,計(jì)算其特征向量,將特征向量 經(jīng)過已存儲(chǔ)好的分類器計(jì)算后,得到模式識(shí)別結(jié)果。
[0024] 其中,步驟S1中,在根據(jù)預(yù)設(shè)時(shí)間長(zhǎng)度讀入一段信號(hào)數(shù)據(jù)時(shí),同時(shí)采集這個(gè)預(yù)設(shè) 時(shí)間長(zhǎng)度的前一秒和之后幾秒數(shù)據(jù),以保證采集信號(hào)的完整。
[0025] 本發(fā)明的另一實(shí)施例中,分布式光纖傳感信號(hào)模式識(shí)別方法主要包括以下步驟: 1、樣本采集,由分布式光纖振動(dòng)傳感系統(tǒng)采集信號(hào),經(jīng)小波濾波抑制系統(tǒng)背景噪聲,在 本實(shí)施例中,選用5階Daubechies小波基,對(duì)原始數(shù)據(jù)進(jìn)行7層分解。人為界定需要識(shí)別 的行為并進(jìn)行相應(yīng)激勵(lì),需要識(shí)別的行為激勵(lì)信號(hào)是:車經(jīng)過、人行走和人敲擊等3種,當(dāng) 信號(hào)達(dá)到觸發(fā)閾值時(shí),采集這個(gè)時(shí)間點(diǎn)的前一秒和之后四秒數(shù)據(jù),以保證采集信號(hào)的完整, 采集一段信號(hào)數(shù)據(jù)的時(shí)間長(zhǎng)度為五秒。計(jì)算設(shè)定好的6種特征參數(shù),需要計(jì)算的特征參數(shù) 包括:時(shí)域均值、時(shí)域能量、頻域能量、能量變換率、裕度系數(shù)和Lipschitz常數(shù),組成特征 向量,存為一個(gè)樣本。對(duì)于每種行為激勵(lì)信號(hào),各自至少采集1〇〇組樣本,建立樣本庫(kù)。
[0026] 2、樣本粗篩選,考慮到參考樣本對(duì)分類器的泛化性能的影響,本發(fā)明提出了利用 選定的模式分類器自身對(duì)采集到的樣本庫(kù)進(jìn)行粗篩選的方法,用以剔除樣本庫(kù)中的奇異數(shù) 據(jù),此步驟除了可起到降低計(jì)算代價(jià),加快學(xué)習(xí)速度的作用之外,還可避免過擬合現(xiàn)象的發(fā) 生,以保證之后訓(xùn)練生成的分類器的容錯(cuò)性、準(zhǔn)確性和泛化能力。此篩選方法基于實(shí)際工程 應(yīng)用的考慮,在采集樣本的數(shù)量比例和分布規(guī)律難以確定的情況下,對(duì)參考樣本進(jìn)行簡(jiǎn)單 有效的篩選。
[0027] 利用所選定的模式分類器對(duì)采集到的樣本庫(kù)進(jìn)行篩選,具體步驟為: 2a.用所有采集到的樣本訓(xùn)練一個(gè)分類器,再用這個(gè)分類器對(duì)這些樣本自身進(jìn)行模式 分類測(cè)試,記錄此次被錯(cuò)誤識(shí)別的樣本序號(hào); 2b.重復(fù)步驟2a五次,記錄每次被錯(cuò)誤識(shí)別的樣本序號(hào); 2c.統(tǒng)計(jì)步驟2b記錄的五次結(jié)果,求交集,找出每次都被錯(cuò)誤識(shí)別的樣本,將這些樣本 從樣本庫(kù)中剔除。
