基于端点检测的光纤振动信号识别

利用光纤分布式传感系统对入侵事件进行识别主要难点在于对入侵事件的识别准确率低,为了提高对入侵事件的识别准确率,本文提出一种基于端点检测与信号重组的光纤振动信号的识别方法.该方法首先使用基于谱质心与短时能量的端点检测算法对振动信号的振动部分进行检测,然后将检测到的振动信号进行振动信号的重组,最后使用一个多尺度卷积神经网络结合随机森林树对重组后的信号进行识别.实验证明该识别方式能快速完成对识别模型的训练,并且能有效识别在实际环境中采集的入侵振动信号,对入侵信号的识别准确率可达97.4％.     

基于TSVD-SCN的光纤入侵信号识别算法研究

采用随机配置网络(SCN,Stochastic configurat ion network)对光纤振动信号进行识别,常由于光 纤预警系统的背景噪声问题使得网络的隐含层输出接近奇异,直接影响了SCN对光纤数据的 识别准确率。 因此本文提出了一种基于截断奇异值分解(Truncated singular value decomposition,TS VD)的SCN 方法(TSVD-SCN) 对光纤入侵信号进行识别。TSVD-SCN通过对网络的隐含层输出进行SVD分解并设置阈值去 除其中较小的 奇异值,以减少隐含层输出矩阵的条件数,提升网络识别率。本文利用占空比,平均幅差函 数,FFT求能 量占比的方法进行特征提取,采用基于TSVD-SCN算法对不同入侵振动特征矢量进行分类识 别。实验证明, 本文所提算法模型精度比SCN的模型精度更高,可以准确识别光纤入侵信号类型,对SCN网 络在实际应用中对分类精度的提高有着重要意义。     

光纤入侵信号检测及识别算法的嵌入式实现

提出了一种光纤入侵信号检测及识别算法,并根据 算法的处理时间及运算特点分解映射在现场 可编程逻辑门阵列(FPGA)和数字信号处理(DSP)组成的嵌入式处理器上进行实现。处理 流程分为3部分:首先对原始信号进行3Hz高通滤波,将经过高通滤波后的信号平均分成两部分分别由 两块DSP板并行处理以节省时间开销,且后续所有操作均采用并行方式,将滤波后数据进行 标准化并与检测阈值进 行比较,大于阈值则判为振动并置1,否则置0,从而得到单路检测结果;然后根据上述检测 结果提取用于 识别的数据;最后将数据输入识别模块进行机械、走路和镐刨信号的特征提取并得出识别结 果。实验结果表明, 本文算法可以有效检测和识别光纤入侵信号,且提高了运算速度,满足了光纤预警系统(OFPS )对检测及识别信号类型的实时性要求。     

光纤振动信号特征提取及线性分类方法

在光纤预警系统(OFPS)中产生的入侵事件主要分 为有害入侵和无害入侵。目前对于这两类扰动常规 的特征提取方法通常是采用时域分析,但是对于不同有害入侵事件其时域特征区分不明显, 因此时域处理 不能更好体现它们之间的细节差别。通过对有害入侵信号的频谱进行统计研究发现,不同信 号的频谱分布 存在较为明显的差异性,因此本文将入侵信号变换到频域并借鉴声信号的处理方法,提出了 一种基于能量 占比特征的有害入侵事件识别算法。对采集到的振动信号进行预处理并计算功率谱密度(PSD ),计算各信号 不同频段的能量占比,并将其作为信号分类识别的特征。之后将能量占比特征作为样本送入 分类器进行 OFPS振动信号识别。在分类器的选择上,本文采用线性判别分析(LDA)分类器对信号进行识 别,LDA能 最大限度的保持原始数据信息,并有效区分振动信号。通过实验结果表明该算法在OFPS 振 动信号的识别 研究中提高了有害入侵信号的识别率,从而验证了本算法的可行性,同时有效减少了识别时 间。     

基于时频稀疏性的跳频信号背景噪声估计算法

背景噪声估计是自适应盲信号检测的依据.针对传统背景噪声估计复杂度高不适用于宽带卫星跳频信号盲处理系统的现实问题,提出了一种利用跳频信号稀疏性的背景噪声估计算法.理论分析了该算法的可靠性和复杂度,并应用仿真数据和实际信号验证了算法的有效性.相比传统算法,该算法可提供相近的噪声估计结果,而计算复杂度和数据缓存大为降低.     

