CN107689127A - 具有自适应调参功能的光纤安防信号双重识别方法与*** - Google Patents
具有自适应调参功能的光纤安防信号双重识别方法与*** Download PDFInfo
- Publication number
- CN107689127A CN107689127A CN201710709068.0A CN201710709068A CN107689127A CN 107689127 A CN107689127 A CN 107689127A CN 201710709068 A CN201710709068 A CN 201710709068A CN 107689127 A CN107689127 A CN 107689127A
- Authority
- CN
- China
- Prior art keywords
- mrow
- signal
- msub
- msubsup
- event
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/181—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using active radiation detection systems
- G08B13/183—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using active radiation detection systems by interruption of a radiation beam or barrier
- G08B13/186—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using active radiation detection systems by interruption of a radiation beam or barrier using light guides, e.g. optical fibres
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/20—Calibration, including self-calibrating arrangements
- G08B29/24—Self-calibration, e.g. compensating for environmental drift or ageing of components
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Burglar Alarm Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种具有自适应调参功能的光纤安防信号双重识别方法,包括以下步骤:S100:获取光纤布控区域内光信号的相位差异;S200:获得时域分析信号包;S300:以预设的时间跨度划分所述时域分析信号包,得到事件信号;S400:获取事件信号的时域信号;S500:获得事件信号的频域信号;S600:根据所述频域信号连零点的位置判定信号的种类;S700:构建特征模板;S800:参数自适应调优;S900:根据所述特征模板判断所述不能判断信号是否为异常信号。本发明降低了误报率。
Description
技术领域
本发明属于安防领域,特别涉及具有自适应调参功能的光纤安防信号双重识别方法与***。
背景技术
20世纪70年代光纤传感这一新型的传感技术伴随着光纤通信的发展也迅速发展起来,是现代传感领域中的一个重要的分支。它是以光为信息载体,光纤作为传输媒介,实现被测参量的检测与传感信号的传输。光纤传感器因具有抗电磁干扰、电绝缘性好、高灵敏、重量轻、能在恶劣环境下工作等特点而在大型工程项目以及人们的日常生活中被广泛的应用,应用范围包括建筑工程、电力***、石油化工***、环境监测、生物医学、军事安防以及物联网等多个领域。而近年来随着我国基础设施建设的规模不断加大以及物联网技术的不断发展,光纤传感技术具有更大的市场需求。模式识别是目前广泛研究的一种自动化技术,利用这种技术,机器能够自动地把待识别的模式根据其特征分量分到各自的模式类中。随着人工智能技术的快速发展,针对信号的模式识别的研究也达到了一个高潮。但是目前针对不同的光纤传感机理得到的外界物理量特征进行分析并提取有效的特征,为物理量的模式识别提供理论依据并构建模式识别库的研究很少,因此结合模式识别方法来研究光纤传感技术应用中信号解析技术是一种必然的发展趋势,而实际上随着光纤传感***的飞速发展,对光纤传感信号进行相应的模式识别分类的研究在光纤传感***发展中具有广阔的发展前景。
现有技术中的特征一般是取各种时频特性构造。当环境产生较大变化时,安***性能大打折扣。市场上一般光纤周界安防***数据包完全没有规律性,数据包并没有去验证。市场上一般传感***统计分析异常持续时间的功能并不完善。市场上一般传感***的调节需要耗费较多的人力和时间,不够智能化。
发明内容
针对现有技术的缺陷,本发明提供了一种具有自适应调参功能的光纤安防信号双重识别方法与***。
