图1是本发明的光纤周界防护方法的流程图；
[0043]图2是根据本发明实施例1中信号分段的流程图；
[0044]图3是根据本发明实施例1的分段信号修补的流程图；
[0045] 图4是根据本发明实施例1数据有效性判断的流程图；
[0046] 图5是根据本发明实施例2中信号示意图；
[0047]图6是根据本发明实施例2的动态均值处理后的信号示意图；
[0048]图7是根据本发明实施例2动态修补后的信号示意图。
【具体实施方式】
[0049]图1-7和以下说明描述了本发明的可选实施方式以教导本领域技术人员如何实施 和再现本发明。为了教导本发明技术方案，已简化或省略了一些常规方面。本领域技术人员 应该理解源自这些实施方式的变型或替换将在本发明的范围内。本领域技术人员应该理解 下述特征能够以各种方式组合以形成本发明的多个变型。由此，本发明并不局限于下述可 选实施方式，而仅由权利要求和它们的等同物限定。
[0050] 实施例1:
[0051] 图1示意性地给出了本发明实施例1的抗风雨干扰的光纤周界防护方法的流程图， 如图1所示，所述光纤周界防护方法包括以下步骤：
[0052] (A1)光纤感知外界振动，感知的振动信号传送到主机；
[0053] (A2)主机采样所述感知信号，并对采样信号有效上升统计，具体为：
[0054]对主机接收到的采集信号进行采样，当采集信号的电压超过3.5V时，报警主机以 250k bps采样频率进行信号的采样，一个数据帧为一秒内的数据段。对包含512个采样数据 的采样信号进行统计，统计采样信号穿过有效上升电平同时穿过有效上升电平+噪声容限 的次数，有效上升电平的范围在1.548V-2.048V，噪声容限的范围在0.06V-1.2V，噪声容限 必须设置得比最大噪声稍大。512个统计的次数作为一个数据帧，大约1.05秒。这样进行的 有效上升统计处理后的数据量比原来大大减少，为信号的后续处理提供了很大的方便，同 时避免了光学噪声产生的干扰，但仍保留了原始振动信号的时频域特征。
[0055] (A3)采用动态均值算法处理有效上升统计后的数据，具体为：
[0056]采用动态均值算法处理有效上升统计后的数据，提取环境当前时刻的前~秒数据 来计算其均值，在一般无干扰源的环境下，其均值会非常小甚至接近于〇,在这个时候算法 不发生作用;而当均值达到均值阈值时，动态均值算法作用于有效上升统计后的数据，对数 据做如下的抑制处理：
[0057]
[0058] 其中，均值阈值范围在3-7，均值参数范围在1-2，均值=N包数据均值之和/N。如果 接受到的前后两包数据之间的时间间隔大于2包间隔时间时，进行补零，从而降低环境均 值。在强风雨时光缆发生强烈振动，这时环境均值越大，动态均值算法所起的抑制作用越 大；
[0059] (A4)对所述数据进行平滑累加，具体为：
[0060] 对经过动态均值算法抑制的数据进行平滑累加，消除不规则的随机干扰信号的影 响，累加范围1-25次，对累加范围内的数据取其平均，这样做会提高信号数据曲线的光滑 度，使信号特征更加明显；
[0061] (A5)对平滑累加后的数据进行分段，具体为：
[0062]图2示意性地给出了本发明实施例1的信号分段的流程图，如图1所示，所述信号分 段的具体方式为：
[0063] 通过信号预处理参数(信号间隔长度，最大长度，最小强度阈值)对信号进行分段。 定义信号间隔长度是两个分段信号之间的时间间隔，范围为0.125S-0.625s。定义最大长度 是一个完整动作产生信号的最大时间，超过最大长度的信号对应的动作是一个持续的行为 动作，无需重复截取，只需其中的一段信号来表征这个持续动作，最大长度的范围可以是 1.25s-2.5s，最好是2s。定义最小强度阈值是外界环境干扰引起的最大振动频率，小于最小 强度阈值的信号数据是干扰数据，范围是1-10。
