分布式光纖傳感信號模式識別方法及系統(tǒng)的制作方法
【技術領域】
[0001] 本發(fā)明涉及信號模式識別領域，尤其涉及一種分布式光纖傳感信號模式識別方法 及系統(tǒng)。
[0002]
【背景技術】
[0003] 分布式光纖傳感是利用光纖的一維空間連續(xù)性進行測量的技術。光纖既作為傳感 元件，又作為傳輸元件，可在整個光纖長度上對沿光纖幾何路徑分布的環(huán)境物理參量進行 連續(xù)實時的測量，非常適合較大空間范圍，如輸油管道、通信干線、周界安防、森林防火等場 合的測量。其技術優(yōu)勢是敏感度高、成本低、連續(xù)實時、監(jiān)控距離長、隱蔽性高、抗電磁等環(huán) 境因素干擾。
[0004] 雖然分布式光纖傳感對于外界觸發(fā)源信號的敏感度較高，但是僅憑監(jiān)控有無觸發(fā) 源是難以滿足安防性能需求的，需要判別觸發(fā)系統(tǒng)監(jiān)控區(qū)域的具體行為信息。此外，當 系統(tǒng)的觸發(fā)源并不是入侵或破壞行為，而只是小動物或自然環(huán)境的影響時，頻繁的誤報 會造成系統(tǒng)和人力資源的浪費。目前，多采用的是單閾值或聯合閾值等方法判斷，然而分 布式光纖傳感器的實際應用環(huán)境范圍廣而且復雜多樣，信號易受影響具有一定的隨機性， 僅憑閾值判斷會使監(jiān)測識別發(fā)生較高的誤報警率。專利號為201010523552. 2的《光纖周 界系統(tǒng)的振動信號識別方法》提出引入更多特征參數作為振動信號判斷的閾值；專利號 為201310672088. 7的《干涉型光纖周界振動入侵識別算法》增加了對原始信號模態(tài)分解 處理，同時采用多特征值門限檢測方式；專利號為201310410322. 9的《一種新型振動入侵 探測行為特征識別算法》采用向量空間相似度算法輸出識別行為和置信概率；專利號為 201410140433. 7的《基于模糊域特征的光纖振動信號識別方法》提出一種基于模糊域特征 的識別方法；專利號為201410348394. X的《光纖傳感系統(tǒng)的入侵信號識別方法》依據信號 峰穿越浮動閾值的次數來識別入侵信號。這些方法側重于特征和閾值的計算與判別，但沒 有關注所用參考樣本自身對分類效果的影響，以及識別方法的應用環(huán)境適應性。

【發(fā)明內容】

[0005] 本發(fā)明要解決的技術問題在于：在復雜多變的應用環(huán)境中，使得分布式光纖傳感 系統(tǒng)在識別入侵或破壞行為的同時，減少或避免誤報。利用有監(jiān)督模式識別算法的自學習、 自適應、容錯性好等優(yōu)勢，同時考慮到參考樣本自身質量對分類算法泛化能力的影響，并基 于概率統(tǒng)計的思路，提出一種可適用于對分布式光纖傳感信號進行模式識別的方法及系 統(tǒng)。
[0006] 本發(fā)明解決其技術問題所采用的技術方案是： 提供一種分布式光纖傳感信號模式識別方法，包括以下步驟： S1、樣本采集，對每種行為激勵信號，各自采集多組樣本，并計算預設的多種特征參數， 組成特征向量，得到特征樣本庫； 52、 樣本粗篩選，對采集到的樣本庫進行篩選，剔除離散度大的樣本； 53、 樣本細篩選，利用經過粗篩選后的樣本庫，訓練生成用于信號模式識別的分類器， 并存儲； 54、 信號模式識別，對新觸發(fā)讀入的一段信號數據，計算其特征向量，將特征向量經過 已存儲好的分類器計算后，得到模式識別結果。
[0007] 本發(fā)明所述的方法中，步驟S1中，其中一個樣本采集的具體過程為：人為界定需 要識別的行為并進行相應激勵，當外界振動信號幅度大于預先設置的信號觸發(fā)閾值時，根 據預設時間長度讀入一段信號數據，計算設定好的多種特征參數，組成特征向量，存為一個 樣本。
[0008] 本發(fā)明所述的方法中，步驟S1中在根據預設時間長度讀入一段信號數據時，同時 采集這個預設時間長度的前一秒和之后幾秒數據，以保證采集信號的完整。
[0009] 本發(fā)明所述的方法中，步驟S2具體為： 521. 用所有采集到的樣本訓練出一個分類器，再用該分類器對采集的樣本自身進行模 式分類測試，記錄此次被錯誤識別的樣本序號；所述分類器為單隱含層MLP網絡結構； 522. 重復步驟S21五次以上，記錄每次被錯誤識別的樣本序號； 523. 對步驟S22記錄的幾次結果求交集，找出每次都被錯誤識別的樣本，將這些樣本 從樣本庫中剔除。
[0010] 本發(fā)明所述的方法中，步驟S3重復多次，得到多個分類器并存儲；步驟S4中，將特 征向量經過已存儲好的多個分類器同時計算，根據計算結果的統(tǒng)計概率，得到最終的模式 識別結果，允許存在判別為"未知"的情況，以減少誤判。
