本發(fā)明涉及數(shù)字信號處理技術(shù)領(lǐng)域，尤其涉及一種基于綜合特征的光纖周界安防入侵事件識別方法及裝置。

背景技術(shù)：

隨著光導(dǎo)纖維和光纖通信技術(shù)的不斷成熟，光纖傳感器得到了快速發(fā)展。基于光纖傳感技術(shù)的周界安防系統(tǒng)^[1][2][3]也在安防領(lǐng)域逐漸被人們重視。與傳統(tǒng)的紅外線^[4]、電子圍欄^[5]等安防系統(tǒng)相比，光纖傳感系統(tǒng)能夠?qū)χ苯佑|及或間接傳遞給光纖的各種擾動進(jìn)行實(shí)時監(jiān)控，靈敏度更高，因而更具有實(shí)用價值。作為一種相位調(diào)制的光纖傳感器，雙mach-zehnder干涉儀(dualmach-zehnderinterferometer，dmzi)分布式光纖傳感系統(tǒng)^[6][7]在檢測擾動事件方面具有高靈敏度和響應(yīng)速度快等優(yōu)點(diǎn)，而且還可以實(shí)時定位。目前，dmzi分布式光纖傳感器已經(jīng)廣泛應(yīng)用于各類安防領(lǐng)域^{[8][9][10][11]}。

在各類安防應(yīng)用中，急需解決高效、精確地識別入侵事件的問題，因?yàn)槟壳叭匀粵]有一種入侵事件識別方法能夠兼顧分類的準(zhǔn)確性和高效性，而該問題的解決關(guān)鍵在于信號處理算法的設(shè)計(jì)。具體說來，就是要在完成端點(diǎn)檢測^[12][13]后，進(jìn)一步設(shè)計(jì)出一種簡練、恰當(dāng)?shù)娜肭中盘柼卣髅枋龇椒ǎ⒔Y(jié)合相應(yīng)的模式分類措施，有效識別出各類入侵動作^[14][15][16]。

其中，文獻(xiàn)[14]提出的小波識別法雖然其特征向量可通過多級分解得到的不同頻帶的能量來表征^[17]，但是其計(jì)算量會隨小波分解層數(shù)的增加而變大，另外，該特征向量僅考慮了頻域特征，缺少足夠豐富的時域信息，故識別準(zhǔn)確率較低，僅能識別3類入侵事件；

而文獻(xiàn)[16]提出的經(jīng)驗(yàn)?zāi)Ｊ椒纸?empiricalmodedecomposition，emd)方法需逐個求取分解過程中的固有模態(tài)函數(shù)(intrinsicmodefunction，imf)的峭度值，對這些峭度值組合得到的特征向量進(jìn)行分類，即可高精度地識別4類常見動作，然而這些imf需經(jīng)歷多次復(fù)雜的迭代才能獲得，故識別效率不高、且影響實(shí)用性。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供了一種基于綜合特征的光纖周界安防入侵事件識別方法及裝置，本發(fā)明能夠準(zhǔn)確地區(qū)分四類入侵事件；相比于現(xiàn)有的高精度入侵事件識別分類器，本發(fā)明所提出的dmzi侵犯動作識別器在工作效率方面有明顯優(yōu)勢，詳見下文描述：

一種基于綜合特征的光纖周界安防入侵事件識別方法，所述識別方法包括以下步驟：

將確定擾動起始點(diǎn)的信號饋入全相位濾波器組的各個通道進(jìn)行頻域分離處理，并計(jì)算各通道輸出信號的歸一化功率值，各通道輸出信號為并行輸出；

綜合歸一化功率值以及整段擾動信號的時域過零率生成特征向量，即所述特征向量蘊(yùn)含時、頻域兩方面信息；

將特征向量饋入徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)即可實(shí)現(xiàn)入侵動作快速高精度識別。

其中，所述將確定擾動起始點(diǎn)的信號饋入全相位濾波器組的各個通道進(jìn)行頻域分離處理，并計(jì)算各通道輸出信號的歸一化功率值具體為：

將確定擾動起始點(diǎn)的信號并行饋入到全相位濾波器組，該全相位濾波器組包含q個子fir濾波器g0,...,gq-1，計(jì)算出濾波輸出yq(n)的q個歸一化功率值eq。

其中，所述綜合歸一化功率值、以及整段擾動信號的時域過零率生成特征向量的步驟具體為：

計(jì)算信號x(n)的整體過零率，將該值與q個歸一化功率值eq做綜合得到長度為q+1的綜合特征向量f＝[e0,e1,...,eq-1,zcr]。

其中，所述全相位濾波器組具體為：

gq(n)＝ωc(n)hq(n),q＝0,...,q-1.

