基于無線信道狀態(tài)相位信息優(yōu)化的定位算法*

周明快,黃 巍,陳 濱,毛科技*

(1.浙江商業(yè)職業(yè)技術(shù)學(xué)院,杭州 310053;2.浙江省通信產(chǎn)業(yè)服務(wù)有限公司,杭州 310050;3.浙江工業(yè)大學(xué)計算機(jī)學(xué)院,杭州 310023)

隨著導(dǎo)航技術(shù)和基于位置服務(wù)應(yīng)用需求的發(fā)展,室外環(huán)境的定位技術(shù)已經(jīng)十分成熟。如GPS全球定位系統(tǒng)已經(jīng)廣泛應(yīng)用于室外環(huán)境的定位中,給人們的生活帶來了極大的方便。例如,汽車GPS導(dǎo)航系統(tǒng)的應(yīng)用給駕駛?cè)藛T提供了多種旅行的便利。然而,隨著人們生活環(huán)境的快速發(fā)展,僅僅室外環(huán)境的定位已經(jīng)無法滿足人們?nèi)找嬖鲩L的定位需求,室內(nèi)環(huán)境下的定位技術(shù)和服務(wù)需求在近年來不斷地受到人們的關(guān)注。

由于室內(nèi)環(huán)境的復(fù)雜性,一些成熟應(yīng)用于室外環(huán)境的定位技術(shù)并不能靈活地應(yīng)用在室內(nèi)定位中。因此,更適用于室內(nèi)環(huán)境下的定位技術(shù)不斷被提出,目前主要的室內(nèi)定位技術(shù)有ZigBee[1]、紅外線[2]、RFID[3]等。這些技術(shù)都各有其優(yōu)缺點,如Zigbee定位其信號強(qiáng)度信息受噪聲干擾大,穩(wěn)定性較差;RFID技術(shù)不具備通信能力,很難與其他系統(tǒng)整合在一起。這些缺點使得室內(nèi)定位技術(shù)的普及受到阻礙。隨著智能手機(jī)和各種便攜通信設(shè)備的普及,無線局域網(wǎng)(WLAN)[4]已經(jīng)成為人們在室內(nèi)日常生活中必不可少的部分。如果可以充分利用現(xiàn)有的WLAN設(shè)備方便及覆蓋范圍廣等特點,室內(nèi)定位技術(shù)將會得到更加快速的發(fā)展和普及。

基于WLAN的室內(nèi)定位根據(jù)定位目標(biāo)是否攜帶設(shè)備分為有源和無源[5]兩種。由于實際條件的限制,大多數(shù)情況下,定位目標(biāo)是無法攜帶有源設(shè)備的。例如自然災(zāi)害的發(fā)生是無法預(yù)料的,在消防員進(jìn)行受災(zāi)人員的救援和搜尋工作時,無法要求搜尋目標(biāo)攜帶相關(guān)有源定位設(shè)備。在這種無法預(yù)期的意外情況下,關(guān)于無源定位的研究是十分有必要的,因為其在人們實際生活中的應(yīng)用更加具有可行性。主流的無源定位方法有基于接收信號強(qiáng)度RSSI(Received Signal Strength Indicator)[6]的室內(nèi)無線定位方法。但是,由于信號強(qiáng)度只是對室內(nèi)信道信息的一種大致粗略估計,并且RSSI信號的強(qiáng)度值會隨著時間發(fā)生波動,從而導(dǎo)致不穩(wěn)定性。實驗研究表明,典型室內(nèi)環(huán)境下一臺靜止接收機(jī)所接收到的RSSI可能出現(xiàn)5 dB波動[7],因此其并不完全適用于存在多徑效應(yīng)的復(fù)雜室內(nèi)環(huán)境下的精確定位。

近年來,研究人員提出了一種在物理層更細(xì)粒度的信道狀態(tài)信息CSI(Channel State Information)[8]來進(jìn)行室內(nèi)定位應(yīng)用,可以通過估計每個子載波上的信道信息,從而在一定程度上可以區(qū)分室內(nèi)環(huán)境的多徑成分。目前,CSI由于更精確的環(huán)境感知能力而被研究人員所廣泛關(guān)注,被逐漸應(yīng)用于室內(nèi)定位[9]中,如基于位置指紋庫[10]并結(jié)合機(jī)器學(xué)習(xí)方法[11]等。