一种具有自适应调参功能的光纤安防信号双重识别方法,包括以下步骤:S100:获取光纤布控区域内光信号的相位差异;S200:将光信号的相位差异按时间上的采样率转变为电信号上的幅值差异,获得时域分析信号包;S300:以预设的时间跨度划分所述时域分析信号包,得到事件信号;S400:提取所述事件信号的交流部分,获取事件信号的时域信号;S500:对所述时域信号进行快速傅立叶变换获得事件信号的频域信号;S600:根据所述频域信号连零点的位置判定信号的种类,所述信号种类包括:异常信号,非异常信号,和初步不能判断信号;S700:对采集的入侵事件和非入侵事件的频域信号进行聚类分析,构建特征模板;S800:初始参数值进行自适应调优;S900:在参数调整好的基础上,结合所述特征模板判断所述不能判断的信号是否为异常信号。
一种具有自适应调参功能的光纤安防信号双重识别***,包括以下模块:相位差异获取模块,用于获取光纤布控区域内光信号的相位差异;时域分析信号包获取模块,用于将光信号的相位差异按时间上的采样率转变为电信号上的幅值差异,获得时域分析信号包;划分模块,用于以预设的时间跨度划分所述时域分析信号包,得到事件信号;第一获取模块,提取所述事件信号的交流部分,获取事件信号的时域信号;第二获取模块,用于对所述时域信号进行快速傅立叶变换获取所述事件信号的频域信号;第一判断模块,用于根据所述频域信号连零点的位置判定信号的种类,所述信号种类包括:异常信号,非异常信号,和不能判断信号;特征模板构建模块,用于采集入侵事件和环境的频域信号通过聚类分析,构建特征模板;调优模块,用于对初始参数值进行自适应调优;第二判断模块,用于根据所述特征模板判断所述不能判断信号是否为异常信号。
本发明的有益效果是:***可以根据不同的环境进行参数自调优,在实际检测环境时,不同的环境下识别信号事件的参数调节是不同的,这样就需要工作人员每个环境花费大量时间来调节,且可能调节的有效性并不高,加入参数自调优功能后,***可以根据不同的环境自动调节得到***参数值,从而提高***有效性,提高了***入侵识别率,降低误报率。
附图说明
图1是本发明光纤安防信号双重识别方法的流程图;
图2是步骤S500的流程图;
图3是步骤S600的原理图;
图4是步骤S700的流程图;
图5是参数自调优逻辑图;
图6是截频位置迭代过程图;
图7是本发明光纤安防信号识别***的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明,使本发明的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按比例绘制附图,重点在于示出本发明的主旨。
实施例1
参阅图1,首先对本发明的一种具有自适应调参功能的光纤安防信号双重识别方法做介绍。
S100:事件感知,获取光纤布控区域内光信号的相位差异。可以通过M-Z型干涉仪获取所述光信号的相位差异,使用M-Z型光纤周界安防***实时反馈布控区域内的光信号。如果光信号相位出现异常波动,则认为有事件发生。
S200:信号采集,将光信号的相位差异按时间上的采样率转变为电信号上的幅值差异,获得时域分析信号包。当有事件发生时,光传感单元(M-Z型)按时间上的采样率将光信号相位的差异转变成电信号上幅值的差异,获得时域分析信号包。
S300:时域预处理,以预设的时间跨度划分所述时域分析信号包,得到事件信号。时域预处理:当光纤相位产生瞬时异动的时候,通过分析通常持续时间不到1秒。相对应的,人的瞬时行为和自然现象的瞬时效应对光纤相位的影响持续是相近的。但是,从人体力学的角度分析,人的瞬时行为是在一定适用范围内的。如人平均一分钟正常行走60~80步。按100米的距离进行奔跑分析,人的步伐为60步左右,奔跑时间为12秒左右。1秒钟内人的出拳次数在5次左右。从最短受力时间来说,人的行为是有趋势的,受限于身体各部分肌肉与骨骼的力学特性,这一切都无法超出肢体动作的速度和频率的能力限度。所以,人对光纤作用的影响从力量速度而言,取决于动作的方向和动作轨迹;从频率而言,取决于动作的部位和方式。人的行为通常是一连串动作,从整体上分析,自然环境的干扰也可能是不连续,间断的一连串干扰。动物的干扰也因符合肌肉与骨骼的力学特性属于一段范围内的速度与频率。从力学角度上分析,要持续保持受力,就必须持续有力做功。而持续做功的典型为机器振动,异常的自然环境。所以从时域上分析,用于实现光纤周界安防的时间分析上限可以为10s。同时从工程实践的领域分析,一个预警***需要在最短时间内区分触发的事件。充分考虑工程中人行为的特性,大致将单个时域分析信号包划为0.1~1s。通过实验测试不同时间跨度的事件数据包,本发明发现入侵行为中数据包时间跨度为0.25秒左右的时候实际区分度最高。所以本发明建立以0.25秒做为事件数据分析时间跨度的时域体系。
S400:提取所述事件信号的交流部分,获取事件信号的时域信号。采集到的事件信号中会存在一些直流信号,在事件分析中只需要提取信号交流部分特征,因此需要通过算法将信号中的直流信号滤除。每帧信号定义为Si(n),定义信号均值为:
令直流信号分量部分为则交流部分为同时,入侵信号大致在100KHz以内。通过对事件信号降采样。降采样得到压缩后的数据包。
S500:时域预处理,对所述时域信号进行快速傅立叶变换获取所述事件信号的频域信号。由于人为入侵信号与环境噪声的时域波形的能量和过零率上有一些差别,因此本发明根据信号的短时过零率和短时能量大小来提取事件信号的时域特征。如图2所示,其包括以下步骤:
S501:计算短时能量和短时过零率。定义接收到的时域信号为Si(n),每帧信号短时能量为
设每帧的短时过零率为