其中，gq(n)為子fir濾波器系數(shù)；ωc(n)為雙窗卷積窗；hq(n)為濾波器系數(shù)；q為變量，表示第q個子濾波器；q為濾波器組所含子濾波器個數(shù)。

其中，所述將特征向量饋入徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)即可實(shí)現(xiàn)入侵動作快速高精度識別具體為：

通過將未標(biāo)記分類的特征向量饋入訓(xùn)練好的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，借助已優(yōu)化后的網(wǎng)絡(luò)參數(shù)，算出輸出值z1,...,zp，取輸出值的最大值來確定當(dāng)前輸入特征向量的所屬分類。

其中，所述方法還包括：

通過4個輸出值z1,...,zp實(shí)現(xiàn)對攀爬、敲擊、晃動和盜剪的事件的精確識別。

一種基于綜合特征的光纖周界安防入侵事件識別方法的識別裝置，所述裝置包括：模數(shù)轉(zhuǎn)化器和dsp器件，

將信號送入模數(shù)轉(zhuǎn)化器采樣得到樣本序列x(n)，以并行數(shù)據(jù)輸入的形式進(jìn)入dsp器件，同時設(shè)定濾波器階數(shù)n、頻率向量h中0與1的個數(shù)e和m；

經(jīng)過dsp器件的處理得到特征向量，最終由神經(jīng)網(wǎng)絡(luò)識別不同的入侵動作。

本發(fā)明提供的技術(shù)方案的有益效果是：

1、在dmzi光纖傳感系統(tǒng)中實(shí)現(xiàn)模式識別分類，而且具有很高的準(zhǔn)確度；

通過試驗(yàn)驗(yàn)證了本發(fā)明具有高精度和高效率的特點(diǎn)，相比基于emd的模式識別方法具有更高的優(yōu)越性。

2、構(gòu)造精簡的綜合特征向量，實(shí)現(xiàn)對各類入侵事件全面的描述；

本發(fā)明同時結(jié)合了入侵事件的頻域和時域特征，全面精確描述每類入侵事件的特點(diǎn)；同時，本發(fā)明所提出的特征向量十分精簡，只用了4個元素就可以對4類事件進(jìn)行精確描述，這為后續(xù)高精度高效率的模式分類奠定基礎(chǔ)。

3、可避免因周邊環(huán)境自然擾動(下雨、刮風(fēng)、非侵犯性振動)引起的虛警。

這是因?yàn)椋苓叚h(huán)境自然擾動的功率主要分布在低頻區(qū)域，而本發(fā)明在配置全相位濾波器組的多路頻率向量時，已經(jīng)把低頻率向量元素設(shè)置為零，故周邊環(huán)境自然擾動對最終混合特征向量沒有貢獻(xiàn)，從而避免了虛警現(xiàn)象的發(fā)生。

附圖說明

圖1為dmzi分布式光纖傳感系統(tǒng)的原理圖；

圖2為dmzi分布式光纖傳感系統(tǒng)入侵事件識別流程圖；

圖3為入侵事件識別器設(shè)計(jì)流程圖；

圖4為濾波器組衰減曲線示意圖；

其中，(a)為本發(fā)明濾波器組的衰減曲線；(b)為基于經(jīng)典頻率采樣法的濾波器組衰減曲線。

圖5為rbf神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖；

圖6為濾波器組處理結(jié)果示意圖；

其中，(a)為攀爬；(b)為敲擊；(c)為晃動；(d)為剪切。

圖7為四種入侵事件的平均特征向量示意圖；

其中，(a)為攀爬圍欄；(b)為敲擊光纜；(c)為晃動光纜；(d)為盜剪。

圖8為本發(fā)明的硬件實(shí)施圖；

圖9為dsp內(nèi)部程序流圖。

表1為兩種方法的實(shí)驗(yàn)精度對比圖；表2為兩種方法的處理時間對比圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面對本發(fā)明實(shí)施方式作進(jìn)一步地詳細(xì)描述。

實(shí)施例1

本發(fā)明實(shí)施例以雙mach-zehnder分布式光纖傳感系統(tǒng)為背景，提出一種基于綜合特征的入侵事件識別方法，參見圖1，該方法包括以下步驟：

101：對輸入的擾動信號進(jìn)行端點(diǎn)檢測，判斷擾動起始點(diǎn)；

102：將確定擾動起始點(diǎn)的信號饋入全相位濾波器組^[18][19][20]的各個通道進(jìn)行頻域分離處理，并計(jì)算各通道輸出信號的歸一化功率值；

103：綜合歸一化功率值、以及整段擾動信號的時域過零率(zero-crossingrate，zcr)生成特征向量；

104：將特征向量饋入徑向基函數(shù)(radialbasisfunction，rbf)神經(jīng)網(wǎng)絡(luò)^[21][22]即可實(shí)現(xiàn)入侵動作快速高精度識別。

綜上所述，本發(fā)明實(shí)施例由于采用綜合特征向量同時考慮了入侵事件的頻域、時域信息，使其能夠準(zhǔn)確地區(qū)分四類入侵事件，相比于現(xiàn)有的高精度入侵事件識別分類器，在工作效率方面有明顯優(yōu)勢；所采用的全相位濾波器組采用并行流水線的方式進(jìn)行工作，使得各子濾波器間的通道間干擾很小，為準(zhǔn)確提取特征向量提供了可能。

