本发明实施例涉及光纤信号识别技术领域，具体涉及一种确定光纤入侵事件类型的方法及装置。
背景技术：
光纤入侵事件即是通过检测光纤振动的采集信号，并通过分析确定引起光纤振动的原因，类型可以包括机械挖掘，车辆经过等，在管道运输、国防光缆、军事基地等预警领域有着广阔的应用前景。
现有技术通常采用直接检测识别法。即分析一段数据的特征，根据特征判断何种类型的光纤入侵事件，但是由于特征选取的片面性，不能准确地确定出光纤入侵事件类型。
因此，如何避免上述缺陷，并准确地确定出光纤入侵事件类型，成为亟须解决的问题。
技术实现要素：
针对现有技术存在的问题，本发明实施例提供一种确定光纤入侵事件类型的方法及装置。
第一方面，本发明实施例提供一种确定光纤入侵事件类型的方法，所述方法包括：
获取包含有振源信号特征的采集信号；
获取单位时间内的采集信号的检测点，并根据所述检测点生成所述采集信号的附加特征；所述附加特征包括占空比和/或amdf过均值率；
根据包含有所述附加特征的采集信号和预先训练好的网络模型，识别所述采集信号的振动类型，并根据所述振动类型，确定光纤入侵事件类型。
第二方面，本发明实施例提供一种确定光纤入侵事件类型的装置，所述装置包括：
获取单元，用于获取包含有振源信号特征的采集信号；
生成单元，用于获取单位时间内的采集信号的检测点，并根据所述检测点生成所述采集信号的附加特征；所述附加特征包括占空比和/或amdf过均值率；
确定单元，用于根据包含有所述附加特征的采集信号和预先训练好的网络模型，识别所述采集信号的振动类型，并根据所述振动类型，确定光纤入侵事件类型。
第三方面，本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：
获取包含有振源信号特征的采集信号；
获取单位时间内的采集信号的检测点，并根据所述检测点生成所述采集信号的附加特征；所述附加特征包括占空比和/或amdf过均值率；
根据包含有所述附加特征的采集信号和预先训练好的网络模型，识别所述采集信号的振动类型，并根据所述振动类型，确定光纤入侵事件类型。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，包括：
所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：
获取包含有振源信号特征的采集信号；
获取单位时间内的采集信号的检测点，并根据所述检测点生成所述采集信号的附加特征；所述附加特征包括占空比和/或amdf过均值率；
根据包含有所述附加特征的采集信号和预先训练好的网络模型，识别所述采集信号的振动类型，并根据所述振动类型，确定光纤入侵事件类型。
本发明实施例提供的确定光纤入侵事件类型的方法及装置，根据包含有附加特征的采集信号和预先训练好的网络模型，识别采集信号的振动类型，并根据该振动类型，能够准确确定光纤入侵事件类型。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例确定光纤入侵事件类型的方法流程示意图；
图2为小波变换分解的示意图；
图3为本发明实施例镐刨信号测试结果图；
图4为本发明实施例确定光纤入侵事件类型的装置结构示意图；
图5为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例确定光纤入侵事件类型的方法流程示意图，如图1所示，本发明实施例提供的一种确定光纤入侵事件类型的方法，包括以下步骤：
s1：获取包含有振源信号特征的采集信号。
具体的，装置获取包含有振源信号特征的采集信号。振源信号特征的获取，可以包括：
对初始采集信号(即不含有振源信号特征的采集信号)进行互相关去噪，以获取互相关函数。可以如下：
(1)通过希尔伯特变换提取滤波后的初始采集信号的包络。
具体包括：
根据如下公式对滤波后的初始采集信号d(t)进行希尔伯特变换：
该公式是现有成熟技术，公式中的参数等不再赘述。
根据如下公式可以得到滤波后的初始采集信号d(t)的解析信号g(t)：
其中，d(t)是g(t)的实部、j表示
