门禁终端是安防领域客户体验的第一设备,随着应用场景客户需求的快速变化,对门禁终端的要求也不断提升,不仅要求接入功能的多元,对终端接入的工程安装与维护,网络拓扑的可扩展性完备性,网络的智能维护都提出了新的技术要求。本论文的研究工作基于凌科智能有限公司的安防系统综合平台,研发面向用户的组件化可扩展下一代安防系统关键技术,主要研发工作如下:本文从硬件上设计多功能智能门禁终端,从软件算法上研究门禁的智能性及其网络的完备性。首先,针对门禁终端扩展性以及门禁数据库不完善问题,论文从硬件上设计了多元信号的智能门禁终端并且模拟了门禁网络,采集并建立数据库。扩展性是指门禁能够兼容多种信号的输入,论文设计的人车通行多路信号智能门禁终端,其处理中心使用STM32 MCU,能够同时接收处理刷卡和车辆通信的信号。数据对于数据分析算法来说是一个重要的部分,目前还未建立完善的门禁数据库。论文模拟了一个3*4的二级门禁网络来收集数据,第一级是由3个STM32 MCU组成的汇集器网络;第二级是由3*4个传感器组成的收集器网络。在数据收集过程中使用python编写的上位机来可视化数据。其次,针对门禁数据集不平衡的问题,论文从数据层面对其进行研究,讨论了SMOTE方法和Borderline-SMOTE方法,并分析了在实际存在噪声的应用场景存在的缺陷,提出了基于欧式距离中心的SMOTE方法。该算法汲取了SMOTE能有效避免过拟合以及Borderline-SMOTE能提高边缘样本的识别率的优点,利用小类样本的中心点,计算各小类样本到中心点的距离,舍弃较远距离的样本点,同时保留一定距离范围内的安全点和所有的边界样本点。实验数据集的设置为两个不平衡比例(0.05和0.1),且每个比例均设置三组噪声系数(0.1、0.2和0.3),实验结果表明CBMSOTE算法处理带有噪声的小类样本分类的性能在各个指标上均优于BSMOTE算法和SMOTE算法。最后,针对门禁数据集不平衡的问题,论文从算法层面对其进行研究,提出了基于多类型集成的实例代价敏感决策树方法。论文所使用的门禁故障数据,既有实例敏感(同一门禁品牌在不同环境下的损坏的代价不同),也有类别敏感(不同门禁品牌,具有不同的代价矩阵)。论文首先分析了CSDT算法和基于实例的代价敏感决策树方法,提出了基于多类型集成的实例代价敏感决策树方法(CSDTMC)。论文分别从单类型和多类型数据进行实验,结果表明CSDT在多类型场景下的性能急剧下降;但是本文提出的分类方法能够弥补CSDT算法在多类型场景下的短板。