實(shí)施例2

下面結(jié)合具體的計(jì)算公式、實(shí)例對實(shí)施例1中的方案進(jìn)行進(jìn)一步地介紹，詳見下文描述：

基于dmzi原理的分布式光纖傳感系統(tǒng)的結(jié)構(gòu)原理如圖1所示，p點(diǎn)為擾動點(diǎn)，傳感光纜長度為l。激光器發(fā)出的光通過隔離器后經(jīng)由耦合器c1后被平均分為兩束光線，這兩束光射入由c2、c3組成的雙mach-zehnder干涉儀中，之后兩束光分別以順時針和逆時針方向在傳感環(huán)路中傳播，并且在對端的耦合器(c3或者c2)上發(fā)生干涉并輸出到探測器pd1和pd2上。探測器把光信號轉(zhuǎn)化成電信號，經(jīng)過隔直流后由對應(yīng)的高速采集卡(dataacquisition，daq)采集到。根據(jù)實(shí)際需求的不同，采集卡daq被設(shè)定為不同的采樣率。

具體說來，圖1中的daq1用于端點(diǎn)檢測和入侵事件分類，daq2用于入侵事件定位。最終，通過在工業(yè)計(jì)算機(jī)中(industrialpersonalcomputer，ipc)執(zhí)行相關(guān)算法實(shí)現(xiàn)所需功能(比如端點(diǎn)檢測、入侵定位和模式分類)。

一般情況下，dmzi分布式光纖傳感系統(tǒng)的入侵事件識別通常需經(jīng)歷如圖2所示的流程：首先，通過降噪、高通濾波等數(shù)據(jù)預(yù)處理措施來增強(qiáng)光纖振動信號的質(zhì)量并提取事件發(fā)生的時間端點(diǎn)位置；其次，運(yùn)行特征提取算法，將龐大的預(yù)處理后的樣本恰當(dāng)?shù)孛枋龀珊喍叹珶挼奶卣飨蛄?；最后，選擇合適的分類器對特征向量做訓(xùn)練及測試，輸出入侵動作的識別結(jié)果。在以上步驟中，特征提取算法是影響入侵動作識別性能的最主要因素。

201：初始化及預(yù)處理；

對多組非入侵動作樣本進(jìn)行快速傅里葉分析(fastfouriertransform，fft)得到空閑環(huán)境的下限截止頻率fe，進(jìn)一步用fe為截止頻率的高通濾波器(highpassfilter，hpf)檢測出光纖振動信號中與入侵事件對應(yīng)的端點(diǎn)位置。

另外，用fe和動作上限截止頻率fu(可事先對常見的入侵振動信號做統(tǒng)計(jì)譜分析得到)對q個子濾波器g0,...,gq-1的系數(shù)進(jìn)行配置。

其中，上述初始化及預(yù)處理的步驟為本領(lǐng)域技術(shù)人員所公知，本發(fā)明實(shí)施例對此不做贅述。

202：特征提??；

將預(yù)處理后的信號x(n)并行饋入到全相位濾波器組(包含q個子fir濾波器g0,...,gq-1)，計(jì)算出其濾波輸出yq(n)(q＝0,...,q-1)的q個歸一化功率值eq。

另外，直接計(jì)算信號x(n)的整體過零率(zcr)，將該值與eq做綜合得到長度為q+1的綜合特征向量f＝[e0,e1,...,eq-1,zcr]。

其中，第q個輸出信號的歸一化功率值可由下式計(jì)算得到：

過零率可由下式計(jì)算得到：

其中，“sign”表示取符號操作，由下式算出：

203：rbf神經(jīng)網(wǎng)絡(luò)模式識別。

將特征提取得到的綜合特征向量f以及對應(yīng)標(biāo)簽(用于識別各類動作)饋入rbf神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，再將未知種類入侵信號的特征向量饋入該網(wǎng)絡(luò)作測試，并輸出入侵動作的模式識別結(jié)果。

如圖3所示，借助全相位濾波器組，能夠把輸入信號x(n)分成占據(jù)不同頻率通道的q個子信號y0(n),...,yq-1(n)，進(jìn)而方便于從中提取具體特征，作為后續(xù)動作模式識別的依據(jù)。文獻(xiàn)[18]指出，全相位fir濾波器系數(shù)可由下列3個簡單步驟得到。

1、對于某個滿足h(k)＝h(n-k)的頻率向量h做廣義離散傅里葉逆變換(inversediscretefouriertransform，idft)而得到向量h＝[h(n-n+k),...,h(-1)，h(0)，h(1),...,h(n-1)]，即

