器 中的任一种，优先选择三角滤波器。
[0050] 步骤7 :SVDD模式训练
[0051 ] 对应每一个扰动事件Sevent (η)，步骤6得到一个MFCC特征集T = Ui, i = 1，2, ...，q-ρ+Ι}。为了对各种扰动事件进行识别，对如下雨、攀爬、钻探等扰动事件的识别， 对Y个扰动事件进行步骤1至6的处理，获取Y类事件的特征集，将步骤6中得到的Y类事 件信号的特征向量集用于SVDD模式训练，模式训练利用各扰动事件特征集解拉格朗日方 程得到各扰动事件相应的特征空间参数（a，R，a u Xl)，该特征空间参数即为对应扰动事件 的类别模式；建立一个包括Y种模式扰动事件的模式库；
[0052] SVDD (支持向量数据描述，support vector data description的缩写）算法是一 种基于支持向量机分类的对特征向量在几何空间中的分布描述，它可以实现对具有相同特 征的事件在特征向量空间的几何划分，即区分同类事件在特征空间所属的区域。SVDD技术 常用于单类事件的类别划分，本发明采用扩展的SVDD分类，实现多类事件的空间划分，即 多类别识别。SVDD训练得到待分类事件的特征空间几何分布的边界，即训练事件特征集在 特征空间的分布参数，用以划分事件信号类别。
[0053] SVDD模式训练的具体计算步骤如下：
[0054] 步骤7. 1 :构建拉格朗日方程
[0055] 如上所述，单个训练事件的提取特征T由q-ρ+Ι个特征向量组成，即T = Ui, i = 1，2, ...，q-ρ+Ι}，则存在一个空间几何中心a和超球体半径R，所有特征向量X1包含在该超 球体中。根据SVM(支持向量机Support Vector Machine)理论，引入松弛变量Si，得到如 下约束方程
[0056] (x^a) (xj-a)T =? R2+ ε ;
[0057] 式中 ε i 彡 〇，
[0058] 令超球体半径R和松弛变量ε i最小化，则有
[0059]
[0060] 其中C为设定的常量，1，C的大小决定了包含特性向量的个数，当 c 时方程无解，当C = 1时所有向量都包含在超球体内。优选C = 0. 9~1，使绝 tZ 一 P 丁 I 大多数向量包含在超球体内，同时排除那些异常的野点。
[0061] 根据上述约束方程，构建拉格朗日方程如下
[0062]
[0063] 其中拉格朗日乘子a i > 〇, Y1 > 〇,对相应的变量求偏倒，新的约束表示为
[0064] Σα- "1
[0065]
[0066] Q1^C
[0067] 对应最优系数a ,拉格朗日算子的最大值为
[0068]
[0069] 非零最优系数Ci1对应的特征向量确定了特征集分布的边界，相应的特征向量X 1 称为支持向量。
[0070] 步骤7. 2 :选择合适内核归一化拉格朗日方程
[0071] 即使大多数特征向量都被忽略在超球体外，事件的特征向量集也不会呈超球体分 布。为了得到一个更合适的处理方法，将特征向量转换到更高维特征空间去计算。因此，用 一个核函数K(X iXi)替代向量内积XiXy该核函数满足Mercer定理，那么事件特征集的描述 转换为
[0072]
[0073] 核函数的选择可以是高斯核函数、多项式核函数和径向基核函数中的任一种。 [0074] 优选核函数为高斯核函数
[0075] K(XiXi) = exp (-(Xi-Xj)iVs2)
[0076] 式中s为给定的核函数的宽度或延展度,取值为0 < s < 0. 5。
[0077] 步骤7. 3 :解拉格朗日方程
[0078] 拉格朗日方程对事件的特征集在特征空间进行了描述，解拉格朗日方程得到描述 事件特征集空间分布的参数（a，R，ct D X1),这些参数分别确定了特征集在特征空间分布的 中心，半径以及边界。
[0079] 步骤8 :模式匹配