[0028] 3、樣本細(xì)篩選,考慮到參考樣本對(duì)分類器的泛化性能的影響,本發(fā)明提出了利用 選定的模式分類器自身對(duì)采集到的樣本庫(kù)進(jìn)行細(xì)篩選的方法,用以應(yīng)對(duì)樣本庫(kù)中的邊界數(shù) 據(jù)。具體步驟為: 3a.用經(jīng)過步驟2粗篩選后的樣本庫(kù)訓(xùn)練一個(gè)分類器,再用這個(gè)分類器對(duì)這些樣本自 身進(jìn)行模式分類測(cè)試,記錄此次被錯(cuò)誤識(shí)別的樣本序號(hào); 3b.重復(fù)步驟3a五次,記錄每次被錯(cuò)誤識(shí)別的樣本序號(hào); 3c.統(tǒng)計(jì)步驟3b記錄的五次結(jié)果,找到出現(xiàn)三次及以上的樣本,將這些樣本從樣本庫(kù) 中剔除。
[0029] 4、利用經(jīng)過步驟3細(xì)篩選后的樣本庫(kù),生成并存儲(chǔ)一個(gè)用于信號(hào)模式識(shí)別的分類 器。再將樣本庫(kù)還原為經(jīng)過步驟2粗篩選后的狀態(tài),重復(fù)步驟3細(xì)篩選和步驟4訓(xùn)練分類 器過程,存儲(chǔ)多個(gè)分類器。在本實(shí)施例中,采用單隱含層MLP網(wǎng)絡(luò)結(jié)構(gòu),存儲(chǔ)有5個(gè)分類器。 重復(fù)步驟3和步驟4的目的是為了應(yīng)對(duì)樣本庫(kù)中的邊界數(shù)據(jù),避免過度刪除,而存儲(chǔ)多個(gè)網(wǎng) 絡(luò)同時(shí)進(jìn)行計(jì)算和判斷可以在概率上提高分類效果的穩(wěn)定性。
[0030] 5、信號(hào)模式識(shí)別,經(jīng)小波濾波后新讀入的一段信號(hào)數(shù)據(jù)計(jì)算特征向量,此特征向 量經(jīng)過已存儲(chǔ)好的5個(gè)分類器同時(shí)計(jì)算后,根據(jù)識(shí)別結(jié)果的統(tǒng)計(jì)概率,得到最終的模式識(shí) 別結(jié)果。在本實(shí)施例中,識(shí)別規(guī)則定為:當(dāng)有新特征樣本輸入時(shí),5個(gè)分類器同時(shí)判斷,當(dāng)有 半數(shù)以上(3個(gè)及以上)判斷結(jié)果一致時(shí),再給出最終結(jié)果,若不滿足識(shí)別規(guī)則所定的條件, 可以判別為"未知",以減少誤判。
[0031] 可人為設(shè)定需要報(bào)警的行為,當(dāng)某種特定行為的信號(hào)出現(xiàn)并被識(shí)別時(shí),根據(jù)已有 的設(shè)置,判斷是否輸出報(bào)警信號(hào)。如"人敲擊"需報(bào)警,而"人行走"和"車經(jīng)過"不報(bào)警。
[0032] 當(dāng)觸發(fā)信號(hào)識(shí)別為"未知"時(shí),若信號(hào)幅度超過預(yù)先設(shè)定的報(bào)警閾值,則輸出報(bào)警 信號(hào),標(biāo)記為"未知",并存儲(chǔ)這段信號(hào)的信息,供以后分析。
[0033] 基于本方法,對(duì)新輸入的50段車經(jīng)過、150段人行走和150段人敲擊觸發(fā)信號(hào)進(jìn)行 模式分類結(jié)里統(tǒng)i+,iR別正確率如下:
【主權(quán)項(xiàng)】
1. 一種分布式光纖傳感信號(hào)模式識(shí)別方法,其特征在于,包括以下步驟: 51、 樣本采集,對(duì)每種行為激勵(lì)信號(hào),各自采集多組樣本,并計(jì)算預(yù)設(shè)的多種特征參數(shù), 組成特征向量,得到特征樣本庫(kù); 52、 樣本粗篩選,對(duì)采集到的樣本庫(kù)進(jìn)行篩選,剔除離散度大的樣本; 53、 樣本細(xì)篩選,利用經(jīng)過粗篩選后的樣本庫(kù),訓(xùn)練生成用于信號(hào)模式識(shí)別的分類器, 并存儲(chǔ); 54、 信號(hào)模式識(shí)別,對(duì)新觸發(fā)讀入的一段信號(hào)數(shù)據(jù),計(jì)算其特征向量,將特征向量經(jīng)過 已存儲(chǔ)好的分類器計(jì)算后,得到模式識(shí)別結(jié)果。
2. 根據(jù)權(quán)利要求1所述的方法,其特征在于,步驟Sl中,其中一個(gè)樣本采集的具體過程 為:人為界定需要識(shí)別的行為并進(jìn)行相應(yīng)激勵(lì),當(dāng)外界振動(dòng)信號(hào)幅度大于預(yù)先設(shè)置的信號(hào) 觸發(fā)閾值時(shí),根據(jù)預(yù)設(shè)時(shí)間長(zhǎng)度讀入一段信號(hào)數(shù)據(jù),計(jì)算設(shè)定好的多種特征參數(shù),組成特征 向量,存為一個(gè)樣本。
3. 根據(jù)權(quán)利要求2所述的識(shí)別方法,其特征在于,步驟Sl中在根據(jù)預(yù)設(shè)時(shí)間長(zhǎng)度讀入 一段信號(hào)數(shù)據(jù)時(shí),同時(shí)采集這個(gè)預(yù)設(shè)時(shí)間長(zhǎng)度的前一秒和之后幾秒數(shù)據(jù),以保證采集信號(hào) 的完整。
4. 根據(jù)權(quán)利要求1所述的方法,其特征在于,步驟S2具體為:
521. 用所有采集到的樣本訓(xùn)練出一個(gè)分類器,再用該分類器對(duì)采集的樣本自身進(jìn)行模 式分類測(cè)試,記錄此次被錯(cuò)誤識(shí)別的樣本序號(hào);所述分類器為單隱含層MLP網(wǎng)絡(luò)結(jié)構(gòu);
522. 重復(fù)步驟S21五次以上,記錄每次被錯(cuò)誤識(shí)別的樣本序號(hào);
523. 對(duì)步驟S22記錄的幾次結(jié)果求交集,找出每次都被錯(cuò)誤識(shí)別的樣本,將這些樣本 從樣本庫(kù)中剔除。
5. 根據(jù)權(quán)利要求1所述的方法,其特征在于,步驟S3重復(fù)多次,得到多個(gè)分類器并存 儲(chǔ);步驟S4中,將特征向量經(jīng)過已存儲(chǔ)好的多個(gè)分類器同時(shí)計(jì)算,根據(jù)計(jì)算結(jié)果的統(tǒng)計(jì)概 率,得到最終的模式識(shí)別結(jié)果,允許存在判別為"未知"的情況,以減少誤判。
6. 根據(jù)權(quán)利要求1所述的方法,其特征在于,根據(jù)應(yīng)用環(huán)境的不同,對(duì)讀入數(shù)據(jù)時(shí)間長(zhǎng) 度、分類器的訓(xùn)練參數(shù)以及特征向量進(jìn)行隨時(shí)的人工調(diào)整。
7. -種分布式光纖傳感信號(hào)模式識(shí)別系統(tǒng),其特征在于,包括: 樣本采集模塊,用于對(duì)每種行為激勵(lì)信號(hào),各自采集多組樣本,得到樣本庫(kù); 樣本粗篩選模塊,用于對(duì)采集到的樣本庫(kù)進(jìn)行篩選,剔除離散度大的樣本; 樣本細(xì)篩選模塊,用于利用經(jīng)過篩選后的樣本庫(kù),訓(xùn)練生成用于信號(hào)模式識(shí)別的分類 器,并存儲(chǔ); 信號(hào)模式識(shí)別模塊,用于對(duì)新觸發(fā)讀入的一段信號(hào)數(shù)據(jù),計(jì)算其特征向量,將特征向量 經(jīng)過已存儲(chǔ)好的分類器計(jì)算后,得到模式識(shí)別結(jié)果。