计算环境噪声的短时能量和短时过零率,假设前10帧信号为环境噪声,首先求出每帧噪声的均方差,将这10个均方差的均值作为信号短时过零率的直流偏置。求出前10帧的短时能量和短时过零率的均值Zmean、Emean和标准差Zstd、Estd,就可以得到其初始值Z0=Zmean+2*Zstd和E0=Emean+2*Estd,设置两个系数Ecoef和Zcoef作为阈值,改变两个系数值用于调节***的灵敏度。
S502:每过预设时间,重复步骤S501,只计算小于阈值的帧,修改阈值;预设的时间可以是1小时、1天等。
S503:提取出事件信号的时域信号x(n)。若此时有一帧信号Si(n)被判定为入侵信号,取出该帧信号的前一帧Si-1(n)平分为5个子帧,从后往前分别计算这几个子帧的短时能量。取出子帧中短时能量大于阈值的几个子帧,作为该次入侵信号的起点。同样的方法找出入侵信号的终点。提取出信号x(n)。
S504:频域特征处理:在事件信号在时域上提取特征后,事件信号再通过FFT变换,再将频域数据归一化,作为频域特征。对时域信号x(n)做傅里叶变换得出频域特性:
然后对频域信号进行归一化:
S600:根据频域特征连零点的位置判定信号的种类,所述信号种类包括:异常信号,非异常信号,和不能判断信号。对不能判断信号进行聚类分析。
申请人发现对于光纤布控区域内不同种类的入侵会产生不同的光信号,动物类入侵所引起的光信号会以较快的速度衰减,而人为入侵所引起的光信号会以较慢的速度衰减,而有些信号衰减速度介于入侵与非入侵之间,需做进一步判定。基于此,本发明通过连续的零信号出现的区域来反映光信号的衰减速度,进而据此判断出现信号的种类,即连零判断。信号种类包括:异常信号,非异常信号,和不能判断信号。
S601:获得归一化的光信号频域特征Xnorm(k)后,将频域特征Xnorm(k)按小于一可调参数RTmin进行滤波,使Xnorm(k)=0;ifXnorm(k)<RTmin,k=0,1,...,N。Xnorm(k)的值反映了入侵信号的强弱,没有入侵行为或非人为入侵时Xnorm(k)值为0或一较小值,当发生人为入侵时Xnorm(k)变大。将小于可调参数RTmin的Xnorm(k)的值均按0来处理,这样便获得了一些连续的零信号。
S602:设置可调参数vjudg1,vjudg2,将整个频域分别划分成3个部分
fjudg1:(0,vjudg1],
fjudg2:(vjudg1,vjudg2],
fjudg3:(vjudg2,+∞)
S603:设置一个定值Vzero,当在频域中第一次出现满足下式的信号时,记录farea+Vzero所在区域。
Xnorm(k)=0;ifk=farea,...,farea+Vzero
S604:如果farea+Vzero在fjudg1则判定为非入侵数据(非异常信号);如果在fjudg3则判定为入侵数据(异常信号);如果在fjudg2(不能判断信号)则进入聚类分析的算法。
请参阅图3,图3中A、B、C三条光信号频域特征Xnorm(k)曲线分别代表了三种不同的入侵情况,其中A曲线为非人为入侵(非异常信号),B为不可判定情况(不能判断信号),C为人为入侵(异常信号),根据本发明的连零判断法,对于A类情况,Xnorm(k)在k=farea处小于了可调参数RTmin,此时开始记录连续出现零的次数,在记录下定值Vzero次零出现后,Xnorm(farea+Vzero)=0,此时farea+Vzero位于fjudg1:(0,vjudg1]这一区域,则可判定A属于非人为入侵。与A的判定方法相同,可以通过连零判断可以判定B属于不可判定情况,而C属于人为入侵。
通过这一判断,本发明将信号分为了非入侵信号、待判定信号和入侵信号,对于光纤安防***而言,大多数信号均属于比较容易判定的非入侵信号或入侵信号,这类信号不需要再做进一步的判断处理,因此可以只将待判定信号发送给后续步骤处理判断,这样大大减少了需要处理的数据量,提高了处理速度。
S700:对采集的入侵事件和非入侵事件的频域信号进行聚类分析,构建特征模板。在***正式使用前,聚合大量事件的特征进行聚类分析,通过聚类分析构建出各种类别的特征模板。再将各个类别的模板分成2类:一类为异常;一类为非异常,请参阅图4。
S701:根据实际情况确定分类数k,从n个数据对象选择2个距离最大的对象xi1,xi2作为聚点;
S702:选择第3个聚点xi3,满足如下关系:
min{d(xi3,xir)}=max{min{d(xj,xir)}}
其中:r=1,2;j≠i1,i2;
S703:重复步骤S702直到选择出第k个聚点Xik,得到k个初始聚点的集合:
分类原则记为:
于是,将样品分成不相交的k类,得到一个初始分类:
S704:根据初始分类重新计算聚点,规则如下:
S705:重复步骤S704m次后,直到这k个中线点不再变化,即当前分类G(m)与前次分类G(m-1)相等时,即G(m)=G(m-1)时,则计算结束;
S706:将作为一组模版保存下来。
S800:参数自适应调优:在进行入侵信号判断前,对步骤S500中数据聚合大量事件信号特征使用逻辑算法不断迭代训练,调整步骤S600中截频位置参数RTmin和可调参数vjudg1,vjudg2,以及在下一步事件判断中需要的参考相似度值xcorN从而得到最适合进行事件判断的初始参数值。如图5、6所示。
S801:在获得归一化频域特征后,将步骤S700制作的非入侵模板和人为入侵模板与频域特征进行余弦相似度匹配,得到余弦相似度数组xcorE和xcorI,通过两组相似度数组对比,重新将事件信号分类。
计算频域特征与模版之间的余弦相似度:
S802:在S801中通过相似度匹配得到入侵事件信号和非入侵事件信号的余弦相似度范围,再用以下算法逻辑得到在下一步事件判断中需要的参考相似度值xcorN
在得到初步的xcorN后,再通过以下公式,不断迭代。直到百分之九十的入侵事件信号的余弦相似度大于xcorN。
xcorN=xcorN-α
其中α为调节因子。
S803:获得了重新分类的事件信号后,开始对入侵事件信号进行截频位置的获取,通过以下算法公式,不断迭代调整截频位置参数RTmin。
由于刚开始***对环境一无所知,截频位置初始为最小值RT0。参数调整算法规则如下:
RTmin=RTmin+γ·max{FCut(x)},x=0,1,...,n
其中RTmin是指频域范围内的截频位置参数,RTmin以最小值RT0初始化,FCut(x)指的是入侵事件信号的连零判断截取值处理后的值(求解同步骤(5)连零判断),学习参数γ为满足0<γ<1的常数。
S804:利用步骤S803求得的最优截频参数RTmin分析所有入侵事件和非入侵事件信号,从而调节可调参数vjudg1,vjudg2,求得最优边界判断值。
参数调整逻辑规则:首先求得入侵事件以及非入侵事件的连零判断位置最小值,最大值和众数,通过逻辑判断,将非入侵事件信号的最大连零判断位置和入侵事件的最小和最大连零判断位置进行逻辑处理得到边界点,为防止出现误判,实际应用中将此范围再根据经验扩大些,从而获得自调优后的vjudg1,vjudg2。
S805:在入侵事件重新分类后,求得入侵电压值和非入侵电压值的覆盖范围,获取入侵事件电压的最小值以及环境事件的众数以下者,从而获得自调优后的Voltage。
S900:在参数调整好的基础上,结合所述特征模板判断所述不能判断的信号是否为异常信号。将实时数据与特征模版对比相似度,取相似度最大的类别模板。然后再判断模板是属于人为还是非人为。以此作为输出,人为生成报警信号,非人为生成提示信号。由于余弦相似度越大,则表明入侵信号于模版的相似度越高。计算入侵信号x与模版之间的余弦相似度:
得到一组余弦相似度数组xcor。因此求出xcor中最大值xcori和类别i,并将该入侵信号作为第i类入侵信号。
本发明,对频域信号进行降噪处理的方法,***可以根据不同的环境进行参数自调优的方法。通过本发明构建了两个框架:一个可构造数据模板,且可以我们各类项目不断收集各种事件模板;另一个在实际项目中监测周围环境,可以根据实际环境调节使用的模板。在实际检测环境时,不同的环境下识别信号事件的参数调节是不同的,这样就需要工作人员每个环境花费大量时间来调节,且可能调节的有效性并不高,加入参数自调优功能后,***可以根据不同的环境自动调节得到***参数值,从而提高***有效性,提高了***入侵识别率,降低误报率。如果产生异常环境时,***已存不常见的非人为或者人为特征模板可以保证并克服恶劣环境。通过本发明如果光纤传感***感应到异常,可以记录异常持续时间提供分析数据。
实施例2
相应的,如图7所示,一种具有自适应调参功能的光纤安防信号双重识别***,包括以下模块:相位差异获取模块,用于获取光纤布控区域内光信号的相位差异;时域分析信号包获取模块,用于将光信号的相位差异按时间上的采样率转变为电信号上的幅值差异,获得时域分析信号包;划分模块,用于以预设的时间跨度划分所述时域分析信号包,得到事件信号;第一获取模块,提取所述事件信号的交流部分,获取事件信号的时域信号;第二获取模块,用于对所述时域信号进行快速傅立叶变换获取所述事件信号的频域信号;第一判断模块,用于根据所述频域信号连零点的位置判定信号的种类,所述信号种类包括:异常信号,非异常信号,和不能判断信号;特征模板构建模块,用于采集入侵事件和环境的频域信号通过聚类分析,构建特征模板;调优模块,用于对初始参数值进行自适应调优;第二判断模块,用于根据所述特征模板判断所述不能判断信号是否为异常信号。
在以上的描述中阐述了很多具体细节以便于充分理解本发明。但是以上描述仅是本发明的较佳实施例而已,本发明能够以很多不同于在此描述的其它方式来实施,因此本发明不受上面公开的具体实施的限制。同时任何熟悉本领域技术人员在不脱离本发明技术方案范围情况下,都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (10)
1.一种具有自适应调参功能的光纤安防信号双重识别方法,其特征在于,包括以下步骤:
S100:获取光纤布控区域内光信号的相位差异;
S200:将光信号的相位差异按时间上的采样率转变为电信号上的幅值差异,获得时域分析信号包;
S300:以预设的时间跨度划分所述时域分析信号包,得到事件信号;
S400:提取所述事件信号的交流部分,获取事件信号的时域信号;
S500:对所述时域信号进行快速傅立叶变换获得事件信号的频域信号;
S600:根据所述频域信号连零点的位置判定信号的种类,所述信号种类包括:异常信号,非异常信号,和初步不能判断的信号;
S700:对采集的入侵事件和非入侵事件的频域信号进行聚类分析,构建特征模板;
S800:初始参数值进行自适应调优;
S900:在参数调整好的基础上,结合所述特征模板判断所述不能判断的信号是否为异常信号。
2.根据权利要求1所述的识别方法,其特征在于,所述步骤S600具体包括:
S601:获得归一化的光信号频域特征Xnorm(k)后,将频域特征Xnorm(k)按小于一可调参数RTmin进行滤波,使Xnorm(k)=0;ifXnorm(k)<RTmin,k=0,1,…,N;
