基于模糊域特征的光纖振動信號識別方法
【專利摘要】本發(fā)明提出了一種基于模糊域特征的光纖振動信號識別方法，主要解決現有識別方法在采樣率較低且入侵事件較為類似情況下識別率較低的問題。其實現步驟是：(1)對光纖振動信號進行小波降噪；(2)對降噪后信號進行去均值與能量歸一化處理；(3)計算歸一化信號模糊函數，對模糊函數進行切片作為模糊域特征；(4)對切片進行降維，構造信號特征集；(5)將信號特征集隨機劃分訓練集與測試集；(6)使用訓練集對SVM分類器進行訓練；(7)使用訓練后的SVM分類器對測試集進行分類。本發(fā)明有效地提取了光纖振動信號的模糊域特征，與現有技術對比具有識別率高，適應性廣的優(yōu)點，可用于光纖周界安防系統(tǒng)的信號處理分系統(tǒng)。
【專利說明】基于模糊域特征的光纖振動信號識別方法
【技術領域】
[0001]本發(fā)明屬于信號處理【技術領域】，進一步涉及光纖傳感領域中的信息處理方法，可用于光纖周界安防系統(tǒng)的振動傳感信號處理分系統(tǒng)。
【背景技術】
[0002]光纖周界安防系統(tǒng)是利用光纖作為傳感器實現分布式周界安防監(jiān)測的報警系統(tǒng)，該系統(tǒng)主要傳感部件是振動光纖，這種設計獨特的光纖對運動、壓力和振動非常敏感，它可沿圍欄、圍墻鋪設來探測攀爬、敲擊等入侵行為，也可以鋪設在土壤、草坪下來探測踩踏等入侵行為。對于一些重要設施或區(qū)域如軍事禁區(qū)、飛機場、核電站等以及對于偷盜及破壞頻繁的場所如石油管道、鐵路沿線及通訊光纜等來說，光纖周界安防系統(tǒng)是一種具有低能耗、耐電磁輻射、可用于易燃易爆場所等優(yōu)點的高效安全監(jiān)控系統(tǒng)。當外界有振動作用于傳感光纖時，纖芯發(fā)生形變導致其長度和折射率發(fā)生變化從而使在纖芯中傳播的光相位發(fā)生變化。這些攜帶外界振動信息的光經過光學系統(tǒng)處理后，相位變換轉變?yōu)楣鈴娮儞Q，經光電轉換后以電信號的形式進入計算機進行處理，以判斷是否發(fā)生入侵事件。
[0003]對攜帶外界振動信息的信號進行準確的處理和識別是光纖周界安防系統(tǒng)性能優(yōu)劣的關鍵，目前主要的光纖振動信號識別方法有:
[0004]I)時域特征法。對信號閾值進行判斷后，將光纖振動信號的平均幅度、短時平均過零率、峰均比、峰值統(tǒng)計等作為其特征向量進行后續(xù)入侵模式的識別。該方法思路直觀、實現簡單，但在現場環(huán)境復雜情況下，不同的擾動源可能產生類似的振動時域信號，此時時域方法識別率將嚴重下降。
[0005]2)頻域特征法。對光纖振動信號進行FFT變換獲取其頻譜，或使用Welch方法、AR模型參數化方法估計其功率譜密度，分析光纖振動信號在頻域上的能量分布，將其作為特征向量進行入侵模式識別。該方法易于實現，但要求在前端數據采集時有較高的采樣率，當前端采樣率過低時甚至無法進行識別。
[0006]3)小波能量法。使用合適的小波基對光纖振動信號進行J層小波分解或小波包分解，將信號分解到多個頻帶，得到各層小波系數或第J層小波包系數，根據各節(jié)點系數計算各頻帶信號能量并進行歸一化處理作為光纖振動信號的特征向量進行后續(xù)識別。這種方法在時頻聯(lián)合域對光纖振動信號進行了很好的處理，但要求各入侵事件實施主體差異較大比如，分別為人體實施與機械實施，且在分解層數較多時計算速度較慢，實時性較差。
[0007]4) LPCC或MFCC法。該類方法是借鑒傳統(tǒng)語音信號識別方法，提取光纖振動信號的線性預測倒譜系數LPCC或美爾倒譜系數MFCC作為特征向量進行入侵模式識別。與小波能量法類似，該類方法同樣是將信號分解到多個頻帶后計算各頻帶能量，同樣要求各入侵事件信號在頻帶分布上有較好的區(qū)分性，在各類入侵事件較為相似該方法識別率較差。
[0008]綜上所述，現有光纖振動信號的特征提取與識別方法各有利弊，在某些情況下無法達到理想的識別率，在保證漏報率的情況下虛警率會大為升高，導致系統(tǒng)誤報頻繁，無法有效地監(jiān)控入侵事件。
【發(fā)明內容】

[0009]本發(fā)明的目的是針對上述現有技術的不足，提出一種基于模糊域特征的光纖振動信號識別方法，以提高識別率，降低虛警率，實現對入侵事件的有效監(jiān)控。
