CN106384463A - 基于混合特征提取的光纤周界安防入侵事件识别方法 - Google Patents

Abstract

本发明公开了一种基于混合特征提取的光纤周界安防入侵事件识别方法，该方法可以兼顾高精度和高效率：首先对输入信号进行端点检测，判断出扰动的起始点；然后将由起始端点触发后的信号并行馈入所提出的滤波器组各个通道进行预处理，由各通道的输出计算得到各通道的峭度值，再结合扰动信号的过零率组成混合特征向量；最后将此向量馈入SVM进行模式识别，实现对侵犯动作快速高精度的分类识别。

Description

基于混合特征提取的光纤周界安防入侵事件识别方法

技术领域

本发明属于数字信号处理技术领域，具体的说，是涉及在DMZI光纤周界安防***中对入侵事件进行准确的识别方法。

背景技术

随着光导纤维和光纤通信技术[1]的不断成熟，光纤传感器[2]的应用得到了快速发展。基于光纤传感技术的周界安防***[3]也在安防领域逐渐被人们重视。与传统的红外线[4]、电子围栏[5]和激光[6]等安防***相比，光纤传感***对压力和振动更敏感，且兼备传感和信号传输的功能，能够对直接触及或间接传递给光纤的各种扰动进行实时监控，将传感光纤上的微小振动转化为电信号传递给信号处理终端进行分析处理和智能识别，对监控区域内的入侵行为实现分类。作为一种相位调制的光纤传感器[7]，双Mach-Zehnder干涉仪(dual Mach-Zehnderinterferometer,DMZI)结构在检测扰动事件方面具有高灵敏度和快速反应的特点，而且还可以实时定位。这些优点使得DMZI分布式光纤传感器具有广泛应用。

目前，入侵模式识别的研究仍然是一项亟需解决的难题，因为目前仍然没有一种方法能够兼顾分类的准确性和高效性。文献[10]提出了一种基于小波包分解的方法，该方法提取各个频带的能量作为特征向量，并且将此特征向量通过支持向量机(SupportVector Machine,SVM)，可以识别出三类入侵事件。但是，这种方法的耗时以及运算量会随着分解层数增加而成指数增长，而且识别错误率比较高，不容易做到灵活配置，故难以满足安防***的要求。文献[11]提出了一种基于经验模式分解(Empirical ModeDecomposition,EMD)的特征提取方法，该方法利用将入侵信号分成多个固有模态函数(Intrinsic Mode Function,IMFs)，这种方法可以准确地分出四类入侵事件。但是，为了获得各个固有模态函数，EMD方法不得经历多次的迭代过程因此产生巨大的计算量，降低了效率。

参考文献：

[1]Mynbaev D K,Scheiner L L.Fiber-optic communications technology[M].Prentice Hall,2001.

[2]光电子学与光纤传感器技术[M].北京：国防工业出版社,2003.

[3]Rangaswamy S,van Doorn E.Perimeter security system:U.S.Patent 8,232,878[P].2012-7-31.

[4]于胜云,孙胜利.多路无线红外探测智能安防***设计[J].激光与红外,2008,38(4):345-347.

[5]樊治敏.张力式电子围栏周界防范报警***设计原理及应用现状[J].中国安防,2008(3):42-45.

[6]刘娟,陈网财.智能化住宅小区安防***设计的探讨[J].中国科技博览,2010(7):228-229.

[7]Xie S,Zou Q,Wang L,et al.Positioning error prediction theory fordual Mach–Zehnder interferometric vibration sensor[J].Journal of LightwaveTechnology,2011,29(3):362-368.

[8]Szustakowski M,Ciurapinski W,Palka N,et al.Recent development offiber optic sensors for perimeter security[C].Security Technology,2001IEEE35th International Carnahan Conference on.IEEE,2001:142-148.

