基于AdaBoost-ESN算法的光纤传感振动信号模式识别方法与流程

本发明涉及光纤传感振动信号识别领域，具体指一种基于adaboost-esn算法的光纤传感振动信号事件分类识别方法。

技术背景

近年来，光纤传感系统因其灵敏性高和精度高等优点，被广泛应用在场景振动信号的检测和定位中，如石油管道的振动源，周界安防的不良入侵等事件的检测和有效预警。光纤传感预警系统ofps可以实时监测输气管道及其周围环境状况，光纤围栏振动情况。安全检测的重点是对不同类型的振动信号进行精确、高效、实时的检测和识别，并根据识别结果对不同类型的振动信号采取相应的措施。因此，振动信号识别方法越来越受到人们重视。

目前针对光纤振动信号模式识别方法主要分为两大类。一类为特征提取+分类器两级模式识别方法，通过对采集的振动信号在时域、频域、时频域提取振动信号的特征，如短时能量法、短时过电平率、峰值、波形因子、小波包分解、经验模态分解emd、希尔伯特变换、mel倒谱系数等方法提取振动信号特征，构成时域、频域或复合特征向量，送入分类器进行训练，采用的分类算法如支持向量机svm、卷积神经网络cnn、决策树、长短时记忆神经网络lstm等神经网络算法。此类算法由于需要对信号进行特征提取，而没有一种方法能够完全覆盖信号的全部特征，因此导致丢失信号信息，再送入分类器时存在误差导致分类精度存在瓶颈，辨识过程比较复杂，辨识率有待提高。另一类为无需人工设计特征提取方法，将信号直接送入分类器，由网络自学习信号特征并进行分类。本发明提出一种基于adaboost-esn算法的分类识别方法，能够直接对振动信号进行分类，并采用了adaboost迭代框架将弱分类器集成为强分类器，进一步提高分类准确度。

技术实现要素：

本发明的目的是提供一种可以直接对振动信号进行分类并能够进一步提高分类准确度的光纤传感振动信号识别方法。本发明使用回声状态网络作为esn基础分类器，自学振动习信号特征并分类，使用adaboost迭代框架训练多个esn基础分类器，提高分类错误样本的权值，最后多个esn基础分类器分类结构投票作为强分类器结果。本方法简化了人工对振动信号进行特征提取，保留振动信号全部信息，并使用adaboost框架增强了样本的概率分布，并且不容易出现过拟合现象，可以有效的提高分类准确度。技术方案如下：

一种基于adaboost-esn算法的光纤传感振动信号模式识别方法，包括如下步骤：

第一步，采集振动信号构建数据集：搭建光纤传感系统，设定合理采样率，采集多种已知事件的振动信号，并对事件类型打上标签，将振动信号作归一化处理，作为原始数据集。

第二步，构建adaboost-esn算法的模式识别网络：对多种已知事件的振动信号进行分类，首先使用回声状态网络构建esn基础分类器，经过对样本训练识别得到基础分类结果，然后采用adaboost迭代框架计算esn基础分类器分类错误样本，提高分类错误样本的权值，构建下一个esn基础分类器，多次迭代后集中输出最终强分类器。

第三步，利用已经训练好的模式识别网络对光纤传感振动信号进行模式识别。

优先地，第二步的执行步骤如下：

(1)初始化样本权重：第一次为均匀分布d1；

(2)构建esn基础分类器：生成esn网络，确定输入层节点个数，储存池节点个数n，输出层节点个数，以及三个权值矩阵，激活函数f和输出函数，以及esn网络的重要参数谱半径sr；将采集的不同类型的振动信号乘以样本权重d1作为输入，将事件类型标签作为输出，对esn网络进行训练；

(3)计算esn基础分类器分类结果误差率e1，计算esn基础分类器的权重系数，更新样本输入权值分布，构建下一个esn基础分类器并训练，循环m次；

(4)所有esn基础分类器结果按照权重系数相加，得到最终强分类器输出结果。

本发明具有的有益效果：本发明是一种基于adaboost-esn算法的光纤传感振动信号识别方法，无需人工设计特征提取方法，使用esn回声状态网络自学习振动信号特征进行分类识别，并采用adaboost迭代框架将弱分类器集成为强分类器，有效提高了振动信号的分类准确率。本发明方法简便，能够对光纤传感振动信号实现精准识别，解决周界安防人为限制、报警分类误差、识别效率低等问题，保留振动信号的全部信息，识别精度达到实际应用水平。

附图说明

图1是本发明esn网络模型结构图

图2是本发明adaboost-esn算法系统流程示意图

具体实施方式

以下结合具体实施实例和附图对本发明的技术方案作进一步阐述。

第一步，采集振动信号构建数据集：搭建光纤传感系统，设定合理采样率，采集4种事件的振动信号，并对事件类型打上标签，将振动信号作归一化处理，作为原始数据集。

搭建分布式光纤光栅传感系统，采用980nm激光二极管发射泵浦激光，通过980/1550nm波分复用器后进入到掺铒光纤激光传感器中，连接传感光纤，1550nm波经可调谐滤光器后经过波分复用器，光隔离器，回路到传感光纤，1550出口经光电探测器连接示波器显示输出信号，由计算机采集存储。设定4种类型入侵事件，如行走，敲打等类型事件。根据事件实际特征基本分布在0-200hz的频率范围内，因此设定采样率为2khz，采取10ms每帧的信号片段，将4种事件类型做标签编码为0,1,2,3，每种事件采集1000个数据片段。

对时间序列进行归一化处理，完成振动信号的预处理。预处理后的振动信号的第i个数据点可以根据以下公式得到：yi＝(xi-xmin)/(xmax-xmin)。

第二步，构建adaboost-esn算法的模式识别网络：对4种振动信号进行分类，首先使用回声状态网络构建esn基础分类器，经过对样本训练识别得到基础分类结果，然后采用adaboost迭代框架计算esn基础分类器分类错误样本，提高分类错误样本的权值，构建下一个esn基础分类器。多次迭代后集中输出，构成的强分类器具有良好的分类识别精度。

设置初始条件，设定esn基础分类器记为г，循环次数为m，训练集t＝{(x1，y1)，...，(xi，yi)，...，(xn，yn)}，样本权值的初始分布记为dk＝(αk1，....，αki，....，αkn)，初始状态设置样本权值为均匀分布，即d1(x)＝1/n。

构建第一个esn网络，k＝1。如图1所示，回声状态网络esn由输入层、储藏池、输出层组成。esn网络的生成主要包括确定每一层的节点数、三个权值矩阵、激活函数f和输出函数以及作为esn网络重要参数的谱半径(sr)。输入层和输出层都由一个节点组成，输入预处理后的振动信号并获得输出信号。在储层中，储层的大小l是由经验决定的。如果l太小，esn网络的动态特性不够丰富；太大，计算时间过长，影响处理的及时性。win矩阵为l×1，w矩阵为l×l，均随机生成，wout矩阵为1×l，初始化为0，内部节点激活函数选择sigmoid函数，选择线性函数作为输出函数，使得网络的训练能够获得全局最优解。当sr小于1时，在大多数情况下都能保证储层的回波状态特性。将样本数据d1(x)依次加载到输入输出，训练第一个esn基础分类器，更新储备池状态，寻找最优输出权矩阵wout。此时网络的分类输出记为gk＝γ(t，dk)，k＝1。

计算第一个esn网络的分类误差率计算第一个esn网络的输出权重

样本权值更新分布记为其中zk为归一化因子，保证样本概率和为1，

构建下一个esn网络，使用更新后的样本权值dk+1(x)作为输入进行训练，依次循环m次，得到m个esn基础分类器。

最终将m个esn基础分类器的输出按权重相加，得到最终的强分类器输出，即

经过adaboost迭代框架构建的m个esn基础分类器，被esn基础分类器分类错误样本的权值在下一轮中得以扩大，而被正确分类样本的权值就缩小，所以分类错误分类样本在下一轮学习中起更大的作用。不改变所给的训练数据，而不断改变训练数据权值的分布，使得训练数据在esn基础分类器的学习中起不同的作用，因此将多个esn基础分类器的输出结果进行投票集成，最终的分类结果具有更强的准确性。