其中，h(n)為濾波器系數(shù)；h(k)為濾波器頻率向量；n為頻率向量長度；n為變量；k為變量。

2、將某個長度為n的窗f(n)，與自身的翻轉(zhuǎn)窗進(jìn)行卷積，生成長度為2n-1的雙窗卷積窗，即

wc(n)＝f(n)*f(-n),-n+1≤n≤n-1,(2)

其中，wc(n)為雙窗卷積窗；f(-n)為窗函數(shù)。

3、將h(n)與wc(n)對應(yīng)元素相乘，即得最終的長度為2n-1的濾波器系數(shù)g(n)。

以上步驟中，濾波器的通帶范圍是在步驟1中通過改變頻率向量h來實(shí)現(xiàn)的。為獲得q個通帶位于不同范圍的子濾波器，不妨將其頻率向量hq(q＝0,...,q-1)的期望通帶的元素值設(shè)置為1，其他元素設(shè)置為0。具體而言，頻率向量hq的格式如下：

其中，e為阻帶寬度；m為期望通帶寬度；q表示第q個子濾波器。

無入侵時dmzi系統(tǒng)的周邊環(huán)境干擾以低頻成分為主(該干擾的截止頻率fe可通過對多組入侵樣本做fft統(tǒng)計(jì)分析得到)。顯然，頻率f∈(0,fe)內(nèi)的環(huán)境干擾不應(yīng)作為動作特征，故式(3)的hq在低頻段設(shè)置了e個0對其進(jìn)行抑制。

令daq1的采樣速率為fs，則頻率向量hq的每個元素占據(jù)的模擬帶寬為δf＝fs/n，故整數(shù)參數(shù)e應(yīng)配置如下：

e＝[fe/δf]＝[nfe/fs](4)

其中，符號“[]”表示四舍五入操作，δf為每個元素占據(jù)的模擬帶寬。

從而式(3)所對應(yīng)的子濾波器gq的理想通帶范圍為：

f∈[(qm+e)δf,(qm+e+m)δf]，q＝0,...,q-1.(5)

從式(3)，(5)可看出，每個子濾波器的通帶寬度為mδf，假定常見入侵事件的上限頻率為fu(可提前對多組動作進(jìn)行fft統(tǒng)計(jì)分析得到)，則整個濾波器組的通帶帶寬為b＝fu-fe，每個子濾波器通帶寬度則為b/q，故參數(shù)m配置如下：

進(jìn)一步地，把式(1)中的h(k)替換為式(3)的hq(k)，可得到其廣義idft的計(jì)算結(jié)果hq(n)

最后，根據(jù)步驟3，可得所有q個全相位子fir濾波器的系數(shù)為：

gq(n)＝ωc(n)hq(n),q＝0,...,q-1.(8)

從以上推導(dǎo)可看出，只需分別用式(4)，(6)確定環(huán)境干擾參數(shù)e和通帶參數(shù)m，將之代入式(7)，(8)即可直接得到全相位fir濾波器組的所有系數(shù)g0(n),...,gq-1(n)，即將三步驟全相位濾波器設(shè)計(jì)法簡化為代入解析公式一步實(shí)現(xiàn)，故本發(fā)明提出的針對dmzi系統(tǒng)的全相位濾波器的參數(shù)配置方法兼顧了高靈活性和高效性。

眾所周知，fir濾波是前饋的連續(xù)卷積過程，圖3的q個子濾波器實(shí)際上是以并行流水線方式工作，故本方法提出的基于全相位濾波器組的特征提取無需任何迭代處理，相比于emd分解方法，大大提高了工作效率。

如前所述，事件識別的準(zhǔn)確度由全相位濾波器的傳輸性能決定。具體說來，對某個子濾波器來說，在相鄰子濾波器頻帶內(nèi)衰減應(yīng)盡量大，才能降低特征向量各元素之間的耦合；反過來，在事件識別精度一定的情況下，濾波器的帶外衰減越大，所要求的子濾波器數(shù)目就越少，對應(yīng)的特征向量長度就越短。文獻(xiàn)[17]指出，全相位濾波器頻率響應(yīng)的內(nèi)插函數(shù)用卷積窗傅里葉譜替代了傳統(tǒng)的矩形窗傅里葉譜，故可以保證很大的帶外衰減，以下用一具體實(shí)例說明該問題。

令頻率向量長度n＝256，數(shù)據(jù)采集卡daq1的采樣率fs＝10khz，濾波器組的子濾波器個數(shù)q＝5。借助現(xiàn)場統(tǒng)計(jì)分析，推算出環(huán)境干擾的截止頻率為fe＝250hz，一般入侵事件上限頻率為fu＝3500hz，根據(jù)式(4)，(6)可確定濾波器參數(shù)e＝6，m＝17，窗函數(shù)f(n)選用hamming窗。根據(jù)式(7)，(8)得到5個子濾波器g0(n),...,g4(n)，相應(yīng)的衰減曲線為20lg|gq(j2πf)|,q＝0,...,4，如圖4中的(a)所示；為進(jìn)行比較，給出采用經(jīng)典頻率采樣法得到的衰減曲線20lg|hq(j2πf)|,q＝0,...,4，如圖4中的(b)所示。

