一种光纤传感振动信号的识别方法
【技术领域】
[0001] 本发明属于模式识别技术，尤其涉及光纤传感系统的一种光纤传感振动信号的识 别方法。
【背景技术】
[0002] 光纤传感系统，采用光缆作为传感传输二合一器件，通过对直接触碰光缆或通过 承载物，如覆土、铁丝网、围栏等，传递给光缆的各种振动信号，对振动信号进行持续和实时 的监控，采集扰动数据，经过后端分析处理和智能识别，判断出不同的外部干扰类型，如攀 爬铁丝网、围墙，设防区域的行走，挖洞开墙，以及可能威胁光缆承载物的破坏等，排除外部 干扰信号，实现系统预警或实时告警，达到对侵入设防区域周界、以及内部核心区域的威胁 行为进行预警监测的目的。光纤传感系统作为一种新型的安全防范设备，符合当今民用和 军用安防需求，弥补了传统安防手段的不足，可以替代或结合传统设备的使用，提高传统安 防系统的灵敏度和扩大防御范围。
[0003] 当前的光纤传感系统的缺陷如下：许多此类系统并没有对外部扰动事件识别判断 的方法，或者只是通过简单的指标（如振幅、能量、频谱等）进行筛选。某些光纤传感系统 尝试引用模式识别技术进行外部扰动事件类型的识别，但是所采用的模式识别技术需要采 集大量的样本进行训练，实施困难，而且识别准确率低。总之，现有的光纤传感系统缺少对 外部扰动事件准确识别、降低误报率的光纤传感振动信号的识别方法。
【发明内容】
[0004] 本发明的目的是为了克服现有光纤传感系统扰动事件识别准确率低、训练过程 长、样本需求量大等缺点，提出了类似于语音识别技术的一种光纤传感振动信号的识别方 法，该方法利用了光纤传感系统振动信号作为一种音频信号的特点，采用单个事件作为训 练样本，具有更高的识别准确率，同时只需要很少的训练样本即可完成常见入侵事件的模 式训练。
[0005] 为了实现上述目的，本发明的光纤传感振动信号的识别方法具体步骤如下：
[0006] 步骤1 :信号获取
[0007] 光纤传感系统的光缆在受到外力作用时，光缆中传输的光信号会发生相位的变 化，不同位置光纤的光信号在系统终端处发生干涉，由于振动引起的相位差的存在，使得干 涉后信号发生变化，通过光电探头将干涉后的光信号转换成电流信号，光纤传感系统获得 的光信号转换成电流信号后，再通过AD采样得到相应的离散数字信号s (η)，η为采样点 数；
[0008] 步骤2:加窗分帧
[0009] 为了方便后期处理，对信号s(n)进行分帧，为了消除吉布斯现象，分帧的同时还 对信号进行加窗处理。对步骤1获取的数字信号s (η)进行加窗分帧处理，得到第k帧的加 窗信号Sk (η)，其计算公式如下：
[0010] sk (η) = s (n+kd) w (η), 0 =? η =? d-1
[0011]
[0012] 式中w(n)为窗函数，d为窗口宽度，fm为信号采样频率，k为帖数。
[0013] 步骤3 :短时能量计算
[0014] 为了后期扰动信号的提取，将时域信号S(n)转换成短时能量信号e(k)，本步骤计 算步骤2所得每一帧加窗分帧信号Sk (η)的能量，得到第k帧的能量信号e (k)。
[0015]
[0016] 步骤4 :滑动平均处理
[0017] 系统固有的或外在的非持续干扰，即噪声或外界突发的短时非人为扰动，会产生 非常短暂的脉冲现象，影响真实扰动事件的提取。为使能量信号在短时脉冲的干扰下仍 表现平滑，对对步骤3所得能量信号e(k)做平滑处理，得到滑动平均处理后的能量信号 e'（k)，即当前的短时能量值等于前N个能量值的均值，N为滑动平均的窗口长度，滑动平均 处理后的能量信号计算公式如下：
[0018]
[0019] i为窗口帧的计数参数。
[0020] 步骤5 :扰动事件提取