[9]姜礼平,龚沈光,胡伟文.一种基于小波分解的信号特征提取方法[J].武汉理工大学学报:交通科学与工程版,2003,27(3):358-360.

[10]L.Liu,W.Sun,Y.Zhou,Y.Li,J.Zheng,and B.Ren,“Security eventclassification method for fiber-optic perimeter security system based onoptimized incremental support vector machine,”in PatternRecognition.Springer,2014,pp.595–603.

[11]K.Liu,M.Tian,T.Liu,J.Jiang,Z.Ding,Q.Chen,C.Ma,C.He,H.Hu,andX.Zhang,“A high-efficiency multiple events discrimination method in opticalfiber perimeter security system,”IEEE J.Lightw.Technol.,vol.33,no.23,pp.4885–4890,2015.

发明内容

本发明的目的是为了克服现有技术中的不足，本发明以双Mach-Zehnder分布式光纤传感***为背景，提出一种基于混合特征提取的入侵事件识别方法，该方法可以兼顾高精度和高效率：首先对输入信号进行端点检测，判断出扰动的起始点；然后将由起始端点触发后的信号并行馈入所提出的滤波器组各个通道进行预处理，由各通道的输出计算得到各通道的峭度值，再结合扰动信号的过零率组成混合特征向量；最后将此向量馈入SVM进行模式识别，实现对侵犯动作快速高精度的分类识别。

本发明的目的是通过以下技术方案实现的：

基于混合特征提取的光纤周界安防入侵事件识别方法，用于双Mach-Zehnder分布式光纤传感***，由DSP作为核心器件，具体包括以下各个步骤：

步骤1：根据应用需求，设置全相位滤波器阶数N、滤波器通带起始位置p与通带宽度m；

步骤2，初始化：对多组非入侵样本进行FFT分析，以此确定环境的截止频率f_e，利用f_e、入侵事件的上界频率f_u、子滤波器个数Q和滤波器组频率向量长度N得到Q个子滤波器系数向量h_q(q＝0,…,Q-1)；

步骤3，基于滤波器组的预处理，包括以下步骤：

(1)将长为2N-1的输入信号x(n+N-1),…,x(n-N+1)两两相加(中心信号x(n)除外)，得到长度为N的数据向量x＝[x(n),x(n+1)+x(n-1),…,x(n+N-1)+x(n-N+1)]；

(2)用一个长度为N的卷积窗[w_c(0),w_c(1),…,w_c(N‐1)]与当前时刻的数据向量x对应元素相乘，得到新的向量v＝[v₀(n),v₁(n),…,v_N‐1(n)]；

(3)用Q个子通道滤波器系数向量h_q＝[h_q(0),h_q(1),…,h_q(N‐1)](q＝0,…,Q‐1)并行对{v_m(n),m＝0,...,N‐1}做乘累加，同时获得Q个滤波输出结果y_q(n)(q＝0,…,Q‐1)；

步骤4，构造混合特征向量，包括以下步骤：

a.计算每个输出y₀(n),...,y_Q-1(n)的峭度值得到归一化的峭度值K₀,...,K_Q-1；

b.计算输入信号x(n)的过零率ZCR，由此构造得到一个长度为(Q+1)的特征向量F＝[K₀,...,K_Q-1,ZCR]；

步骤5：将已知类别的入侵事件特征向量以及对应的标签馈入SVM模式分类器训练，将未知类别入侵事件的特征向量送入训练好的SVM模式分类器，从而实现入侵事件识别。

与现有技术相比，本发明的技术方案所带来的有益效果是：

1.本发明采用混合特征提取的方法，全面考虑了入侵事件的频域、时域以及统计信息，相比于现有的识别方法，具有更高的识别精度。

2.本发明中由于滤波器组以流水线式进行工作，相比于现有的识别器，具有更高的识别效率。

3.可避免因周边环境自然扰动(下雨、刮风、非侵犯性振动)引起的虚警(由现场获得的截止频率f_e＝220Hz，f_u＝4000Hz来决定)；这是因为，周边环境自然扰动的功率主要分布在低频区域，而本发明在配置滤波器组的多路频率向量时，已经把低频率向量元素设置为零，故周边环境自然扰动对最终混合特征向量没有贡献，从而避免了虚警现象的发生。