根据如下公式提取滤波后的初始采集信号的包络a(t)：
(2)将大于包络阈值的包络所对应的每一段初始采集信号作为初始采集信号的目标段；其中，目标段可以用来表示目标段的起始时间点t1和目标段的终止时间点t2之间的信号振动趋势x(t)。
(3)根据如下公式对初始采集信号和目标段进行互相关去噪：
其中，y(τ)是互相关函数、d(t)是初始采集信号、x(t)是信号振动趋势、τ是与上述步骤s101中相同的积分变量。
通过小波变换分解所述互相关函数，以获取至少一个低频段信号和多个高频段信号；其中，所述低频段信号和所述高频段信号是根据预设频率值所确定的；预设频率值可以根据实际情况自主设置。获取低频段信号和高频段信号的步骤可以具体如下：
图2为小波变换分解的示意图，如图2所示，低频部分与高频部分分别用la和hd来进行表示，在进行小波变换分解时，高频部分被进一步分解，而低频部分保持不变。即低频段信号对应la5、高频段信号对应hd5～hd1。分解的关系可以由以下公式表示：
y(t)＝la5+hd5+hd4+hd3+hd2+hd1
即：互相关函数y(t)被分解成六个频段。
根据所述低频段信号和所述高频段信号在预设时段内的小波变换的参数，获取所述低频段信号的第一平均能量和所述高频段信号的第二平均能量，可以具体如下：
其中，预设时段可以是上述目标段的起始时间点t1和目标段的终止时间点t2之间的时间间隔。
平均能量(包括第一平均能量和第二平均能量)可以通过如下公式获得：
其中，i是上述频段的数量，参照上述举例，最大值为6；ei是平均能量、ξi(n)是第i个频段的t1和t2之间的第n个小波系数，n是第i个频段的小波系数总数。可以是：当i＝1时，e1对应第一平均能量；当i＝2～6时，e2～e6对应第二平均能量。
根据所述第一平均能量和所述第二平均能量，获取每个频段的平均能量占比，具体如下：
可以根据如下公式，获取每个频段的平均能量之和esum：
可以根据如下公式，获取每个频段的平均能量占比ωi：
ωi＝ei/esum,i＝1,2,3,…6.
预处理所述平均能量占比；并将预处理过的平均能量占比作为所述振源信号特征，具体如下：
经过测试发现：由最高频系数hd1所求得的平均能量占比ω6不具有明显的区分性。因此，为了减少冗余特征个数以及消除特征相关性，该最高频系数hd1被舍弃，将剩余的平均能量占比作为样本的特征，可以表示为：e＝{ω1,ω2,ω3,ω4,ω5}t。
s2：获取单位时间内的采集信号的检测点，并根据所述检测点生成所述采集信号的附加特征；所述附加特征包括占空比和/或amdf过均值率。
具体的，装置获取单位时间内的采集信号的检测点，并根据所述检测点生成所述采集信号的附加特征；所述附加特征包括占空比和/或amdf过均值率。获取占空比的具体说明如下：
获取单位时间内的第一目标检测点；所述第一目标检测点是根据所述检测点的振动幅度所确定的；可以进一步地，将大于预设幅度值的振动幅度所对应的检测点作为所述第一目标检测点。预设幅度值可以根据实际情况自主设置。单位时间可以选为1s，假设在1s之内的检测点有1024个，第一目标检测点为500个。
将所述第一目标检测点的数量与所述检测点的数量的比值作为所述占空比。参照上述举例，占空比为500/1024＝0.488。
averagemagnitudedifferencefunction即是amdf，为平均幅度差函数，获取amdf过均值率的具体说明如下：
采用amdf对所述采集信号进行处理，以获取所述采集信号的均值；确定在单位时间内的超过所述均值的第二目标检测点；将所述第二目标检测点的数量与所述检测点的数量的比值作为过均值率。参照上述举例，假如第二目标检测点的数量为400，则过均值率为400/1024＝0.391。
s3：根据包含有所述附加特征的采集信号和预先训练好的网络模型，识别所述采集信号的振动类型，并根据所述振动类型，确定光纤入侵事件类型。
具体的，装置根据包含有所述附加特征的采集信号和预先训练好的网络模型，识别所述采集信号的振动类型，并根据所述振动类型，确定光纤入侵事件类型。光纤入侵事件类型可以包括过车信号、镐刨信号、挖地信号和小跑信号，但不作具体限定。网络模型可以为scn网络模型，即随机配置网络。scn网络模型的训练，可以采用如下步骤：