基于时频特征的光纤周界入侵振动信号识别与定位

针对光纤周界安防系统入侵信号的非线性、非平稳性和间歇性等特点,提出了一种时域与频域特征相结合的方法,对光纤周界安防系统入侵振动信号进行识别与定位。采用计算嵌入维数方法,确定信号的最小分帧长度,因而能够较好地保留信号时间序列内在的动力学特性;提出了对入侵振动信号两级判定识别方法,利用短时能量和短时平均过零率特征来判断是否有振动信号产生,依据振动信号各层小波系数的能量分布特点来识别入侵信号,该方法有效地降低了周界安防系统的漏识率和误识率;为提高入侵信号定位的准确性,采用小波域贝叶斯自适应阈值对入侵信号作降噪处理,将重建的信号转换到频率域来确定入侵信号的位置。通过实验验证了所提方法的有效性。     

基于瞬态Stokes子矢量的信号检测

研究了随机极化波中目标散射信号的检测问题。首先导出了正态随机极化波的瞬态Stokes子矢量概率分布密度的解析表达式，在此基础上，基于信号和背景噪声之间的瞬态Stokes子矢量统计特性差异，提出了一种基于瞬态Stokes子矢量的信号检测方法，仿真结果验证了该算法的有效性。     

采用纹理特征的跳频信号盲检测算法

针对通信对抗中的跳频信号检测问题,提出了一种基于纹理特征的跳频信号盲检测算法。该算法在时频分析的基础上采用灰度共生矩阵提取信号的纹理特征,通过对纹理特征量的分割实现信号与背景噪声的分割,并运用形态学滤波去除二值化后产生的椒盐噪声;然后通过连通区域标记获得时频图中各信号的位置信息,并采用聚类分析去除定频、突发等干扰,实现跳频信号的自动盲检测。仿真结果表明,该算法可以更加有效地分割信号与背景噪声,能够在较低的信干噪比下检测出跳频信号。      

基于ARM的微弱信号采集系统的设计

为提取噪声背景下的微弱信号,提出了一种硬件与软件相结合的实现方案。采用仪表放大技术和单片机控制技术相结合对数据进行检测和处理。该系统优化硬件调理电路设计,保证采集数据的精度要求。利用ARM实现基于数字相关的算法,改善信噪比,有效恢复淹没于强背景噪声中的微弱信号。最后通过对模拟低频微弱电流信号的检测实验,充分显示了该系统在微弱信号检测方面的实用性和有效性。     

基于EMD分解与1-D CNN算法的光纤振动信号的识别

为提高基于相敏光时域反射计(-OTDR)的分布式光纤声传感系统(DAS)对入侵振动事件的识别准确率,提出一种基于经验模态分解(EMD)与一维卷积神经网络(1-D CNN)相结合的识别方式。该方式首先使用EMD将振动信号分解为m阶本征模函数(IMF),然后使用皮尔逊相关系数(PCC)判断出有效的IMF分量,将有效的IMF分量使用小波阈值去噪算法(WTD)进行去噪,对所有去噪后的IMF分量求和得到重构信号,最后使用1-D CNN对重构信号进行识别。实验证明该识别方式能快速完成对识别模型的训练,训练时间小于3min,并且能有效识别在实际环境中采集的入侵振动信号,对入侵信号的识别准确率可达98.3。     

基于深度神经网络的光纤传感识别算法

为解决光纤传感过程中不同类型事件信号混叠造成识别概率降低的问题,搭建了一种采用差分相关计算的双光纤传感结构,并在此基础上提出了基于深度神经网络的信号识别算法。首先利用双光纤回波信号计算相关系数,再通过不同事件类型信号特征设置阈值范围,从而通过相关计算与阈值滤波提高信噪比。设计了包含三个隐藏层的深度神经网络模型,以分离输入层与相关运算层的形式完成低频噪声抑制与信号混叠解调的目的。实验分别对三种常见入侵事件进行测试,并在此基础上分析了不同算法对组合事件的识别概率。结果显示三种事件的回波谱形具有显著特征。三种算法对单一触发事件的识别概率均在95%以上,该算法的识别均值为98.5%。当两个事件同时触发时,三种算法的平均识别概率分别为73.4%、 84.5%和96.4%。当三个事件同时触发时,三种算法的平均识别概率分别为65.2%、78.3%和93.5%。可见,该算法在光纤传感中信号存在干扰及混叠时具有更好的识别效果。     

经验模态分解结合频谱质心的方法在油管入侵信号诊断中的应用

在输油管道的安全防范系统应用背景下,针对传 统方法诊断光纤采集到的入侵信号准确率不高的问题,提出一种基于经验模态分解(EMD)算 法和频谱质心(SC)的入侵信号诊断方法。首先将采集到的原始入侵信号通过EMD进行 分解,分离含噪最 多的特征模态函数(IMF)分量,再组合剩余的IMF分量形成重构信号,对重构信号进行希尔伯 特变换(HT)得到希尔伯特谱,计算它的SC,进一步识别入侵信号和干扰信号。 通过对油管振动信号进行实验,本文方法对于每种入侵信号和干扰信号的诊断准 确率均在90.00%以上,整体的诊断准确率达到97.17%。对于该组油管振动信号, 同时运用奇异值分解(SVD)法进行诊断并将其结果与本文方法的诊断结果进行对比,整 体上本文方法的诊断准确率比SVD法高出19.00%。仿真实验结果表明 ,本文方法能有效诊断入侵信号,并且诊断效果明显优于奇异值分解法。     

