改进经验模态分解算法在光纤布拉格光栅周界入侵行为分类中的应用

为了解决周界入侵行为识别正确率低的问题,对经验模态分解算法进行改进,并将其用于光纤布拉格光栅周界入侵行为分类。该方法利用短时平均过零率从整体信号中提取入侵信号,采用两次极值波延拓抑制经验模态分解算法的端点效应,对入侵信号进行分解并提取有效分量的特征,引用支持向量机对入侵行为进行识别;在室外环境下分别对无入侵和攀爬、剪切、碰撞、触摸4种入侵行为进行分类与识别。结果表明,所提方法能有效识别不同的入侵行为,识别正确率大于96%。     

光纤传感与红外视频的复合入侵监控系统设计

针对机场、油库等特定区域的高识别率、低误报率入侵事件监控需求,提出了一种基于光纤传感与红外视频的目标识别方法。其中,光纤传感部分采用基于MCSVM的非对称双马赫-曾德尔干涉仪（ADMZI）分布式光纤振动传感器,将EMD(经验模式分解)、将峰度特征与MCSVM相结合以提高识别率;红外识别部分将灰度差值图像通过小波变换提高清晰度。两者经过模式对比算法,实现入侵事件判定。搭建系统做现场实验,结果表明:该方法能够识别四种常见的入侵事件(爬越围栏、敲击电缆、剪断围栏、摇动围栏),平均识别率在92.5%以上,误报率0.9%,相对传统单一传感器方案,该方法在漏报率和虚警率等系统性能上都有较大的改善,能够满足实际应用要求。     

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。     

基于小波能量熵的光纤周界安防系统信号识别

针对分布式光纤周界安防系统易受外界各种干扰导 致误报率高的问题,本文根据不同干扰源引起的系统输出信号在时频分布上的差异, 基于小波分析方 法建立小波能量熵(WEG)测度将这种差异表现为信号分解尺度上能量 分布的差异进行定量描述,实现对系 统输出信号进行特征提取和分类,可以有效区分外界轻微扰动、风雨等环境因素与 蓄意入侵所引 起的信号之间的差别,提高系统的准确性和实时性。实验结果表明:本文方法可以有效排除 非人为入侵的干扰,正确识别率高于93%,实验较低的 误报率。     

基于LCD和改进PNN的光纤周界振动信号识别

针对马赫-曾德尔光纤周界系统振动信号扰动信 息提取及识别中的问题,提出了一种 基于局部特征尺度分解(LCD)和改进概率神经网络(PNN)的识别方法。首先,采用LCD将振动 信号分解成一系列内禀尺度分量(ISC),再将分解得到的ISC分量每连续3阶一组进行独立成 分分析(ICA),提取扰动信息。其次,提取振动信号的峭度、排列熵、瞬时幅度标准差和瞬 时频率标准差构造具有准确描述能力的特征向量。最后,采用经模糊C均值聚类(FCM)优化后 的PNN对振动信号进行识别分类。利用六种振动信号实验数据进行验证。结果表明,该方法 能够高效准确的识别六种振动信号,平均识别率达到97.17%,识别时 间为0.78 s。该方法在 有效信息提取和振动信号识别方面明显优于传统的LCD算法和PNN算法,具有实际应用价值。     

基于ISSA和GA-BiLSTM神经网络的光纤周界入侵事件识别

为解决复杂多变环境下光纤入侵事件因噪声干扰识别困难、误报率高的问题,提出了基于改进的奇异谱分析和遗传算法优化的双向长短期记忆神经网络的入侵事件识别方法。首先,为了减少噪声对识别效果的影响采用改进的奇异谱分析法去噪,对入侵信号及其分量进行迭代奇异谱分析去噪,并利用信号贡献率的大小来确定信号重构的秩阶次,调节信号分量去噪的程度,实现光纤信号的去噪。然后,利用遗传算法优化神经网络结构参数,构建双向长短期记忆神经网络提取光纤信号空间特征,最后基于以上方法对攀爬、跑动、敲击、静态、大风、雨天6种实测信号进行入侵事件识别实验,实验结果表明,在双Mach-Zehnder光纤周界传感系统识别入侵事件过程中,改进的奇异谱分析相比普通的奇异谱分析,去噪信噪比有明显提高,平均信噪比提高了12.79 dB,平均均方根误差略有减少。遗传算法优化的双向长短期记忆神经网络较未优化神经网络平均识别率提高了5.7%,识别准确率最高可达98.1%。     