從圖4可看出，采用經(jīng)典頻率采樣法得到的濾波器組傳輸曲線圖在通帶內(nèi)有明顯波紋，每個子濾波器的第1旁瓣衰減只有-20db；相比之下，本方法采用的全相位濾波器組幾乎不存在通帶波紋，每個子濾波器的第1旁瓣衰減接近-70db，這意味著相比于頻率采樣法，全相位濾波器組的各子濾波器之間的耦合程度大幅度降低；另外，在頻率低于f∈(0,250)hz的區(qū)域，全相位濾波器組的衰減曲線仍接近-70db，這意味著環(huán)境干擾可較徹底地得以消除。全相位濾波器組的這些良好性能保證了后續(xù)動作識別的高準(zhǔn)確性。

不難理解，全相位濾波器組并行輸出子信號y0(n),...,yq-1(n)的q個功率值反映了輸入信號x(n)在各頻段的能量分布，若這些功率值與原整段輸入x(n)的過零率zcr結(jié)合，即可構(gòu)造出蘊(yùn)含時、頻域兩方面信息的綜合特征向量。

1)功率：假定輸出樣本長度為l，則全相位濾波器組的第q個輸出信號yq(n)的平均功率eq可由下式算出：

其中，eq為平均功率。

然而，由于過零率zcr總是處于(0，1)區(qū)間內(nèi)，而平均功率可能遠(yuǎn)遠(yuǎn)超出該區(qū)間，因而為保證特征向量內(nèi)部各元素取值范圍的均衡性，需對平均功率做歸一化處理，即算出如下功率值eq最后可以得到歸一化后的功率值：

2)過零率：過零率zcr是在時域內(nèi)整體統(tǒng)計(jì)的性能指標(biāo)，反映的是信號變化快慢程度。zcr可由下式算出：

這里操作符“sign”表示取符號操作，由下式算出：

將以上兩種特征作組合，即可構(gòu)造出綜合特征向量f＝[e0,e1,...,eq-1,zcr]，用于饋入rbf神經(jīng)網(wǎng)絡(luò)進(jìn)行動作模式識別。

近年來，人工神經(jīng)網(wǎng)絡(luò)因具有強(qiáng)大的自學(xué)習(xí)能力以及易于硬件實(shí)現(xiàn)等優(yōu)點(diǎn)受到廣泛關(guān)注。rbf神經(jīng)網(wǎng)絡(luò)作為一種前饋神經(jīng)網(wǎng)絡(luò)，具有學(xué)習(xí)算法收斂速度快的優(yōu)點(diǎn)。本方法采用rbf神經(jīng)網(wǎng)絡(luò)進(jìn)行入侵動作模式識別。

最基本的rbf神經(jīng)網(wǎng)絡(luò)主要由輸入層、單隱層和輸出層三部分組成。輸入層作為特征向量的輸入端，其神經(jīng)元數(shù)目應(yīng)與訓(xùn)練樣本的維數(shù)相同；單隱層采用徑向基函數(shù)作為神經(jīng)元激活函數(shù)，并與輸出層之間以一定的權(quán)值實(shí)行全連接；輸出層則是對隱層神經(jīng)元輸出的線性組合，輸出神經(jīng)元數(shù)目由所需要區(qū)分的模式數(shù)目決定。對于dmzi系統(tǒng)的動作識別情況而言，如圖5所示，需饋入(q+1)維向量f＝[e0,e1,...,eq-1,zcr]，輸出為m個動作的判決值z1,...,zp，這些判決值由下式算出：

其中，h為隱層神經(jīng)元數(shù)目，ci和ωi,p分別是第i個隱層神經(jīng)元所對應(yīng)的中心和權(quán)重，ρ(f,ci)為徑向基函數(shù)，通常定義為樣本數(shù)據(jù)f到數(shù)據(jù)中心ci之間歐氏距離的單調(diào)減函數(shù)，p為識別種類數(shù)目。本方法選用高斯函數(shù)作為徑向基函數(shù)。按照式(13)算出z1,...,zp后，取其最大值來判斷入侵動作的類別(一共可識別p種入侵動作)。

圖5的rbf網(wǎng)絡(luò)的訓(xùn)練過程如下：對于已知入侵事件類別(假設(shè)為第p種，p＝1,...,p)的特征向量，將對應(yīng)輸出zp標(biāo)記為1，其余標(biāo)記為0，以訓(xùn)練過程中實(shí)際zp值和標(biāo)記值的均方誤差(meansquareerror，mse)為向?qū)?，對多個用于訓(xùn)練的特征向量做處理，不斷地優(yōu)化隱層的徑向基函數(shù)的各參數(shù)(包括平均值c1,...,ch、方差σ1,...,σh)以及隱層和輸出層之間的權(quán)值ωi,p(i∈[1,h],p∈[1,p])。

