1.一种基于模糊规则更新的室内WLAN被动入侵检测定位方法，其特征在于，包括以下步骤：

步骤一：在无人静默环境下，利用监测设备MP采集环境中来自不同无线接入点AP的信号强度sj,t,，从而采集得到K个数据流Sj＝[sj,1,...,sj,m](j＝1,...,K)，(其中，K为MP数目与AP数目之积，sj,t,(t＝1,...,m)为第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＝{S1,...,SK}；

步骤二：利用公式(1)所示的滑动窗函数，将数据流Sj划分为m-1个滑动窗数组，令Wj,t(t＝2,...,m)为第j个数据流在第t时刻的滑动窗数组；

其中，L为最大滑动窗宽度；

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)，其中，xj,t(j＝1,...,K；t＝2,...,m)为各滑动窗Wj,t中信号强度的方差，其计算过程如公式(2)所示：步骤四：基于公式(4)的Epanechnikov核函数，得到xj,t的概率密度函数fj(x)(j＝

1,...,K)，如公式(3)所示：

其中，hj为核密度估计带宽，其取值根据Scott规则得到，如公式(5)所示，Epanechnikov核函数V的计算表达式如公式(4)所示；

hj＝2.345σj×m-0.2   (5)其中，σj为第j个数据流中所有滑动窗方差xj,t的标准差；

步骤五：计算各数据流滑动窗方差的异常判决门限uj(j＝1,...,K)，如公式(6)所示；

其中，函数 为密度函数fj(x)的累积分布函数Fj(x)的逆函数；

利用模糊集合“正常”、“异常”、“严重异常”对数据流信号特征xj,t进行划分，且分别用符号A1、A2和A3表示以上三个模糊集合；数据流信号特征xj,t对模糊集合“正常”的隶属度如公式(7)所示，数据流信号特征xj,t对模糊集合“异常”的隶属度 如公式(8)所示，其中，

数据流信号特征xj,t对模糊集合“严重异常”的隶属度 如公式(9)所示，其中，

步骤六：利用N组训练数据[Xi,Zi](i＝1,...,N)提取模糊规则，如公式(10)所示；

规则Ri：若 且…，且 则入侵区域为Zi(10)其中，公式(10)中模糊规则分为模糊输入和模糊输出两部分，Xi＝[x1,i,x2,i,...,xK,i](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Zone1,...,Zoneg表示，则有Zi∈{Zone1,Zone2,...,Zoneg}，令表示信号特征xj,i所属隶属度最大的模糊集合，即：步骤七：计算步骤六中构建的N个模糊规则的激励强度ωi，如公式(12)；

步骤八：计算步骤六中构建的N个规则的置信度CFi，如公式(13)所示；

其中，P为N个规则中与规则Ri有相同模糊输入的规则的集合，集合P中有Np个规则，对应的激励强度为 C为N个规则中与规则Ri有相同模糊输入和输出的规则的集合，集合C中有NC个规则，对应的激励强度为

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：规则1：若 且…，且 则入侵区域为Z1的置信度为CF1规则2：若 且…，且 则入侵区域为Z2的置信度为CF2… … …

规则N'：若 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， 为数据流信号特征xj(j＝1,2,...,K)隶属度最大的模糊集合，即 模糊输出Z1,Z2,...,ZN'∈{Zone1,Zone2,...,Zoneg}为入侵区域；

步骤十：各MP实时监测环境中的信号数据流；

步骤十一：检测动态环境中的数据流集合A＝{S1,...,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A',A'＝{S1,...,SK'}，其中，K'为变化后的数据流数目，进入步骤十二，否则，进入步骤十四；

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；

步骤十三：自适应更新模糊规则：

对由于无线接入点增加引起的新出现的数据流，即Sj∈A'且 的信号特征xj,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 利用公式(3)计算新出现的数据流的信号特征的概率密度函数fj(x)，并利用公式(6)计算新出现的数据流Sj的异常判决门限对由于无线接入点故障引起消失的数据流即Sj∈A且 的信号特征xj,t将其模糊划分改为“无关”，其隶属度设为1，即

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 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，否则，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；

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、步骤十三中对应的数据流，增加正常信号特征的数目利用公式(3)重新计算各数据流信号特征的概率密度函数，利用公式(6)重新计算异常判决门限 并进入步骤十；

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(14)所示：

若x1,t是 且x2,t是 …，且xK',t是其中，xj,t(j＝1,...,K')为各数据流对应的信号特征， 为相应的数据流信号特征xj,t隶属度最大的模糊集合；

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；

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”)＝2，D(“正常”，“无关”)＝3，D(“异常”，“无关”)＝2，计算Xt＝[x1,t,...,xK',t]构建的模糊输入与规则库S中的规则的相似性，如公式(15)所示；

其中，Rq为规则库S中第q个规则，M为规则库S中的规则数目， 为步骤十六中对xj,t(j＝1,...,K')划分的模糊集合，v表示隶属度， 为规则Rq中第j个数据流信号特征xj,t的最大隶属模糊集合，在M个规则中，找出与步骤十六构建的模糊输入相似性最高的规则Rq'，如公式(16)所示；

S(X(t),Rq')≥S(X(t),Rq),(q＝1,...M),q'∈{1,2,...,M}  公式(16)在公式(16)中，Rq'为与异常数据流信号特征构建的模糊输入相似性最高的规则，Rq'的模糊输出为异常数据流信号特征Xt＝[x1,t,x2,t,...,xk',t]对应的入侵检测结果；

利用Xt构建的模糊输入与规则Rq'的模糊输出，构建新的模糊规则Rnew，利用规则Rnew扩充模糊规则库S；规则Rnew选为与Xt构建的模糊输入匹配的规则，进入步骤二十；

步骤十九：在数据库中选择与Xt构建的模糊输入匹配的所有规则，选择匹配度最高的规则的模糊输出为定位结果；规则匹配度如公式(17)所示；

Mq＝ωq×CFq,(q＝1,...,M)  (17)，Mq表示规则匹配度；

选择匹配度最大的规则 其满足公式(18)；

表示最大规则匹配度；

规则 选为与Xt构建的模糊输入匹配的规则；

步骤二十：与Xt构建的模糊输入匹配规则的模糊输出为入侵检测定位结果，输出入侵检测定位结果，并结束入侵检测定位。