流滑动窗信号特征的概率密度函数分布情况 准确计算数据流异常情况。第四、本发明创新的利用步骤九构建的模糊规则库进行模糊推 理对室内目标入侵进行定位。第五、本发明在检测过程中利用步骤十五不断的更新异常检 测门限使本发明能有效适应实时变化的无线网络环境。第六、本发明利用步骤十六实时监 测的数据流集合变化情况自适应更新模糊规则库，使得本发明在环境中AP或MP的部署出 现变化是仍能正常工作。第七、本发明在步骤十八中创新的利用模糊规则相似性构建新的 模糊规则增加入侵检测定位准确性。
【附图说明】
[0100] 图1是本发明的系统流程图；
[0101] 图2是本发明的室内WLAN入侵检测定位不意图；
[0102] 图3是本发明的实验测试环境；
[0103] 图4是本发明的数据流信号强度；
[0104] 图5是本发明的入侵检测定位结果；
[0105] 图6是本发明的入侵检测概率结果。
【具体实施方式】
[0106] 以下结合附图，对本发明作进一步说明：
[0107] 参见图1，【具体实施方式】一：结合图1说明本实施方式，本实施方式步骤如下：
[0108] 步骤一：在无人静默环境下，利用监测设备（MonitorPoint，MP)采集环境中 来自不同无线接入点（AccessPoint，AP)的信号强度，从而采集得到K个数据流5」= [Sj，? ? ?，Sj，m](j= 1，? ? ?，K)，其中，K为MP数目与AP数目之积，Sj，t,(t= 1，? ? ?，m)为弟 j个数据流中第t时刻的信号强度值，m为无人静默环境监测时间长度，且记数据流集合为 A= {Sj,. . . ,Sj；
[0109] 其中，无人静默环境为监测环境中没有人或目标的出现的环境状态。若环境中有 人或目标出现则环境状态称为目标入侵状态。
[0110] 步骤二：利用公式一所示的滑动窗函数，将数据流h划分为m个滑动窗数组，令 Wj，t(t= 2,. . .，m) (t改为从2秒开始）为第j个数据流在第t时刻的滑动窗数组。
[0111]
[0112] 其中，L为最大滑动窗宽度；
[0113] 步骤三：计算t时刻的数据流信号特征Xt=[x1>t,x2，t, . . .，xk，t],(t= 2, . . .，m)， (t改为从2秒开始）其中，Xj，t(j= 1，. ..，K;t= 2,. . .，m) (t改为从2秒开始）为各滑动 窗W"t中信号强度的方差，其计算过程如公式二所示：
[0114]
[0115] 步骤四：基于公式四所述的Epanechnikov核函数，得到Xj，j^概率密度函数fj(x) (j= 1，. . .，K)，如公式三所示：
[0116]
[0117] 其中，比为核密度估计带宽，其取值根据Scott规则得到，如公式五所示， Epanechnikov核函数V的计算表达式如公式四所示。
[0118]
[0119] hj= 2. 345 〇jXm-0-2 公式五
[0120] 其中，〇j为第j个数据流中所有滑动窗方差xj;t的标准差；
[0121] 步骤五：计算各数据流滑动窗方差的异常判决门限+(j= 1，...，K)，如公式六所 不〇
[0122] (0.9)公式六
[0123] 其中，函数F/1为密度函数fj(x)的累积分布函数Fj(x)的逆函数。
[0124] 利用模糊集合"正常"、"异常"、"严重异常"对数据流信号特征进行划分，且分 别用符号Ap^和A3表示以上三个模糊集合。
[0125] 数据流信号特征Xj，t对模糊集合"正常"的隶属度如公式七所示。
[0126]
[0127] 数据流信号特征对模糊集合"异常"的隶属度^:(气夕如公式八所示。
[0128]
[0129]其中，Z7,'(0.95),,
[0130] 数据流信号特征对模糊集合"严重异常"的隶属度h3(x#)如公式九所示。
[0131]
[0132] 其中，"^二厂/⑴；
[0133] 步骤六：利用N组训练数据[\，ZJ(i= 1，. . .，N)提取模糊规则，如公式十所示。
[0134] 规则Ri:若&ef，且…，且^ ，则入侵区域为Zi公式十
[0135] 其中，公式十中模糊规则分为模糊输入和模糊输出两部分。模糊输入为模糊规 则条件判断语句的条件部分，如：若气,eC且…，且。模糊输出为模糊规则条 件判断语句的结论部分，如：入侵区域为ZpXi=[xx2，i,. . .，x&J(i= 1，. . .，N)为 第i组训练数据的K个数据流信号特征，Zi为第i组训练数据入侵区域，将环境划分 为g个区域，且分别用Zone^ ? ? ?，Zoneg表示，则有ZiG{Zone^Zone2, ? ? ?，Zoneg}，令 e{4,為，為}(7 = 1，…龙/ =l，...A0表示信号特征Xji所属隶属度最大的模糊集合，即：
[0136] H ，(/? = 1,2,3)公式^^一
[0137] 步骤七：计算步骤六中构建的N个模糊规则的激励强度《i，如公式十二。
[0138]
[0139] 步骤八：计算步骤六中构建的N个规则的置信度CFp如公式十三所示。
[0140]
[0141] 其中，P为N个规则中与规则氏有相同模糊输入的规则的集合，集合P中有\个 规则，对应的激励强度为W=I…A/〃）。C为N个规则中与规则氏有相同模糊输入和输 出的规则的集合，集合C中有N。个规则，对应的激励强度为(e= 1，…，&)。
[0142] 步骤九：模糊规则合并，对于有相同模糊输入和模糊输出的规则，仅保留最大置信 度的那一个规则，构建模糊规则库S的模糊推理系统。其中，模糊规则库S的结构如下：
[0143] 规则1 :若且…，且则入侵区域为Zi的置信度为CFi
[0144] 规则2 :若Ae41，且…，且<，则入侵区域为Z2的置信度为CF2
[0145] .........
