1.基于多元信号特征的WLAN室内目标入侵检测方法，其特征在于它的步骤如下：离线阶段：

步骤一：在目标区域内布置若干WLAN接入点AP和监测点MP；

步骤二：导入实现环境信息，在对环境进行三维建模以后进行二维投影，记录环境中相关信息包括对环境三维建模结果中所有铅锤面和铅垂线进行编号，N表示铅垂面或铅垂线的作用部分个数；Dk表示第k个作用部分编号，其中，k＝1，…，N；Pk和Hk分别表示第k条铅垂线的顶点坐标和高度，其中，k＝1，…，N1；N1表示铅垂线条数；ck、εk和μk分别表示第k个铅垂面的相对介电常数、电导率和磁导率，其中，k＝1，…，N2；N2表示铅垂面个数；λ表示工作波长；n表示深度限制数；PAP和PMP分别表示AP和MP的位置坐标；HAP和HMP分别表示AP和MP的高度；Pt表示AP发射功率；

步骤三：利用传统的反向射线跟踪法判断是否存在直达路径，若存在进而根据费马原理来实现直射路径二维投影的三维拓展并计算直达路径的到达信号场强；

步骤四：将射线追踪模型的深度限制数n初始化为1；设置GA算法参数交叉概率Pc，变异概率Pm，种群规模M，计算率阈值ρth，有效射线贡献率阈值Cth；设计根据每条射线经过的作用部分编号按时序拼接成一条染色体，并将每条射线到达MP处的场强值作为其对应染色体的适应度；

步骤五：利用GA算法计算当前深度限制数n条件下的射线对MP处场强的贡献率Cn，其中每次迭代中需利用改进的反向射线追踪法计算每代种群中每个染色体的适应度e1，…，eM；

步骤六：判断当前深度限制数条件下的射线贡献率是否大于预设的阈值，若是，则深度限制数n＝n+1并重复步骤五，否则将当前深度限制数记为最优深度限制数，同时记录1到n各深度限制数下最终染色体对应的射线贡献率较大的非直达射线；

步骤七：为了考虑天花板和地面作为作用部分的影响，对直达射线和1到n各深度限制数下最终染色体对应的射线贡献率较大的非直达射线进行加入天花板或地面的反射作用参与的三维拓展；

步骤八：所有n阶以内直达和非直达射线到达信号场强进行叠加，并由射线功率和法可得MP处的接收信号功率Ptotal；

步骤九：考虑人体内水的含量大于70％，在入侵状态下将人体建模为具有一定高度的三维水柱，使水柱依次遍历不同的目标区域内不同入侵位置，并根据步骤二至步骤八计算不同入侵状态下MP处的信号功率；

步骤十：构建PNN模型，包括含输入层、模式层、求和层和输出层；

步骤十一：利用滑动窗函提取以上步骤构建的RSS数据的多种统计，包括均值、方差、最大值、最小值、极差值和中位值，以此训练PNN；

在线阶段：

步骤十二：输入测试数据，利用滑动窗函数对原始RSS数据进行分段，并计算各分段数据的RSS均值、方差、最大值、最小值、极差值和中位值输入对应的训练好的PNN，进而对于每个PNN独立得到关于测试样本的分类结果，最后，根据投票准则来完成对新采集RSS数据的多分类判决，进而实现对室内目标的入侵检测与区域定位。

2.根据权利要求1所述的基于多元信号特征的WLAN室内目标入侵检测方法，其特征在于步骤四到六的利用GA算法自适应确定射线追踪模型的深度限制数n，其中设计根据每条射线经过的作用部分编号按时序拼接成一条染色体，并将每条射线到达MP处的场强值作为其对应染色体的适应度，该过程描述如下：步骤一：初始化深度限制数n为1；设置GA算法参数交叉概率Pc，变异概率Pm，种群规模M，计算率阈值ρth，有效射线贡献率阈值Cth；

步骤二：将找到的多有n‑1阶射线路径中最大的到达信号场强值记为en‑1，当n为1时则为直射路径的到达信号场强ELOS；

步骤三：根据深度限制数n随机产生第一代种群T1，即M个不同的长度为n的随机编号序列对应的M条染色体，则每个编号序列代表着对应射线路径经过的作用部分，即铅锤面或铅垂线，并令当前种群T＝T1；利用改进的反向射线跟踪法计算当前种群T中每个染色体的适应度e1，…，eM；