雖然CSI應(yīng)用越來越廣泛,但是當(dāng)前基于WLAN的無源室內(nèi)定位傳統(tǒng)方法中一般僅采用了CSI的幅度信息,導(dǎo)致在實際應(yīng)用中定位效果并不能滿足實際要求,其準(zhǔn)確率和穩(wěn)定性還是欠缺的。實際上,在采集CSI信息過程中,我們還能夠測量到信道狀態(tài)的相位信息。所以,如何在定位過程中充分利用所采集信道狀態(tài)的幅度和相位信息,實現(xiàn)更為穩(wěn)定的定位應(yīng)用是十分值得繼續(xù)探索的工作。

本文針對傳統(tǒng)室內(nèi)無源定位存在的一些問題,提出了一種同時采用基于WLAN的信道狀態(tài)信息的幅度和相位進(jìn)行無源室內(nèi)定位的方法,并增加了平滑去噪預(yù)處理,很好地解決了僅采用CSI子載波原始幅度值作為特征的定位方法準(zhǔn)確率和穩(wěn)定性問題。

1 系統(tǒng)結(jié)構(gòu)

采用信道狀態(tài)信息進(jìn)行室內(nèi)定位的系統(tǒng)主要流程結(jié)構(gòu)如下圖1所示,主要包括CSI數(shù)據(jù)采集、提取CSI幅度和相位、CSI數(shù)據(jù)預(yù)處理、構(gòu)建指紋庫、由所構(gòu)建指紋庫調(diào)用不同機(jī)器算法估計出待分類數(shù)據(jù)所代表的位置。

圖1 總體結(jié)構(gòu)框圖

2 信道狀態(tài)信息及無源室內(nèi)定位

2.1 信道狀態(tài)信息

傳統(tǒng)基于WLAN的無源室內(nèi)定位方法主要是基于RSSI的,由于RSSI信號存在著信號不夠穩(wěn)定、可靠性差等缺點,導(dǎo)致其實際定位效果不好。與RSSI相比,CSI則提供了一個更為精細(xì)的信道信息。一個典型的無線信道模型的頻域響應(yīng)可表示為:

Y=HX+N

(1)

式中:X和Y分別表示發(fā)射信號向量和接收信號向量,H和N分別表示信道矩陣和加性高斯白噪聲。

當(dāng)前的WLAN技術(shù),如802.11n采用了正交頻分復(fù)用OFDM和多輸入輸出MIMO技術(shù),其信道狀態(tài)信息參數(shù)可表示為H:

H=[H1H2…Hi]

(2)

Hi=|Hi|ejsin∠Hi

(3)

根據(jù)文獻(xiàn)[12]中的修改固件方法,普通WiFi設(shè)備可以獲得30個正交頻分復(fù)用的子載波上的信道狀態(tài)信息采樣,所以在式(2)中i=1,2…30。Hi是 CSI的復(fù)數(shù)表示形式,其中|Hi|和∠Hi分別是第i個子載波的幅度和相位信息。

2.2 室內(nèi)無源定位

基于無線信道變化而進(jìn)行室內(nèi)無源定位的方法主要依據(jù)以下原理:當(dāng)室內(nèi)人員處于不同位置時,會產(chǎn)生不同的多徑效應(yīng),從而對無線信道狀態(tài)產(chǎn)生不同的影響,即所測量的信道信息應(yīng)符合以下條件:①在相同位置具有穩(wěn)定性;②在不同位置具有區(qū)分度。如圖2(a)和(b)表示在同一位置和不同位置測得的CSI幅度值,可見CSI的幅度信息具有以上所要求的位置區(qū)分度和穩(wěn)定性。

圖2 相同位置與不同位置的CSI

3 幅度結(jié)合相位的定位方法

3.1 幅度和相位提取

信道狀態(tài)信息H中的幅度參數(shù)|Hi|是目前大部分基于CSI進(jìn)行無源人員定位算法中的基本物理量,其原因是由于幅度值相對比較容易提取和計算。然而,其中的相位部分∠Hi卻往往被忽略,這主要是因為原始的CSI信息在不同子載波下的相位呈現(xiàn)一種周期性變化,并且在多徑情況下往往隨機(jī)分布在[0,2π]范圍內(nèi)。從室內(nèi)無線傳播模型上分析,人員在室內(nèi)不同位置會同時影響到無線信道的幅度和相位參數(shù),如何充分利用采集到的CSI全部信息,以提供更多的人體位置變化對于信道影響的信息,從而滿足更高精度和更穩(wěn)定性的定位需求是十分重要的,特別是利用其中的相位信息。因此,在提取原始的∠Hi數(shù)值后,我們對其進(jìn)行線性變換[13],得到校正后的相位值,具體如式(4)所示:

(4)

3.2 數(shù)據(jù)預(yù)處理

室內(nèi)無線環(huán)境比較復(fù)雜,數(shù)據(jù)采集過程可能受到各種情況的干擾,因此必須對數(shù)據(jù)進(jìn)行預(yù)處理,其過程主要包括異常值處理、平滑去噪處理、標(biāo)準(zhǔn)化處理3個部分。

3.2.1 數(shù)據(jù)異常值處理

在無線信道狀態(tài)參數(shù)的實際采集過程中,由于環(huán)境和設(shè)備的原因可能出現(xiàn)隨機(jī)異常值。異常值對定位訓(xùn)練模型的建立和數(shù)據(jù)測試階段都有較大的影響,因此我們需要事先對異常值進(jìn)行有效處理。假設(shè)樣本數(shù)據(jù)測量次數(shù)充分,并且數(shù)據(jù)以正態(tài)或近似正態(tài)分布,我們基于3σ準(zhǔn)則[14]進(jìn)行異常值檢測。具體方法是如果單個子載波值與樣本子載波均值μ的差值在3σ以上,則用均值來替換該子載波值,即經(jīng)過異常值處理后的數(shù)據(jù)分布在(μ-3σ,μ+3σ)區(qū)間內(nèi)。

3.2.2 平滑去噪處理

經(jīng)過異常值處理后,我們觀察到同一個子載波不同樣本點的數(shù)據(jù)波動大,我們分析這應(yīng)該是由于環(huán)境中不穩(wěn)定的噪聲波動所引起的。為了弱化噪聲波動的影響,我們利用滑動平均濾波器對經(jīng)過異常值剔除的數(shù)據(jù)進(jìn)行平滑,其原理如式(5)所示:

圖3 平滑去噪處理

(5)

式中:m為可調(diào)整的平滑窗口大小,n為數(shù)據(jù)包序號,i為子載波序號。在平滑去噪處理時,如果設(shè)置平滑窗口m越大,信號會越平滑,然而細(xì)節(jié)信息會損失更多。圖3中虛線部分是平原始數(shù)據(jù),而實線是平滑處理過后的數(shù)據(jù)。圖3中很明顯的展示了平滑的作用,實線部分能明顯展示數(shù)據(jù)的總體規(guī)律,有效的去除了由于環(huán)境不穩(wěn)定造成的噪聲和波動誤差。

3.2.3 標(biāo)準(zhǔn)化處理

由于提取出的幅度和相位特征之間數(shù)值差別很大,這會對實驗結(jié)果產(chǎn)生很大的影響,所以我們需要對其進(jìn)行標(biāo)準(zhǔn)化處理。原始特征數(shù)據(jù)經(jīng)過數(shù)據(jù)標(biāo)準(zhǔn)化處理后,各指標(biāo)處于同一數(shù)量級,減小了由于特征間的數(shù)值差異引起的不一致性,適合進(jìn)行綜合對比評價。我們采用的是Z-score標(biāo)準(zhǔn)化處理方法,具體原理如式(6)所示:

Fnew=(xold-μ)/σ

(6)

式中:Fnew表示經(jīng)過標(biāo)準(zhǔn)化處理后的特征,xold表示標(biāo)準(zhǔn)化處理前的特征,μ和σ分別代表該特征所有樣本的均值和所有樣本的標(biāo)準(zhǔn)差。

3.3 構(gòu)建指紋庫

當(dāng)經(jīng)過預(yù)處理后,將每個位置點的30個幅度特征和30個相位特征結(jié)合成60個特征,構(gòu)建成一個t×60的特征向量,其中t表示該位置點的訓(xùn)練樣本數(shù)量。F可用如式(7)所示:

F=[A1A2…A30P1P2…P30]

(7)