附图说明

图1是本发明的硬件实施简图。

图2是DSP内部程序流程图。

图3是DMZI分布式光纤传感***的原理图。

图4是针对DMZI分布式光纤传感***的入侵动作识别流程示意图。

图5(a)是本发明方法滤波器组中各子滤波器传输曲线；图5(b)是基于经典频率采样法的滤波器传输曲线。

图6(a)至图6(d)分别为攀爬围栏、敲击光缆、晃动光缆和盗剪光缆四类入侵信号以及它们经过滤波器组后的各路子信号。

图7(a)至图7(d)分别为攀爬围栏、敲击光缆、晃动光缆和盗剪光缆四类入侵事件的平均混合特征向量图。

具体实施方式

下面结合附图对本发明作进一步的描述：

首先对实施本发明的硬件作简单说明：如图1所示，将待滤波的信号x(t)首先经过端点检测，判断出事件发生的起点，从起点开始，将后面一段时间的信号送入A/D(模数转化器)采样得到样本序列x(n)，以并行数据输入的形式进入DSP器件，同时设定滤波器阶数N、频率向量H中0与1的个数e和λ，经过DSP器件的内部算法处理(包括输入数据x(n)的全相位预处理以及卷积窗、Q个滤波器系数向量h₀…h_Q-1，得到信号的滤波输出y₀…y_Q-1，进而得到特征向量F，最终由SVM支持向量机识别4种不同的侵犯动作)。

其中，图1的DSP(Digital Signal Processor，数字信号处理器)为核心器件，在信号参数估计过程中，完成如下主要功能：

(1)调用核心算法，完成输入信号的滤波；

(2)根据实际需要调整滤波器阶数N、滤波器带宽λ、滤波器通带起始位置p，以此来构建子滤波器系数向量h。

(3)将各子通道滤波结果分别输出。

(4)计算得到特征向量F。

(5)根据SVM判别侵犯事件种类。

由于采用了数字化的估计方法，因而决定了***的复杂度、实时程度和稳定度的主要因素并不是图1中DSP器件的***连接，而是DSP内部程序存储器所存储的核心估计算法。

DSP器件的内部程序流程如图2所示。

具体分为如下几个步骤：

(1)首先需根据具体应用要求(如待滤波信号通带带宽)，设置全相位滤波器参数N、p与m。该步骤是从工程方面提出具体需求，以使得后续流程有针对性地进行处理。

(2)生成滤波器滤波系数向量h_q(q＝0,…,Q-1)。

(3)然后，CPU主控器从I/O端口读采样数据，进入内部RAM。

(4)将长度为(2N-1)的输入x(n)两两相加，得到长度为N的向量x，然后与设计的卷积窗相乘，得到新的向量v(n)＝[v₀(n),…,v_Q-1(n)]。

(5)将滤波器系数向量h_q和向量v(n)做乘累加，得到输出y(n)。

(6)由输出y(n)以及能量的计算公式，得到特征向量F。

(7)把特征向量F送入SVM支持向量机，得到最终的输出Z_i。

进一步的，由于采用了DSP实现，使得整个参数估计操作变得更为灵活，可根据信号所包含的各种分量的具体情况，通过编程灵活改变算法的内部参数设置。

由于本发明以双Mach-Zehnder分布式光纤传感***为背景，基于DMZI原理的分布式光纤传感***的结构原理如图3所示：由激光器发出的光通过隔离器后经由耦合器C1后被分成1:1的两束光线，这两束光射入由C2、C3组成的双Mach-Zehnder干涉仪中，之后两束光分别以顺时针和逆时针方向在传感环路中传播，并且在对端的耦合器(C3或者C2)上发生干涉并输出到探测器PD1和PD2上。探测器把光信号转化成电信号，输出的信号经过隔直流后由对应的高速采集卡(Data Acquisition,DAQ)采集到。根据实际需求的不同，采集卡被设定为不同的采样率。具体说来，图1中的DAQ1用于端点检测和入侵事件分类，DAQ2用于入侵事件定位。最终，在工业计算机中(Industrial Personal Computer,IPC)中通过运行相关算法来实现所期望的各功能(如端点检测、入侵定位和模式分类等)。