步骤四：令k＝1；

步骤五：由适应度比例选择算法从T中选出2个染色体；

步骤六：判断random(0,1)是否小于Pc；是，则对该2个染色体执行单点交叉操作；否，则转步骤七；

步骤七：判断random(0,1)是否小于Pm；是，则对该2个染色体执行变异操作；否，则转步骤八；

步骤八：将新得到的2个染色体加入新生种群T_new中，并令k＝k+1；

步骤九：判断k是否小于等于种群规模M；是，则转步骤五；否，则转步骤十；

n

步骤十：将新生种群T_new赋给T，并计算ρ＝NC/N ，其中NC为从初代种群到当前种群的出现过的染色体种类；

步骤十一：判断ρ是否小于等于计算率阈值ρth；是，则转步骤三；否，则计算Tf＝en‑1/2和当前种群T中染色体适应度>Tf的个数m，进而计算当前深度限制数n下的射线贡献率Cn＝m/M；

步骤十二：判断Cn是否大于有效射线贡献率阈值Cth；是，则记录当前种群T中所有染色体，并令n＝n+1，转步骤二；否，则记录当前种群T中所有染色体，将当前深度限制数记为最优深度限制数。

3.根据权利要求1所述的基于多元信号特征的WLAN室内目标入侵检测方法，其特征在于步骤五的利用改进的反向射线跟踪法计算当前种群T中每个染色体的适应度e1，…，eM，该过程描述如下：

步骤一：令i＝1；

步骤二：根据当前种群T中第i条n阶射线经过的作用部分编号对变量Bk进行赋值，其中，k＝1，…，n+2，B1＝1和Bn+2＝1分别表示射线起始位置AP和终止位置MP；Bk＝0和1分别表示射线在第k个铅垂面或铅垂线上发生反射和绕射，其中，k＝2，…，n+1；

步骤三：令AP和MP的二维投影坐标分别为L1和Ln+2；

步骤四：令k＝2；

步骤五：若Bk＝0，则将Lk‑1关于第k个铅垂面的镜像点二维投影坐标赋给Lk；否则若Bk＝

1，则将第k条铅垂线的二维投影坐标赋给Lk；

步骤六：令k＝k+1；

步骤七：判断k是否小于等于n+1；是，则转步骤五；否，则转步骤八；

步骤八：判断Bi＝1是否成立，其中，i＝1，…，n；是，则转步骤十三；否，则转步骤九；

步骤九：令k＝2；

步骤十：若Bk＝0且Bk+1＝1，则将Lk和Lk+1的连线与第k个铅垂面交点的二维投影坐标赋给Lk，且令Bk＝1；否则转步骤十一；

步骤十一：令k＝k+1；

步骤十二：判断k是否小于等于n+1；是，则转步骤十；否，则转步骤八；

步骤十三：令k＝1；

步骤十四：令Tk,k+1表示Lk和Lk+1的连线；

步骤十五：若Tk,k+1与环境内所有作用部分存在相交，则令ei＝0，并转到步骤十六；

步骤十六：令k＝k+1；

步骤十七：判断k是否小于等于n+1；是，则转步骤十四；否，则转步骤十八；

步骤十八：若ei不等于0，则根据费马原理将当前种群T第i个染色体对应的第i条n阶射线的二维投影进行三维拓展，进而计算其所对应染色体的适应度ei。

4.根据权利要求1所述的基于多元信号特征的WLAN室内目标入侵检测方法，其特征在于步骤十一的RSS数据的多种统计特征训练PNN以提高入侵检测与区域定位性能， 该过程描述如下：

步骤一：构建PNN模型，输入层神经元个数为信号特征维度d，即AP与MP的全部组合种类数，该层计算 其中，k＝1,…,n，x和xk分别为测试样本和第k个训练样本的归一化向量，n为训练样本数；该层计算核密度函数 其中，δ为平滑因子；求和层神经元个数为c，c为状态数，该层计算x属于第i个状态的条件概率其中，Pi为第i个状态的先验概率，Ni为属于第i个状态的训练样本数；输出层神经元个数为

1，该层计算max{gi(x),i∈{1,…,c}}，其中，对应最大gi(x)值的i即为PNN输出状态；

步骤二：为了保证每对AP与MP之间RSS特征数据的稳定性，利用滑动窗函数对原始RSS数据进行分段，并计算各分段数据的RSS均值、方差、最大值、最小值、极差值和中位值，在此基础上，利用该六种信号特征分别训练六个PNN结构，对输入层第j个神经元与模式层第k个神经元的连接权重ωjk以及模式层第k个神经元与求和层第i个神经元的连接权重aki进行训练赋值的具体步骤如下：

步骤三：将n个某信号特征训练样本记为{xk＝(xk1,…,xkd),k＝1,…,n}，令k＝0，ωjk＝

0，aki＝0；

步骤四：令k＝k+1， ωjk＝xkj；

步骤五：若x属于第i个状态，则aki＝1；

步骤六：判断k是否等于n；是，则当前信号特征对应的PNN训练完毕；否，则转步骤三。