S602:设置可调参数vjudg1,vjudg2,将整个频域分别划分成3个部分,fjudg1:(0,vjudg1],fjudg2:(vjudg1,vjudg2],fjudg3:(vjudg2,+∞);
S603:设置一个定值Vzero,当在频域中第一次出现满足
Xnorm(k)=0;ifk=farea,…,farea+Vzero
的信号时,记录farea+Vzero所在区域;
S604:如果farea+Vzero在fjudg1则判定为非异常信号;如果在fjudg3则判定为异常信号;如果在fjudg2则进入步骤S700。
3.根据权利要求2所述的识别方法,其特征在于,所述步骤S800具体包括:
S801:步骤S700制作的非入侵模板和人为入侵模板与频域特征进行余弦相似度匹配,得到余弦相似度数组xcorE和xcorI,通过两组相似度数组对比,重新将事件信号分类;
计算频域特征与模版之间的余弦相似度:
<mrow>
<msub>
<mi>xcpr</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>&CenterDot;</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
<mrow>
<msqrt>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
</msqrt>
<mo>&CenterDot;</mo>
<msqrt>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</msubsup>
</msqrt>
</mrow>
</mfrac>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>k</mi>
</mrow>
S802:在S801中通过相似度匹配得到入侵事件信号和非入侵事件信号的余弦相似度范围,再用以下算法逻辑得到在下一步事件判断中需要的参考相似度值xcorN
<mrow>
<mi>x</mi>
<mi>c</mi>
<mi>o</mi>
<mi>r</mi>
<mi>N</mi>
<mo>=</mo>
<mfrac>
<mn>2</mn>
<mi>k</mi>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>corI</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>k</mi>
<mo>/</mo>
<mn>2</mn>
</mrow>
在得到初步的xcorN后,再通过以下公式,不断迭代。直到百分之九十的入侵事件信号的余弦相似度大于xcorN;
xcorN=xcorN-α
其中α为调节因子;
S803:获得了重新分类的事件信号后,开始对入侵事件信号进行截频位置的获取,通过以下算法公式,不断迭代调整截频位置参数RTmin;
由于刚开始***对环境一无所知,截频位置初始为最小值RT0,参数调整算法规则如下:
RTmin=RTmin+γ·max{FCut(x)},x=0,1,…,n
其中RTmin是指频域范围内的截频位置参数,RTmin以最小值RT0初始化,FCut(x)指的是入侵事件信号的连零判断截取值处理后的值,学习参数γ为满足0<γ<1的常数;
S804:利用步骤S803求得的最优截频参数RTmin分析所有入侵事件和非入侵事件信号,从而调节可调参数vjudg1,vjudg2,求得最优边界判断值;
S805:在入侵事件重新分类后,求得入侵电压值和非入侵电压值的覆盖范围,获取入侵事件电压的最小值以及环境事件的众数一下者,从而获得自调优后的Voltage。
4.根据权利要求1所述的识别方法,其特征在于,所述步骤S400具体包括:每帧事件信号定义为Si(n),定义事件信号均值为
<mrow>
<msub>
<mover>
<mi>S</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<mo>&lsqb;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>/</mo>
<mi>n</mi>
</mrow>
式中n代表第n各采样点,令直流信号分量部分为
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>d</mi>
<mi>c</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mover>
<mi>S</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
</mrow>
则交流部分为
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>a</mi>
<mi>c</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mover>
<mi>S</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>.</mo>
</mrow>
5.根据权利要求1所述的识别方法,其特征在于,所述步骤S500具体包括:
S501:接收到的每帧事件信号为Si(n),每帧事件信号的短时能量Ei为
