基于CNN的泄漏电缆入侵检测定位算法

来源:用户上传      作者:

　　【摘  要】
　　泄漏电缆入侵检测系统所处的外部环境较为复杂，为降低环境因素对泄露电缆入侵检测的影响，提出了基于卷积神经网络的入侵检测算法。通过卷积神经网络处理大量的样本数据，并从数据中自动提取内在特性，实现泄漏电缆电磁入侵检测系统更低的误报率、漏报率和更高的定位精度的目标，搭建了卷积神经网络入侵检测模型，并用样本数据对模型进行训练和测试。模型测试结果表示其具有低漏报率和误报率，定位精度可达到1 m。
　　【关键词】泄漏电缆;卷积神经网络;入侵检测;入侵定位
　　doi：10.3969/j.issn.1006-1010.2020.04.019      中图分类号：TN929.5
　　文献标志码：A      文章编号：1006-1010（2020）04-0091-06
　　引用格式：朱妍静，刘太君，叶焱，等. 基于CNN的泄漏电缆入侵检测定位算法[J]. 移动通信， 2020，44（4）： 91-96.
　　Leakage Cable Intrusion Detection and Location Algorithms Based on CNN
　　ZHU Yanjing， LIU Taijun， YE Yan， ZHANG Fangjie
　　（Faculty of Electrical Engineering and Computer Science， Ningbo University， Ningbo 315211， China）
　　[Abstract]
　　Leakage cable intrusion detection system usually faces complex external environments. Therefore， in order to reduce the impact of environmental factors， an intrusion detection algorithm based on the convolutional neural network （CNN） is proposed. The CNN is used to process a large amount of sample data， and the intrinsic characteristics are automatically extracted from the data to realize the goal of lower false alarm rate， missing alarm rate and higher positioning accuracy in the leakage cable intrusion detection system. A CNN-based intrusion detection model is established to train and test the sample data， and the model test results show that it has low missing alarm rate and false alarm rate， and its positioning accuracy can reach 1 m.
　　[Key words] leakage cable; CNN; intrusion detection; intrusion location
　　0   引言
　　隨着社会经济的发展和城市现代化程度的提高，社会的不安定因素也越来越多，人们对于安全的重视程度也不断提高。尤其在一些重要区域，如军事基地、核电站、监狱、铁路沿线等，防止非法入侵至关重要。泄漏电缆周界入侵检测系统具有安装位置隐蔽，覆盖域广，报警准确率高，受环境因素影响小，定位精度高等优点[1]，在各种安防系统中体现出较强的优势，得到了广泛的应用。
　　周界入侵检测系统的主要目标是对入侵实现精确的检测和定位，其主要性能指标为误报率和漏报率以及定位精度。因此，周界入侵检测系统的设计均是以降低系统的误报率和漏报率，提高定位精度为目的。泄漏电缆电磁入侵检测系统受到复杂多变的外部环境的影响，更低的误报率、漏报率和更高的定位精度需要更加优秀的检测定位算法的支持。
