分布式光纤传感信号模式识别方法及系统的制作方法
【技术领域】
[0001] 本发明涉及信号模式识别领域，尤其涉及一种分布式光纤传感信号模式识别方法 及系统。
[0002]
【背景技术】
[0003] 分布式光纤传感是利用光纤的一维空间连续性进行测量的技术。光纤既作为传感 元件，又作为传输元件，可在整个光纤长度上对沿光纤几何路径分布的环境物理参量进行 连续实时的测量，非常适合较大空间范围，如输油管道、通信干线、周界安防、森林防火等场 合的测量。其技术优势是敏感度高、成本低、连续实时、监控距离长、隐蔽性高、抗电磁等环 境因素干扰。
[0004] 虽然分布式光纤传感对于外界触发源信号的敏感度较高，但是仅凭监控有无触发 源是难以满足安防性能需求的，需要判别触发系统监控区域的具体行为信息。此外，当 系统的触发源并不是入侵或破坏行为，而只是小动物或自然环境的影响时，频繁的误报 会造成系统和人力资源的浪费。目前，多采用的是单阈值或联合阈值等方法判断，然而分 布式光纤传感器的实际应用环境范围广而且复杂多样，信号易受影响具有一定的随机性， 仅凭阈值判断会使监测识别发生较高的误报警率。专利号为201010523552. 2的《光纤周 界系统的振动信号识别方法》提出引入更多特征参数作为振动信号判断的阈值；专利号 为201310672088. 7的《干涉型光纤周界振动入侵识别算法》增加了对原始信号模态分解 处理，同时采用多特征值门限检测方式；专利号为201310410322. 9的《一种新型振动入侵 探测行为特征识别算法》采用向量空间相似度算法输出识别行为和置信概率；专利号为 201410140433. 7的《基于模糊域特征的光纤振动信号识别方法》提出一种基于模糊域特征 的识别方法；专利号为201410348394. X的《光纤传感系统的入侵信号识别方法》依据信号 峰穿越浮动阈值的次数来识别入侵信号。这些方法侧重于特征和阈值的计算与判别，但没 有关注所用参考样本自身对分类效果的影响，以及识别方法的应用环境适应性。
【发明内容】
[0005] 本发明要解决的技术问题在于：在复杂多变的应用环境中，使得分布式光纤传感 系统在识别入侵或破坏行为的同时，减少或避免误报。利用有监督模式识别算法的自学习、 自适应、容错性好等优势，同时考虑到参考样本自身质量对分类算法泛化能力的影响，并基 于概率统计的思路，提出一种可适用于对分布式光纤传感信号进行模式识别的方法及系 统。
[0006] 本发明解决其技术问题所采用的技术方案是： 提供一种分布式光纤传感信号模式识别方法，包括以下步骤： S1、样本采集，对每种行为激励信号，各自采集多组样本，并计算预设的多种特征参数， 组成特征向量，得到特征样本库； 52、 样本粗筛选，对采集到的样本库进行筛选，剔除离散度大的样本； 53、 样本细筛选，利用经过粗筛选后的样本库，训练生成用于信号模式识别的分类器， 并存储； 54、 信号模式识别，对新触发读入的一段信号数据，计算其特征向量，将特征向量经过 已存储好的分类器计算后，得到模式识别结果。
[0007] 本发明所述的方法中，步骤S1中，其中一个样本采集的具体过程为：人为界定需 要识别的行为并进行相应激励，当外界振动信号幅度大于预先设置的信号触发阈值时，根 据预设时间长度读入一段信号数据，计算设定好的多种特征参数，组成特征向量，存为一个 样本。
[0008] 本发明所述的方法中，步骤S1中在根据预设时间长度读入一段信号数据时，同时 采集这个预设时间长度的前一秒和之后几秒数据，以保证采集信号的完整。
[0009] 本发明所述的方法中，步骤S2具体为： 521. 用所有采集到的样本训练出一个分类器，再用该分类器对采集的样本自身进行模 式分类测试，记录此次被错误识别的样本序号；所述分类器为单隐含层MLP网络结构； 522. 重复步骤S21五次以上，记录每次被错误识别的样本序号； 523. 对步骤S22记录的几次结果求交集，找出每次都被错误识别的样本，将这些样本 从样本库中剔除。
[0010] 本发明所述的方法中，步骤S3重复多次，得到多个分类器并存储；步骤S4中，将特 征向量经过已存储好的多个分类器同时计算，根据计算结果的统计概率，得到最终的模式 识别结果，允许存在判别为"未知"的情况，以减少误判。
