CN103235953B - 一种光纤分布式扰动传感器模式识别的方法 - Google Patents

Abstract

本发明公开了一种光纤分布式扰动传感器模式识别的方法，该方法包括：按照时间段对光纤分布式扰动传感器的输出信号I₁(t)进行M次采样，获得根据时间段划分的N个采样点，其中，N≧M；计算第i个时间段内采样点的过零率F(i)，并根据该过零率F(i)计算当前时间段内的等效频率f(i)，获得当前时间段内该传感器输出信号的频率和时间分布特性；根据所述传感器输出信号的频率和时间分布特性进行模式识别。通过采用本发明公开的方法提高了识别效率高及准确度，降低了误警率。

Description

一种光纤分布式扰动传感器模式识别的方法

技术领域

本发明涉及光纤分布式扰动传感器技术领域，尤其涉及一种光纤分布式扰动传感器模式识别的方法。

背景技术

光纤分布式扰动传感器能够对传感光纤上任意一点的扰动进行探测、识别和定位，凭借其监测距离长、可定位、无需外场供电等重要技术优势，可以广泛应用于周界安防、油气管线预警、通信线路监测以及大型结构监测。

光纤分布式扰动传感器的工作流程为探测外界扰动信号，对扰动信号进行模式识别，确定是否做出报警判断。光纤分布式扰动传感器的工作性能可以由三个概率指标进行描述：光纤分布式扰动传感器探测外界扰动的概率为探测率，对报警事件没有做出报警判断的概率为漏警率，对非报警事件进行报警判断的概率为误警率。

目前限制光纤分布式扰动传感器进一步推广应用的关键问题是尚不能实现对外界扰动的快速准确的模式识别，导致实际应用中误警率偏高。

发明人在进行发明创造中发现现有技术主要存在以下缺陷：

1）基于谱分析的模式识别算法。基于谱分析的模式识别算法主要是将信号进行傅里叶变换（或小波变换），在频域（或小波域）对信号特征进行分辨。这种算法存计算量较大，响应时间长，同时需要在不同环境下对传感器进行标定，实用性不高。

2）动态时间规划算法（DTW）。该算法基于动态规划（DP）的思想，用于解决传感信号长短不一或者信号与模板不对应的匹配问题，是语音识别中出现较早、较为经典的一种算法。但是，为了得到较好的模式识别率，DTW算法需要一个庞大的模板库，具有运算量大，运算速度慢的缺点；且主要应用于语音信号识别，不适合于光纤分布式扰动传感器的模式识别。

3）隐性马尔科夫模型（HMM）模式识别算法。隐性马尔可夫模型（HMM）是马尔可夫链的一种，它的状态不能直接观察到，只能通过观测向量序列观察到。HMM是一种基于概率统计的模型，需要大量的数据进行模型学习，而实际过程中，多种信号采集可能会出现困难，造成模型建立失误，从而影响到信号识别；且主要应用于语音信号识别，不适合于光纤分布式扰动传感器的模式识别。

4）基于人工神经网络（ANN）的模式识别方法。ANN的模式识别方法是以数学模型模拟神经元活动，是基于模仿大脑神经网络结构和功能而建立的一种信息处理***。但是，基于ANN的模式识别方法，对信号时间信息不够敏感，即使只有相应的延时的同样的信号，有时也会产生不同结果，造成识别失败。

5）基于分类的算法。这种算法通常是将输入信号看作是一个多维向量，通过训练实现对多维空间进行划分，从而达到分类的目的。最常见的分类方法是SVM，然而SVM方法和ANN识别具有相同的缺点，都是不能对时间延展进行很好的判决。

现有的模式识别方法并不是专门针对光纤分布式扰动传感器进行设计和优化，对传感信号进行模式识别的效果并不理想。因此，迫切需要一种效率高、准确度高的模式识别算法来对光纤传感信号进行模式识别。

发明内容

本发明的目的是提供一种光纤分布式扰动传感器模式识别的方法，提高了识别效率高及准确度，降低了误警率。

本发明的目的是通过以下技术方案实现的：

一种光纤分布式扰动传感器模式识别的方法，该方法包括：

按照时间段对光纤分布式扰动传感器的输出信号I₁(t)进行M次采样，获得根据时间段划分的N个采样点，其中，N≧M；

计算第i个时间段内采样点的过零率F(i)，并根据所述过零率F(i)计算当前时间段内的等效频率f(i)，获得当前时间段内该传感器输出信号的频率和时间分布特性；

根据所述传感器输出信号的频率和时间分布特性进行模式识别。

由上述本发明提供的技术方案可以看出，通过将传感器输出信号进行时间划分，并利用每一个时间段的过零率表征该时间段内的等效频率，从而得到传感器输出信号的频率和时间分布特性；将频率和时间分布特性作为模式识别的关键依据，做出模式判断，具有运算简单、效率高、准确度高及误警率低的特点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的一种光纤分布式扰动传感器模式识别的方法的流程图；

