景中的多分类问题；降低了安防系统中入侵探测功能部署成本的同时提高了无源感知入侵探测的精准度。
[0058]
本发明能更好的区分在轻微动作扰动场景下不同人员状态的探测区域内无线信号的信道状态，分类准确率高，且更适用于在轻微动作扰动场景中的多分类问题，解决了在
探测区域内有活动干扰条件下由于csi波形相似性波动而产生的分类精确度低的问题，提高了无源感知入侵探测系统的精准度，降低了系统的误报率和漏报率，增强了无源感知入侵探测系统的可用性，同时还具有部署成本低、响应速度快、适应场景广以及保护隐私等优点。
附图说明
[0059]
图1为本发明的方法顺序图；
[0060]
图2为本发明在实验场景为办公室环境下的实验布局图。
[0061]
图3为本发明在实验场景为实验室环境下的实验布局图。
具体实施方式
[0062]
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：
[0063]
如图1所示，本发明所述的一种轻微动作扰动场景下基于dtw距离knn的区域内人员入侵探测方法，包括以下步骤：
[0064]
第一步，探测区域内wifi数据的收集。
[0065]
将支持ieee 802.11a/b/g/n无线通信协议的一对无线信号收发器部署在探测区域内，并使用ping-i 0.001命令每秒收发1000个数据包，分别收集不同目标在探测区域内无人活动及入侵、探测区域内有人入侵、探测区域内有人轻微活动三种人员状态下的无线信号信道状态信息csi数据，其中目标为不同身高、体重的人员。
[0066]
第二步，数据预处理。
[0067]
对于每个目标在每个动作状态下收集到的数据取中间稳定状态的6000个数据包，从无线信号信道状态信息csi数据中包含的幅值和相位两种信息中，提取出其中的csi幅值信息；采用daubechies小波作为小波函数进行两次分解和重构的离散小波变换，对csi幅值信息数据进行去噪的预处理。
[0068]
第三步，构建训练数据集、验证数据集与测试数据集：根据去噪预处理后的csi幅值信息数据构建训练数据集、验证数据集与测试数据集。
[0069]
从csi幅值信息数据中，取80％用作训练数据集，取10％用作验证数据集，取10％用作测试数据集，其中，
[0070]
训练数据集表示为：
[0071]
x＝{(xk，ck)|k＝1，2，...n1}，
[0072]
是训练数据集中第k个训练样本向量，表示第k个训练样本向量中第i个特征分量值；ck表示第k个样本相应的类别，属于类别标签；n1表示的是训练数据集中训练样本向量的总数。
[0073]
验证数据集表示为：
[0074]
y＝{(yl，c
l
)|l＝1，2，...n2}，
[0075]
其中，是验证数据集中第l个验证样本向量，表示第l个验证样本向量中第j个特征分量值；c
l
表示第l个样本相应的类别，属于类别标签，用于交叉验
证时判断分类效果的好坏；n2表示的是验证数据集中验证样本向量的总数。
[0076]
测试数据集表示为：
[0077]
z＝{z
p
|p＝1，2，...n3}，
[0078]
其中，是测试数据集中第p个测试样本向量，表示第p个测试样本向量中第r个特征分量值，n3表示的是测试数据集中测试样本向量的总数。
[0079]
第四步，csi时域特征的提取：通过幅值差特征提取算法，获得不同人员状态下无线信号状态信息之间的幅值差，作为csi的时域特征。
[0080]
与现有的均值特征提取、方差特征提取、小波系数特征提取、小波方差特征提取技术相比，本发明通过幅值差特征提取算法，提取不同人员状态下无线信号状态信息之间的幅值差，作为csi的时域特征；既具备差异性的同时降低了信道状态信息特征提取的复杂度和时间，能更好的区分在轻微动作扰动场景下不同人员状态的探测区域内无线信号的信道状态。
[0081]
其具体步骤如下：
[0082]
(1)从训练数据集中选用一组探测区域内无人活动及入侵时的csi幅值信息向量，作为用于计算幅值差的无人状态下稳定的基准样本向量组，记为基准样本向量组o；由于信道状态信息中子载波的数量为30，2
×
3的mimo的链路数量为6，所以每组基准样本向量组0中包括180个基准样本向量o；同时，每个样本向量o内共包含i个特征分量值。
[0083]
(2)将训练数据集、验证数据集与测试数据集中，不同目标在探测区域内无人活动及入侵、探测区域内有人入侵、探测区域内有人轻微活动，这三种人员状态下所有组的csi幅值信息样本向量分别减去无人状态下稳定的基准样本向量组o，
[0084]