[0011] 本发明所述的方法中，根据应用环境的不同，对读入数据时间长度、分类器中的训 练参数以及特征向量进行随时的人工调整。
[0012] 本发明还提供了一种分布式光纤传感信号模式识别系统，包括： 样本采集模块，用于对每种行为激励信号，各自采集多组样本，得到样本库； 样本粗筛选模块，用于对采集到的样本库进行筛选，剔除离散度大的样本； 样本细筛选模块，用于利用经过筛选后的样本库，训练生成用于信号模式识别的分类 器，并存储； 信号模式识别模块，用于对新触发读入的一段信号数据，计算其特征向量，将特征向量 经过已存储好的分类器计算后，得到模式识别结果。
[0013] 本发明所述的系统中，所述样本采集模块具体用于根据人为界定需要识别的行为 并进行相应激励，当外界振动信号幅度大于预先设置的信号触发阈值时，根据预设时间长 度读入一段信号数据，计算设定好的多种特征参数，组成特征向量，存为一个样本；所述样 本采集模块还用于在根据预设时间长度读入一段信号数据时，同时采集这个预设时间长度 的前一秒和之后几秒数据，以保证采集信号的完整。
[0014] 本发明所述的系统中，所述样本粗筛选模块具体包括： 筛选错误识别样本号子模块，用于用所有采集到的样本训练出一个分类器，再用该分 类器对采集的样本自身进行模式分类测试，重复五次以上；所述分类器为单隐含层MLP网 络结构； 错误样本序号记录子模块，用于记录每次被错误识别的样本序号； 错误样本剔除子模块，用于对记录的几次结果求交集，找出每次都被错误识别的样本， 将这些样本从样本库中剔除。
[0015] 本发明所述的系统中，所述样本细筛选模块还用于利用经过筛选后的样本库，多 次训练生成多个分类器并存储； 所述信号模式识别模块还用于将特征向量经过已存储好的多个分类器同时计算，根据 计算结果的统计概率，得到最终的模式识别结果，允许存在判别为"未知"的情况，以减少误 判。
[0016] 本发明产生的有益效果是：本发明基于实际工程应用的考虑，在采集样本的数量 比例和分布规律难以确定的情况下，利用模式分类器自身对样本进行筛选，以保证之后训 练生成分类器的容错性、准确性和泛化能力，此筛选方法简单有效。同时，利用有监督模式 识别算法良好的自学习、自适应和非线性映射能力，并且基于概率统计的思路，可对分布式 光纤振动传感信号进行有效识别，环境适应性好，误识别率低。可在信号带有噪声或变形的 情况下，识别入侵或破坏信号同时减少误报警。可以应对复杂多样的应用环境。
[0017]
【附图说明】
[0018] 下面将结合附图及实施例对本发明作进一步说明，附图中： 图1是本发明实施例分布式光纤传感信号模式识别方法流程图； 图2是本发明另一实施例样本筛选和训练存储分类器模块示意图； 图3是本发明另一实施例分布式光纤传感信号模式识别方法流程图； 图4A是本发明实施例某次实测的车经过引起的振动信号的时域波形图； 图4B是本发明实施例某次实测的人行走引起的振动信号的时域波形图； 图4C是本发明实施例某次实测的人敲击引起的振动信号的时域波形图； 图5是本发明实施例分布式光纤传感信号模式识别系统结构示意图。
[0019]
【具体实施方式】
[0020] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不 用于限定本发明。
[0021] 本发明的分布式光纤传感信号模式识别方法，可在信号带有噪声或变形的情况 下，能够有效识别入侵或破坏信号，同时减少误报。
[0022] 本发明实施例的分布式光纤传感信号模式识别方法，如图1所示，包括以下步骤： 51、 样本采集，对每种行为激励信号，各自采集多组样本，得到样本库；在采集其中一个 样本时，可人为界定需要识别的行为并进行相应激励，当外界振动信号幅度大于预先设置 的信号触发阈值时，根据预设时间长度读入一段信号数据，计算设定好的多种特征参数，组 成特征向量，存为一个样本， 52、 样本粗筛选，对采集到的样本库进行筛选，剔除离散度大的样本；可利用BP神经网 络， S3、样本细筛选，利用经过筛选后的样本库，训练生成用于信号模式识别的分类器，并 存储；分类器可以为多层感知器、多项式分类器、BP神经网络分类器、RBF神经网络分类器、 支持向量机分类器、决策树分类器、贝叶斯分类器等有监督模式识别算法的分类器。
[0023] S4、信号模式识别，对新触发读入的一段信号数据