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。     

光纤周界安防系统的高准确度事件识别方法

在双马赫曾德光纤周界安防系统中,如何准确高效地实现模式识别仍是一项有待解决的难题。对此提出了一种基于短时傅里叶变换（STFT）与奇异值分解的模式识别方法,实现了三种不同事件类型的准确识别。该方法包含三个步骤:首先,通过对干涉信号进行短时傅里叶变换得到时频信息,根据时频信息找到事件端点并进行滤波;其次,对时频信息进行奇异值分解,根据奇异值的物理意义,由不同行为的奇异值的特点定义特征向量;最后,用支持向量机的方法进行事件分类。为验证方法有效性,搭建了2 km长的围栏系统进行实验验证。进行了攀爬围栏、敲击光缆、晃动围栏三种不同入侵模式下共360组实验,每种入侵行为各120组得到了良好的识别结果（三种事件识别率均在90%以上）,提高了系统的信号处理速度,有较高的实际应用价值。     

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。     

相位敏感光时域反射系统模式识别方法综述

基于相位敏感的光时域反射系统（Ф-OTDR）是一种新型的分布式光纤扰动传感系统。随着应用需求的不断细化,单纯对外部侵扰活动的检测及定位已无法满足实际需要,亟待对检测到的信号进行准确的分类识别。在检测到侵扰信号的同时,如何能准确判别入侵事件的类别,减少误报率和漏报率是分布式光纤扰动传感系统研究的关键问题。文中主要针对分布式光纤扰动传感系统的原理进行了简要的介绍,将现有的扰动信号特征提取的方法和分类器设计的方法进行归纳和分类,并对识别结果进行总结和对比以方便研究人员根据应用环境的差异以及待测信号的特征,准确选择适合的信号模式识别方法,促进研究人员对分布式光纤扰动传感系统模式识别方法进行更为深入的研究。     

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。     

光纤周界入侵信号特征提取与识别方法的研究

提出一种基于互补经验模态分解(CEEMD)奇异值熵结合多核支持向量机(SVM)的入侵信号特征提取与识别方法。首先,采用CEEMD方法对入侵信号进行分解得到若干个本征模态函数(IMF);其次,再对IMF分量进行奇异值分解,计算其奇异值熵;然后,根据奇异值熵筛选出有用IMF分量,构建特征向量;最后,采用多核支持向量机识别入侵信号。采用实际采集的攀爬,敲击,汽车,风等场外入侵信号进行了实验验证,结果表明：CEEMD方法有效解决了EEMD的残留白噪声问题,多核SVM比单核SVM具有更好的识别率,攀爬入侵信号识别率达到95%。     

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。     

光纤周界探测技术原理及研究现状

户外周界入侵探测器是用于户外大面积边界监测的探测器,近年来它受到广泛的注意和市场的重视.目前市场上的这类产品主要基于电缆或微波技术,而随着分布式光纤传感技术的发展,已有多种类型的光纤传感器应用于周界探测.这些光纤探测器有基于光时域反射(OTDR)技术的,有基于干涉仪技术的,还有很多新兴的技术.光纤周界探测器在发展历史上有两个阶段,第一个阶段的探测器只能判断事件的发生与否和类型,第二个阶段的探测器不仅能判断事件类型,还能对事件进行定位.这里对两种类型的光纤周界探测器分别加以介绍,对各种可行性方案的原理及优缺点进行了论述.     

泄漏电缆周界入侵信号检测方法及仿真研究

泄漏电缆周界入侵防盗报警是目前应用最广、发展前景十分良好的一种方法和技术,以往皆采用FFT法对入侵信号进行探测,无法进一步提高入侵信号的检测率.针对泄漏电缆周界入侵是一种典型的非周期随机信号,从理论上对比分析了四种典型的时频分析方法,同时对周期信号和非周期随机信号进行了两种时频分析方法的仿真研究.理论分析与仿真结果表明,HHT变换是最适用于泄漏电缆周界入侵信号的检测方法.