圖5的rbf網(wǎng)絡(luò)的測試過程如下：將未標(biāo)記分類的特征向量饋入訓(xùn)練好的網(wǎng)絡(luò)，借助已優(yōu)化后的網(wǎng)絡(luò)參數(shù)，算出輸出值z1,...,zp，取其最大值來確定當(dāng)前輸入特征向量的所屬分類。

綜上所述，本發(fā)明實(shí)施例由于采用綜合特征向量同時考慮了入侵事件的頻域、時域信息，使其能夠準(zhǔn)確地區(qū)分四類入侵事件，相比于現(xiàn)有的高精度入侵事件識別分類器，在工作效率方面有明顯優(yōu)勢；所采用的全相位濾波器組采用并行流水線的方式進(jìn)行工作，使得各子濾波器間的通道間干擾很小，為準(zhǔn)確提取特征向量提供了可能。

實(shí)施例3

下面結(jié)合具體的試驗(yàn)、附圖、以及表格對實(shí)施例1和2中的方案進(jìn)行可行性驗(yàn)證，詳見下文描述：

實(shí)驗(yàn)在激光源為1550nm的分布式反饋激光，光強(qiáng)為3.5mv的dmzi分布式光纖傳感系統(tǒng)上進(jìn)行。傳感光纜總長度為2.25km，daq1采樣率fs＝10khz，記錄時間為3s。對4類常見入侵事件：攀爬圍欄、敲擊光纜、晃動和盜剪進(jìn)行480次數(shù)據(jù)采集，每類入侵事件重復(fù)次數(shù)為120次。

特征向量長度的選取主要出于兩方面考慮：一方面，考慮到要識別p＝4類入侵事件，為保證模式識別分類的準(zhǔn)確度，特征向量長度q+1應(yīng)大于或等于所要識別的事件數(shù)目4；另一方面，因?yàn)椴捎眠^長的特征向量會使得特征提取的計(jì)算復(fù)雜度增加，所以q值又不宜過大?；谝陨峡紤]，本實(shí)驗(yàn)將全相位子濾波器數(shù)目設(shè)置為q＝3，從而特征向量f長度為4(文獻(xiàn)[15]的特征向量長度為6)。

設(shè)定濾波器頻率向量長度n＝256，則頻率分辨率δf＝fs/n＝39.0625hz。分別對非入侵樣本以及入侵樣本做fft統(tǒng)計(jì)分析，得到濾波器的截止頻率fe＝220hz、fu＝4000hz。因此，全相位濾波器組的通帶寬度為b＝fu-fe＝3780hz，由式(4)，(6)可確定參數(shù)e＝6，m＝32，由式(5)可估算出子濾波器的通帶范圍分別為f∈[234.375,1484.375]hz，f∈[1484.375,2734.375]hz，f∈[2734.375,3984.375]hz。4類入侵信號以及經(jīng)過全相位濾波器組處理后的各路子信號波形如圖6所示。

從圖6可看出，4類動作的原始信號x(n)波形差別不明顯；經(jīng)過全相位濾波器組處理后，其輸出信號y0(n),y1(n),y2(n)卻呈現(xiàn)出很明顯的差異，這保證了后續(xù)模式識別的準(zhǔn)確度。

依據(jù)式(9)～式(12)，可算出綜合特征向量f＝[e0,e1,...,eq-1,zcr]。為更突出表達(dá)各類入侵事件特征向量的特征，對每類事件包含的所有樣本的綜合特征向量取平均，得到如圖7所示的平均綜合特征向量。

從圖7可看出，各類事件的綜合特征向量具有明顯區(qū)別：攀爬信號變化最快，具有最大的過零率；晃動信號的功率值e0最大，e1，e2則遠(yuǎn)小得多，即e0～e2變化最為劇烈；剪切信號e0值高于敲擊信號的e0值，e0～e2的變化更劇烈些，且過零率最小。

本實(shí)驗(yàn)采用圖5的rbf神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識別，具體參數(shù)設(shè)置如下：最小mse值預(yù)設(shè)為0.0442289；最大神經(jīng)元數(shù)目h為30。神經(jīng)元數(shù)目將會逐漸增加，直到mse滿足預(yù)設(shè)要求。將神經(jīng)網(wǎng)絡(luò)的4個輸出z＝[z1,z2,z3,z4]分別表示攀爬、敲擊、晃動、剪切入侵事件。盡管采用較多的訓(xùn)練樣本會提高識別的精度，但這會增加處理時間，為權(quán)衡以上兩點(diǎn)，本實(shí)驗(yàn)共采集480組數(shù)據(jù)，其中，每種入侵信號的訓(xùn)練樣本數(shù)設(shè)為50，測試樣本數(shù)設(shè)為70。表1給出了最終的識別成功率，并與emd方法進(jìn)行比較。