<mrow>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>|</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
设每帧的短时过零率Zi为
式中sgn为符号函数;
计算环境噪声的短时能量和短时过零率,假设前10帧事件信号为环境噪声,首先求出每帧噪声的均方差,将这10个均方差的均值作为信号短时过零率的直流偏置,求出前10帧的短时能量和短时过零率的均值Zmean、Emean和标准差Zstd、Estd,得到其初始值Z0=Zmean+2*Zstd和E0=Emean+2*Estd,设置两个系数Ecoef和Zcoef作为阈值,两个阈值用于调节***灵敏度;
S502:每过预设时间,重复步骤S501,只计算小于阈值的帧,修改阈值;
S503:若此时有一帧信号Si(n)被判定为入侵信号,取出该帧信号的前一帧Si-1(n)平分为5个子帧,从后往前分别计算这几个子帧的短时能量,取出子帧中短时能量大于阈值的几个子帧,作为该次入侵信号的起点,同理找出入侵信号的终点,提取出事件信号的时域信号x(n);
S504:对时域信号x(n)做傅里叶变换得出频域信号:
<mrow>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>W</mi>
<mi>N</mi>
<mrow>
<mi>k</mi>
<mi>n</mi>
</mrow>
</msubsup>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2...</mn>
<mo>,</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
<mo>;</mo>
<msub>
<mi>W</mi>
<mi>N</mi>
</msub>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>j</mi>
<mfrac>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
<mi>N</mi>
</mfrac>
</mrow>
</msup>
</mrow>
然后对频域信号进行归一化:
<mrow>
<msub>
<mi>X</mi>
<mrow>
<mi>n</mi>
<mi>o</mi>
<mi>r</mi>
<mi>m</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>X</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mi>min</mi>
</msub>
</mrow>
<mrow>
<mi>X</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>X</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mi>min</mi>
</msub>
</mrow>
</mfrac>
<mo>.</mo>
</mrow>
6.根据权利要求1所述的识别方法,其特征在于,所述步骤S700具体包括:
S701:确定分类数k,从n个数据对象选择2个距离最大的对象xi1,xi2作为聚点;
S702:选择第3个聚点xi3,满足如下关系:
min{d(xi3,xir)}=max{min{d(xj,xir)}}
其中:r=1,2;j≠i1,i2;
S703:重复步骤S702直到选择出第k个聚点Xik,得到k个初始聚点的集合:
<mrow>
<msup>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<mo>{</mo>
<msubsup>
<mi>x</mi>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>}</mo>
</mrow>
分类原则记为:
<mrow>
<msubsup>
<mi>G</mi>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mo>{</mo>
<mi>x</mi>
<mo>:</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
于是,将样品分成不相交的k类,得到一个初始分类:
<mrow>
<msup>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<mo>{</mo>
<msubsup>
<mi>G</mi>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>G</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mi>G</mi>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>}</mo>
</mrow>
S704:根据初始分类重新计算聚点,规则如下:
<mrow>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<msubsup>
<mi>G</mi>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