式中:Ai和Pi分別表示經(jīng)過上述3個預(yù)處理過程后的幅度和相位值,i=1,2,…,30。每個位置點的特征向量依次存入指紋庫,以備后續(xù)機(jī)器學(xué)習(xí)調(diào)用不同的算法對未知數(shù)據(jù)進(jìn)行測試分類。

3.4 機(jī)器學(xué)習(xí)算法

本文機(jī)器學(xué)習(xí)算法主要使用了支持向量機(jī)[15],并將其與貝葉斯網(wǎng)絡(luò)算法[16]和隨機(jī)森林算法[17]進(jìn)行了準(zhǔn)確率和時間效率的對比。

支持向量機(jī)SVM(Support Vector Machine)是一種基于統(tǒng)計學(xué)理論的機(jī)器學(xué)習(xí)算法。它通過尋求結(jié)構(gòu)化風(fēng)險最小來提高學(xué)習(xí)機(jī)泛化能力并實現(xiàn)經(jīng)驗風(fēng)險和置信范圍的最小化,從而在統(tǒng)計樣本量較少的情況下也能獲得良好統(tǒng)計規(guī)律。SVM是一種二分類模型,其基本模型定義為特征空間上間隔最大的線性分類器,即支持向量機(jī)的學(xué)習(xí)策略是間隔最大化,最終可轉(zhuǎn)化為一個凸二次規(guī)劃問題的求解問題。

4 實驗設(shè)計

4.1 實驗平臺

實驗系統(tǒng)主要由接入點(AP)和監(jiān)控點(MP)兩部分組成。我們利用兩臺筆記本分別作為AP和MP構(gòu)建實驗平臺,此方法可以避免高速發(fā)送數(shù)據(jù)包所造成失真問題。

具體實驗設(shè)備為兩臺裝有Intel 5300網(wǎng)卡的筆記本電腦,其操作系統(tǒng)為Ubuntu 14.04 LTS。Intel 5300網(wǎng)卡提供了3根MIMO天線,理論上可以產(chǎn)生2×3=6條天線對鏈路,但實際中由于受到環(huán)境波動、設(shè)備工作狀態(tài)等因素影響,我們能夠穩(wěn)定提取到的鏈路數(shù)為3根,因此本文選取線對1-1、1-2、1-3進(jìn)行研究。

數(shù)據(jù)采集時,人體分別靜止站立于房間內(nèi)不同位置,由MP采集來自AP的數(shù)據(jù)包。人體站立在不同位置采集點時對環(huán)境造成不同的影響,即AP所發(fā)射的無線信號在經(jīng)過人體和物體的反射后最終被 MP 接收。我們從MP接收數(shù)據(jù)包中同時提取出包含人體處在不同位置的CSI幅度和相位信息。

4.2 實驗環(huán)境及參數(shù)配置

實驗過程中AP的發(fā)包率為每秒50個,每個位置點數(shù)據(jù)采集的時間為20 s,理論上在每個位置采集點,我們可以采集到1 000個樣本點。但在實際情況時,存在丟包的可能性,所以并不是每個位置點采集到的樣本點都是1 000個,有些位置采集點可能會丟失少量的樣本點,但這并不影響實驗所收集數(shù)據(jù)的可靠性。

我們選取了2種不同的環(huán)境進(jìn)行實驗,第一種環(huán)境是在較為擁擠混亂的小會議室中,第二種環(huán)境是在較為空曠的小教室中。此外,本文還給出了兩種實驗環(huán)境的平面圖如圖4所示。

圖4 兩種實驗環(huán)境平面圖

5 實驗結(jié)果

首先,實驗比較了僅用30個子載波的幅度值作為特征和用30個子載波的幅度和相位值同時作為特征在兩種環(huán)境下定位分類的準(zhǔn)確率。此外,為了評估平滑去噪處理對實驗結(jié)果的影響,本文進(jìn)行了僅用幅度不平滑、僅用幅度平滑、幅度相位結(jié)合使用不平滑、幅度相位結(jié)合使用平滑的四組對比實驗。我們采用了支持向量機(jī)SVM算法進(jìn)行指紋庫的學(xué)習(xí)和分類,其實驗結(jié)果如圖5所示。