[0011] 本發(fā)明所述的方法中，根據應用環(huán)境的不同，對讀入數據時間長度、分類器中的訓 練參數以及特征向量進行隨時的人工調整。
[0012] 本發(fā)明還提供了一種分布式光纖傳感信號模式識別系統(tǒng)，包括： 樣本采集模塊，用于對每種行為激勵信號，各自采集多組樣本，得到樣本庫； 樣本粗篩選模塊，用于對采集到的樣本庫進行篩選，剔除離散度大的樣本； 樣本細篩選模塊，用于利用經過篩選后的樣本庫，訓練生成用于信號模式識別的分類 器，并存儲； 信號模式識別模塊，用于對新觸發(fā)讀入的一段信號數據，計算其特征向量，將特征向量 經過已存儲好的分類器計算后，得到模式識別結果。
[0013] 本發(fā)明所述的系統(tǒng)中，所述樣本采集模塊具體用于根據人為界定需要識別的行為 并進行相應激勵，當外界振動信號幅度大于預先設置的信號觸發(fā)閾值時，根據預設時間長 度讀入一段信號數據，計算設定好的多種特征參數，組成特征向量，存為一個樣本；所述樣 本采集模塊還用于在根據預設時間長度讀入一段信號數據時，同時采集這個預設時間長度 的前一秒和之后幾秒數據，以保證采集信號的完整。
[0014] 本發(fā)明所述的系統(tǒng)中，所述樣本粗篩選模塊具體包括： 篩選錯誤識別樣本號子模塊，用于用所有采集到的樣本訓練出一個分類器，再用該分 類器對采集的樣本自身進行模式分類測試，重復五次以上；所述分類器為單隱含層MLP網 絡結構； 錯誤樣本序號記錄子模塊，用于記錄每次被錯誤識別的樣本序號； 錯誤樣本剔除子模塊，用于對記錄的幾次結果求交集，找出每次都被錯誤識別的樣本， 將這些樣本從樣本庫中剔除。
[0015] 本發(fā)明所述的系統(tǒng)中，所述樣本細篩選模塊還用于利用經過篩選后的樣本庫，多 次訓練生成多個分類器并存儲； 所述信號模式識別模塊還用于將特征向量經過已存儲好的多個分類器同時計算，根據 計算結果的統(tǒng)計概率，得到最終的模式識別結果，允許存在判別為"未知"的情況，以減少誤 判。
[0016] 本發(fā)明產生的有益效果是：本發(fā)明基于實際工程應用的考慮，在采集樣本的數量 比例和分布規(guī)律難以確定的情況下，利用模式分類器自身對樣本進行篩選，以保證之后訓 練生成分類器的容錯性、準確性和泛化能力，此篩選方法簡單有效。同時，利用有監(jiān)督模式 識別算法良好的自學習、自適應和非線性映射能力，并且基于概率統(tǒng)計的思路，可對分布式 光纖振動傳感信號進行有效識別，環(huán)境適應性好，誤識別率低?？稍谛盘枎в性肼暬蜃冃蔚?情況下，識別入侵或破壞信號同時減少誤報警。可以應對復雜多樣的應用環(huán)境。
[0017]
【附圖說明】
[0018] 下面將結合附圖及實施例對本發(fā)明作進一步說明，附圖中： 圖1是本發(fā)明實施例分布式光纖傳感信號模式識別方法流程圖； 圖2是本發(fā)明另一實施例樣本篩選和訓練存儲分類器模塊示意圖； 圖3是本發(fā)明另一實施例分布式光纖傳感信號模式識別方法流程圖； 圖4A是本發(fā)明實施例某次實測的車經過引起的振動信號的時域波形圖； 圖4B是本發(fā)明實施例某次實測的人行走引起的振動信號的時域波形圖； 圖4C是本發(fā)明實施例某次實測的人敲擊引起的振動信號的時域波形圖； 圖5是本發(fā)明實施例分布式光纖傳感信號模式識別系統(tǒng)結構示意圖。
[0019]
【具體實施方式】
[0020] 為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結合附圖及實施例，對 本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅用以解釋本發(fā)明，并不 用于限定本發(fā)明。
[0021] 本發(fā)明的分布式光纖傳感信號模式識別方法，可在信號帶有噪聲或變形的情況 下，能夠有效識別入侵或破壞信號，同時減少誤報。
[0022] 本發(fā)明實施例的分布式光纖傳感信號模式識別方法，如圖1所示，包括以下步驟： 51、 樣本采集，對每種行為激勵信號，各自采集多組樣本，得到樣本庫；在采集其中一個 樣本時，可人為界定需要識別的行為并進行相應激勵，當外界振動信號幅度大于預先設置 的信號觸發(fā)閾值時，根據預設時間長度讀入一段信號數據，計算設定好的多種特征參數，組 成特征向量，存為一個樣本， 52、 樣本粗篩選，對采集到的樣本庫進行篩選，剔除離散度大的樣本；可利用BP神經網 絡， S3、樣本細篩選，利用經過篩選后的樣本庫，訓練生成用于信號模式識別的分類器，并 存儲；分類器可以為多層感知器、多項式分類器、BP神經網絡分類器、RBF神經網絡分類器、 支持向量機分類器、決策樹分類器、貝葉斯分類器等有監(jiān)督模式識別算法的分類器。
[0023] S4、信號模式識別，對新觸發(fā)讀入的一段信號數據