本发明涉及一种入侵信号诊断系统和方法，特别涉及一种基于eemd结合频谱质心和ls-svm的入侵信号诊断系统和方法。
背景技术：
石油是一种重要的战略物资，在国家经济中起到举足轻重的作用。伴随着中国经济的快速腾飞和石油工业的蓬勃发展，目前中国油气骨干管道里程已突破7万千米。管道运输作为五大运输方式之一，具有安全、经济、保质、无污染等优点，已经成为油气运输的重要途径，承担着我国70％的原油和99％的天然气的运输任务。到2020年，我国油气管网里程将达到20万千米，基本实现全国骨干管线联网。管道输送具有占地少、损耗少、成本低、输量大、快捷方便等优点，但也有管线长、跨区域多、沿途地质状况和自然环境复杂多变等缺点，还有对监控水平、安全保障性要求高等特点。
另一方面，随着军事、民用及商用领域对安全和保密的要求越来越高，安全防范系统的应用范围越来越广泛。输油管道常常分布在复杂的自然环境中，其周围容易遭受来自人类、动物等的强力入侵危害。通过精确诊断输油管周围的入侵信号，能够降低安全防范系统的维护成本，节省人力、物力，提高防患能力。
传统的输油管道检测技术主要依靠管道起始点和结束点采集的信号参数进行泄漏判别，无法实现对管道中段的检测，而光纤传感技术则利用随管道铺设的光纤作为传感单元，实现对输油管道的全程监控，满足长输油管线的漏油定位报警需求。并且随输油管道铺设的光缆可对输油管附近的异常震动做出判断，实现预判功能，提高管道监控安全性。同时，由于光缆的物理特性决定其使用年限长、维护简便、费用低等特点，因此利用光纤传感技术实现长距离输油管道的防漏、防盗检测越来越受到重视。而利用光纤传感技术实现入侵信号的诊断，依赖于信号诊断算法，使用不同的算法，其诊断效果和准确率的差异较大。
针对入侵信号的诊断方法，近年来众多学者做了许多深入的研究。例如：杨雅辉等采用增量式ghsom神经网络模型处理网络信号入侵，取得了很好的效果，但存在抗噪能力不足的问题，并且神经网络需要大量先验数据作为基础，实际工程中难以得到；皮少华等利用倒频谱诊断分布式光纤sagnac干涉仪的入侵信号，精确度较高，但对低频谱和低信噪比的入侵信号诊断能力较差；任仲杰等人采用二元矩形相位脉冲调制法结合lc的报警算法诊断入侵信号，取得了良好的成果，但是所述方法在实际运用中需要大量先验数据，存在经验性较强的问题，因此在实际运用中受到较多的限制。何媛等人利用片段高精度分割技术来分割入侵信号，准确率较高，但是存在入侵信号和普通信号频段较接近时诊断容易出现误差的缺点；张燕君等人运用emd-awpp和hosa-svm算法识别入侵信号，效果显著，但是也存在训练得到的svm参数对正确识别存在影响的问题；huang等人提出了一种基于混合特征提取的光纤周界安全系统入侵检测方案，分类率和效率都较高，但存在部分特征向量不是提取自原始数据，从而会污染整个本征模态函数集的缺点。
技术实现要素：
本发明提供一种基于eemd结合频谱质心和ls-svm的入侵信号诊断系统和方法，能够很好地反映入侵信号和普通信号的频域特征，从而提高入侵信号的诊断准确率。
本发明提供的技术方案是：
一种入侵信号诊断系统，包括
一光纤；
多个传感器，所述传感器被分别设置于光纤用以感知信号；
一光纤激光器，所述光纤激光器与光纤连接；
一滤波器，所述滤波器与所述传感器可通讯地连接，用以滤波传感器感知的信号；
一放大器，所述放大器与滤波器一体地连接；以及
一管理软件平台，管理软件平台与放大器可通讯地连接，用以接收经过放大器放大后的信号，并将信号通过eemd进行分解，剔除包含高频噪声的imf，再将剩下的imf分量重组得到重构信号；
对重构信号进行希尔伯特变换得到重构信号的希尔伯特谱，得出每个重构信号的频谱质心；将训练集中普通信号和入侵信号的频谱质心分别标记为1组和2组，运用ls-svm将它们进行训练建模，根据ls-svm的学习效果反馈确定最优的规则化参数c和核宽度σ；以及将原始信号重构后的频谱质心通过训练好的ls-svm进行分类预测，如果结果是1组，则该信号为普通信号，如果是2组，则该信号为入侵信号。
一种入侵信号诊断方法，包括以下步骤:
(a)将原始信号通过eemd进行分解，剔除包含高频噪声的imf，再将剩下的imf分量重组得到重构信号；
(b)对重构信号进行希尔伯特变换得到重构信号的希尔伯特谱，得出每个重构信号的频谱质心；
