本发明涉及入侵信号识别领域，特别是涉及一种微震感测区域入侵识别方法及系统。
背景技术：
目前市面上有很多种预警方式，例如，主动红外线预警，周界围栏预警等。这些方式都有一定的预警能力，但是这些预警设备，只能够通过入侵信号波动来发现入侵，但是却很难识别出入侵源，无法甄别报警为误报还是有效报警，这就给预警系统带来很大的不便。
技术实现要素：
本发明的目的是提供一种微震感测区域入侵识别方法及系统，能够对入侵源进行识别，能够确定报警系统报警信息的有效性。
为实现上述目的，本发明提供了如下方案：
一种微震感测区域入侵识别方法，所述方法包括：
获取入侵信号；
对所述入侵信息进行小波变换，生成频率-空间域的入侵振动数据；
对所述入侵振动数据进行重采样，得到采样矩阵；
对所述采样矩阵进行奇异值分解，得到a＝λ1a1+λ2a2+…+λiai+…+λrar，其中，a为采样矩阵，a1、a2、…、ai、…、ar为采样矩阵a的特征向量，λ1、λ2、…、λi、…、λr分别为特征向量a1、a2、…、ai、…、ar对应的系数；
对矩阵λiai的各行首尾相接得一维序列信号si＝{si1,si2,…,sir},其中sij代表ai的第j行向量；
对所述一维序列信号si的系数的平方进行归一化，得到si的系数的平方的归一化数值；
训练分类器；
将si的系数的平方的归一化数值作为特征向量输入所述分类器，得到所述入侵信号的类别。
可选的，所述训练分类器，具体包括：
获取训练集中的入侵信号样本数据以及所述入侵信号样本数据的类型；
对所述入侵信号样本数据进行小波包降噪，得到降噪后的入侵信号样本数据；
获取核函数；
根据训练集中各降噪后的入侵信号样本数据、所述核函数，采样交叉验证的方法对所述分类器进行训练，确定所述核函数中参数的最优选择，得到分类器。
可选的，所述获取核函数，具体包括：
获取径向基核函数。
本发明还提供了一种微震感测区域入侵识别系统，所述系统包括：
入侵信号获取模块，用于获取入侵信号；
小波变换模块，用于对所述入侵信息进行小波变换，生成频率-空间域的入侵振动数据；
采样模块，用于对所述入侵振动数据进行重采样，得到采样矩阵；
奇异值分解模块，用于对所述采样矩阵进行奇异值分解，得到a＝λ1a1+λ2a2+…+λiai+…+λrar，其中，a为采样矩阵，a1,a2,…,ai,…,ar为采样矩阵a的特征向量，λ1,λ2,…,λi,…,λr分别为特征向量a1,a2,…,ai,…,ar对应的系数；
一维序列信号确定模块，用于对矩阵λiai的各行首尾相接得一维序列信号si＝{si1,si2,…,sir},其中sij代表ai的第j行向量；
系数归一化模块，用于对所述一维序列信号si的系数的平方进行归一化，得到si的系数的平方的归一化数值；
分类器训练模块，用于训练分类器；
入侵信号识别模块，用于将si的系数的平方的归一化数值作为特征向量输入所述分类器，得到所述入侵信号的类别。
可选的，所述分类器训练模块，具体包括：
训练集数据获取单元，用于获取训练集中的入侵信号样本数据以及所述入侵信号样本数据的类型；
小波包降噪单元，用于对所述入侵信号样本数据进行小波包降噪，得到降噪后的入侵信号样本数据；
核函数获取单元，用于获取核函数；
分类器训练单元，用于根据训练集中各降噪后的入侵信号样本数据、所述核函数，采样交叉验证的方法对所述分类器进行训练，确定所述核函数中参数的最优选择，得到分类器。
可选的，所述核函数获取单元，具体包括：
核函数获取子单元，用于获取径向基核函数。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明通过对对入侵信号进行小波包分解、降噪、重构；然后根据分解的各频带的能量作为振动信号的特征向量，采用支持向量机(svm)对特征向量进行非线性变换，投影到另一空间，使得特征向量线性可分，通过对特征向量的分类达到对入侵振动信号的分类，识别入侵源，进而，能够根据入侵源识别出是否为有效报警，提高了报警系统的便利性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例微震感测区域入侵识别方法的流程示意图；
图2为本发明实施例奇异值小波包降噪前后对比图；
图3为本发明实施例小波包分层示例图；
图4为本发明实施例微震感测区域入侵识别系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种微震感测区域入侵识别方法及系统，能够对入侵源进行识别，能够确定报警系统报警信息的有效性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例微震感测区域入侵识别方法的流程示意图，如图1所示，具体步骤包括：
步骤101：获取入侵信号；
步骤102：对所述入侵信息进行小波变换，生成频率-空间域的入侵振动数据；
小波包分析是一种窗口固定，但时间窗和频率窗形状都可改变的时频局部化方法，在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率。
小波变换的本质和傅立叶变换类似，采用基来表示信号方程，一般选用的基都是正交基，方便运算。根据傅里叶变换的原理，在l2(ir)空间中找到一个像einx的函数，可以生成整个空间，我们假设这样的基存在，命名为φ(x)，由于φ(x)作为一种小波在整个空间会删减，为了能让小波覆盖整个空间，我们让小波在时域上平移，定义φ(x-k)小波；为了覆盖到所有的频率域，我们定义了φ(2jx-k)小波形式。有了基的存在，我们就可以对信号f在空间l2(ir)中进行分解，定义一个函数φ∈l2(ir)称为一个正交小波，如下
其中，j是小波的频率参数，决定着小波基的频率特性，而k是小波的时域参数，控制着小波的平移特性。如果上式中所定义的族{φjk}是l2(ir)的一个规范正交基，则每个f∈l2(ir)都能写成
式中，φjk(t)、φjk(t)分别是信号的低频函数和高频函数，ajk、djk分别是其各频率函数对应的系数。右边第一部分是x(t)在尺度空间的投影，是x(t)的低频分量，分解系数ajk称为离散平滑逼近；右边第二部分是x(t)在小波空间的投影，反映了信号的细节部分即高频分量。即x(t)是对信号进行了低频和高频的加和，低频表现了信号的整体特征，而高频对低频相似的信号进行了信息的补充。
步骤103：对所述入侵振动数据进行重采样，得到采样矩阵；
步骤104：对所述采样矩阵进行奇异值分解，得到a＝λ1a1+λ2a2+…+λiai+…+λrar，其中，a为采样矩阵，a1,a2,…,ai,…,ar为采样矩阵a的特征向量，λ1、λ2、…、λi、…、λr分别为特征向量a1、a2、…、ai、…、ar对应的系数；
步骤105：对矩阵λiai的各行首尾相接得一维序列信号si＝{si1,si2,…,sir},其中sij代表ai的第j行向量；
步骤106：对所述一维序列信号si的系数的平方进行归一化，得到si的系数的平方的归一化数值；
步骤10:7：训练分类器；此分类器为支持向量机，支持向量机的主要思想可以概括为两点:⑴一是针对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能；⑵它基于结构风险最小化理论之上在特征空间中建构最优分割超平面，使得学习器得到全局最优化，并且在整个样本空间的期望风险以某个概率满足一定上界。首先构建最优分类面来分割属于两类的训练集：(x1,y1),…,(xi,yi),x∈rn,y∈{+1,-1}的问题，可转化为解下述二次规划问题：在约束条件yi(ω·xi+b)≥1,i＝1,2,…,l下，求||ω2||/2的最小值。这个优化问题的解是下列lagrange函数的极值点：
其中，ai为非负lagrange乘子。对其极值点求解，获得的最优分类函数为：
步骤108：将si的系数的平方的归一化数值作为特征向量输入所述分类器，得到所述入侵信号的类别。
步骤107训练分类器，具体包括：
获取训练集中的入侵信号样本数据以及所述入侵信号样本数据的类型；
对所述入侵信号样本数据进行小波包降噪，得到降噪后的入侵信号样本数据；
获取核函数；此处核函数可以采用rbf(径向基)核函数。
根据训练集中各降噪后的入侵信号样本数据、所述核函数，采样交叉验证的方法对所述分类器进行训练，确定所述核函数中参数的最优选择，得到分类器。
作为本发明的一个实施例，首先，获取入侵振动数据x(i,t)，i＝1,2,…,n，其中n为入侵振动信号样本数，本实施例中，获取的振动数据的记录样本数n为60，当然本发明不限于此，可以根据实际情况选择其他数值。
步骤s2，对入侵数据x(i,t)，i＝1,2,…,n，进行小波变换，生成频率-空间域的入侵振动数据
步骤s3，通过步骤s2中的频率-空间域的入侵振动数据进行重采样，具体步骤如下：假设振动信号x长度为n,离散时间序列为x＝[x1,x2,…,xn]，利用延迟法对x进行重采样，采样间隔为f，构成矩阵a，对其进行奇异值小波包降噪，其中
矩阵a为m×n维，秩为r(r≤min(m,n))，对其进行矩阵奇异值分解得
a＝λ1a1+λ2a2+…+λiai+…+λrar
对矩阵ai中的重复元素求平均,然后对矩阵λiai的各行首尾相接得一维序列信号si＝{si1,si2,…,sir}，其中sij代表矩阵ai的第j行向量。因此一维信号可被分解为
si＝λ1'si'1+λ2'si'2+…+λr'si'r
对若干个不同子空间的正交分量si(1≤i≤r)进行小波包降噪。①选择一个小波并确定分解层次，对正交分量si进行小波包分解；②确定最优小波包基；③小波包分解系数的阈值处理；④重构经过阈值处理的小波包分解系数λ'，其中λi'＝λi'1+λi'2+…+λi'r，得到降噪后的分量si'；线性叠加降噪后的正交分量。
图2为本发明实施例奇异值小波包降噪前后对比图，如图2所示，经过小波包奇异值降噪后的信号与原始信号相比更加光滑。图3为本发明实施例小波包分层示例图，如图3所示，本实例中采用的是小波包3层分解，选用的小波基为db06。
步骤s4，因为重构后的入侵振动信号的系数的平方具有能量量纲，因此将重构信号系数进行平方，用于能量分析，并对系数平方进行归一化处理。各频带所带的能量可以表示为：
步骤s5，采用支持向量机作为预警算法的分类器，对各种入侵振动信号进行分类。支持向量机分类的实际步骤是：①将实际问题数据化，转化为支持向量机可以处理的数据格式，②对数据进行简单的归一化，③选择核函数，求解最优解，④用交叉验证找到最好的参数c和γ，⑤用第④步得出的适合于此分类问题的最好参数c和γ训练整个训练集。
步骤①、②在步骤s4中已经处理完了；
步骤③，对于核函数的选择，本实例采用rbf核函数，主要的原因有：一是，这个核函数将样本非线性地映射到一个更高维的空间，与线性核不同，它能够处理分类标注和属性的非线性关系。并且，线性核是rbf的一个特例，因此，使用一个惩罚因子c的线性核与某些参数(c,γ)的rbf核具有相同的性能；二是，超参数的数量会影响到模型选择的复杂度，多项式核比rbf核有更多的超参数。综合以上两个原因，选择rbf核作为svm的核函数。其表达式为：
将核函数待入到前面拉格朗日函数的最优分了函数中得到：
得到最优超平面后，对于给定的未知样本，只需计算f(x)即可以判定x所属的分类
步骤④，为了减少野值对分类器的误差，引入松弛变量ζ，yi(x)≥1-ζ,i＝1,2,…,l
为了寻找最优的参数，通过对svm输入不同种类的入侵信号来训练，获取最优的分类参数，对于c设定其范围为c∈[0,8]，γ∈(0,3]，rbf选用的模型类别参数s＝0，表示使用c-svc分类模型。本实例经过实验和尝试，当c＝2.76，γ＝1.74时，分类效果最好。
步骤s5，给定一个入侵样本，通过上面得出的最优分类函数，输出对应的入侵物类别。表一为入侵信号svm分类后的能量频带，具体如下表所示：
表一
本发明通过对入侵信号进行小波包分解、降噪、重构；然后根据分解的各频带的能量作为振动信号的特征向量，采用支持向量机(svm)对特征向量进行非线性变换，投影到另一空间，使得特征向量线性可分，通过对特征向量的分类达到对入侵振动信号的分类，识别入侵源，进而，能够根据入侵源识别出是否为有效报警，提高了报警系统的便利性。
为达到上述目的，本发明还提供了一种微震感测区域入侵识别系统，图4为本发明实施例微震感测区域入侵识别系统结构图，如图4所示，该系统包括：
入侵信号获取模块401，用于获取入侵信号；
小波变换模块402，用于对所述入侵信息进行小波变换，生成频率-空间域的入侵振动数据；
采样模块403，用于对所述入侵振动数据进行重采样，得到采样矩阵；
奇异值分解模块404，用于对所述采样矩阵进行奇异值分解，得到a＝λ1a1+λ2a2+…+λiai+…+λrar，其中，a为采样矩阵，a1、a2、…、ai、…、ar为采样矩阵a的特征向量，λ1、λ2、…、λi、…、λr分别为特征向量a1、a2、…、ai、…、ar对应的系数；
一维序列信号确定模块405，用于对矩阵λiai的各行首尾相接得一维序列信号si＝{si1，si2，…，sir},其中sij代表ai的第j行向量；
系数归一化模块406，用于对所述一维序列信号si的系数的平方进行归一化，得到si的系数的平方的归一化数值；
分类器训练模块407，用于训练分类器；
入侵信号识别模块408，用于将si的系数的平方的归一化数值作为特征向量输入所述分类器，得到所述入侵信号的类别。
其中，所述分类器训练模块407，具体包括：
训练集数据获取单元，用于获取训练集中的入侵信号样本数据以及所述入侵信号样本数据的类型；
小波包降噪单元，用于对所述入侵信号样本数据进行小波包降噪，得到降噪后的入侵信号样本数据；
核函数获取单元，用于获取核函数；
分类器训练单元，用于根据训练集中各降噪后的入侵信号样本数据、所述核函数，采样交叉验证的方法对所述分类器进行训练，确定所述核函数中参数的最优选择，得到分类器。
所述核函数获取单元，具体包括：
核函数获取子单元，用于获取径向基核函数。
本发明提供的微震感测区域入侵识别系统通过对入侵信号进行小波包分解、降噪、重构；然后根据分解的各频带的能量作为振动信号的特征向量，采用支持向量机(svm)对特征向量进行非线性变换，投影到另一空间，使得特征向量线性可分，通过对特征向量的分类达到对入侵振动信号的分类，识别入侵源，进而，能够根据入侵源识别出是否为有效报警，提高了报警系统的便利性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。