</munder>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>k</mi>
</mrow>
S705:重复步骤S704m次后,得到G(m)=G(m-1),则计算结束;
S706:将作为一组模版保存下来。
7.根据权利要求1所述的识别方法,所述步骤S900包括:
计算入侵信号x与模版之间的余弦相似度:
<mrow>
<msub>
<mi>xcor</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>&CenterDot;</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
<mrow>
<msqrt>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
</msqrt>
<mo>&CenterDot;</mo>
<msqrt>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</msubsup>
</msqrt>
</mrow>
</mfrac>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>k</mi>
</mrow>
得到一组余弦相似度数组xcor,求出xcor中最大值xcori和类别i,并将该入侵信号作为第i类入侵信号。
8.根据权利要求1所述的识别方法,其特征在于,所述预设的时间跨度为0.25S。
9.一种具有自适应调参功能的光纤安防信号双重识别***,其特征在于,包括以下模块:
相位差异获取模块,用于获取光纤布控区域内光信号的相位差异;
时域分析信号包获取模块,用于将光信号的相位差异按时间上的采样率转变为电信号上的幅值差异,获得时域分析信号包;
划分模块,用于以预设的时间跨度划分所述时域分析信号包,得到事件信号;
第一获取模块,提取所述事件信号的交流部分,获取事件信号的时域信号;
第二获取模块,用于对所述时域信号进行快速傅立叶变换获取所述事件信号的频域信号;
第一判断模块,用于根据所述频域信号连零点的位置判定信号的种类,所述信号种类包括:异常信号,非异常信号,和不能判断信号;
特征模板构建模块,用于采集入侵事件和环境的频域信号通过聚类分析,构建特征模板;
调优模块,用于对初始参数值进行自适应调优;
第二判断模块,用于根据所述特征模板判断所述不能判断信号是否为异常信号。
10.根据权利要求10所述的识别***,其特征在于,所述预设的时间跨度为0.25S。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710709068.0A CN107689127B (zh) | 2017-08-17 | 2017-08-17 | 具有自适应调参功能的光纤安防信号双重识别方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710709068.0A CN107689127B (zh) | 2017-08-17 | 2017-08-17 | 具有自适应调参功能的光纤安防信号双重识别方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107689127A true CN107689127A (zh) | 2018-02-13 |
CN107689127B CN107689127B (zh) | 2020-10-13 |
Family
ID=61153413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710709068.0A Active CN107689127B (zh) | 2017-08-17 | 2017-08-17 | 具有自适应调参功能的光纤安防信号双重识别方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107689127B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961638A (zh) * | 2018-05-23 | 2018-12-07 | 重庆科技学院 | 基于小波系数能量和算法的振动光纤入侵事件检测方法 |
CN112541480A (zh) * | 2020-12-25 | 2021-03-23 | 华中科技大学 | 一种隧道异物入侵事件在线识别方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201413558Y (zh) * | 2009-05-31 | 2010-02-24 | 中国石油天然气管道局 | 一种光纤干涉仪区域防入侵***降低出入口虚警率的*** |
US20100117830A1 (en) * | 2006-12-29 | 2010-05-13 | Schlumberger Technology Corporation | Fault-tolerant distributed fiber optic intrusion detection |
CN102243795A (zh) * | 2011-03-29 | 2011-11-16 | 上海安数信息技术有限公司 | 一种在安防***中应用的光纤智能传感装置 |
