无线传感器网络（WSN）是一项有前途的技术，几乎在各行各业中都有巨大的应用。 WSN的关键应用之一是边境地区和国防机构的入侵检测和监视。边界区域以数百到数千英里的范围延伸，因此不可能在整个边界地区巡逻。结果，敌人可以从任何缺乏监视的地方进入，并导致丧生或摧毁军事机构。 WSN可以是边境地区入侵检测和监视问题的可行解决方案。在边境地区和附近的关键区域（例如军事宪法）发现敌人是一项时间敏感的任务，因为延迟几秒钟可能会带来灾难性的后果。因此，必须设计能够在部署系统范围内识别和检测敌人的系统。在本文中，我们提出了一个基于完全连接的馈送人工神经网络（ANN）的深度学习体系结构，以准确预测K行数以进行快速入侵检测和预防。我们已经使用四个潜在特征，即圆形区域，传感器的传感范围，传感器的传感器范围以及高斯和均匀传感器分布的传感器数量训练和评估了馈电ANN模型。这些特征是通过蒙特卡洛模拟提取的。在此过程中，我们发现该模型可以准确预测具有相关系数（r = 0.78）和均方根误差（RMSE = 41.15）的高斯和均匀传感器分布的K驱动器数量，r = 0.79和r = 0.79和RMSE = 48.36。此外，提出的方法在准确性和计算时间复杂性方面优于其他基准算法。