圖5 兩種環(huán)境下SVM分類效果

由圖5可以看出,在兩種室內(nèi)環(huán)境下,如果僅用幅度作為分類特征,不論數(shù)據(jù)是否經(jīng)過平滑處理,其人員定位的準(zhǔn)確率都不如將幅度和相位結(jié)合使用后的準(zhǔn)確率高,這有力的說明了增加CSI的相位特征信息有助于提升定位準(zhǔn)確率;而在使用平滑處理后,無論是僅用幅度還是將幅度和相位結(jié)合都比未進(jìn)行平滑處理的準(zhǔn)確率要高,這也很好的證明了在機(jī)器學(xué)習(xí)進(jìn)行特征提取前,對數(shù)據(jù)預(yù)先進(jìn)行平滑去噪處理有助于提升定位效果。特別的,如果采用聯(lián)合幅度和相位作為指紋分類特征,并且通過滑動平均濾波器預(yù)先對數(shù)據(jù)進(jìn)行處理,其檢測定位效果是最好的,如在實驗的環(huán)境2中天線對1-1在SVM算法下的檢測精度最高可達(dá)93.18%。

此外,我們以僅采用30個子載波的原始幅度值(即未經(jīng)平滑處理)方法為基準(zhǔn),比較分析了本文所提出方法在兩個環(huán)境下的準(zhǔn)確率提升度。環(huán)境1中,用本文提出方法比僅用30個原始子載波方法提升了12.4%,即從70.25%提升到82.65%;而環(huán)境2中,用本文提出的方法比僅用30個原始子載波方法提升了14.54%,由76.08提升到90.62%。這充分說明本文所提出方法對于改善定位的效果是十分顯著的。

為了說明我們通過增加相位信息作為特征的作用效果,本文以環(huán)境1中的天線對1-3分別在使用幅度、相位、幅度結(jié)合相位作為指紋特征時的混淆矩陣來進(jìn)一步驗證。

由圖6～圖8可以比較看出,僅用幅度或者僅用相位作為特征時在某些位置點的識別可能效果不好。例如圖6中僅用幅度作為特征時,其位置4、9、10、13等的區(qū)分效果并不好,容易于相鄰位置點混淆。而在圖7中,這幾個位置點在僅用相位特征時的區(qū)分效果卻較好,因此我們可以通過使用相位特征來彌補(bǔ)這幾個位置使用幅度特征的分類準(zhǔn)確度。當(dāng)然在另一些情況中,也會存在僅用相位特征區(qū)分效果不好的情況,而此時幅度特征可能區(qū)分效果較好。因此,當(dāng)將幅度和相位特征結(jié)合后可以大大改善和提高原先僅用單種類型特征區(qū)分不好時的位置點分類效果。

圖6 僅用幅度作為特征

圖7 僅用相位作為特征

圖8 相位幅度結(jié)合作為特征

實驗最后比較了3種常見機(jī)器學(xué)習(xí)算法在采用本文算法后的準(zhǔn)確率和檢測時間平均值,實際結(jié)果如表1表示。

表1 不同分類算法下的準(zhǔn)確率和時間效率對比

由表1可知,無論在多徑干擾嚴(yán)重還是較少的環(huán)境下,支持向量機(jī)SVM的準(zhǔn)確率都是最好的。不過在實際應(yīng)用中,并不能一味的追求準(zhǔn)確率而完全忽略時間成本。如果當(dāng)系統(tǒng)特別有實時性要求時,則推薦使用隨機(jī)森林算法。因為當(dāng)指紋庫模型構(gòu)建完成后,在環(huán)境1和環(huán)境2的幾種算法對比中采用隨機(jī)森林算法的檢測時間是最短的;而其中貝葉斯網(wǎng)絡(luò)算法的準(zhǔn)確度雖然不高,但是其訓(xùn)練/檢測的時間相對比較均衡。總而言之,在實際使用時要根據(jù)實際系統(tǒng)具體需求對機(jī)器學(xué)習(xí)算法進(jìn)行合理的選擇。

6 總結(jié)

①本文同時利用信道狀態(tài)的幅度和相位信息作為指紋特征,并通過機(jī)器學(xué)習(xí)方法進(jìn)行無源室內(nèi)定位。實驗結(jié)果表明,相比于傳統(tǒng)只利用幅度信息的方法,本文方法的定位精度有了顯著提高。

②在信號預(yù)處理過程中加入了滑動平滑濾波器對數(shù)據(jù)進(jìn)行平滑,表明在增加相位信息和經(jīng)過預(yù)先平滑去噪處理后,其定位準(zhǔn)確率和穩(wěn)定性都得到了改善和提高。