即获得不同人员状态下无线信号状态信息之间的幅值差，作为csi的时域特征，csi时域特征幅值差提取算法具体公式如下：
[0085][0086]
其中，n＝1、2、
…
180表示每组csi幅值信息样本向量的个数，x表示训练数据集x中三种人员状态下的csi幅值信息样本向量,y表示验证数据集y中三种人员状态下的csi幅值信息样本向量，z表示测试数据集z中三种人员状态下的csi幅值信息样本向量，o表示选用的无人入侵时稳定的csi幅值信息基准向量；
[0087]
完成csi时域特征幅值差的提取处理。
[0088]
第五步，区域内人员入侵的探测：使用基于动态时间规整距离的knn检测算法对验证数据集样本进行分类，从验证数据集数据中区分出探测区域内无人活动及入侵、探测区域内有人入侵、探测区域内有人轻微活动三种人员状态，并通过多次交叉验证，找到使分类效果满足探测精准度要求的最佳k值。
[0089]
与传统的基于欧氏距离的knn检测算法相比，通过使用更能识别时间序列之间相似性的动态时间规整(dynamic time warping，dtw)距离，并与knn分类算法的思想相结合，从而得到基于动态时间规整距离的knn检测算法来对数据进行分类，分类准确率高，且更适
用于在轻微动作扰动场景中的多分类问题；解决了在探测区域内有活动干扰的条件下，由于csi波形相似性波动而产生的分类精度低的问题，对提高无源感知入侵探测系统的精准度、降低系统的误报率和漏报率、增强无源感知入侵探测系统的可用性具有重要意义。
[0090]
其具体步骤如下：
[0091]
(1)计算训练数据集样本和验证数据集样本之间的动态时间规整距离dtw，dtw距离不仅可以衡量两个长度不同的时间序列的相似度，而且非常适合对具有不同频率或异相的序列进行分类，所以用dtw距离能更好的区分出不同人员状态下的无线信号信道状态信息，更具有实际意义。
[0092]
a1)设定累计距离矩阵d表示为
[0093][0094]
其中，m(i，j)表示经过幅值差特征提取的训练数据集x中某一训练样本向量x＝(x1，x2，
…
，xi)的第i个特征分量值与经过幅值差特征提取的验证数据集y中某一验证样本向量y＝(y1，y2，
…
，yj)的第j个特征分量值之间的欧氏距离，即
[0095]
a2)设定dtw距离的递推计算公式如下：
[0096]
l
min
(i，j)＝min{l
min
(i，j一1)，l
min
(i-1，j)，l
min
(i-1，j-1)} m(i，j)，
ꢀꢀ
(3)
[0097]
其中，l
min
(i，j)表示从矩阵d左上角m(1，1)到任一点m(i，j)的最短路径长度，且令初始条件为l
min
(0，0)＝l
min
(0，1)＝l
min
(1，0)＝0，l
min
(i，j)＝m(1，1)。
[0098]
(2)将dtw距离与knn结合，构建改进型的knn分类算法：
[0099]
对所得的dtw距离升序排序，根据设定的k值，取与验证样本距离最近的k个训练样本，得到k个近邻训练样本的类别标签，选取k个训练样本中出现次数最多的类别标签作为此次迭代下验证样本的分类结果。
[0100]
b1)通过dtw距离递推计算公式，对验证数据集y中n2个验证样本向量和训练数据集x中n1个训练样本向量进行计算，得到验证数据集y中每个验证样本向量与训练数据集中所有训练样本向量之间的dtw距离；并将计算所得的dtw距离保存在n2个2*n1的二维矩阵中，每个二维矩阵第一行用于储存训练样本向量的标签，第二行储存当前矩阵的验证数据集样本与所有训练样本向量之间的dtw距离；
[0101]
b2)根据dtw距离的大小，分别对二维矩阵内的列向量按升序方式进行排序，并根据设定的k值，选取每个二维矩阵中前k列训练样本向量标签和最小dtw距离数据，得到n2个最小dtw距离的k近邻矩阵；
[0102]
b3)统计每个最小dtw距离的k近邻矩阵内每种训练样本向量标签出现的次数，并选取当前矩阵内出现次数最多的类别标签作为此次迭代下当前验证样本的分类结果标签，共获得n2个分类结果标签，即验证数据集y中每个验证样本向量均被分类完成。
[0103]
(3)交叉验证的评估：通过交叉验证判断本次迭代的分类结果是否满足要求，是否需要调整k值；
[0104]
若需要调整，则设定新的合适的k值，进行下次迭代。当满足迭代结束条件后，停止迭代，获取最佳分类结果时的k值。
[0105]
所述交叉验证的评估方法为使用若干次9折交叉验证求均值方法，评估不同k值对轻微扰动场景下基于dtw距离knn的区域内人员入侵探测方法效果的影响，从而选出具有最佳分类效果的超参数k值，其具体步骤如下：
