：
[0024] 从所述信号片段的短时过门限率中进一步做特征提取，采用稀疏自编码器神经网 络算法，将短时过门限率特征曲线输入到神经网络的输入层，神经网络隐藏层的输出即为 本步骤所提取的特征，所述稀疏自编码器神经网络由下式表达：
[0025] y = f (wx+b), (4)
[0026] 在公式(4)中，y是神经网络输出，x是神经网络输入，f是神经网络激励函数，w代表 权值矩阵，b代表偏置矩阵。
[0027] 所述的稀疏自编码器神经网络是一种无监督训练神经网络，所述稀疏自编码器神 经网络不需要标签值，输入X和输出y相同；所述稀疏自编码器神经网络算法是一种深度学 习算法;基于稀疏自编码器神经网络算法所进行的特征提取为无监督特征学习过程。
[0028] 所述神经网络隐藏层的输出提取步骤如下：
[0029]首先，设定稀疏自编码器神经网络的输入层和输出节点数为398,隐藏层节点数为 50,最大迭代次数为200次，选择softplus函数作为神经网络隐藏层的激励函数；
[0030] 其次，将采集到的振动信号样本分成训练集和样本检测集两部分，将训练集中样 本的短时过门限率曲线作为神经网络的输入值，经过200次迭代训练，得到输入层与隐含层 相连的权值矩阵W ji;
[0031] 第三，将样本检测集中信号片段输入给神经网络，提取隐藏层输出Q(i)作为振动 信号特征，其中：隐藏层节点输出Q( i)为：
[0032] Q(i)=f(ffij+b),(5)
[0033] 在公式(5)中，i代表隐藏层节点，f代表隐藏层的激励函数，W#代表输入层和隐藏 层相连的取值矩阵，b是偏置。
[0034]影响信号特征提取的主要因素是隐藏层节点数和激励函数hsoftplus函数相对 于sigmoid函数更接近生物的激活模型，可以很好地解决sigmoid引起的在多层网络中，容 易出现梯度消失，前层网络的权值很难通过目标函数迭代的调整，以及收敛速度过慢的问 题。
[0035] 其中softplus函数表达式如下：
[0036] f(x)=log(l+exp(x))〇(6)
[0037] 判别各个信号片段的振动类型：
[0038] 将上一步骤提取到的短时过门限率的特征送给分类器进行振动类型判别，进而报 警或者不报警。
[0039] 所述分类器为softmax分类器，以适应多分类判别。softmax分类器是logistic分 类器的扩展与推广，softmax的模型表达式如下：
[0041 ]在公式⑴中，y代表标签，其可能取值是0到3之间的自然数，X代表信号特征，q代 表softmax的参数，k代表类别取值为4，p表示信号类别的概率。
【主权项】
1. 一种光纤振动传感系统两级信号特征提取与判别方法，其待判别信号为由光纤振动 传感系统采集的各种类型的外界振动信号;其特征在于，首先，提取所述外界振动信号的短 时过门限率;其次，计算所提取的短时过门限率的平均代数和，筛选出含有外界振动信息的 信号片段;第三，从所述信号片段的短时过门限率中进一步做特征提取;最后，判别所述各 个信号片段的振动类型。2. 根据权利要求1所述的光纤振动传感系统两级信号特征提取与判别方法，其特征在 于，所述提取短时过门限率的具体方案如下： 提取所述外界振动信号的短时过门限率T [ i ]，其定义为：在上式中，X是自然数，代表在原始电信号I[x]中的采样点数，那么，I[x]则为采样点数 为X的离散电信号，lev表示门限电平值，sign是符号函数，i是原始电信号I[x]的分段序号， i = 1~m，其中：3. 根据权利要求1所述的光纤振动传感系统两级信号特征提取与判别方法，其特征在 于，所述筛选信号片段的具体方案如下： 当所述平均代数和超过阈值D时，认定所对应的原始电信号为信号片段，完成一个携带 外界振动信息的信号片段的筛选，并进入下一步骤做进一步信号特征提取，否则回到上一 步骤进行下一个原始电信号的短时过门限率提取，所述阈值D定义为：4. 根据权利要求1所述的光纤振动传感系统两级信号特征提取与判别方法，其特征在 于，所述进一步提取短时过门限率的特征的具体方案如下： 采用稀疏自编码器神经网络算法，将短时过门限率特征曲线输入到神经网络的输入 层，神经网络隐藏层的输出即为本步骤所提取的特征，所述稀疏自编码器神经网络由下式 表达： y = f (wx+b), 在上式中，y是神经网络输出，χ是神经网络输入，f是神经网络激励函数，w代表权值矩 阵，b代表偏置矩阵。5. 根据权利要求1所述的光纤振动传感系统两级信号特征提取与判别方法，其特征在 于，所述判别各个信号片段的振动类型的具体方案如下： 将上一步骤提取到的短时过门限率的特征送给分类器进行振动类型判别，进而报警或 者不报警;所述分类器为softmax分类器。
【专利摘要】光纤振动传感系统两级信号特征提取与判别方法属于光纤传感信号判别技术领域。现有技术无法在环境噪声干扰下，准确判别外界振动信号类型，并且，人工特征设计阶段需要对振动信号进行大量的特性分析，导致该信号类型判别方法效率较低。本发明其特征在于，首先，提取所述外界振动信号的短时过门限率；其次，计算所提取的短时过门限率的平均代数和，筛选出含有外界振动信息的信号片段；第三，从所述信号片段的短时过门限率中进一步做特征提取；最后，判别所述各个信号片段的振动类型。本发明作为一种信号类型判别算法，尽管信号可能来自嘈杂背景，依然能够准确、高效判别各种外界振动信号类型，虚警少、误报率低。
【IPC分类】G01H9/00, G06N3/08
【公开号】CN105606198
【申请号】CN201610056715
【发明人】郭玉彬, 王亮, 孙铁刚, 霍佳雨, 张乐, 扈冬雪
【申请人】吉林大学
【公开日】2016年5月25日
【申请日】2016年1月28日