　　本文结合码的自相关定位算法，提出将卷积神经网络应用于泄漏电缆入侵精确检测定位算法。卷积神经网络近年来已在图像识别、语音识别等领域得到广泛的应用[2]。卷积神经网络通过多个卷积层的组合，逐层提取数据的特征，从而达到精确的识别和分类等功能。因此，利用卷积神经网络从数据中提取特征的能力，对系统采集的入侵数据进行训练，提取人为入侵特征，从而实现对入侵的检测和精确定位，并大大提高了入侵检测定位的准确率。
　　1   入侵检测定位原理
　　1.1  系统组成
　　泄漏电缆周界入侵检测系统主要由系统主机、两根导入缆、两根泄漏电缆、终端匹配负载以及上位机显示模块构成。其组成框图如图1所示，其中，系统主机包括发射模块、接收模块和控制处理模块。
　　控制处理模块产生码字并进行调制，经过数模转换器将数字信号转化成模拟信号，由功率放大器将信号放大到足够的输出功率，向泄漏电缆的发射缆中传输。其中，部分信号能量经电缆传输消耗在负载上，另有部分信号通过泄漏电缆的槽孔辐射出来，并被接收缆感应接收，因此在两条电缆之间形成了稳定的电磁场。接收缆感应接收到的信号也有一部分传向负载，有用的部分则是传回系统主机的信号。该信号经过滤波和低噪声放大器，再由模数转换器将模拟信号转化为数字信号并进行解调，由控制处理模块对该信号进行相关的算法处理。处理的结果将会传送给上位机，上位机可以显示是否有入侵以及入侵的精确定位。 　　1.2  检测定位原理
　　两条电缆之间，由于信号能量的泄露，形成了一个电磁场区域，即入侵的监视防区[3]。当电缆之间没有人入侵时，电磁场比较稳定;当有人入侵时，防区的磁场会发生波动，接收到的信号也会发生改变。同时，环境因素比如大风、大雨、防区内大树的摇动以及小动物的进入也会影响到防区的电磁场，造成接收信号的变化。变化的信号传送回系统主机，经过系统主机识别，区分人为入侵与其他因素的扰动，经过算法处理实现入侵的检测和定位。
　　本文采用码的自相关方法进行入侵的检测和定位，通信系统中通常选择用自相关性良好的巴克码作为同步码。然而巴克码的长度有限，最大长度为13位，不满足定位技术的需要，因此将巴克码以一定的规律进行扩展而得到格雷（Golay）码[4]，其编码方式如表1所示：
　　其中，a=（-1， +1），b=（+1， +1），a-和b-分别表示将a和b取反。长度为n的格雷码的自相关函数可表示为：
　　（1）
　　检测定位的原理[5]如图2所示。系统主机发射码字，经过泄漏电缆在距离x处的辐射和接收，传输回系统主机。因此，通过计算信号在其传输路径中消耗的时间即可获得信号的传输距离。由于码字良好的自相关特性，传输回系统主机的信号与一个延时的参考信号进行相关运算，自相关的结果能够反映距离x处接收到的强度[6]，而参考信号的延时就是信号在其传输路径中消耗的时间。
　　泄漏电缆入侵检测定位的主要思想如图3所示，就是将泄漏电缆的监视防区分成若干个间隔相等的距离单元。当有人从某个位置穿过泄漏电缆之间的监视防区时，会对相应距离单元的电磁场造成干扰，并且也会对邻近的几个距离单元的电磁场产生干扰，但入侵位置对相应的距离单元有最大的影响[7]。此外，环境因素也会对电磁场产生扰动。系统主机通过接收缆接收到信号检测每个距离单元内的电磁场波动情况，判断是否是人的入侵，并确定入侵的位置。
　　系统接收的信号是各个距离单元反射回来的信号的叠加[8]，因此，对接收信号进行自相关运算的结果是一组反映各个距离单元的电磁场强度的数据，如图4所示。
　　因此，可以根据各个距离单元当前时刻的自相关值与之前某一无入侵时刻的自相关值之间的变化量来判断是否有入侵。而自相关值变化量最大的距离单元可以认为是人入侵的距离单元。
　　图5为无入侵和有入侵时各个距离单元磁场强度对比图。从图中可以看出，每个距离单元的磁场强度都会发生波动，但其中有几个距离单元的变化较大。但是，具体是否有入侵以及入侵的位置，通常很难通过肉眼直接观察出来，因此，需要进一步的算法来判断和定位。本文采用了具有CNN（Convolutional Neural Networks，卷积神经网络）模型的入侵检测算法排除环境等外界干扰，提取人为入侵特征，来准确地检测入侵并对入侵进行精确定位。
　　2    基于CNN的入侵检测模型构建
