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%。