由图4可以看出，基于全相位预处理的滤波器组为构造混合特征向量提供了基础，而且图4滤波器组数据处理的流水线结构增强了模式分类器的效率。而混合特征提取由于考虑了入侵事件的多方面信息，因此提升了模式分类精度；下面详细介绍其原理：

1.基于滤波器组的预处理

如图4所示，预处理阶段主要基于一个闭式解析式的滤波器组，它能够把输入信号x(n)分成占据不同频率通道的Q个子信号y₀(n),...,y_Q-1(n)。而且，只要滤波器组的通道间干扰尽可能地小，那么这Q个子信号可以看作是频带互相独立的，也就是说由它们计算得到的峭度值能够独立地反应各自频带的峭度信息。

文献X.Huang,Y.Wang,K.Liu,T.Liu,C.Ma,and Q.Chen,“Event discriminationof fiber disturbance based on filter bank in DMZI sensing system,”IEEEPhotonics Journal,vol.8,no.3,pp.1–14,2016.指出，滤波器组的通道间干扰强度与窗函数w_c(n)有很大关系。特别地，如果窗函数w_c(n)是由一个长度为N的常用窗和它的反转形式的卷积得到，即

w_c(n)＝f(n)*f(-n),-N+1≤n≤N-1, (1)

那么，每个子滤波器将会得到较大的衰减，进而大幅抑制了整个滤波器组的通道间干扰。

而且，滤波器组的通道间干扰还与Q个子滤波器向量h_q有关。h_q仅仅是长度为N的频率向量H_q的逆傅里叶变换(inverse Discrete Fourier Transform,IDFT)。因此，通过指定每一个子滤波器的频率向量H_q对应位置的数值(0或者1)，每一个子滤波器将会得到期望的传输特性。

对于DMZI周界安防***而言，期望的传输特性包括了两方面的含义：1)每个H_q应该排除环境噪声的影响；2)应该尽可能避免子滤波器H₀,...,H_Q-1之间的通带重叠。基于以上两点考虑，H_q的形式应该被设定如下：

其中，r＝N-(2mq+2m+2e-1)。在式(2)中，每个元素占据了一段模拟频率宽度Δf＝f_s/N，这里f_s代表图1中采集卡DAQ1的采样速率。环境噪声的主要能量都集中分布在低频区域(f_s∈[0,f_e])。因此，一旦环境噪声的截止频率f_e由FFT分析得到(如图4所示)，可将式(2)中的整数e配置如下：

e＝[f_e/Δf]＝[Nf_e/f_s] (3)

其中，符号“[·]”代表了向上取整操作。

下面我们要确定式(2)中整数m的大小，这需要提前获取一般入侵事件的上限频率f_u。获取到入侵事件的上限频率f_u以后，为了将入侵事件的带宽B＝f_u-f_e均匀的划分为Q个子带，整数m应该被设置如下：

$m=\[\frac{B}{Q\·\mathrm{\Δ}f}\]=\[\frac{(f_u-f_e)N}{Q\·f_s}\].---\left(4\right)$

上述参数配置可保证每个子滤波器是个占据的带宽为mΔf的带通滤波器。具体说来，对于第q个子滤波器，其理想的通带范围为f∈[(qm+e)Δf,(qm+e+m)Δf]。