[0080] 将步骤6中计算得到的待测事件的特征参数集与步骤7中建立的模式库中的SVDD 训练模型进行匹配，判断待测事件属于步骤7中模式训练得到模式库中的哪一类事件，或 者判断为未知事件；
[0081] 识别一个待测事件是否属于某类事件，利用步骤7训练得到的模式库中各已知扰 动事件的分布参数（a, R, Cti, Xi)计算该待测事件的特征向量集落在分布参数确定的超球 体内的比例、即匹配概率r，r越高表明待测事件与已知事件越相似，设定匹配阈值r th，当 r彡rth时，认为待测事件与该已知事件匹配，反之则与该已知事件不匹配，匹配阈值rth设 定为0. 6 < rth < 0. 8。当待测事件与多个已知事件进行匹配时，选择与之匹配概率最高的 事件类别作为该待测事件的所属类别，当待测事件没有与之相匹配的已知事件时，判断该 事件为未知事件。
[0082] 其具体计算方法如下：
[0083] 将步骤6所得的待测事件特征向量ci与模式库中某个模式参数（a，R，a D X1)带 入如下公式计算，
[0084]
[0085] 若Ci满足上式，则认为Ci在超球体内，反之则在超球体外。统计特征向量集T = Ic1Ii = 1,2.....q-D+Ι丨中位于超球体内部的特征向量Cln的个数Nln，则匹配概率计算为
[0086]
[0087] 比较所得匹配概率r与匹配阈值rth，当待测事件与模式库中的某个或几个模式参 数的匹配概率满足条件r > rth时，选择最大的匹配概率&3：!的模式类别作为该待测事件的 所属类别；当没有一个匹配概率大于或等于匹配阈值时，判断该待测事件不属于模式库中 任何类别，判断为未知事件。
[0088] 与现有技术相比，本发明光纤传感振动信号的识别方法的优点为：1、提高了对光 纤传感信号识别的准确率，减少光纤传感系统在实际使用中的误报现象；与传统的以时域 能量、峰值等特征量以及频域谱分布等指标作为识别特征的光纤传感系统的识别方法相 t匕，本发明利用MFCC作为特征量对扰动事件进行识别具有更大的优势，因为光纤传感振动 信号与语音信号具有非常高的相似性，从本质上来说它们都是一种音频信号，而借鉴语音 识别领域中的利用MFCC作为特征量对语音进行识别的技术，将大幅提高扰动信号的识别 率；2、每个扰动事件对应一个MFCC向量集，因此只需要单个扰动事件的样本就可以完成样 本库的模式训练，做到了单样本匹配识别，大大降低了建立模式库的复杂度。
【附图说明】
[0089] 图1为本光纤传感振动信号的识别方法实施例的主流程图；
[0090] 图2为本光纤传感振动信号的识别方法实施例中某采样点下雨振动光纤传感系 统获取的原始电信号的波形图；
[0091] 图3为本光纤传感振动信号的识别方法实施例中某采样点攀爬振动光纤传感系 统获取的原始电信号的波形图。
【具体实施方式】
[0092] 以下结合附图对该发明的【具体实施方式】进行详细论述，
[0093] 本光纤传感振动信号的模式识别方法实施例在一个长3km的光纤传感系统上进 行实验，本例方法的流程如图1所示，具体包括如下步骤：
[0094] 步骤1 :信号获取
[0095] 光纤传感系统将采集到的光信号转换成电信号，并通过AD采样获取离散数字信 号s (η)，η为采样点数；图2和3所示分别为光纤传感系统采集的下雨时的离散信号波形和 人攀爬时的离散信号波形。
[0096] 步骤2:分帧加窗
[0097] 在本例，选择Hamming窗进行加窗处理，单帧长度选择20ms/帧。第k帧加窗信号 sk (η)的计算公式如下：
[0098] sk (n) = s (n+kd) w (η), 0 =? n =? d-1
[0099]
[0100] 本例w(n)为Hamming窗函数，d为窗口宽度，本例d的取值为信号20ms时长的采 样点数，即〇. 〇2匕，匕为信号采样频率。
[0101] 步骤3 :计算短时能量，
[0102] 计算步骤2所得每一帧信号S