(1)设置网络超参数：
根据数据的维度和大小，采用5折交叉验证方法即将数据加标签存为一个矩阵，按行打乱顺序，随机分为五份，每次选取一份作为测试集，其他四份作为训练集，进行迭代训练，并求出测试误差，对五次的测试误差求均值，即得出本次交叉验证的平均误差。
设初始最大迭代次数lmax为5，每次增加5，当发现平均误差下降很小(小于0.001)时停止交叉验证，选取此时的lmax作为最好的超参数。
设初始w和b的最大寻优次数tmax为5，每次增加5，当发现平均误差下降很小(小于0.001)时停止交叉验证，选取此时的tmax作为最好的超参数。
(2)训练开始时，将隐层节点数设置为1，并判断是否达到最大节点数。如果没有，则继续进行下一步操作，如果达到了，则进入(1)。
(3)随机输入t组权重和偏置(w和b)。
(4)判断是否存在满足约束条件的w和b，如果有，则继续进行下一步，如果没有，进入(3)。
(5)在满足约束条件的t组w和b中选取使约束不等式最大的w和b。
(6)计算隐含层输出矩阵h。
(7)采用奇异值分解法(svd)解决病态矩阵问题：
通过对scn网络识别结果不好的数据进行观察发现，这些数据均存在隐含层输出矩阵h的条件数较大的问题，即这些矩阵是近似奇异的(病态的)。对于方程组ax＝b来说，当解集x对a和b的系数高度敏感，那么这个方程组就是病态的。
奇异值分解法解决病态矩阵问题的思想是对观测方程的设计矩阵进行奇异值分解,分解成两个正交矩阵和设计阵的奇异值矩阵相乘的形式,然后再进行求解，如下：
k(a)＝||a||*||a-1||
其中k(a)为矩阵a的条件数，即当矩阵a的条件数k(a)越大，解集x对于a和b的变换就越敏感，矩阵就越病态。而出现病态矩阵原因，是由于输入数据的列向量近似线性相关，即待识别数据的特征太过于相似以至于容易混淆。
针对这个问题，采用奇异值分解法(svd)的方法减少scn网络隐含层输出矩阵条件数，能够提高scn网络的鲁棒性，提高光纤入侵信号识别准确率，以达到解决病态性影响的目的。
在病态问题中,对病态矩阵a进行奇异值分解时,设a为n×m阶矩阵,n>m,rank(a)＝m；a＝usv；s＝diag(α1,α2,…,αm)为a的奇异值矩阵，降序排列。分解之后得到的奇异值既有相对较大的奇异值，也有相对较小的奇异值,而大的奇异值及相应的特征向量表示模型参数中比较肯定可靠的部分,小的奇异值和相应的特征向量则表示不可靠部分。奇异值分解法就是一种剔除不可靠的小的奇异值部分，保留可靠的大的奇异值部分来求解模型系数的方法。
即对矩阵a进行svd分解得a＝usv，s＝diag(α1,α2,…,αm)为a的奇异值矩阵,降序排列。设置一个阈值ε，去除小于阈值的奇异值后获得s，并对应的对u，v进行降维。然后通过a＝u’s’v′求出修正后的矩阵a’。
而阈值选取的方法可以基于重构的角度设置一个重构阈值t，例如t＝90％，然后通过选取使下式成立的最小值：
其中，d为矩阵奇异值总数，d’为经截断后所保留的奇异值个数。
(8)通过改善后的隐含层输出与标签计算β。
(9)通过β计算训练误差。
(10)判断训练误差是否达到最小误差，如果是，则进入(11)；如果没有达到，则隐含层节点加1，进入(2)这个步骤。
(11)输出β和w,b。
针对上述基于小波分解和随机配置网络(scn)的光纤入侵事件的识别算法，对实测过车信号、镐刨信号、挖地信号和小跑信号进行分类仿真，识别错误率仅为0.04。图3为本发明实施例镐刨信号测试结果图，如图3所示，网络输出的振荡类型较好地拟合了目标输出的振荡类型(即镐刨信号对应的振荡类型)，因此，确定光纤入侵事件类型为镐刨信号。可见通过此方法可以有效的识别出过车、镐刨信号、挖地信号和小跑信号。
本发明实施例提供的确定光纤入侵事件类型的方法，根据包含有附加特征的采集信号和预先训练好的网络模型，识别采集信号的振动类型，并根据该振动类型，能够准确确定光纤入侵事件类型。