[0021] 步骤4得到的滑动平均处理后的能量信号e'（k)与动态阈值Thl和Th2比较， 当e'（p)超过Thl时，开始截取对应的帧信号 Sp (η)，当e'（q)低于Th2时，结束对应的帧 信号s>)截取，所截取的P到q帧连续信号s>)，sP+1 (n)，. . .，s>)即作为扰动事件信 号s_nt(η)，称为事件信号，用于后续步骤识别。若没有得到超过动态阈值Thl的能量信号 e'（k)，即无事件被截取，则认为无扰动事件发生，返回步骤1重新开始。
[0022] 利用动态阈值对事件进行提取能够实时跟踪信号的噪声水平，克服固定阈值容易 受噪声干扰而错误截取事件的缺点，同时使用两个动态阈值截取事件能够自适应地获取扰 动事件的长度，准确地找到事件的起始端和结束端，克服固定长度截取事件所造成的事件 割裂或带入噪声信号的缺点。
[0023] 选择前M个非事件帧能量值来计算动态阈值，计算公式如下：
[0024]
[0025] 其中δ等于1或2, ii为非事件帧的计数参数，σ为M个非事件帧能量值的标准 差，Zs为调整系数,取值范围为3 < Zs < 6，且thl > th2。
[0026] 步骤6 :提取扰动事件MFCC参数
[0027] MFCC 为 Mel 频率倒谱系数（Mel Frequency Cepstrum Coeff icient 的缩写）。Mel 频率是基于人耳听觉特性提出来的，它与Hz频率成非线性对应关系。Mel频率倒谱系数 (MFCC)则是利用它们之间的这种关系，计算得到的Hz频谱特征。MFCC与实际频率倒谱分 析不同，其分析着眼于人耳的听觉特性，本发明借鉴语音识别中人耳能对不同声音的区分 这一特性，提取步骤5所得扰动事件信号s event(n)的MFCC构成事件信号的特征向量集，用 于模式训练和事件识别，因为扰动事件本质上也是一种振动引发的音频信号。Mel频率与实 际频率的具体关系表TJK如下：
[0028] Mel (f) = 25951g(l+f/700)
[0029] MFCC的提取是成熟技术，具体步骤如下：
[0030] 步骤6. 1 :求Mel频率
[0031] 对步骤5得到的扰动事件Sf3rent(Ii)的每一帧信号{sk(n), k = P, p+1, . . .，q}进行 傅里叶变换，得到单帧信号的实际幅度谱I Sk (η) I，将幅度谱带入Mel频率转换公式得到相 应的Mel频率
[0032] Snel (n) = 25951g(l+|Sk(n) |/700)
[0033] 步骤6. 2 :配置Mel滤波器组
[0034] 在Mel频率轴上配置L个通道的Mel滤波器组，L的个数由事件信号的截止频率 决定，即
[0035]
[0036] 其中L」表示向下取整，fn为信号采样频率，优选13个通道。
[0037] 每一个Mel滤波器的中心频率c(l)在Mel频率轴上等间隔分配。设〇(1)，c(l) 和h(l)分别是第1个Mel滤波器的下限频率、中心频率和上限频率，相邻Mel滤波器之间 的下限频率、中心频率和上限频率有如下关系成立
[0038] c (I) = h (1-1) = 〇 (1+1)
[0039] 步骤6. 3 :求各Mel滤波器的Mel频率输出
[0040] 根据事件信号每帧的幅度谱I Sk (η) I求出每个Mel滤波器的Mel频率输出
[0041]
[0042]
[0043] 其中W1 (η)为单个Me 1滤波器。
[0044] 步骤6. 4 :求扰动事件的MFCC参数
[0045] 对所有滤波器的输出m(l)作对数运算，再进一步做离散余弦变换（DCT)即可得到 扰动事件的MFCC参数
[0046]
[0047] 其中d为分帧信号的长度，即加窗信号的窗口宽度。
[0048] 因此一个包含q-p+1帧信号的扰动事件，其MFCC特征向量集可表示为T = {Xl，i =1，2, · · ·，q-p+1}，其中 Xi 为 L 维向量，即 Xi = {cmfcc(j), j = 1，2, · · ·，L}。
[0049] 所述步骤6. 2中的Mel滤波器可以选择三角形滤波器、正弦滤波器和矩形滤波