[0064] 对平滑累加处理后的信号数据进行分段，当有信号数据大于最小强度阈值时，开 始对信号分段。当出现连续小于等于最小强度阈值的数据个数等于信号间隔长度时，即一 个动作隔了一段时间之后发生下一个动作，此时这个动作对应的信号分段结束。如果这个 动作一直在持续产生振动，没有必要重复截取，以最大长度对信号进行分段。
[0065] 在分段过程中，根据需要对分段信号进行动态修补，使每段包含一个完整动作，该 分段(和可能需要的修补)完成后之后再进行下一个分段，也即分段是按照顺序进行的，而 非完成所有分段后再去修补，动态修补具体为：
[0066] 图3示意性地给出了本发明实施例1的分段信号修补的流程图，如图3所示，所述分 段信号修补的具体方式为：
[0067] 通过修补长度参数对分段信号进行修补判断，以获得完整的分割信号。定义修补 长度是对分段信号补上后面接下去的数据的最长时间，为最大长度的1/5~1/4。
[0068] 发生以下情况时对信号进行修补:分段信号的最后一个数据大于最小强度阈值， 此时分段信号对应的动作是一个持续动作中分段得到的信号，但还不足以完整得表征出这 个持续动作，需要补上一段数据，从而得到完整信号。
[0069] 当修补长度中的某个数据值等于修补长度中最小的数据值或者小于等于最小强 度时，就补上修补长度中截止到这个数据为止的数据，修补完成；如果到修补长度结束，也 找不到满足要求的数据值，就补上修补长度中的所有数据，并强制截断。修补完成，分割出 一个完整的信号，足以表征作用在物理围界上的动作产生的振动。
[0070] 对修补后的分段信号进行有效性判断，具体为：
[0071] 图4示意性地给出了本发明实施例1的有效性判断的流程图，如图4所示，所述有效 性判断的具体方式为：
[0072]对完整的分割信号进行有效性判断，通过有效性判断参数(有效长度，最大强度阈 值)提取有效信号。定义有效长度是分割信号不得小于的最小时间，如果分割信号的持续时 间小于有效长度，这个分割信号持续时间过短，是强风雨等外界突发干扰产生的无效信号， 范围在0.3S-1.5s。定义最大强度阈值是分割信号不得小于的最小振动频率，如果分割信号 的最大振动频率小于最大强度阈值，这个分割信号是强风雨等外界突发干扰产生的无效信 号，范围在15-25。
[0073] -个分割信号的持续时间小于有效长度，或者它的最大振动频率小于最大强度阈 值，这个分割信号为无效信号，此信号不被采用。同时满足两个有效性判断的分割信号是有 效信号，排除了强风雨等外界动作引起的干扰信号，报警主机可以对此信号对应的动作进 行有效的判断。
[0074] (A6)提取动态修补后的分段信号的特征矢量，输入通过已经训练好的分类器，由 分类器的输出结果代表的事件模式决定是否报警。
[0075] 所述分类器的构建及训练方式为:对各类干扰和入侵动作的振动信号，依据以上 步骤(A1)_(A5)的方式处理后得到的有效信号提取特征矢量，作为分类器的输入。对有效信 号提取时域特征，包括持续时间即有效信号的长度、有效面积即有效信号的所有数据值总 和、主峰值即有效信号的最大数据值、断续时间即有效信号中小于最小强度阈值的样本数 据个数。对有效信号提取频域特征，对有效信号进行可变尺度的分解，将最为显著的N个频 带小波包分解系数作为信号的频域特征。将时域特征和频域特征构建为后续算法处理的特 征矢量，作为分类器的输入。
[0076] 构建基于神经网络的分类器，将所需进行识别的各种干扰和入侵事件进行预分类 并确定对应的分类器目标输出，用各个入事件的特征矢量构建分类器的训练样本集，训练 分类器。
[0077] 提取采样信号的特征矢量，输入通过已经训练好的分类器得到输出，输出与各种 事件的分类器目标输出对比，当输出与某个干扰或者入侵事件的目标输出的误差在一定预 设范围内，该采样信号即判定为该种事件，系统决定是否产发