[0106]
c1)将训练数据集中的所有样本平均分为与验证数据集中样本数目相同的八份，
[0107]
将训练数据集x的这八份训练样本向量和验证数据集y中的验证样本向量同时使用基于动态时间规整距离的knn检测算法进行分类，从验证数据集样本中区分出探测区域内无人活动及入侵、探测区域内有人入侵、探测区域内有人轻微活动三种人员状态，得到基于当前迭代下k值的分类结果；评估并记录当前迭代下基于该k值的本轮分类结果的精准度；
[0108]
c2)将训练数据集x的八份训练样本向量轮流取一份作为新一轮交叉验证的验证数据集样本，其余的七份训练样本向量和上一轮交叉验证的验证数据集样本作为新一轮交叉验证的训练数据集样本，重复上述knn检测算法分类的步骤，并对每一轮交叉验证的分类结果进行评估和记录；
[0109]
c3)交叉验证重复9轮后，将9轮交叉验证得到的分类结果精准度求均值，作为对当前迭代下基于该k值的dtw距离knn分类算法精准度的估计；
[0110]
c4)对上述的9折交叉验证流程进行多次重复并求均值，最终得到一个针对当前迭代下基于该k值的dtw距离knn分类算法精准度的单一估测。
[0111]
第六步，测试数据集分类结果的获得：找到基于动态时间规整距离的knn检测算法的最佳k值后，将测试数据集数据使用基于动态时间规整距离的knn检测算法进行分类，即可得到测试数据集的分类结果。
[0112]
在此，以图2和图3为例，阐述其探测过程及效果。
[0113]
首先是数据收集，分别在图2和图3所示的两个实验场景中收集不同目标在探测区域内无人活动及入侵、有人从门位置入侵探测区域、值守人员在椭圆形区域内进行轻微活动三种人员状态下的无线信号信道状态信息csi数据；所述目标为20名不同身高、体重的实验者，无线信号探测区域为整个办公室。实验平台选用路由器作为发射端，路由器距地面80cm；一台配有intel 5300网卡和开源工具csi-tools的台式电脑作为接收端，台式电脑距地面50cm，使用无加密的方式连接到指定的路由器，并使用ping-i 0.001命令每秒约产1000个数据包。在两个实验场景中，对每名实验者每个动作状态下收集中间稳定状态的6000个数据包作为样本，每个csi数据包包含了30个不同中心频率的子载波信息，2
×
3mimo链路中发送天线和接收天线分别有2根和3根，所以我们收集和分析的csi数据总数约为130万。信道状态信息包含幅值和相位两种信息，提取其csi幅值信息，采用daubechies小波作为小波函数进行两次分解和重构的离散小波变换，对csi幅值信息数据进行去噪的预处理。取2/3预处理后的数据用作训练数据集，取1/3预处理后的数据用作测试数据集，建立训练数据集和测试数据集，并通过幅值差特征提取算法对数据集中的数据进行处理，获得不同人员状态下无线信号状态信息之间的幅值差，作为csi的时域特征。
[0114]
表1测试数据集分类结果准确度记录表
[0115][0116][0117]
表1是提取数据集中数据的幅值差特征后，将幅值差特征作为基于动态时间规整距离的knn检测算法的输入，并经过多次迭代后得到的三种人员状态在两种实验环境中进行分类测试的混淆矩阵结果对比表。其中加下划线的数据为各状态的分类准确度，平均的分类的准确度达到99.3％。
[0118]
表2不同实验环境下测试数据集分类结果精确度记录表
[0119]
实验环境准确度误报率漏报率办公室100％00实验室99.3％02.05％平均99.65％01.03％
[0120]
为了评价该方法在不同实验环境下分类的精确度，表2统计了在4
×
7平方米的办公室和在3
×
4平方米的实验室中基于csi幅值差和动态时间规整距离knn的入侵探测系统实验的准确率、误报率和漏报率结果。办公室是封闭的室内环境，实验室是三面玻璃的房间。可以看出无论哪种环境下，所提出的方法均具有较高的准确率，平均准确率可达到99.65％，无误报、漏报的概率为1.03％。
[0121]
综上所述，本发明能更好的区分在轻微动作扰动场景下不同人员状态的探测区域内无线信号信道状态，分类准确率高，且更适用于在轻微动作扰动场景中的多分类问题，解决了在探测区域内有活动干扰条件下由于csi波形相似性波动而产生的分类精确度低的问题，提高了无源感知入侵探测系统的精准度，降低了系统的误报率和漏报率，增强了无源感知入侵探测系统的可用性，同时还具有部署成本低、响应速度快、适应场景广以及保护隐私等优点。
[0122]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。