在上述实施例的基础上，所述并根据所述检测点生成所述采集信号的附加特征，包括：
获取单位时间内的第一目标检测点；所述第一目标检测点是根据所述检测点的振动幅度所确定的。
具体的，装置获取单位时间内的第一目标检测点；所述第一目标检测点是根据所述检测点的振动幅度所确定的。可参照上述实施例，不再赘述。
将所述第一目标检测点的数量与所述检测点的数量的比值作为所述占空比。
具体的，装置将所述第一目标检测点的数量与所述检测点的数量的比值作为所述占空比。可参照上述实施例，不再赘述。
和/或；
采用amdf对所述采集信号进行处理，以获取所述采集信号的均值。
具体的，装置采用amdf对所述采集信号进行处理，以获取所述采集信号的均值。可参照上述实施例，不再赘述。
确定在单位时间内的超过所述均值的第二目标检测点。
具体的，装置确定在单位时间内的超过所述均值的第二目标检测点。可参照上述实施例，不再赘述。
将所述第二目标检测点的数量与所述检测点的数量的比值作为过均值率。
具体的，装置将所述第二目标检测点的数量与所述检测点的数量的比值作为过均值率。可参照上述实施例，不再赘述。
本发明实施例提供的确定光纤入侵事件类型的方法，通过生成包括有占空比和/或过均值率的采集信号的附加特征，进一步能够准确确定光纤入侵事件类型。
在上述实施例的基础上，所述第一目标检测点的确定，包括：
将大于预设幅度值的振动幅度所对应的检测点作为所述第一目标检测点。
具体的，装置将大于预设幅度值的振动幅度所对应的检测点作为所述第一目标检测点。可参照上述实施例，不再赘述。
本发明实施例提供的确定光纤入侵事件类型的方法，通过将大于预设幅度值的振动幅度所对应的检测点作为所述第一目标检测点，能够合理确定第一目标检测点。
在上述实施例的基础上，所述振源信号特征的获取，包括：
对初始采集信号进行互相关去噪，以获取互相关函数。
具体的，装置对初始采集信号进行互相关去噪，以获取互相关函数。可参照上述实施例，不再赘述。
通过小波变换分解所述互相关函数，以获取至少一个低频段信号和多个高频段信号；其中，所述低频段信号和所述高频段信号是根据预设频率值所确定的。
具体的，装置通过小波变换分解所述互相关函数，以获取至少一个低频段信号和多个高频段信号；其中，所述低频段信号和所述高频段信号是根据预设频率值所确定的。可参照上述实施例，不再赘述。
根据所述低频段信号和所述高频段信号在预设时段内的小波变换的参数，获取所述低频段信号的第一平均能量和所述高频段信号的第二平均能量。
具体的，装置根据所述低频段信号和所述高频段信号在预设时段内的小波变换的参数，获取所述低频段信号的第一平均能量和所述高频段信号的第二平均能量。可参照上述实施例，不再赘述。
根据所述第一平均能量和所述第二平均能量，获取每个频段的平均能量占比。
具体的，装置根据所述第一平均能量和所述第二平均能量，获取每个频段的平均能量占比。可参照上述实施例，不再赘述。
预处理所述平均能量占比；并将预处理过的平均能量占比作为所述振源信号特征。
具体的，装置预处理所述平均能量占比；并将预处理过的平均能量占比作为所述振源信号特征。可参照上述实施例，不再赘述。
本发明实施例提供的确定光纤入侵事件类型的方法，能够全面获取振源信号特征，进一步能够准确确定光纤入侵事件类型。
在上述实施例的基础上，所述光纤入侵事件类型包括过车信号、镐刨信号、挖地信号和小跑信号。
具体的，装置中的所述光纤入侵事件类型包括过车信号、镐刨信号、挖地信号和小跑信号。可参照上述实施例，不再赘述。
本发明实施例提供的确定光纤入侵事件类型的方法，能够准确确定包括过车信号、镐刨信号、挖地信号和小跑信号的光纤入侵事件类型。
在上述实施例的基础上，所述网络模型为scn网络模型。
具体的，装置中的所述网络模型为scn网络模型。可参照上述实施例，不再赘述。
本发明实施例提供的确定光纤入侵事件类型的方法，进一步通过将网络模型选为scn网络模型，进一步优化了模型的运行，也进一步提高确定光纤入侵事件类型的准确性。
在上述实施例的基础上，所述方法还包括：
在训练所述scn网络模型的过程中，采用奇异值分解法svd对隐含层输出矩阵进行处理，以减少所述隐含层输出矩阵的条件数。