　　上一章节中阐述的入侵检测方法的定位精度为一个距离单元的大小，该距离单元的大小是由载波周期决定的[9]。为了提高定位精度，得到更加精确的入侵位置，需要进一步的数据处理。本文对每一个入侵点的数据进行采集，采用卷积神经网络进行训练和测试。
　　2.1  训练数据的获取
　　系统主机的控制处理模块将接收的信号进行处理后，得到一组自相关数据，反映的是某一时刻各个距离单元的磁场强度。取这组数据的前20个数据，即前20个距离单元的磁场强度。采集一段时间内在同一位置进行多次入侵的数据，如图6所示：
　　图6中的每一条曲线代表每一个距离单元在一段时间内的相关值的变化。当无人入侵时，磁场强度波动很小，当有人入侵时，入侵位置对应的距离单元及其附近的距离单元会逐渐增加或减小，再逐渐恢复平稳的过程，且每次入侵的磁场变化趋势相同。入侵位置不同时，产生较强磁场波动的距离单元以及波动强度不同。
　　为了实现对入侵的检测，需要取一段时间内磁场的变化进行处理。因此，采用一个宽度为20个数据的滑动窗口，这个窗口沿着时间线滑动，如图6中的红框，窗口内的数据则是CNN模型输入所需的20×20的二维数据。图7为每个输入数据的示意图。
　　每一个输入数据对应一个输出的标签，根据具体入侵情况，分为无入侵的标签和有入侵的具体入侵位置的标签。将所有的原始数据进行以上处理，产生用于CNN模型训练和测试的输入数据和对应的标签。选取了具有代表性的11个距离进行了入侵，每个距离均入侵了三百多次，采集了三千多个入侵数据。
　　2.2  训练模型的搭建
　　参考图像识别的CNN模型[10]，搭建了用于泄漏电缆电磁入侵检测定位算法的模型。其结构如图8所示。基于CNN的入侵检测定位模型为输入层、隐含层和输出层三层结构。其中，隐含层由数据处理层、卷积层网络、全连接层网络和Softmax层构成。
　　卷积神经网络的输入为一个20×20的二维数据，代表了20个时刻的20个距离单元的自相关值，输出为一个一维12位的数据，即网络输出的分类包括无入侵以及11个入侵位置。
　　数据处理层主要是对输入的数据进行归一化操作的层。该网络中采用了批量归一化（Batch Normalization， BN）[11]的方法，将输入的数据变换成均值为0，方差为1的一组数据。其过程可以用公式（2）～（5）表示。在公式（5）中，引入了兩个参数α和β，这两个参数也需要通过模型训练出来。
　　y（i）=ax^（i）+β                （5）
　　卷积层网络由两个卷积和池化层构成，其中，第一个卷积层的卷积核为3×3，通道数为5，以Relu作为激活函数;第二个卷积层采用5×5的卷积核，通道数为20，激活函数同样为Relu;两个池化层的池化窗口均为2×2，窗口滑动的步长为1。卷积层网络对数据的特征提取。全连接层网络由两个全连接层组成，第一个全连接层的输出为128位，第二个全连接层的输出为12位。添加Softmax层是分类问题的最常见的方法，Softmax使输出的结果转化为概率，概率最高的类别即为最可能的预测的类别。 　　3   模型训练及测试结果
　　为实现入侵的检测和定位，本文选择了MXNet深度学习框架来实现卷积神经网络模型。训练的数据集为由泄漏电缆入侵检测系统平台采集的11个位置的3 000多个有入侵时的数据和6万多个无入侵时的数据，以及对应的标签由于系统通常情况下处于无入侵的状态，因此采集的无入侵数据大大多于有入侵的数据。将数据集的一小部分作为测试数据集，其他数据作为训练数据集。
　　训练模型时，在对测试数据集进行不断迭代的过程中，训练的总损失值的变化如图9所示。随着迭代次数的增加，训练的损失值越来越小，接近于零，就是模型的输出与真实的标签值越来越接近，输出结果越来越准确。
　　将测试数据集的数据输入训练好的模型中，测试结果如图10所示。其中Output为通过模型计算出的结果，Label为实际的标签。Output与Label中的0表示无入侵，其他数字表示入侵位置的类别。从所得的结果中可以看出，模型计算结果与实际标签基本一致，因此，该CNN模型具有入侵检测和定位的能力，经过计算得出，其漏报率约为0.89%，误报率约为9.5%。定位精度CDF曲线如图11所示。
　　该模型与文献[12]中基于恒虚警的算法相比，误报率虽无很大的降低，但将定位精度提高到了1 m。并且，随着训练样本点和样本数的增加，其性能也会越来越好。
　　4   结束语