(c)将训练集中普通信号和入侵信号的频谱质心分别标记为1组和2组，运用ls-svm将它们进行训练建模，根据ls-svm的学习效果反馈确定最优的规则化参数c和核宽度σ；
(d)将原始信号重构后的频谱质心通过步骤(c)中训练好的ls-svm进行分类预测，如果结果是1组，则该信号为普通信号，如果是2组，则该信号为入侵信号。
本发明通过eemd将原始信号分解成imf分量，然后经过去噪重构，再经过希尔伯特变换(hilberttransform，ht)得到重构信号的希尔伯特谱，并通过频谱质心法提取重构信号的sc，将其作为特征量导入ls-svm，从而诊断出入侵信号，抗干扰能力强，能够很好地适应实际应用环境的需求。
附图说明
图1是本发明的基于eemd结合频谱质心和ls-svm的入侵信号诊断系统的结构框图。
图2是本发明的基于eemd结合频谱质心和ls-svm的入侵信号诊断方法的流程图。
图3是所述入侵信号诊断系统采集的入侵信号图。
图4是经过eemd分解重构处理后的入侵信号的重构信号图。
图5是入侵信号的重构信号的希尔伯特谱图。
图6是经过eemd分解重构处理后的普通信号的重构信号图。
图7是普通信号的重构信号的希尔伯特谱图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
本领域技术人员应理解的是，在本发明的揭露中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。
可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。
在布设输油管道的区域，其周围敷设有安全防范系统，通过光纤采集振动信号。该振动信号由光纤内两束激光的相位差产生，在正常情况下，相位差相对稳定，而当出现危害安全防范系统的入侵行为时，无论该入侵来自人类活动、灾害天气以及动植物破坏，都会使相位差在短时间内发生巨大变化并在一段范围内的光纤上得到反映，从而产生入侵信号。这些信号都具有非线性和非平稳特征，同时都包含有大量的噪声，而eemd在对原始信号进行分解处理时，能够充分保留原始信号非线性和非平稳的特征，并且具有良好的自适应性和局域特性，弥补了经验模态分解(empiricalmodedecomposition,emd)容易发生模态混叠的不足，适用于非平稳信号的滤波和去噪。
如图1所示，在本发明的一个实施例中，其显示有一基于eemd结合频谱质心和ls-svm的入侵信号诊断系统，所述入侵信号诊断系统优选地由光纤、光纤激光器、滤波器、传感器、放大器和管理软件平台组成。所述入侵信号诊断系统利用光纤作为传感介质，敷设在防护对象的物理周界上。所述光纤激光器与所述光纤连接，多个传感器被分别可通讯地设置于所述光纤，从而对布防周界上因入侵而产生的振动信号进行实时监测。所述入侵信号诊断系统的光纤具有一预设长度，并设置有多个传感器采样点。当入侵发生时，所述传感器产生探测信号。当无入侵时，所述接收器收到的传感光纤振动幅值相对稳定且很小；当出现入侵动作，外界振动作用于所述传感光纤时，使得所述传感光纤短时间内产生一个高频振动，幅值较大且不稳定，多个采样点能够采集到该干涉信号，其强度和频率与振动的强度和频率有关。所述接收器收到的干涉信号的变化，就可以作为探测信号，对入侵行为进行探测。
如图3所示，其显示有所述入侵信号诊断系统采集到的入侵信号。所述滤波器与所述传感器可通讯地连接，所述放大器分别与所述滤波器和所述管理软件平台可通讯地连接，入侵信号被所述传感器接收后传递给所述滤波器，经过所述滤波器滤波后传递给所述放大器，再经过所述放大器对信号进行放大，并发送给所述管理软件平台，所述管理软件平台通过使用本发明的基于eemd结合频谱质心和ls-svm的入侵信号诊断方法对信号进行处理和诊断。
如图2所示，其显示有本发明的所述基于eemd结合频谱质心和ls-svm的入侵信号诊断方法的流程图，其中所述基于eemd结合频谱质心和ls-svm的入侵信号诊断方法包括以下步骤：
(a)将原始信号通过eemd进行分解，剔除包含高频噪声的imf，再将剩下的imf分量重组得到重构信号；
(b)对重构信号进行希尔伯特变换(hilberttransform，ht)得到重构信号的希尔伯特谱，得出每个重构信号的频谱质心；