具体的，装置在训练所述scn网络模型的过程中，采用奇异值分解法svd对隐含层输出矩阵进行处理，以减少所述隐含层输出矩阵的条件数。可参照上述实施例，不再赘述。
本发明实施例提供的确定光纤入侵事件类型的方法，通过采用奇异值分解法(svd)的方法，能够减少scn网络隐含层输出矩阵条件数，从而提高scn网络的鲁棒性，以及光纤入侵信号识别准确率。
图4为本发明实施例确定光纤入侵事件类型的装置结构示意图，如图4所示，本发明实施例提供了一种确定光纤入侵事件类型的装置，包括获取单元1、生成单元2和确定单元3，其中：
获取单元1用于获取包含有振源信号特征的采集信号；生成单元2用于获取单位时间内的采集信号的检测点，并根据所述检测点生成所述采集信号的附加特征；所述附加特征包括占空比和/或amdf过均值率；确定单元3用于根据包含有所述附加特征的采集信号和预先训练好的网络模型，识别所述采集信号的振动类型，并根据所述振动类型，确定光纤入侵事件类型。
具体的，获取单元1用于获取包含有振源信号特征的采集信号；生成单元2用于获取单位时间内的采集信号的检测点，并根据所述检测点生成所述采集信号的附加特征；所述附加特征包括占空比和/或amdf过均值率；确定单元3用于根据包含有所述附加特征的采集信号和预先训练好的网络模型，识别所述采集信号的振动类型，并根据所述振动类型，确定光纤入侵事件类型。
本发明实施例提供的确定光纤入侵事件类型的装置，根据包含有附加特征的采集信号和预先训练好的网络模型，识别采集信号的振动类型，并根据该振动类型，能够准确确定光纤入侵事件类型。
本发明实施例提供的确定光纤入侵事件类型的装置具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
图5为本发明实施例提供的电子设备实体结构示意图，如图5所示，所述电子设备包括：处理器(processor)501、存储器(memory)502和总线503；
其中，所述处理器501、存储器502通过总线503完成相互间的通信；
所述处理器501用于调用所述存储器502中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取包含有振源信号特征的采集信号；获取单位时间内的采集信号的检测点，并根据所述检测点生成所述采集信号的附加特征；所述附加特征包括占空比和/或amdf过均值率；根据包含有所述附加特征的采集信号和预先训练好的网络模型，识别所述采集信号的振动类型，并根据所述振动类型，确定光纤入侵事件类型。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取包含有振源信号特征的采集信号；获取单位时间内的采集信号的检测点，并根据所述检测点生成所述采集信号的附加特征；所述附加特征包括占空比和/或amdf过均值率；根据包含有所述附加特征的采集信号和预先训练好的网络模型，识别所述采集信号的振动类型，并根据所述振动类型，确定光纤入侵事件类型。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取包含有振源信号特征的采集信号；获取单位时间内的采集信号的检测点，并根据所述检测点生成所述采集信号的附加特征；所述附加特征包括占空比和/或amdf过均值率；根据包含有所述附加特征的采集信号和预先训练好的网络模型，识别所述采集信号的振动类型，并根据所述振动类型，确定光纤入侵事件类型。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的电子设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上各实施例仅用以说明本发明的实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明的实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明的实施例各实施例技术方案的范围。