图2为本发明实施例提供的扰动事件频率和时间分布特性的示意图；

图3为本发明实施例提供的预处理后的扰动事件频率和时间分布特性的示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

信号的频谱反应了在一段时间内信号在各频率分量上平均能量分布。将信号由时域转换到频域进行分析，可以得到某些仅时域很难获得的参数，对信号分析具有重要意义。然而，仅对信号进行频域分析，会丢掉信号的时域信息，如信号的变化趋势。将上述两种相结合的频率和时间分布特性能够反映信号短时间内的平均或等效频率随时间变化的特性。

不同扰动信号的幅度-时间分布不同，即不同扰动的强弱变化不同，因此，监测传感器信号的频率和时间分布特性可以有效识别扰动性质。

实施例

图1为本发明实施例提供的一种光纤分布式扰动传感器模式识别的方法的流程图。如图1所示，该方法主要包括如下步骤：

步骤11、按照时间段对光纤分布式扰动传感器的输出信号I₁(t)进行M次采样，获得根据时间段划分的N个采样点。

本发明实施例基于频率和时间分布特性进行模式识别。因此，需要对光纤分布式扰动传感器的输出信号I₁(t)按照时间段进行采样。例如，按照时间段进行M（大于0的正整数）次采样，获得根据时间段划分的N（大于等于M的正整数）个采样点；通常情况下，每次采样的个数均相同，则每一时间段采样点个数为N/M。

步骤12、计算第i个时间段内采样点的过零率F(i)，并根据该过零率F(i)计算当前时间段内的等效频率f(i)，获得当前时间段内该传感器输出信号的频率和时间分布特性。

本实施例利用过零率F(i)表征该时间段内的等效频率，即信号的频率和时间分布特性可以通过分段过零率提取得到。

过零率F(i)表示第i个时间段内采样点经过零点的次数Z(i)与该时间段内采样点个数的比值，将传感器输出信号视为正弦信号，则在每个时间段内的等效频率f(i)为：

$f\left(i\right)=\frac{Z\left(i\right)/2}{(N/M)\·(1/f_s)};$

其中，f_s为采样频率。

将该公式简化后，可得：即传感器输出信号每个时间段的过零率F(i)可以表征该时间段内的等效频率f(i)，从而可以得到过零率（等效频率）-时间分布特性。

步骤13、根据所述传感器输出信号的频率和时间分布特性进行模式识别。

本发明实施例可以将所述传感器输出信号的频率和时间分布特性与数据库中扰动事件的频率和时间分布特性相比较，选择频率和时间分布特性最为接近的扰动事件作为识别结果。

如图2所示，不同扰动事件的频率和时间分布特性存在显著差异，其中，A表示敲击光缆；当时间段为10时，其频率达到峰值（0.25MHZ）；B的表示晃动光缆；当时间段为6-10时，其频率达到最低值（0MHZ）；C表示拉动光缆；当时间段为90时，其频率超过0.35MHZ；D表示光缆附近震动；其频率维持在较低状态（低于0.05MHZ）。

在实际工作中，为提高识别效率及准确度，可以对数据库中扰动事件频率和时间分布特性进行预处理；例如，参见图3，通过设定阈值控制信号的频率和时间分布特性。然后，将按照步骤11-步骤12获得的信号频率和时间分布特性通过相同的阈值进行处理，再与数据库中预处理后的扰动事件频率和时间分布特性相比较，确定最接近的一种扰动事件为识别结果。

本发明实施例通过将传感器输出信号进行时间划分，并利用每一个时间段的过零率表征该时间段内的等效频率，从而得到传感器输出信号的频率和时间分布特性；将频率和时间分布特性作为模式识别的关键依据，做出模式判断，具有运算简单、效率高、准确度高及误警率低的特点。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (2)

1.一种光纤分布式扰动传感器模式识别的方法，其特征在于，该方法包括：

按照时间段对光纤分布式扰动传感器的输出信号I₁(t)进行M次采样，获得根据时间段划分的N个采样点，其中，N≧M；

计算第i个时间段内采样点的过零率F(i)，并根据该过零率F(i)计算当前时间段内的等效频率f(i)，获得当前时间段内该传感器输出信号的频率和时间分布特性；

根据所述传感器输出信号的频率和时间分布特性进行模式识别；

其中，所述计算第i个时间段内采样点的过零率F(i)包括：计算第i个时间段内采样点经过零点的次数Z(i)与该时间段内采样点个数的比值；

所述根据所述过零率F(i)计算当前时间段内的等效频率f(i)的公式包括：

$f\left(i\right)=\frac{F\left(i\right)\·f_s}{2};$

其中，f_s为采样频率。

2.根据权利要求1所述的方法，其特征在于，所述根据所述传感器输出信号的频率和时间分布特性进行模式识别包括：

将所述传感器输出信号的频率和时间分布特性与数据库中扰动事件的频率和时间分布特性相比较，选择频率和时间分布特性最为接近的扰动事件作为识别结果。