③此外,本文還比較了幾個不同機(jī)器學(xué)習(xí)算法的準(zhǔn)確率和時間效率,結(jié)果表明在本實驗中SVM的準(zhǔn)確率最高。但在實際使用中,我們應(yīng)該根據(jù)自己的需求來選擇適當(dāng)算法。

本文工作仍然有需要進(jìn)一步深入研究的地方。如在實驗中可以增加可用天線對的數(shù)目,嘗試進(jìn)一步提高準(zhǔn)確率和穩(wěn)定度。同時,還可以對移動目標(biāo)進(jìn)行定位,本文所研究的兩種室內(nèi)環(huán)境下對靜止目標(biāo)的定位方法為下一步工作提供了經(jīng)驗基礎(chǔ)。

參考文獻(xiàn):

[1] Cho H,Jang H,Baek Y. Practical Localization System for Consumer Devices Using Zigbee Networks[J]. IEEE Transactions on Consumer Electronics,2010,56(3):1562-1569.

[2] Feng G,Guo X,Wang G. Infrared Motion Sensing System for Human-Following Robots[J]. Sensors & Actuators A Physical,2012,185(5):1-7.

[3] Zhu W,Cao J,Xu Y,et al. Fault-Tolerant RFID Reader Localization Based on Passive RFID Tags[J]. IEEE Transactions on Parallel & Distributed Systems,2014,25(8):2065-2076.

[4] 陳兵,楊小玲. 一種基于概率密度的WLAN 接入點定位的算法[J]. 電子與信息學(xué)報,2015,37(4):855-862.

[5] Radmard M,Karbasi S M,Nayebi M M. Data Fusion in MIMO DVB-T-Based Passive Coherent Location[J]. IEEE Transactions on Aerospace & Electronic Systems,2013,49(3):1725-1737.

[6] 劉慶,吳哲夫,何熊熊,等. Min-Max節(jié)點定位算法的分析與改進(jìn)[J]. 傳感技術(shù)學(xué)報,2012,25(8):1126-1131.

[7] Wu K,Xiao J,Yi Y,et al. Fila:Fine-Grained Indoor Localization[C]//Proc IEEE INFOCOM,2012:2210-2218.

[8] Wu K,Xiao J,Yi Y,et al. CSI-Based Indoor Localization[J]. IEEE Transactions on Parallel & Distributed Systems,2013,24(7):1300-1309.

[9] 吳哲夫,李嘉南,王中友,等. 無線信道傳感的朝向檢測研究[J]. 傳感技術(shù)學(xué)報,2018,31(1):90-96.

[10] Zhang Lei,Ding Enjie,Zhao Zhikai,et al. A Novel Fingerprinting Using Channel State Information with MIMO-OFDM[J]. Cluster Computing—The Journal of Networks Software Tools and Applications,2017,20(4):3299-3312.

[11] Li Xiaohui,Cai Xiong,Hei Yongqiang,et al. NLOS Identification and Mitigation Based on Channel State Information for Indoor WiFi Localisation[J]. IET Communications,2017,11(4):531-537.

[12] Halperin D,Hu W,Sheth A,et al. Tool Release:Gathering 802.11n Traces with Channel State Information[J]. Acm Sigcomm Computer Communication Review,2011,41(1):53-53.

[13] Wu C,Yang Z,Zhou Z,et al. PhaseU:Real-Time LOS Identification with WiFi[C]//Computer Communications. IEEE,2015:2038-2046.

[14] Zhang X L,Liu P. A New Delay Jitter Smoothing Algorithm Based on Pareto Distribution in Cyber-Physical Systems[J]. Wireless Networks,2015,21(6):1913-1923.

[15] Chih-Wei Hsu,Chih-Jen Lin. A Comparison of Methods for Multiclass Support Vector Machines[J]. IEEE Transactions on Neural Networks,2002,13(2):415-425.

[16] Ho J,Hwang W L. Wavelet Bayesian Network Image Denoising.[J]. IEEE Transactions on Image Processing,2013,22(4):1277-1290.

[17] 郭山清,高叢,姚建,等. 基于改進(jìn)的隨機(jī)森林算法的入侵檢測模型[J]. 軟件學(xué)報,2005,16(8):1490-1498