光纤周界入侵信号的识别方法、装置及周界入侵报警系统的制作方法
【技术领域】
[0001] 本发明涉及光电信号处理及辨识技术，尤其涉及一种光纤周界入侵信号的识别方 法、识别装置及光纤周界入侵报警系统。
【背景技术】
[0002] 随着社会的发展，为了防止非法入侵和破坏，越来越多的重要设施都需要进行周 界监测和安防。而光纤光栅技术由于其结构简单、介质绝缘、耐高压、耐腐蚀、不受电磁干扰 及具有较高灵敏度等特性，广泛地被应用于智能周界安防系统中。
[0003] 对于采用光纤光栅技术的周界安防系统，其主要面临的问题在于对入侵信号的识 另IJ，及对外界环境如风、雨、雪或车辆来往等干扰信号的屏蔽。目前对于入侵事件的识别主 要采用神经网络、支持向量机（SVM)等经典机器学习方法。
[0004] 如何提供一种简单易实现、分类能力高、且分类效果好的入侵信号识别方法成为 业界的一个研究方向。
【发明内容】
[0005] 有鉴于此，本发明提供了一种光纤周界入侵信号的识别方法、识别装置及光纤周 界入侵报警系统，以满足光纤周界入侵系统对入侵事件的识别及报警要求。
[0006] 本发明的额外方面和优点将部分地在下面的描述中阐述，并且部分地将从描述中 变得显然，或者可以通过本发明的实践而习得。
[0007] 本发明一方面提供了一种光纤周界入侵信号的识别方法，包括：从一光纤周界监 测系统的监测信号中获取实时信号；对所述实时信号进行预处理，以去除所述实时信号的 噪声；判断去除噪声后的所述实时信号是否为入侵信号；如果为所述入侵信号，则截取所 述入侵信号，以从所述入侵信号中获得信号片段，并分别提取所述信号片段的相关特征量； 以及根据预先创建的决策树模型所确定的分类规则及所述信号片段的相关特征量对所述 入侵信号进行分类；其中所述决策树模型包含至少一棵决策树。
[0008] 于一实施例中，其中每棵决策树所确定的分类规则包括：从该决策树的根到其叶 结点的每条路径上的分类规则；其中每个分类规则包括：以沿着其每条路径上的每个属性 条件形成的该分类规则的前件的一个合取项以及以该路径上的叶结点形成的该分类规则 的后件。
[0009] 于另一实施例中，其中所述决策树模型含有多棵决策树；根据预先创建的决策树 模型所确定的分类规则及所述信号片段的相关特征量对所述入侵信号进行分类包括：依次 根据所述多棵决策树中的每棵决策树所确定的分类规则及所述信号的相关特征量对所述 入侵信号进行分类，以获得相应的多个分类结果；将所述多个分类结果中相同的分类结果 分为一组，获得至少一组分类结果，分别统计各组分类结果中的分类结果的数量，以其中分 类结果数量最多的一组中的分类结果作为所述入侵信号最终的分类结果。
[0010] 于再一实施例中，该方法还包括创建所述决策树模型，包括：预先从所述光纤周界 监测系统的监测信号中分别获取多组已知分类的入侵信号及其对应的分类结果；分别对所 述多组已知分类的入侵信号进行预处理，以去除所述多组已知分类的入侵信号的噪声；分 别截取去除噪声后的所述多组已知分类的入侵信号，以从所述多组已知分类的入侵信号中 获得多组入侵信号片段，并分别提取所述多组入侵信号片段的相关特征量；以及根据所述 多组入侵信号片段的多组相关特征量所组成的第一训练数据集，创建所述决策树模型；其 中一组相关特征量组成所述第一训练数据集的一个输入向量。
[0011] 于再一实施例中，其中所述决策树模型含有多棵决策树；创建所述决策树模型包 括：对所述第一训练数据集进行有放回的随机抽样，以获得多个第二训练数据集；其中每 个第二训练数据集与所述第一训练数据集所包含的输入向量数目相同；根据所述多个第二 训练数据集，采用决策树算法分别建立相应的所述多棵决策树。
[0012] 于再一实施例中，其中在建立每棵所述决策树时，针对每个所述第二训练数据集 的输入向量，每次分裂都重新从该输入向量的所有相关特征量中随机抽取部分或全部的相 关特征量。
[0013] 于再一实施例中，其中创建所述决策树模型包括：根据所述第一训练数据集，采用 决策树算法建立决策树，对所述决策树进行后剪枝，以获得所述决策树模型。
[0014] 于再一实施例中，其中创建所述决策树模型还包括：根据所述第一训练数据集，多 次对所述决策树模型进行训练，以获得最佳的决策树模型。
[0015] 于再一实施例中，其中所述决策树算法包括：采用Gini指标作为分裂属性度量的 CART算法。
[0016] 于再一实施例中，其中所述相关特征量包括：峰均方差、方差、偏度、峭度、极点数 目及采用小波包分解获得的频域特征量中的部分或全部。
[0017] 本发明另一方面提供了一种光纤周界入侵信号的识别装置，包括：信号获取模块， 用于从一光纤周界监测系统的监测信号中获取实时信号；信号预处理模块，用于对所述实 时信号进行预处理，以去除所述实时信号的噪声，及判断去除噪声后的所述实时信号是否 为入侵信号；特征量提取模块，用于当所述实时信号为所述入侵信号时，截取所述入侵信 号，以从所述入侵信号中获得信号片段，并分别提取所述信号片段的相关特征量；以及决策 树分类模块，用于根据预先创建的决策树模型所确定的分类规则及所述信号片段的相关特 征量对所述入侵信号进行分类；其中所述决策树模型包含至少一棵决策树。
[0018] 于一实施例中，其中每棵决策树所确定的分类规则包括：从该决策树的根到其叶 结点的每条路径上的分类规则；其中每个分类规则包括：以沿着其每条路径上的每个属性 条件形成的该分类规则的前件的一个合取项以及以该路径上的叶结点形成的该分类规则 的后件。
[0019] 于另一实施例中，其中所述决策树模型含有多棵决策树；根据预先创建的决策树 模型所确定的分类规则及所述信号片段的相关特征量对所述入侵信号进行分类包括：依次 根据所述多棵决策树中的每棵决策树所确定的分类规则及所述信号的相关特征量对所述 入侵信号进行分类，以获得相应的多个分类结果；将所述多个分类结果中相同的分类结果 分为一组，获得至少一组分类结果，分别统计各组分类结果中的分类结果的数量，以其中分 类结果数量最多的一组中的分类结果作为所述入侵信号最终的分类结果。
[0020] 于再一实施例中，其中，所述信号获取模块还用于预先从所述光纤周界监测系统 的监测信号中分别获取多组已知分类的入侵信号及其对应的分类结果；所述预处理模块还 用于分别对所述多组已知分类的入侵信号进行预处理，以去除所述多组已知分类的入侵信 号的噪声；所述特征量提取模块还用于分别截取去除噪声后的所述多组已知分类的入侵信 号，以从所述多组已知分类的入侵信号中获得多组入侵信号片段，并分别提取所述多组入 侵信号片段的相关特征量；以及所述决策树分类模块还用于根据所述多组入侵信号片段的 多组相关特征量所组成的第一训练数据集，创建所述决策树模型；其中一组相关特征量组 成所述第一训练数据集的一个输入向量。
[0021] 于再一实施例中，其中所述决策树模型含有多棵决策树；创建所述决策树模型包 括：对所述第一训练数据集进行有放回的随机抽样，以获得多个第二训练数据集；其中每 个第二训练数据集与所述第一训练数据集所包含的输入向量数目相同；根据所述多个第二 训练数据集，采用决策树算法分别建立相应的所述多棵决策树。
[0022] 于再一实施例中，其中在建立每棵所述决策树时，针对每个所述第二训练数据集 的输入向量，每次分裂都重新从该输入向量的所有相关特征量中随机抽取部分或全部的相 关特征量。
[0023] 于再一实施例中，其中创建所述决策树模型包括：根据所述第一训练数据集，采用 决策树算法建立决策树，对所述决策树进行后剪枝，以获得所述决策树模型。
[0024] 于再一实施例中，其中创建所述决策树模型还包括：根据所述第一训练数据集，多 次对所述决策树模型进行训练，以获得最佳的决策树模型。
[0025] 于再一实施例中，其中所述决策树算法包括：采用Gini指标作为分裂属性度量的 CART算法。
[0026] 于再一实施例中，其中所述相关特征量包括：峰均方差、方差、偏度、峭度、极点数 目及采用小波包分解获得的频域特征量中的部分或全部。
[0027] 本发明再一方面提供了一种光纤周界入侵报警系统，包括：光路子系统，用于提供 光纤周界的监测信号；上述任一种光纤周界入侵信号的识别装置，用于对所述监测信号中 的入侵信号进行识别及分类；以及报警子系统，用于根据所述识别装置对所述入侵信号的 分类，相应地进行报警。
[0028] 本发明提供的光纤周界入侵信号的识别装置及其采用的识别方