针对持续入侵事件的分级识别算法

提出了一种基于应激反应过程的光纤预警分级 识别算法。该 算法受启发于人体受到外界刺激时机体分阶段调用组织系统和能量进行抵抗的机制,针对持 续振动的光纤 信号设计了分级识别算法。对于持续入侵事件引起的光纤振动信号,首先用高识别精度、高 时间消耗的算 法进行短时间的识别,以确定当前入侵事件类型;后续振动信号用低识别率、低时间消耗的 算法进行识别, 以监测是否新入侵事件产生。当发现新入侵事件后,需用高识别率的算法再次识别以查正。 实验结果表明,本算法能在一定识别精度下识别速度提升为原来的3.67倍,保证了保证了系统实时性监测的要求。     

自适应小波包的光纤传感器信号压缩感知

在由分布式光纤传感器构成光纤周界报警系统中 ,针对大规模、高分辨率的光纤振动信号在采样、传输、存储和重 构过程中会受到网络带宽、存储容量等限制问题,提出基于自适应小波包的光纤传感器信号 压缩感知方法。首先,采用小波 包对光纤振动信号进行多层稀疏变换,通过求取小波包系数的数学期望来选取初始置零阈值 ;然后,对光纤振动信号进行重 构并求取重构信号精度,再根据信号的重构精度采用迭代计算方法求取小波包系数的最佳置 零阈值,使光纤振动信号在满足 重构精度的前提下具有最高稀疏度,实现信号的自适应压缩感知;最后,根据光纤振动信号 的特征,采用K-SVD算法训练 得到过完备字典,结合正交匹配跟踪方法完成光纤振动信号的高精度重构。大量实验证明, 与传统压缩算法相比较,新方法的各方面性能均得到较大程度 提高。     

基于PSO-GWO-SVM的周界安防信号识别研究

针对支持向量机(SVM)在大规模入侵信号分类时存在的局限性,提出了一种改进的SVM信号识别方法。该方法首先采用粒子群优化算法(PSO)来生成多样化的初始位置,然后利用灰狼优化算法(GWO)更新离散搜索空间中样本的当前位置,获得最优特征子集;最后基于最优特征子集用SVM对待测样本进行分类识别。实验结果显明,在识别周界入侵信号时,基于PSO-GWO-SVM算法的分类器获得了96.86%的准确率、95.82%的灵敏度(SE)和96.31%的特异性。与传统的信号识别方法相比,具有更优异的识别精度、适应性和时效性。     

一种新的无线传感器网络中异常节点检测定位算法

无线传感器网络中异常节点检测是确保网络数据准确性和可靠性的关键步骤。基于图信号处理理论,该文提出了一种新的无线传感器网络异常节点检测定位算法。新算法首先对网络建立图信号模型,然后基于节点域-图频域联合分析的方法,实现异常节点的检测和定位。具体而言,第1步是利用高通图滤波器提取网络信号的高频分量。第2步首先将网络划分为多个子图,然后筛选出子图输出信号的特定频率分量。第3步对筛选出的子图信号进行阈值判断从而定位疑似异常的子图中心节点。最后通过比较各子图的节点集合和疑似异常节点集合,检测并定位出网络中的异常节点。实验仿真表明,与已有的无线传感器网络中异常检测方法相比,新算法不仅有着较高的异常检测概率,而且异常节点的定位率也较高。     

基于GPU的振动光纤入侵探测数据预处理算法

定位型振动光纤探测主机输出的是一个巨大的传感器阵列信号,数据量大且实时性处理要求高,对数据处理提出了很高的要求。本文立足于定位型光纤周界安防系统,基于英伟达公司(NVIDIA)的统一计算设备架构(CUDA)平台对预处理算法进行图像处理器(GPU)加速。结果表明预处理算法运行在GPU上可以达到很好的加速效果,对系统的实时性能有明显提升。     

基于BP信号识别的光纤油气管道监测系统

介绍了一种基于BP神经网络信号识别算法的分布式光纤管道安全预警系统,利用提取的现场振动信号时域、频域短时和长时特征,对基于BP神经网络分类器模型进行训练,模型实现了对人工挖掘和机械挖掘的智能分辨。其中BP分类器模型的最大误报率为3.3 %,平均误报率为1 %,最大漏报率为3.2 %,平均漏报率为1 %。将该BP模型应用在不同时长的现场信号识别测试中,实现了最低为5 %的漏报率,因此BP信号识别算法能够实现对管线入侵信号的有效识别及分类,提升传感系统可靠性。