從表1中可以看出，本方法相比于emd方法在精度方面具有很大的提升，這一方面是由于濾波器組對頻率的精確劃分，使得每個特征元素之間的耦合度降低，使得特征描述更加準(zhǔn)確；另一方面是由于過零率的引入使得特征向量同時兼具時域、頻域和統(tǒng)計(jì)特征，更加全面的描述各類事件的特征。

另外，表2還列出了emd方法和本方法的處理時間。這也展現(xiàn)了本方法在效率方面的極大優(yōu)勢。

表1兩種方法的實(shí)驗(yàn)精度對比

從表1可看出，本方法平均識別率為88.5725％，emd方法的平均識別率為85.75％，故本方法總體識別精度高于emd方法。具體而言，本方法的識別精度最高可達(dá)100％(晃動事件)，攀爬事件和剪切事件的識別率均高于emd方法，敲擊事件的識別率接近于emd方法。其主要原因在于：

1)本方法采用了綜合特征向量(emd方法只用了單一的峭度特征向量)對入侵事件做了更全面描述；

2)本方法引入了各子通道的耦合程度非常小的全相位濾波器組(emd方法各次迭代得到的imf之間耦合仍較大)。

表2兩種方法的處理時間對比

實(shí)施例4

本發(fā)明實(shí)施例1和2提供的基于綜合特征的光纖周界安防入侵事件識別方法對應(yīng)的識別裝置，參見圖8。

將待濾波的信號x(t)首先經(jīng)過端點(diǎn)檢測，判斷出事件發(fā)生的起點(diǎn)，從起點(diǎn)開始，將后面一段時間的信號送入a/d(模數(shù)轉(zhuǎn)化器)采樣得到樣本序列x(n)，以并行數(shù)據(jù)輸入的形式進(jìn)入dsp器件，同時設(shè)定濾波器階數(shù)n、頻率向量h中0與1的個數(shù)e和m，經(jīng)過dsp器件的內(nèi)部算法處理(包括輸入數(shù)據(jù)x(n)的全相位預(yù)處理以及卷積窗、q個濾波器系數(shù)向量g0,...,gq-1，得到信號的濾波輸出y0,...,yq-1，進(jìn)而得到特征向量f，最終由rbf神經(jīng)網(wǎng)絡(luò)識別4種不同的入侵動作)。

其中，圖8的dsp(digitalsignalprocessor，數(shù)字信號處理器)為核心器件，在信號參數(shù)估計(jì)過程中，完成如下主要功能：

(1)調(diào)用核心算法，完成輸入信號的濾波；

(2)根據(jù)實(shí)際需要調(diào)整濾波器階數(shù)n、濾波器帶寬λ、濾波器通帶起始位置p，以此來構(gòu)建子濾波器g。

(3)將各子通道濾波結(jié)果分別輸出。

(4)計(jì)算得到特征向量f。

(5)根據(jù)rbf神經(jīng)網(wǎng)絡(luò)判別侵犯事件種類。

需指出，由于采用了數(shù)字化的估計(jì)方法，因而決定了系統(tǒng)的復(fù)雜度、實(shí)時程度和穩(wěn)定度的主要因素并不是圖8中dsp器件的外圍連接，而是dsp內(nèi)部程序存儲器所存儲的核心估計(jì)算法。

dsp器件的內(nèi)部程序流程如圖9所示。

圖9流程分為如下幾個步驟：

(1)首先需根據(jù)具體應(yīng)用要求(如待濾波信號通帶帶寬)，設(shè)置全相位濾波器參數(shù)n、e與m。該步驟是從工程方面提出具體需求，以使得后續(xù)流程有針對性地進(jìn)行處理。

(2)根據(jù)式(18)，生成濾波器濾波系數(shù)g。

(3)然后，cpu主控器從i/o端口讀采樣數(shù)據(jù)，進(jìn)入內(nèi)部ram。

(4)采用所構(gòu)造的全相位濾波器組對輸入信號進(jìn)行濾波，得到輸出yq(n)，q＝0,...,q-1。

(5)由輸出yq(n)以及能量的計(jì)算公式，得到特征向量f。

(6)把特征向量f送入rbf神經(jīng)網(wǎng)絡(luò)，得到最終的輸出zp。

需指出，由于采用了dsp實(shí)現(xiàn)，使得整個參數(shù)估計(jì)操作變得更為靈活，可根據(jù)信號所包含的各種分量的具體情況，通過編程靈活改變算法的內(nèi)部參數(shù)設(shè)置。

本發(fā)明實(shí)施例對各器件的型號除做特殊說明的以外，其他器件的型號不做限制，只要能完成上述功能的器件均可。

參考文獻(xiàn)

[1]rangaswamys,vandoorne.perimetersecuritysystem:u.s.patent8,232,878[p].2012-7-31.

[2]p.m.b.s.girao,o.a.postolache,j.a.b.faria,andj.m.c.d.pereira,“anoverviewandacontributiontotheopticalmeasurementoflineardisplacement,”ieeesens.j.,vol.1,no.4,pp.322–331,dec.2001.