CN105608823A (zh) * | 2016-03-14 | 2016-05-25 | 北京北邮国安技术股份有限公司 | 基于主成分分析的光纤安防方法及*** |
CN106023499A (zh) * | 2016-04-28 | 2016-10-12 | 北京北邮国安技术股份有限公司 | 一种光纤安防信号双重识别方法及*** |
-
2017
- 2017-08-17 CN CN201710709068.0A patent/CN107689127B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100117830A1 (en) * | 2006-12-29 | 2010-05-13 | Schlumberger Technology Corporation | Fault-tolerant distributed fiber optic intrusion detection |
CN201413558Y (zh) * | 2009-05-31 | 2010-02-24 | 中国石油天然气管道局 | 一种光纤干涉仪区域防入侵***降低出入口虚警率的*** |
CN102243795A (zh) * | 2011-03-29 | 2011-11-16 | 上海安数信息技术有限公司 | 一种在安防***中应用的光纤智能传感装置 |
CN105608823A (zh) * | 2016-03-14 | 2016-05-25 | 北京北邮国安技术股份有限公司 | 基于主成分分析的光纤安防方法及*** |
CN106023499A (zh) * | 2016-04-28 | 2016-10-12 | 北京北邮国安技术股份有限公司 | 一种光纤安防信号双重识别方法及*** |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961638A (zh) * | 2018-05-23 | 2018-12-07 | 重庆科技学院 | 基于小波系数能量和算法的振动光纤入侵事件检测方法 |
CN112541480A (zh) * | 2020-12-25 | 2021-03-23 | 华中科技大学 | 一种隧道异物入侵事件在线识别方法及*** |
CN112541480B (zh) * | 2020-12-25 | 2022-06-17 | 华中科技大学 | 一种隧道异物入侵事件在线识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN107689127B (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107194433B (zh) | 一种基于深度自编码网络的雷达一维距离像目标识别方法 | |
CN102302370B (zh) | 一种跌倒检测方法和装置 | |
CN106023499B (zh) | 一种光纤安防信号双重识别方法及*** | |
CN105654645B (zh) | 一种光纤安防信号处理方法及*** | |
CN105608823B (zh) | 基于主成分分析的光纤安防方法及*** | |
CN103488941B (zh) | 硬件木马检测方法及*** | |
CN105095624B (zh) | 一种光纤传感振动信号的识别方法 | |
CN106503642B (zh) | 一种应用于光纤传感***的振动模型建立方法 | |
CN105869630A (zh) | 基于深度学习的说话人语音欺骗攻击检测方法及*** | |
CN110133610A (zh) | 基于时变距离-多普勒图的超宽带雷达动作识别方法 | |
CN111178155B (zh) | 基于惯性传感器的步态特征提取和步态识别方法 | |
CN103968933A (zh) | 基于模糊域特征的光纤振动信号识别方法 | |
CN101364408A (zh) | 一种声像联合的监控方法及*** | |
CN106128452A (zh) | 利用声音信号检测键盘敲击内容的***及方法 | |
CN108446733A (zh) | 一种基于多传感器数据的人体行为监测及智能识别方法 | |
CN106646587B (zh) | 基于声振动信号的目标检测与识别方法及*** | |
CN110308485A (zh) | 基于深度学习的微震信号分类方法、装置及存储介质 | |
CN110428843A (zh) | 一种语音性别识别深度学习方法 | |
CN107818298A (zh) | 用于机器学习物质识别算法的通用拉曼光谱特征提取方法 | |
CN104729667A (zh) | 一种分布式光纤振动传感***中的扰动类型识别方法 | |
CN105448291A (zh) | 基于语音的帕金森症检测方法及检测*** | |
CN109903053A (zh) | 一种基于传感器数据进行行为识别的反欺诈方法 | |
CN105139029A (zh) | 一种监狱服刑人员的行为识别方法及装置 | |
CN107689127A (zh) | 具有自适应调参功能的光纤安防信号双重识别方法与*** | |
CN114093106B (zh) | 基于EfficientNET分类网络的入侵信号报警方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |