基于模糊域特征的光纤振动信号识别方法
【专利摘要】本发明提出了一种基于模糊域特征的光纤振动信号识别方法，主要解决现有识别方法在采样率较低且入侵事件较为类似情况下识别率较低的问题。其实现步骤是：(1)对光纤振动信号进行小波降噪；(2)对降噪后信号进行去均值与能量归一化处理；(3)计算归一化信号模糊函数，对模糊函数进行切片作为模糊域特征；(4)对切片进行降维，构造信号特征集；(5)将信号特征集随机划分训练集与测试集；(6)使用训练集对SVM分类器进行训练；(7)使用训练后的SVM分类器对测试集进行分类。本发明有效地提取了光纤振动信号的模糊域特征，与现有技术对比具有识别率高，适应性广的优点，可用于光纤周界安防系统的信号处理分系统。
【专利说明】基于模糊域特征的光纤振动信号识别方法
【技术领域】
[0001]本发明属于信号处理【技术领域】，进一步涉及光纤传感领域中的信息处理方法，可用于光纤周界安防系统的振动传感信号处理分系统。
【背景技术】
[0002]光纤周界安防系统是利用光纤作为传感器实现分布式周界安防监测的报警系统，该系统主要传感部件是振动光纤，这种设计独特的光纤对运动、压力和振动非常敏感，它可沿围栏、围墙铺设来探测攀爬、敲击等入侵行为，也可以铺设在土壤、草坪下来探测踩踏等入侵行为。对于一些重要设施或区域如军事禁区、飞机场、核电站等以及对于偷盗及破坏频繁的场所如石油管道、铁路沿线及通讯光缆等来说，光纤周界安防系统是一种具有低能耗、耐电磁辐射、可用于易燃易爆场所等优点的高效安全监控系统。当外界有振动作用于传感光纤时，纤芯发生形变导致其长度和折射率发生变化从而使在纤芯中传播的光相位发生变化。这些携带外界振动信息的光经过光学系统处理后，相位变换转变为光强变换，经光电转换后以电信号的形式进入计算机进行处理，以判断是否发生入侵事件。
[0003]对携带外界振动信息的信号进行准确的处理和识别是光纤周界安防系统性能优劣的关键，目前主要的光纤振动信号识别方法有:
[0004]I)时域特征法。对信号阈值进行判断后，将光纤振动信号的平均幅度、短时平均过零率、峰均比、峰值统计等作为其特征向量进行后续入侵模式的识别。该方法思路直观、实现简单，但在现场环境复杂情况下，不同的扰动源可能产生类似的振动时域信号，此时时域方法识别率将严重下降。
[0005]2)频域特征法。对光纤振动信号进行FFT变换获取其频谱，或使用Welch方法、AR模型参数化方法估计其功率谱密度，分析光纤振动信号在频域上的能量分布，将其作为特征向量进行入侵模式识别。该方法易于实现，但要求在前端数据采集时有较高的采样率，当前端采样率过低时甚至无法进行识别。
[0006]3)小波能量法。使用合适的小波基对光纤振动信号进行J层小波分解或小波包分解，将信号分解到多个频带，得到各层小波系数或第J层小波包系数，根据各节点系数计算各频带信号能量并进行归一化处理作为光纤振动信号的特征向量进行后续识别。这种方法在时频联合域对光纤振动信号进行了很好的处理，但要求各入侵事件实施主体差异较大比如，分别为人体实施与机械实施，且在分解层数较多时计算速度较慢，实时性较差。
[0007]4) LPCC或MFCC法。该类方法是借鉴传统语音信号识别方法，提取光纤振动信号的线性预测倒谱系数LPCC或美尔倒谱系数MFCC作为特征向量进行入侵模式识别。与小波能量法类似，该类方法同样是将信号分解到多个频带后计算各频带能量，同样要求各入侵事件信号在频带分布上有较好的区分性，在各类入侵事件较为相似该方法识别率较差。
[0008]综上所述，现有光纤振动信号的特征提取与识别方法各有利弊，在某些情况下无法达到理想的识别率，在保证漏报率的情况下虚警率会大为升高，导致系统误报频繁，无法有效地监控入侵事件。
【发明内容】
[0009]本发明的目的是针对上述现有技术的不足，提出一种基于模糊域特征的光纤振动信号识别方法，以提高识别率，降低虚警率，实现对入侵事件的有效监控。
[0010]实现本发明目的的技术方案是:首先对光纤振动信号进行小波包去噪与能量归一化预处理，然后变换到模糊域得到信号的时频联合表征，在模糊函数平面内提取近零切片作为中间特征集，并使用ReliefF特征选择方法对中间特征集进行优化得到最终的特征向量；再将先验入侵事件光纤振动信号随机划分训练信号集和测试信号集，对训练集和测试集分别完成特征变换后输入SVM进行训练并测试，将训练好的SVM用于实现入侵事件类型识别。其步骤包括如下:
[0011](I)对光纤振动信号x(n)进行小波阈值降噪，得到降噪后的信号i(?) I
[0012](2)对降噪后信号?(?)进行去均值和能量归一化处理，得到归一化信号χ’ (η)，以消除信号能量差别对识别的影响；
[0013](3)计算归一化信号χ’ (η)的瞬时自相关函数Rx(n，τ )，以n为自变量对自相关函数做FFT反变换，得到光纤振动信号的模糊函数Α(τ，υ)，对Α(τ，U)进行取模运算，获取光纤振动信号在 模糊域的能量分布表征|Α( τ，υ ) I，在频偏轴υ上对该|Α( τ，υ ) I进行切片，并抽取该切片沿时延τ方向的一半，得到光纤振动信号的模糊域特征AF(T):
[0014]AF ( τ ) = IA ( τ , υ ) | υ=Ν/2+3, τ =1, 2.., Ν/2,
[0015]式中N为光纤振动信号χ (η)的米样点数；
[0016](4)对于模糊域特征AF(T)中的所有特征点，根据ReliefF方法的权重值更新公式进行多次迭代，计算表示各个特征点权重值的权值向量W( τ )，选取W( τ )中较大权重值对应的特征点，作为光纤振动信号的最终特征AFR(T)；
[0017](5)将光纤振动信号特征集AFR随机划分为训练信号特征集AFRta与测试信号特征集AFRte ；
[0018](6)使用训练信号特征集AFRta对支持向量机SVM分类器进行训练，使用训练后的SVM分类器对测试信号特征集AFRte进行分类测试，输出测试信号的类别标号；
[0019](7)规定SVM分类器输出类别标号与测试信号实际类别标号相同时为分类正确，并将分类正确的测试信号组数与总的测试信号组数的比值作为识别率R ;将识别率R与设定的识别率阈值Tk进行比较:若R > Te,则SVM分类器达到设计要求；若R〈TK，则返回步骤
(6)重新对SVM分类器进行训练，直至达到设计要求。
[0020]本发明具有如下优点:
[0021]第一、本发明提出了一种新的光纤振动信号的特征提取方法，将时频分析中的模糊函数表征引入光纤周界安防领域中用于振动传感信号处理，同时结合支持向量机SVM对入侵事件进行识别，即使在前端数据采样率较低及入侵实施主体相同导致入侵事件类型较为类似的情况下，仍能取得较好的识别结果，实现了复杂环境下光纤振动信号的优化处理，具有较强的鲁棒性。
[0022]第二、本发明在得到模糊函数的模矩阵后，使用切片方法提取中间特征，再使用ReliefF方法对特征进行优化，克服了直接使用模糊函数作为光纤振动信号特征导致的维数过高问题。【专利附图】
【附图说明】
[0023]图1为本发明的实现流程图；
[0024]图2为本发明仿真使用的三类挂网时采集的入侵事件光纤振动信号；
[0025]图3为用本发明对挂网时光纤振动信号进行处理得到的量化频偏u =N/2+3的模糊函数切片示意图；
[0026]图4为本发明对挂网时光纤振动信号进行分类测试的识别效果图。
[0027]图5为本 发明仿真使用的三类地埋时采集的入侵事件光纤振动信号；
[0028]图6为用本发明对地埋时光纤振动信号进行处理得到的模糊函数切片示意图；
[0029]图7为本发明对地埋时光纤振动信号进行分类测试的识别效果图。
【具体实施方式】
[0030]以下参照附图对本发明的实施例和效果做进一步说明。
[0031]本发明实施例中所用的光纤振动信号由数据采集卡以750Hz采样率采样2秒得到，光纤周界安防系统在铺设时分为挂网与地埋两种，挂网时采集的输入光纤振动信号分为手拍击栅栏、敲击栅栏、连续晃动栅栏三类，每类信号组数分别为110、87、104 ;地埋时采集的输入光纤振动信号分为在埋有光纤的地面上跺脚、连续跺脚、脚踩三类，每类信号组数分别为84、87、79。挂网和地埋两种情况光纤振动信号的处理方法完全一致，下面以挂网时情况为例详细描述。
[0032]结合图1，对本发明的实施步骤详述如下:
[0033]步骤1.输入光纤振动信号样本。
[0034]在本发明实施例中，由WINDOWS XP系统输入光纤振动信号，将已经过模数转换的信号电压值以向量形式读取，记为X(n)，n=l, 2...，N，N为信号采样点数。
[0035]步骤2.对光纤振动信号进行小波降噪处理，去除噪声干扰。
[0036]2a)选用db4小波基对输入光纤振动信号χ (η)进行6级离散小波分解，得到各级细节系数4 (k)，与第6级近似系数a_6 (k)，其中，j表示分解系数层级，j=-6,...，-1，k表示分解系数位置；
[0037]2b)根据噪声在频域中表现为高频信号的特性，保留表示低频的近似系数a_6(k)，并设定一个降噪阈值对表示高频的细节系数4(k)进行量化，得到的新细节系数为:
[0038]d,{k.) = rj(djik) ?
[0039]式中，n (dj(k))为量化函数，用于规定高频细节系数4(k)的量化方式，其公式如下:
【权利要求】
1.一种基于模糊域特征的光纤振动信号分类方法，其具体步骤包括如下: (1)对光纤振动信号χ(η)进行小波阈值降噪，得到降噪后的信号 (2)对降噪后信号进行去均值和能量归一化处理，得到归一化信号X’(n)，以消除信号能量差别对识别的影响； (3)计算归一化信号X’(η)的瞬时自相关函数Rx(η，τ )，以η为自变量对自相关函数做FFT反变换，得到光纤振动信号的模糊函数Α(τ，υ)，对模糊函数Α(τ，U )进行取模运算，获取光纤振动信号在模糊域的能量分布表征矩阵|Α(τ，υ) |，在频偏轴υ=Ν/2+3处对该矩阵|Α(τ，υ) I进行切片，并抽取该切片沿时延τ方向的一半，得到光纤振动信号的模糊域特征AF ( τ ):
AF ( τ ) = IA ( τ , υ ) | υ=Ν/2+3, τ =1, 2..., N/2, 其中，N为光纤振动信号X (n)的采样点数； (4)对于模糊域特征AF(T)中的所有特征点，根据ReliefF方法的权重值更新公式进行多次迭代，计算表示各个特征点权重值的权值向量W( τ )，选取W( τ )中较大权重值对应的特征点，作为光纤振动信号的最终特征AFR( τ )； (5)将光纤振动信号特征集AFR随机划分为训练信号特征集AFRta与测试信号特征集AFRte ； (6)使用训练信号特征集AFRti对支持向量机SVM分类器进行训练，使用训练后的SVM分类器对测试信号特征集AFRte进行分类测试，输出测试信号的类别标号； (7)规定SVM分类器输出类别标号与测试信号实际类别标号相同时为分类正确，并将分类正确的测试信号组数与总的测试信号组数的比值作为识别率R ;将识别率R与设定的识别率阈值Tk进行比较:若R > Te,则SVM分类器达到设计要求；若R〈TK，则返回步骤(6)重新对SVM分类器进行训练，直至达到设计要求。
2.根据权利要求1所述的基于模糊域特征的光纤振动信号识别方法，其特征在于，步骤(I)所述的对光纤振动信号X (η)进行小波阈值降噪，按如下步骤进行: (1.1)使用db4小波基对光纤振动信号X (η)进行J级离散小波分解，得到各层细节系数CljGO与第J层近似系数a_^k)，其中，η表示信号中采样点的位置，η=1, 2...，N，N为信号采样点数，j表示分解系数层级，j=-J,表示分解系数位置； (1.2)保留近似系数a_^k)，并设定一个降噪阈值对细节系数4(k)进行量化，得到的新细节系数为:
dj(k) = fj(dl(k))iij(k), 其中，n(c^(k))为量化函数，其公式如下:
sign(d,(mld^aT2, k-(A)|>r η(?^)) = <11-ι ,
[O,\d,(k)\<T 式中sign(.)为符号函数，调节因子α的取值范围为[0，1]，Τ为降噪阈值，其计算公式为:T = ση^2\χ\Ν ,式中σ η是噪声的标准差，需根据系统运行环境确定；(1.3)用经阈值处理后的新细节系数^(幻与原近似系数a_j(k)进行逆离散小波变换，重构出降噪后信号* n=l, 2...，N。
3.根据权利要求1所述的基于模糊域特征的光纤振动信号识别方法，其特征在于，步骤(2)所述的对降噪后信号进行去均值和能量归一化处理，按如下步骤进行: (2.1)计算降噪后信号％)的平均值
4.根据权利要求1所述的基于模糊域特征的光纤振动信号识别方法，其特征在于，步骤(3)所述的计算归一化信号X’ (η)的瞬时自相关函数Rx (η，τ)，通过如下公式计算:
5.根据权利要求1所述的基于模糊域特征的光纤振动信号识别方法，其特征在于，所述步骤(3)中的光纤振动信号的模糊函数Α(τ，υ)，表示如下:
6.根据权利要求1所述的基于模糊域特征的光纤振动信号识别方法，其特征在于，步骤(4)所述的根据ReliefF方法对模糊域特征AF(T)进行降维，按如下步骤进行: (4.1)根据信号样本规模选择迭代次数m与最邻近样本个数n，将模糊域特征AF ( τ )权重向量W( τ )的初始值置为O:ff( τ )=0, τ =1，2,.., N/2 ； (4.2)随机选择一个信号样本Q，找出与其同类别的η个最近邻，将其集合记为H，再找出与其异类的其余每个类别中的η个最近邻，将其集合记为I，设共有B类信号样本与Q异类； (4.3)对于AF( τ )的所有特征点，使用如下权值更新公式更新其特征权重值:
7.根据权利要求1所述的基于模糊域特征的光纤振动信号识别方法，其特征在于，步骤(5)所述的对光纤振动信号特征集进行随机划分，按如下步骤进行: (5.1)设光纤振动信号集中共有K组信号样本，K=YjK, ? Ki为第i类光纤振动信号组数，c为光纤振动信号类别数； (5.2)产生Ki个(0，I)之间均匀分布的随机数，并进行序号标记，然后将随机数按升序排列，选取前KiXp个整数随机数，P为每一类信号用作训练的组数比例，将所选整数随机数的序号作为组号，选取信号特征集AFR中第i类信号特征向量用作训练，则训练特征集AFRta总共有M = ^(K1 χ川组，剩 余K-M组作为测试特征集AFRte。
/=I
8.根据权利要求1所述的基于模糊域特征的光纤振动信号识别方法，其特征在于，步骤(6)所述的使用训练信号特征集AFRta对SVM分类器进行训练，按如下步骤进行: (6.1)将错误代价系数Csvm的值取为9，选择径向基核函数作为SVM分类器的核函数模
!χ — yll型:K(x,y) = exp(-LJL),其中,I x-y I2表示训练向量χ与训练向量y的2范数，Orbf2表示训练向量集的方差； (6.2)构建训练核函数K (X，y)tr (6.2.1)计算训练特征集AFRta中两两特征向量间的欧式距离，得到欧氏距离矩阵:
> I < i < M，I ? M， 式中，M为训练特征集AFRfe的特征向量组数，为欧氏距离矩阵1的元素值，其计算如下: Dl =AFRi(r)f，
-Ι 其中，表示训练特征集AFRfe中的第i个特征向量； (6.2.2)计算欧式距离矩阵Dtr的均值μ tr:
I M _ iη1/ , tr —Μ(Μ-1)令 Y.'.D
(6.2.3)令 I I x-y I |2=Dtr，σ rbf2 = μ tr，构建训练核函数尤= ε?φ(-f >;(6.3)使用训练核函数K(x，y)训练信号类别标号Lta和错误代价系数Csvm求解SVM分类器的判别函数。
9.根据权利要求1所述的基于模糊域特征的光纤振动信号识别方法，其特征在于，步骤(6)所述的使用训练后的SVM分类器对测试信号特征集AFRte进行分类测试，按如下步骤进行: (6a)计算训练特征集AFRk中两两特征向量间的欧式距离，得到欧氏距离矩阵:
10.根据权利要求1所述的基于模糊域特征的光纤振动信号识别方法，其特征在于，步骤(7)所述的识别率R，表示如下:
【文档编号】G01H9/00GK103968933SQ201410140433
【公开日】2014年8月6日 申请日期:2014年4月9日 优先权日:2014年4月9日
【发明者】臧博, 姬红兵, 朱明哲, 李琦, 李彩彩, 张嵩, 顾庆远, 李林, 刘靳 申请人:西安电子科技大学