[0010]實現本發(fā)明目的的技術方案是:首先對光纖振動信號進行小波包去噪與能量歸一化預處理，然后變換到模糊域得到信號的時頻聯(lián)合表征，在模糊函數平面內提取近零切片作為中間特征集，并使用ReliefF特征選擇方法對中間特征集進行優(yōu)化得到最終的特征向量；再將先驗入侵事件光纖振動信號隨機劃分訓練信號集和測試信號集，對訓練集和測試集分別完成特征變換后輸入SVM進行訓練并測試，將訓練好的SVM用于實現入侵事件類型識別。其步驟包括如下:
[0011](I)對光纖振動信號x(n)進行小波閾值降噪，得到降噪后的信號i(?) I
[0012](2)對降噪后信號?(?)進行去均值和能量歸一化處理，得到歸一化信號χ’ (η)，以消除信號能量差別對識別的影響；
[0013](3)計算歸一化信號χ’ (η)的瞬時自相關函數Rx(n，τ )，以n為自變量對自相關函數做FFT反變換，得到光纖振動信號的模糊函數Α(τ，υ)，對Α(τ，U)進行取模運算，獲取光纖振動信號在 模糊域的能量分布表征|Α( τ，υ ) I，在頻偏軸υ上對該|Α( τ，υ ) I進行切片，并抽取該切片沿時延τ方向的一半，得到光纖振動信號的模糊域特征AF(T):
[0014]AF ( τ ) = IA ( τ , υ ) | υ=Ν/2+3, τ =1, 2.., Ν/2,
[0015]式中N為光纖振動信號χ (η)的米樣點數；
[0016](4)對于模糊域特征AF(T)中的所有特征點，根據ReliefF方法的權重值更新公式進行多次迭代，計算表示各個特征點權重值的權值向量W( τ )，選取W( τ )中較大權重值對應的特征點，作為光纖振動信號的最終特征AFR(T)；
[0017](5)將光纖振動信號特征集AFR隨機劃分為訓練信號特征集AFRta與測試信號特征集AFRte ；
[0018](6)使用訓練信號特征集AFRta對支持向量機SVM分類器進行訓練，使用訓練后的SVM分類器對測試信號特征集AFRte進行分類測試，輸出測試信號的類別標號；
[0019](7)規(guī)定SVM分類器輸出類別標號與測試信號實際類別標號相同時為分類正確，并將分類正確的測試信號組數與總的測試信號組數的比值作為識別率R ;將識別率R與設定的識別率閾值Tk進行比較:若R > Te,則SVM分類器達到設計要求；若R〈TK，則返回步驟
(6)重新對SVM分類器進行訓練，直至達到設計要求。
[0020]本發(fā)明具有如下優(yōu)點:
[0021]第一、本發(fā)明提出了一種新的光纖振動信號的特征提取方法，將時頻分析中的模糊函數表征引入光纖周界安防領域中用于振動傳感信號處理，同時結合支持向量機SVM對入侵事件進行識別，即使在前端數據采樣率較低及入侵實施主體相同導致入侵事件類型較為類似的情況下，仍能取得較好的識別結果，實現了復雜環(huán)境下光纖振動信號的優(yōu)化處理，具有較強的魯棒性。
[0022]第二、本發(fā)明在得到模糊函數的模矩陣后，使用切片方法提取中間特征，再使用ReliefF方法對特征進行優(yōu)化，克服了直接使用模糊函數作為光纖振動信號特征導致的維數過高問題?！緦＠綀D】

【附圖說明】
[0023]圖1為本發(fā)明的實現流程圖；
[0024]圖2為本發(fā)明仿真使用的三類掛網時采集的入侵事件光纖振動信號；
[0025]圖3為用本發(fā)明對掛網時光纖振動信號進行處理得到的量化頻偏u =N/2+3的模糊函數切片示意圖；
[0026]圖4為本發(fā)明對掛網時光纖振動信號進行分類測試的識別效果圖。
[0027]圖5為本 發(fā)明仿真使用的三類地埋時采集的入侵事件光纖振動信號；
[0028]圖6為用本發(fā)明對地埋時光纖振動信號進行處理得到的模糊函數切片示意圖；
[0029]圖7為本發(fā)明對地埋時光纖振動信號進行分類測試的識別效果圖。
【具體實施方式】
[0030]以下參照附圖對本發(fā)明的實施例和效果做進一步說明。
[0031]本發(fā)明實施例中所用的光纖振動信號由數據采集卡以750Hz采樣率采樣2秒得到，光纖周界安防系統(tǒng)在鋪設時分為掛網與地埋兩種，掛網時采集的輸入光纖振動信號分為手拍擊柵欄、敲擊柵欄、連續(xù)晃動柵欄三類，每類信號組數分別為110、87、104 ;地埋時采集的輸入光纖振動信號分為在埋有光纖的地面上跺腳、連續(xù)跺腳、腳踩三類，每類信號組數分別為84、87、79。掛網和地埋兩種情況光纖振動信號的處理方法完全一致，下面以掛網時情況為例詳細描述。
[0032]結合圖1，對本發(fā)明的實施步驟詳述如下:
[0033]步驟1.輸入光纖振動信號樣本。
[0034]在本發(fā)明實施例中，由WINDOWS XP系統(tǒng)輸入光纖振動信號，將已經過模數轉換的信號電壓值以向量形式讀取，記為X(n)，n=l, 2...，N，N為信號采樣點數。
[0035]步驟2.對光纖振動信號進行小波降噪處理，去除噪聲干擾。
[0036]2a)選用db4小波基對輸入光纖振動信號χ (η)進行6級離散小波分解，得到各級細節(jié)系數4 (k)，與第6級近似系數a_6 (k)，其中，j表示分解系數層級，j=-6,...，-1，k表示分解系數位置；
[0037]2b)根據噪聲在頻域中表現為高頻信號的特性，保留表示低頻的近似系數a_6(k)，并設定一個降噪閾值對表示高頻的細節(jié)系數4(k)進行量化，得到的新細節(jié)系數為:
[0038]d,{k.) = rj(djik) ?
[0039]式中，n (dj(k))為量化函數，用于規(guī)定高頻細節(jié)系數4(k)的量化方式，其公式如下:
【權利要求】
1.一種基于模糊域特征的光纖振動信號分類方法，其具體步驟包括如下: (1)對光纖振動信號χ(η)進行小波閾值降噪，得到降噪后的信號 (2)對降噪后信號進行去均值和能量歸一化處理，得到歸一化信號X’(n)，以消除信號能量差別對識別的影響； (3)計算歸一化信號X’(η)的瞬時自相關函數Rx(η，τ )，以η為自變量對自相關函數做FFT反變換，得到光纖振動信號的模糊函數Α(τ，υ)，對模糊函數Α(τ，U )進行取模運算，獲取光纖振動信號在模糊域的能量分布表征矩陣|Α(τ，υ) |，在頻偏軸υ=Ν/2+3處對該矩陣|Α(τ，υ) I進行切片，并抽取該切片沿時延τ方向的一半，得到光纖振動信號的模糊域特征AF ( τ ):
AF ( τ ) = IA ( τ , υ ) | υ=Ν/2+3, τ =1, 2..., N/2, 其中，N為光纖振動信號X (n)的采樣點數； (4)對于模糊域特征AF(T)中的所有特征點，根據ReliefF方法的權重值更新公式進行多次迭代，計算表示各個特征點權重值的權值向量W( τ )，選取W( τ )中較大權重值對應的特征點，作為光纖振動信號的最終特征AFR( τ )； (5)將光纖振動信號特征集AFR隨機劃分為訓練信號特征集AFRta與測試信號特征集AFRte ； (6)使用訓練信號特征集AFRti對支持向量機SVM分類器進行訓練，使用訓練后的SVM分類器對測試信號特征集AFRte進行分類測試，輸出測試信號的類別標號； (7)規(guī)定SVM分類器輸出類別標號與測試信號實際類別標號相同時為分類正確，并將分類正確的測試信號組數與總的測試信號組數的比值作為識別率R ;將識別率R與設定的識別率閾值Tk進行比較:若R > Te,則SVM分類器達到設計要求；若R〈TK，則返回步驟(6)重新對SVM分類器進行訓練，直至達到設計要求。
2.根據權利要求1所述的基于模糊域特征的光纖振動信號識別方法，其特征在于，步驟(I)所述的對光纖振動信號X (η)進行小波閾值降噪，按如下步驟進行: (1.1)使用db4小波基對光纖振動信號X (η)進行J級離散小波分解，得到各層細節(jié)系數CljGO與第J層近似系數a_^k)，其中，η表示信號中采樣點的位置，η=1, 2...，N，N為信號采樣點數，j表示分解系數層級，j=-J,表示分解系數位置； (1.2)保留近似系數a_^k)，并設定一個降噪閾值對細節(jié)系數4(k)進行量化，得到的新細節(jié)系數為:
dj(k) = fj(dl(k))iij(k), 其中，n(c^(k))為量化函數，其公式如下:
sign(d,(mld^aT2, k-(A)|>r η(?^)) = <11-ι ,
[O,\d,(k)\<T 式中sign(.)為符號函數，調節(jié)因子α的取值范圍為[0，1]，Τ為降噪閾值，其計算公式為:T = ση^2\χ\Ν ,式中σ η是噪聲的標準差，需根據系統(tǒng)運行環(huán)境確定；(1.3)用經閾值處理后的新細節(jié)系數^(幻與原近似系數a_j(k)進行逆離散小波變換，重構出降噪后信號* n=l, 2...，N。
3.根據權利要求1所述的基于模糊域特征的光纖振動信號識別方法，其特征在于，步驟(2)所述的對降噪后信號進行去均值和能量歸一化處理，按如下步驟進行: (2.1)計算降噪后信號％)的平均值
4.根據權利要求1所述的基于模糊域特征的光纖振動信號識別方法，其特征在于，步驟(3)所述的計算歸一化信號X’ (η)的瞬時自相關函數Rx (η，τ)，通過如下公式計算:

5.根據權利要求1所述的基于模糊域特征的光纖振動信號識別方法，其特征在于，所述步驟(3)中的光纖振動信號的模糊函數Α(τ，υ)，表示如下:
6.根據權利要求1所述的基于模糊域特征的光纖振動信號識別方法，其特征在于，步驟(4)所述的根據ReliefF方法對模糊域特征AF(T)進行降維，按如下步驟進行: (4.1)根據信號樣本規(guī)模選擇迭代次數m與最鄰近樣本個數n，將模糊域特征AF ( τ )權重向量W( τ )的初始值置為O:ff( τ )=0, τ =1，2,.., N/2 ； (4.2)隨機選擇一個信號樣本Q，找出與其同類別的η個最近鄰，將其集合記為H，再找出與其異類的其余每個類別中的η個最近鄰，將其集合記為I，設共有B類信號樣本與Q異類； (4.3)對于AF( τ )的所有特征點，使用如下權值更新公式更新其特征權重值:
7.根據權利要求1所述的基于模糊域特征的光纖振動信號識別方法，其特征在于，步驟(5)所述的對光纖振動信號特征集進行隨機劃分，按如下步驟進行: (5.1)設光纖振動信號集中共有K組信號樣本，K=YjK, ? Ki為第i類光纖振動信號組數，c為光纖振動信號類別數； (5.2)產生Ki個(0，I)之間均勻分布的隨機數，并進行序號標記，然后將隨機數按升序排列，選取前KiXp個整數隨機數，P為每一類信號用作訓練的組數比例，將所選整數隨機數的序號作為組號，選取信號特征集AFR中第i類信號特征向量用作訓練，則訓練特征集AFRta總共有M = ^(K1 χ川組，剩 余K-M組作為測試特征集AFRte。
/=I
8.根據權利要求1所述的基于模糊域特征的光纖振動信號識別方法，其特征在于，步驟(6)所述的使用訓練信號特征集AFRta對SVM分類器進行訓練，按如下步驟進行: (6.1)將錯誤代價系數Csvm的值取為9，選擇徑向基核函數作為SVM分類器的核函數模

!χ — yll型:K(x,y) = exp(-LJL),其中,I x-y I2表示訓練向量χ與訓練向量y的2范數，Orbf2表示訓練向量集的方差； (6.2)構建訓練核函數K (X，y)tr (6.2.1)計算訓練特征集AFRta中兩兩特征向量間的歐式距離，得到歐氏距離矩陣:
> I < i < M，I ? M， 式中，M為訓練特征集AFRfe的特征向量組數，為歐氏距離矩陣1的元素值，其計算如下: Dl =AFRi(r)f，
-Ι 其中，表示訓練特征集AFRfe中的第i個特征向量； (6.2.2)計算歐式距離矩陣Dtr的均值μ tr:

I M _ iη1/ , tr —Μ(Μ-1)令 Y.'.D
(6.2.3)令 I I x-y I |2=Dtr，σ rbf2 = μ tr，構建訓練核函數尤= ε?φ(-f >;(6.3)使用訓練核函數K(x，y)訓練信號類別標號Lta和錯誤代價系數Csvm求解SVM分類器的判別函數。
9.根據權利要求1所述的基于模糊域特征的光纖振動信號識別方法，其特征在于，步驟(6)所述的使用訓練后的SVM分類器對測試信號特征集AFRte進行分類測試，按如下步驟進行: (6a)計算訓練特征集AFRk中兩兩特征向量間的歐式距離，得到歐氏距離矩陣:
10.根據權利要求1所述的基于模糊域特征的光纖振動信號識別方法，其特征在于，步驟(7)所述的識別率R，表示如下:
【文檔編號】G01H9/00GK103968933SQ201410140433
【公開日】2014年8月6日 申請日期:2014年4月9日 優(yōu)先權日:2014年4月9日
【發(fā)明者】臧博, 姬紅兵, 朱明哲, 李琦, 李彩彩, 張嵩, 顧慶遠, 李林, 劉靳 申請人:西安電子科技大學