[0146] 规则N' ：若xl€4l，且…，且& 则入侵区域为ZN，的置信度为CFN，其中，N'为 合并后的规则数目，尤.(./_ = 为数据流信号特征（j= 1，2, . . .，K)隶属度最大的 模糊集合（"正常"、"异常"、"严重异常"），即，（P = 1，2,3)，模糊输出Zp Z2,???，ZN，G {Zone丨，Zone2,???，ZoneJ 为入侵区域。
[0147] 步骤十：各MP实时监测环境中的信号数据流；
[0148] 步骤十一：检测动态环境中的数据流集合A= {Si，...，SK}是否发生因无线接入点 增加或故障所引起的数据流集合元素变化，若数据流集合A中的元素发生变化，变化的数 据流元素集合记为4'^'={51，...，5 1?，}，其中，1('为变化后的数据流数目，进入步骤十二， 否则，进入步骤十四；
[0149] 步骤十二：记录环境中新出现数据流集合A'的持续时间t，若t超过设定阈值td， 则判定环境中的数据流集合发生变化，并进入步骤十三，否则，进入步骤十四；
[0150] 步骤十三：自适应更新模糊规则：
[0151] 步骤十三一：对由于无线接入点增加引起的新出现的数据流（即SfA'且 )的信号特征\t将其划分到新的模糊集合"无关"中，隶属度设为1，模糊集合"无关"用A4 表示，即h4CSv)=1。利用公式三计算新出现的数据流（即A'且的信号特征 的分布函数A(x)，并利用公式六计算新出现的数据流h的异常判决门限= /V(〇.9)。
[0152] 步骤十三二：对由于无线接入点故障引起消失的数据流（即A且& ）的 信号特征将其模糊划分改为"无关"，其隶属度设为1，即=1。
[0153] 步骤十四：判断动态环境中各数据流的信号特征Xj，t(j= 1，2，...，K'）是否大于 各自对应的异常判决门限〃，=/V(〇.9)，（j= 1，2，...，K'）。若各数据流的信号特征均小 于各自的异常判决门限，则判断此时信号特征正常且监测环境中无入侵，进入步骤十五。否 贝1J，判断此时信号特征异常且监测环境中有入侵情况出现，进入步骤十六；
[0154] 步骤十五：将正常的数据流信号特征Xj，t，（j= 1，...，K'）代入步骤四、步骤 十三一中对应的数据流，增加正常信号特征的数目利用公式三重新计算各数据流信号特征 的分布函数，利用公式六重新计算异常判决门限=^^(0.9)，并进入步骤十；
[0155] 步骤十六：将步骤十四中判断为异常数据流的信号特征Xj，t，（j= 1，. . .，K'）进行 模糊划分以构建模糊输入，如公式十四所示：
[0156] 若Xl,t是4;;:，且x2,t是尤，…，且47 公式十四
[0157] 其中，Xj,t(j= 1，...，K'）为各数据流对应的信号特征，= …J')为相应 的数据流信号特征隶属度最大的模糊集合。
[0158] 步骤十七：将步骤十六构建的模糊输入和模糊规则库中的规则进行匹配，若模糊 规则库中有规则与之匹配，则进入步骤十九，否则，进入步骤十八；
[0159]步骤十八：设定模糊集合间的距离为：D( "正常"，"异常"）=1，D( "异常"，"严重 异常"）=1，D( "严重异常"，"无关"）=1，D( "正常"，"严重异常"）=