基于以上配置，根据全相位滤波原理，可推导出第q个子滤波器的滤波器系数h_q(n)：

$h_q\left(n\right)=\left\{\begin{array}{cc}\frac{2cos\[\mathrm{\π}n(2mq+2e+m-1)/N\]sin(m\mathrm{\π}n/N)}{Nsin(\mathrm{\π}n/N)},& n\∈\[-N+1,1\]\∪\[1,N-1\]\\ \frac{2m}{N},& n=0\end{array}\right.---\left(5\right)$

式(2)～(5)所描述的滤波器系数h_q(n)的配置公式，即是图4的输入参数为f_e、f_u的配置过程。由于式(2)～(5)给出的是闭式解析式，故可大大增强模式分类器的效率和灵活性。

滤波器组中的第q个子滤波器等效于长度为(2N-1)的FIR滤波器g_q,其抽头系数如下：

g_q(n)＝ω_c(n)h_q(n),-N+1≤n≤N-1 (6)

下面以一具体实例来展示由式(6)公式配置得到的滤波器组的传输特性。

例1：设定滤波器频率向量长度N＝256，采样率f_s＝10KHz，滤波器组的子滤波器个数Q＝4，环境噪声的截止频率f_e＝250Hz，一般入侵事件的上限频率f_u＝3200Hz，由式(3)、(4)可得到e＝6,m＝9，窗函数选用Hamming窗。然后，我们代入这些参数到式(1)～(6)可以得到4个子滤波器g₀(n),...,g₃(n)，它们的传输曲线|G₀(j2πf)|,...,|G₃(j2πf)|如图5(a)所示。作为对比，由经典频率采样法得到的传输曲线|H₀(j2πf)|,...,|H₃(j2πf)|在图5(b)中给出。

如图5(a)和图5(b)所示，对于经典频率采样方法而言，在其通带和阻带都会产生较大的振荡。相比之下，对于本发明所提出的滤波器组而言，每个子滤波器的通带曲线更加平稳，阻带波纹几乎可以忽略不计。因此，本发明所提出的滤波器的通道间干扰可以被极大地抑制，这表明了滤波器组的输出y₀(n),...,y_Q-1(n)被分成了Q个独立的频带。因此，后续的Q个子滤波器峭度之间的耦合将大大降低。

同时，从图5(a)可以看出，在频率低于250Hz(环境噪声的截止频率)的区域，每个子滤波器频率响应的幅度都几乎为0，这保证可彻底移除背景环境噪声，从而更加凸显入侵信号的特征。

2.混合特征向量的构造原理

构造特征向量对于后续的模式识别十分重要。在本发明中，我们将各种事件的特征浓缩为一个长为(Q+1)的向量，这个向量包含了统计信息、频率信息和时域信息。因此，这个特征向量是一个精简且全面的入侵信号描述子。

(1)峭度：公知的，峭度是一个关于概率分布的统计描述符。由于峭度对冲击信号十分敏感，因此十分适合描述振动信号。由于滤波器组将每一个入侵信号分成了Q个独立的频率通道，因此在这些通道上，不同的入侵信号具有其独特的分布特征。第q个输出通道的峭度值y_q(n)可以由下式得到：

${\tilde{K}}_q=\frac{1}{L}\underset{n=1}{\overset{L}{\Σ}}{\left(\frac{y_q\left(n\right)-{\stackrel{\‾}{y}}_q}{{\mathrm{\σ}}_q}\right)}^4---\left(7\right)$

在式(7)中，L代表了样本长度，是输出子信号yq(n)的平均值，σ_q是输出子信号的

标准差。

从而可得到如下归一化后的峭度值：

$K_q=\frac{{\tilde{K}}_q}{\underset{q=0}{\overset{Q-1}{\Σ}}{\tilde{K}}_q},q=0,\mathrm{...},Q-1.---\left(8\right)$

