1, . . . , n
[0045]
[0046] S104;利用序贯最小化优化算法求解上述问题中的拉格朗日乘子ai(i= 1，2，...，n)来获得分类器。通过启发式算法选择两个拉格朗日乘子aj.和ak作为算法优 化的对象，并固定其他拉格朗日乘子不变，由此得到
其中丫是定 值。结合约束条件0《aC(i= 1，. . .，n)求解ak的取值范围山田：
[004引 Wak自变量求解目标函数Ma)的极值点；
其中E= u-y，表示分类函数值与真实标签值的误差，设：巧二A'(乎，)+(/C，A')户2( i：)。根据 ak的取值范围山田得到优化后的ak为：
。另一个被优 化的乘子
[0050] 重复上述优化过程直到所有的拉格朗日乘子满足沃尔夫对偶问题的卡罗需-库 恩-塔克条件：
[0051] 0^,'= 0 0 > 1
[0052] 0 <a, <C0 乂", = 1
[0053] 巧.=C0 乂< 1
[0054]S105;由根据序贯最小化优化算法的求解过程可知，支持向量机分类器模型与惩 罚因子C和核函数系数g有关。
[00巧]为了获得最优的参数组合，本发明采用网格寻优和K折交叉验证的方法来选取支 持向量机预设参数惩罚因子C和核函数系数g。
[0056] 惩罚因子C的寻优范围为2^到28,其指数作为步进长度；同样的，核函数系数 g也W2^8到2 8为寻优范围，将其指数W1作为步进长度。为了兼顾参数寻优的运算效率和 泛化能力，本实施例中采用10折交叉验证。将光纤入侵信号的样本特征集分成10个子集， 每个子集均做一次测试集，其余的作为训练集。在不同的参数组合下交叉验证10次，并W 10次的平均交叉验证识别率作为结果。交叉验证结果如图3所示，其中X轴和y轴分别是 惩罚因子C和核函数系数gW2为底的对数，Z轴是交叉验证下的平均分类准确率。W此 方法不仅得到当前训练集下的最优参数组合，也保证了对训练集同类别的特征向量的推广 性。
[0057]S106 ;根据满足KKT条件的拉格朗日乘子和经交叉验证获取的最优参数得到支持 向量机分类函数
[0058]S107;提取需要识别的未知类型的光纤入侵信号的占空比、中屯、频率组成待分类 信号的特征向量。
[0059]S108;将特征向量输入到支持向量机中，根据输出的结果判定为光纤入侵信号为 相应的类别。
[0060] 本发明人对机械信号和人工挖掘信号的实测分类结果如图4所示。其中横轴是 光纤入侵信号的中屯、频率特征，纵轴是光纤入侵信号的占空比特征，+是电搞信号的样本 点，?是电钻信号的样本点，曲线是非线性支持向量机超平面在二维空间的投影。从图中可 W看出，本发明所使用的支持向量机结合光纤入侵信号数字特征的分类方法可W显著的将 两类信号的特征识别区分。
[0061] 本发明与现有识别方法相比具有W下优点
[0062] (1)、本发明能够有效实现光纤入侵系统检测信号的分类识别；
[0063] (2)、使用高斯核函数的非线性支持向量机解决了光纤信号特征在输入空间线性 不可分的问题；
[0064] (3)、网格寻优和交叉验证获取了基于光纤入侵信号样本的最优分类器参数，使得 本方法针对光纤入侵信号识别范围更大、泛化能力更强。
【主权项】
1. 基于支持向量机的光纤入侵信号分类识别方法，其特征在于包括： 根据光纤入侵信号样本的特征向量构成优化问题的目标函数，通过拉格朗日方法转换 目标函数得到相应的目标函数的沃尔夫对偶型，并使用高斯核函数将样本映射到高维核空 间； 利用序贯最小化优化算法优化每个样本相应的拉格朗日乘子求得核空间中的最优分 类超平面； 通过网格寻优和交叉验证确定最优的惩罚因子和核函数系数作为支持向量机的参数， 通过所求得的分类函数可以对从光纤入侵系统提取到的特征进行分类，从而识别振动类 型。2. 根据权利要求1的方法，其特征在于进一步包括： 光纤入侵信号的特征向量X由占空比和中心频率构成， 根据n个含有类别标签的训练样本Xi(i= 1，2,. . .，n)，训练出最优分类超平面u= ?x+b，其中，首先构成优化问题的目标函数：s.t.Yi (?TXj+b) ^l-Cii= 1,n, 其中u是超平面方程函数值，《是权向量，X是特征向量，b是超平面阀值，C是惩罚因 子，Ii是松弛变量，yi是样本标签， 利用高斯核函数K(XpXj) =exp(_g|Ixi-XjI|)将光纤入侵信号样本的特征向量映射到 高维空间以解决在输入空间线性不可分的问题，其中g为核函数系数， 通过拉格朗日乘数法引入拉格朗日乘子a,构造拉格朗日函数沃尔夫对偶型：3. 根据权利要求2的方法，其特征在于进一步包括： 利用序贯最小化优化算法求解拉格朗日乘子Qi(i= 1，2，...，n)获得支持向量机分 类器，每次选取两个拉格朗日乘子％和ak作为算法优化的对象，并固定其他拉格朗日乘重复上述优化过程直到所有的拉格朗日乘子满足沃尔夫对偶问题的卡罗需-库恩-塔 克条件：4. 根据权利要求2的方法，其特征在于进一步包括： 采用网格寻优结合K折交叉验证（k-folderCV)的方法来选取支持向量机分类器的预 设参数惩罚因子C和核函数系数0，限定C和g的取值范围，按一定的步进长度改变C和g的大小；将数据集分成个k子集，每个子集均做一次测试集，其余的作为训练集，重复交叉 验证k次，每次选择一个子集作为测试集，并将k次的平均交叉验证识别率作为结果；选择 分类准确率最高的C和g作为支持向量机的最优参数。
【专利摘要】本发明公开了一种基于支持向量机的光纤入侵信号识别方法，用于解决如何准确有效的识别相位敏感光时域反射机制下的光纤入侵信号的类型。其实现步骤为：首先提取光纤入侵信号样本的时频域特征作为训练样本；然后利用核函数将样本映射到高维空间；接着，利用序贯最小化算法训练支持向量机分类器并利用网格寻优和交叉验证获取最优的分类器参数；最后，将待分类的光纤入侵信号的特征向量输入到分类器中，根据分类器的输出得到相应的分类结果。本发明所采用的支持向量机和光纤入侵信号数字特征相结合的方法能够快速准确的识别入侵的类别。
【IPC分类】G06K9/62, G06K9/00
【公开号】CN104966076
【申请号】CN201510430503
【发明人】曲洪权, 冯冲, 毕福昆, 李雪莲, 郑彤
【申请人】北方工业大学
【公开日】2015年10月7日
【申请日】2015年7月21日