(c)将训练集中普通信号和入侵信号的频谱质心分别标记为1组和2组，运用ls-svm将它们进行训练建模，根据ls-svm的学习效果反馈确定最优的规则化参数c和核宽度σ；以及
(d)将原始信号重构后的频谱质心通过步骤(3)中训练好的ls-svm进行分类预测，如果结果是1组，则该信号为普通信号；如果是2组，则该信号为入侵信号。
值得注意的是，本实施例的所述信号诊断方法的所述步骤(3)和步骤(4)中优选地将普通信号和入侵信号分别标记为1组和2组。本领域的技术人员应当知晓，普通信号和入侵信号也可以被标记为其他形式，例如，普通信号和入侵信号也可以被分别标记为a组和b组，只要标记可以区分所述普通信号和入侵信号即可，本发明的所述基于eemd结合频谱质心和ls-svm的入侵信号诊断方法，在这方面不受限制。
如图4和图6所示，其分别显示有入侵信号和普通信号经过所述基于eemd结合频谱质心和ls-svm的入侵信号诊断方法中的步骤(a)处理后得到的重构信号。具体的，所述步骤(a)中的eemd分解过程包括如下步骤：
(i)向目标数据x(t)上加入白噪声序列；
(ii)确定出加入白噪声序列后信号x(t)上的全部极值点；
(iii)用三次样条插值法连接所有极大值点形成上包络线emax(t)，同理得到下包络线emin(t)，求出两条包络线的均值m1(t)＝(emax(t)+emin(t))/2，给定信号x(t)与m1(t)的差值记为h1(t)，即h1(t)＝x(t)-m1(t)；
(iv)若h1(t)满足imf的两个条件，则h1(t)作为原始信号筛分出的第一个imf分量，否则，将h1(t)作为新的x(t)，循环以上步骤，直到hi(t)满足imf的两个条件，将其作为第一个imf分量c1(t)；
(v)将c1(t)从x(t)中分离，得到一个去掉高频分量的差值信号r1(t)，即r1(t)＝x(t)-c1(t)，将r1(t)作为原始数据重复以上步骤(ii)～(v)，得到第二个imf分量c2(t)，重复n次直至残余信号rn(t)为单调函数，无法再进行筛分，其中rn(t)＝rn-1(t)-cn(t)；
(vi)每次加入不同的白噪声序列，然后重复以上步骤(i)～(vi)共n次；以及
(vii)将n次得到的各个imf分量求均值，并将其作为最终的分解结果。
进一步的，由于第1个imf分量包含信号的最高频部分，而噪声的频率普遍高于信号本身，因此最先分解出来的imf1包含绝大多数的噪声。在本实施例中，优选地将第1个imf分量，即imf1，作为步骤(a)中包含高频噪声的imf量剔除，再将余下的分量叠加得到重构信号y(t)，即：
对比图3所示的入侵信号和图4所示的入侵信号的重构信号，通过对比分析可以看出，经过所述步骤(a)的处理后，入侵信号中的大部分高频噪声已被去除。
如图5和图7所示，其分别显示有入侵信号和普通信号经过本发明的基于eemd结合频谱质心和ls-svm的入侵信号诊断方法中的步骤(b)处理后得到的希尔伯特谱。具体的，所述步骤(c)中的重构信号的频谱质心的计算方法如下：
其中f1～f2为原始信号的频率范围，s(f)为原始信号的能量谱或功率谱，即原始信号通过步骤(a)和步骤(b)处理后得到的希尔伯特谱。对比图5和图7，可以分析得出普通信号和入侵信号的频谱质心差异较大，因此通过eemd结合频谱质心提取原始信号的特性，可以很好地区分普通信号和入侵信号，提高诊断的准确率。
更进一步的，在本实施例中，所述ls-svm的核函数优选地选择为rbf函数：
k(xi,x)＝exp{-||x-xi||2/σ2
rbf函数具有较宽收敛域和较强泛化能力，有很强的学习能力。经过所述步骤(c)的训练集训练后，所述ls-svm可以根据原始信号经过步骤(a)和步骤(b)处理后得到的频谱质心进行回归预测，从而诊断所述光纤周界防护系统采集的所述原始信号是否为入侵信号。
值得一提的是，所述ls-svm的核函数的类型不受限制，在本实施例中，所述ls-svm的核函数被优选地选择为rbf函数。本领域的技术人员应当理解，所述ls-svm的核函数也可以为其他函数，例如线性核函数等等，主要所述函数可以实现所述ls-svm对重构信号频谱质心的回归预测即可，本发明的所述基于eemd结合频谱质心和ls-svm的入侵信号诊断方法在这方面不受限制。