(2)过零率：代表了信号的符号变化率(从正到负)，是常用的总体时域性能指标。某输入信号x(n)的过零率定义如下：

$ZCR=\frac{\underset{n=1}{\overset{L}{\Σ}}|sign\[x\left(n\right)\]-sign\[x(n-1)\]|}{2L},---\left(9\right)$

这里操作符sign的含义如下：

$sign\&lsqb;x\left(n\right)\&rsqb;=\left\{\begin{array}{cc}1,& x\left(n\right)\&GreaterEqual;0\\ -1,& x\left(n\right)<0\end{array}\right.---\left(10\right)$

可看出，混合特征向量F＝[K₀,K₁,...,K_Q-1,ZCR]的每一个元素的取值都是介于0到1之间，也就是说都经过了归一化处理，这为后续的SVM模式分类提供了方便。

3.基于SVM的模式分类

支持向量机(SVM)通过将得到的混合特征向量F映射到一个高维空间，并且构造出一个超平面，从而实现精确地分类。SVM支持向量机具有很高的泛化能力和高效性。

公知的，典型的SVM分类器只能处理两类事件问题，它主要分为训练阶段和测试阶段。在训练阶段，给定一个包含距离-标签对的训练集(F_i,y_i),i＝1,2,...,M(M代表训练向量个数)，y_i∈{-1,1}。SVM分类器的数学模型可用下面的最优化问题来描述：

$\begin{array}{c}\underset{w,b,\mathrm{\&xi;}}{\min }\frac{1}{2}{w}^{T}w+C\underset{i=1}{\overset{M}{\&Sigma;}}{\mathrm{\&xi;}}_i\\ subjectto{y}_i\left(w^T\mathrm{\&phi;}\right(F_i)+b)\&GreaterEqual;1-{\mathrm{\&xi;}}_i\\ {\mathrm{\&xi;}}_i\&GreaterEqual;0\end{array},---\left(11\right)$

其中，C>0代表了错误项的惩罚因子。从式(11)可看出，SVM模型完全由权重向量w和常量b表示(这两个参数可确定一个超平面)，因而通过训练样本获得这两个参数值，即可完全建立SVM模型。

假设需要识别Q类事件(Q>2)，需要多个SVM子分类器来处理多类事件分体，本发明采用了“一对多”的SVM分类方法。具体说来，对第q类事件(q＝0,...,Q-1)，通过训练，可获得该模型的模型参数w_q、b_q。

进而在测试阶段，给定一个未知事件的特征向量F_i，可以获得来自这Q个模型的输出决策值z_q

z_q＝w_q ^Tφ(F_i)+b_q,q＝0,...,Q-1 (12)

最终，从这Q个子SVM模型的决策结果z₀～z_Q-1中选中最大值，即可判定入侵事件的类别c_i，即

实验验证：

在基于DMZI原理的分布式光纤传感***进行实验，激光源是一个1550nm的分布反馈激光，光强3.5mV。传感电缆总长度为2.25km，搭在围栏上。采样速率设定为f_s＝10kHz，记录时间持续3秒。

首先，将输入信号x(n)送入滤波器组，产生4路子信号y₀(n),y₁(n),y₂(n),y₃(n)；其次，利用这些子信号以及输入信号x(n)提取出混合特征向量F＝[K₀,...,K₃,ZCR]；最后，将混合特征向量F馈入SVM支持向量机进行模式分类

图4中滤波器组的有关参数设置如下：频率向量长度N＝256，因此频率向量分辨率Δf＝fs/N＝39.0625Hz，子通道数量Q＝4。通过对环境样本以及入侵样本的FFT分析，可以粗略地获取到环境干扰的截止频率f_e＝220Hz，f_u＝4000Hz，所以观测频率范围B＝f_u-f_e＝3780Hz。从将以上参数代入式(3)、(4)可以得到起始点e＝6，通带宽度m＝24。