[3]h.gong,h.song,s.zhang,y.jin,andx.dong,“curvaturesensorbasedonhollow-corephotoniccrystalfibersagnacinterferometer,”ieeesens.j.,vol.14,no.3,pp.777–780,mar.2014.

[4]于勝云,孫勝利.多路無線紅外探測智能安防系統(tǒng)設(shè)計(jì)[j].激光與紅外,2008,38(4)：345-347.

[5]樊治敏.張力式電子圍欄周界防范報警系統(tǒng)設(shè)計(jì)原理及應(yīng)用現(xiàn)狀[j].中國安防,2008(3)：42-45.

[6]q.sun,d.liu,andh.liu,“distributeddisturbancesensorbasedonanovelmach–zehnderinterferometerwithafiber-loop,”proc.spie,vol.6344,pp.63440k(1)–63440k(7),2006.

[7]q.sun,d.liu,andh.liu,“distributedfiber-opticsensorwitharingmach–zehnderinterferometer,”proc.spie,vol.6781,pp.67814d(1)–67814d(8),2007.

[8]s.xie,m.zhang,s.lai,andy.liao,“positioningmethodfordualmach-zehnderinterferometricsubmarinecablesecuritysystem,”proc.spie,vol.7677,pp.76770a–1–76770a–4,apr.2010.

[9]l.jiangandr.yang,“identificationtechniquefortheintrusionofairportenclosurebasedondoublemach-zehnderinterferometer,”journalofcomputers,vol.7,no.6,pp.1453–1459,2012.

[10]j.juarez,e.maier,k.choi,andh.taylor,“distributedfiber-opticintrusionsensorsystem,”ieeej.lightw.technol.,vol.23,no.6,pp.2081–2087,jun.2005.

[11]s.xie,q.zou,l.wang,m.zhang,y.li,andy.liao,“positioningerrorpredictiontheoryfordualmach-zehnderinterferometricvibrationsensor,”ieeej.lightw.technol.,vol.29,no.3,pp.362–368,feb.2011

[12]x.huang,j.yu,k.liu,t.liu,andq.chen,“configurablefilter-basedendpointdetectionindmzivibrationsystem,”ieeephoton.technol.lett.,vol.26,no.19,pp.1956–1959,oct.2014.

[13]huangx,wangy,liuk,etal.high-efficiencyendpointdetectioninopticalfiberperimetersecurity[j].2016,pp(99)：1-1.

[14]l.liu,w.sun,y.zhou,y.li,j.zheng,andb.ren,“securityeventclassificationmethodforfiber-opticperimetersecuritysystembasedonoptimizedincrementalsupportvectormachine,”inpatternrecognition.springer,2014,pp.595–603.

[15]s.s.mahmoud,y.visagathilagar,andj.katsifolis,“real-timedistributedfiberopticsensorforsecuritysystems：performance,eventclassificationandnuisancemitigation,”photonicsensors,vol.2,no.3,pp.225–236,2012

[16]k.liu,m.tian,t.liu,j.jiang,z.ding,q.chen,c.ma,c.he,h.hu,andx.zhang,“ahigh-efficiencymultipleeventsdiscriminationmethodinopticalfiberperimetersecuritysystem,”ieeej.lightw.technol.,vol.33,no.23,pp.4885–4890,2015.

[17]李凱彥,趙興群,孫小菡,等.一種用于光纖鏈路振動信號模式識別的規(guī)整化復(fù)合特征提取方法[j].物理學(xué)報,2015,64(5)：243-249.

[18]huangx,jings,wangz,etal.closed-formfirfilterdesignbasedonconvolutionwindowspectruminterpolation[j].ieeetransactionsonsignalprocessing,2015,64(5)：1-1.

[19]數(shù)字信號全相位譜分析與濾波技術(shù)[m].電子工業(yè)出版社,2009.

[20]x.huang,y.wang,k.liu,t.liu,c.ma,andq.chen,“eventdiscriminationoffiberdisturbancebasedonfilterbankindmzisensingsystem,”ieeephotonicsjournal,vol.8,no.3,pp.1–14,2016.

[21]h.huan,d.hien,andh.tue,“efficientalgorithmfortraininginterpolationrbfnetworkswithequallyspacednodes,”ieeetrans.neuralnetw.,vol.22,no.6,pp.982–988,jun.2011.

[22]w.lyons,h.ewald,ande.lewis,“anopticalfibredistributedsensorbasedonpatternrecognition,”j.mater.process.technol,vol.127,no.1,pp.23–30,2002.

本領(lǐng)域技術(shù)人員可以理解附圖只是一個優(yōu)選實(shí)施例的示意圖，上述本發(fā)明實(shí)施例序號僅僅為了描述，不代表實(shí)施例的優(yōu)劣。

以上所述僅為本發(fā)明的較佳實(shí)施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。