　　本文结合码的自相关定位方法实现入侵的检测和粗略定位，并提出了基于CNN模型的入侵检测定位算法对入侵进行进一步的精确定位。利用MXNet深度学习框架对CNN模型进行训练和测试，测试结果表明：基于CNN的泄漏电缆入侵检测定位算法具有良好的检测入侵和定位入侵的能力。
　　参考文献：
　　[1]   HARMAN K， MESSNER W K. Outdoor perimeter security sensors a forty year perspective[C]//IEEE International Carnahan Conference on Security Technology. IEEE， 2012： 1-9.
　　[2]     周志华. 机器学习[M]. 北京： 清华大学出版社， 2016.
　　[3]    WANG J H， MEI K K. Theory and analysis of leaky coaxial cables with periodic slots[J]. IEEE Transactions on Antennas & Propagation， 2001，49（12）： 1723-1732.
　　[4]     HARMAN K， HODGINS B. Next generation of GUIDAR  technology[J]. IEEE Aerospace and Electronic Systems Magazine， 2005，20（5）： 16-26.
　　[5]    INOMATA K， HIRAI T， SUMI K， et al. Wide-area Surveillance Sensor with Leaky Coaxial Cables[C]//Sice-Icase International Joint Conference. IEEE， 2006： 959-963.
　　[6]    罗志瑛. 泄漏电缆导波雷达高精度定位信号处理方法研究[D]. 大庆： 东北石油大学， 2016.
　　[7]     乔宏章，张军. 泄漏电缆周界监视技术研究[J]. 无线电工程， 2013（3）： 43-46.
　　[8]   WANG X， WANG J， ZHANG Z， et al. Coupling characteristics between leaky coaxial cables with and without obstacle[C]//International Symposium on Antennas Propagation & EM Theory. IEEE， 2012： 612-615.
　　[9]    王显刚. 基于漏泄同轴电缆与分布式天线的预警系统研究[D]. 北京： 北京交通大学， 2013.
　　[10]  HINTON G E， OSINDERO S， TEH Y W.  A Fast Lear-ning Algorithm for Deep Belief Nets[J]. Neural Computation， 2014，18（7）： 1527-1554.
　　[11]  IOFFE S， SZEGEDY C. Batch Normalization： Accelerating Deep Network Training by Reducing Internal Covariate Shift[Z]. 2015.
　　[12]   陳珊，刘太君，尹思源，等. 基于恒虚警的定位式泄漏电缆入侵检测技术[J]. 无线通信技术， 2017，26（3）： 1-5.★
　　作者简介
　　朱妍静（orcid.org/0000-0002-4176-626X）：
　　宁波大学信息科学与工程学院在读硕士研究生，研究方向为无线通信、泄漏电缆入侵检测系统关键技术等。
　　刘太君（orcid.org/0000-0002-0634-7756）：教授，博士生导师，现任职于宁波大学信息科学与工程学院，研究方向为射频功放建模和线性化技术、高效射频功放设计、智能射频技术等。
　　叶焱：副研究员，硕士生导师，现任职于宁波大学信息科学与工程学院，研究方向为无线通信技术。
转载注明来源:https://www.xzbu.com/8/view-15186272.htm