图6(a)至图6(d)分别给出了四类入侵信号(攀爬围栏、敲击光缆、晃动光缆和盗剪光缆)以及它们经过滤波器组后的各路子信号。

从图6(a)至图6(d)中可看出，相比于四种入侵信号的波形，它们分解后的子信号呈现出更大的差别，这为后续的准确地描述各种信号的特征提供了可行性。

从式(7)～(11)，可以计算得到混合特征向量F。对每类入侵事件进行50次混合特征提取，它们各自的平均值如图7(a)至图7(d)所示，从中可以得出如下结论：

a.相比于另外三种信号，攀爬信号具有最大的过零率，而且它的五个元素相对比较平稳；

b.相比于另外三种信号，晃动信号的元素K₃是最大的；

c.对于敲击光缆以及盗剪围栏，它们的差别取决于峭度元素(K₀,K₁,K₂,K₃)的斜率。具体来说，敲击信号的峭度元素的斜率更小。

上述三方面显示了四类入侵信号的独特性，为后续的模式分类奠定了基础。

该测试实验共提取了570组特征向量，包含了四类常见的入侵事件(攀爬围栏122次，敲击光缆121次，晃动161次以及盗剪围栏166次)。表1列出了最终的检测结果，为进行对比，表1还给出了EMD方法的检测结果。

表1两种方法的实验精度对比

从表1中可看出，本发明所提出的模式分类识别方法相比于EMD方法在精度方面获得很大的提升，这一方面是由于滤波器组对频率的精确划分，使得每个特征元素之间的耦合度降低，使得特征描述更加准确；另一方面是由于过零率的引入使得特征向量同时兼具时域、频域和统计特征，更加全面的描述各类事件的特征。

另外，表2还列出了EMD方法和本发明所提出的方法的处理时间。这也展现了本发明所提出的方法在效率方面的优势。

表2两种方法的处理时间对比

本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。

Claims (1)

1.基于混合特征提取的光纤周界安防入侵事件识别方法，用于双Mach-Zehnder分布式光纤传感***，其特征在于，由DSP作为核心器件，具体包括以下各个步骤：

步骤1：根据应用需求，设置全相位滤波器阶数N、滤波器通带起始位置p与通带宽度m；

步骤2，初始化：对多组非入侵样本进行FFT分析，以此确定环境的截止频率f_e，利用f_e、入侵事件的上界频率f_u、子滤波器个数Q和滤波器组频率向量长度N得到Q个子滤波器系数向量h_q(q＝0,…,Q-1)；

步骤3，基于滤波器组的预处理，包括以下步骤：

(1)将长为2N-1的输入信号x(n+N-1),…,x(n-N+1)两两相加(中心信号x(n)除外)，得到长度为N的数据向量x＝[x(n),x(n+1)+x(n-1),…,x(n+N-1)+x(n-N+1)]；

(2)用一个长度为N的卷积窗[w_c(0),w_c(1),…,w_c(N‐1)]与当前时刻的数据向量x对应元素相乘，得到新的向量v＝[v₀(n),v₁(n),…,v_N‐1(n)]；

(3)用Q个子通道滤波器系数向量h_q＝[h_q(0),h_q(1),…,h_q(N‐1)](q＝0,…,Q‐1)并行对{v_m(n),m＝0,...,N‐1}做乘累加，同时获得Q个滤波输出结果y_q(n)(q＝0,…,Q‐1)；

步骤4，构造混合特征向量，包括以下步骤：

a.计算每个输出y₀(n),...,y_Q-1(n)的峭度值得到归一化的峭度值K₀,...,K_Q-1；

b.计算输入信号x(n)的过零率ZCR，由此构造得到一个长度为(Q+1)的特征向量F＝[K₀,...,K_Q-1,ZCR]；

步骤5：将已知类别的入侵事件特征向量以及对应的标签馈入SVM模式分类器训练，将未知类别入侵事件的特征向量送入训练好的SVM模式分类器，从而实现入侵事件识别。