8. 根據(jù)權(quán)利要求7所述的系統(tǒng),其特征在于,所述樣本采集模塊具體用于根據(jù)人為界 定需要識(shí)別的行為并進(jìn)行相應(yīng)激勵(lì),當(dāng)外界振動(dòng)信號(hào)幅度大于預(yù)先設(shè)置的信號(hào)觸發(fā)閾值 時(shí),根據(jù)預(yù)設(shè)時(shí)間長(zhǎng)度讀入一段信號(hào)數(shù)據(jù),計(jì)算設(shè)定好的多種特征參數(shù),組成特征向量,存 為一個(gè)樣本;所述樣本采集模塊還用于在根據(jù)預(yù)設(shè)時(shí)間長(zhǎng)度讀入一段信號(hào)數(shù)據(jù)時(shí),同時(shí)采 集這個(gè)預(yù)設(shè)時(shí)間長(zhǎng)度的前一秒和之后幾秒數(shù)據(jù),以保證采集信號(hào)的完整。
9. 根據(jù)權(quán)利要求7所述的系統(tǒng),其特征在于,所述樣本粗篩選模塊具體包括: 篩選錯(cuò)誤識(shí)別樣本號(hào)子模塊,用于用所有采集到的樣本訓(xùn)練出一個(gè)分類器,再用該分 類器對(duì)采集的樣本自身進(jìn)行模式分類測(cè)試,重復(fù)五次以上;所述分類器為單隱含層MLP網(wǎng) 絡(luò)結(jié)構(gòu); 錯(cuò)誤樣本序號(hào)記錄子模塊,用于記錄每次被錯(cuò)誤識(shí)別的樣本序號(hào); 錯(cuò)誤樣本剔除子模塊,用于對(duì)記錄的幾次結(jié)果求交集,找出每次都被錯(cuò)誤識(shí)別的樣本, 將這些樣本從樣本庫(kù)中剔除。
10.根據(jù)權(quán)利要求7所述的系統(tǒng),其特征在于,所述樣本細(xì)篩選模塊還用于利用經(jīng)過篩 選后的樣本庫(kù),多次訓(xùn)練生成多個(gè)分類器并存儲(chǔ); 所述信號(hào)模式識(shí)別模塊還用于將特征向量經(jīng)過已存儲(chǔ)好的多個(gè)分類器同時(shí)計(jì)算,根據(jù) 計(jì)算結(jié)果的統(tǒng)計(jì)概率,得到最終的模式識(shí)別結(jié)果,允許存在判別為"未知"的情況,以減少誤 判。
【專利摘要】本發(fā)明公開了一種分布式光纖傳感信號(hào)模式識(shí)別方法及系統(tǒng),其中方法包括以下步驟:樣本采集,對(duì)每種行為激勵(lì)信號(hào),各自采集多組樣本,得到樣本庫(kù);樣本粗篩選,對(duì)采集到的樣本庫(kù)進(jìn)行篩選,剔除離散度大的樣本;樣本細(xì)篩選,利用經(jīng)過篩選后的樣本庫(kù),訓(xùn)練生成用于信號(hào)模式識(shí)別的分類器,并存儲(chǔ);信號(hào)模式識(shí)別,對(duì)新觸發(fā)讀入的一段信號(hào)數(shù)據(jù),計(jì)算其特征向量,將特征向量經(jīng)過已存儲(chǔ)好的分類器計(jì)算后,得到模式識(shí)別結(jié)果。本發(fā)明可在信號(hào)帶有噪聲或變形的情況下,能夠有效識(shí)別入侵或破壞信號(hào),同時(shí)減少誤報(bào)。
【IPC分類】G08B13-02
【公開號(hào)】CN104751580
【申請(qǐng)?zhí)枴緾N201510162887
【發(fā)明人】楊玥, 劉軍榮, 董雷, 印新達(dá)
【申請(qǐng)人】武漢理工光科股份有限公司
【公開日】2015年7月1日
【申請(qǐng)日】2015年4月8日