发明内容
本发明的目的是为了解决上述技术的不足而提供一种能提前预警、准确定位的光电复合缆外部安全预警定位系统中计算预警事件发生位置的方法。
为了达到上述目的,本发明所设计的一种光电复合缆外部安全预警定位系统中计算预警事件发生位置的方法,计算方法分为两步,步骤一:典型数据域选取,而后进行事件发生位置计算;步骤二:小波广义互相关定位法,通过以上两步计算获得光电复合缆的外部安全预警和定位系统检测到的预警事件发生的位置信息,其特征是:
步骤一:典型数据域选取:
从采样信号样本中提取出一段事件数据进行处理;假设具有事件响应的信号样本区间为[t1,t2],也即事件开始样本点为t1,结束样本点为t2,那么我们提取出的这段数据从t3开始,到t4结束的[t3,t4]必须具备以下特征:
(1)必须是事件产生之后的信号(t3>t1);
(2)提取的信号接近事件信号的起始点(t3≈t1);
(3)抽取的信号点数(t4-t3<5000);
(4)抽取的信号点数与信号极值点的关系:选择提取的信号段中包含20到50个极值点时根据事件频率把提取信号长度固定在2000点;
步骤二:小波广义互相关定位法:
用基小波在不同尺度下的频谱ψ
*(aω)对相关谱密度函数
进行加权,从而得到了基于小波变换的广义相关时延估计:
(式4-14)
这就相当于用小波产生h1(t)和h2(t)以形成权函数:
这可以看作是相关前利用小波分别对信号x
1(t)和x
2(t)进行预滤波;同时,这也可以看作是用
代替X(ω),即在x
1(t)和x
2(t)相关后再用小波变换处理其相关函数
求解出相关函数
最大值点对应的τ的取值即是两路信号的时延。
为了能够提高时延估计的精度,所述的一种光电复合缆外部安全预警定位系统中计算预警事件发生位置的方法,其特征是对
用三次样条函数进行插值,从而把τ的取值间隔从整数变为任意小数,通过两路信号的时延计算出事件发生的位置信息。
当光电复合缆的外部安全预警和定位系统检测到有报警事件发生并对其进行预警和分类之后,需要将事件发生的位置计算出来,以便监控人员及时赶到事件发生的位置进行相应的光电复合缆保护与维修工作。本发明提供的一种光电复合缆外部安全预警定位系统中计算预警事件发生位置的方法,可以实现对多种不同威胁通信链路和数据安全的侵入事件的位置精确判断,实现多事件的实时定位。
本发明所得到的一种光电复合缆外部安全预警定位系统中计算预警事件发生位置的方法,节约了事件防范的排查时间,为事件发生的防范措施提供了时间余量;使相关人员能就近到达时间现场,提高了人员的使用效率;从技术层面为数据盗取事件的侦破提供了事实依据。
本发明提供的光电复合缆外部安全预警定位系统中计算预警事件发生位置的方法,无需在现有的光纤网络上做任何施工,只需在通讯光纤的节点两端安装双向共光路分布式光纤干涉仪,即可达到系统的设计功能,因此,本发明的系统不仅适用于陆地环境,也适用于水下环境,使之使用简单、适用环境广阔。
具体实施方式
下面通过实施例结合附图对本发明作进一步的描述。
实施例:
本实施例所设计的一种光电复合缆外部安全预警定位系统中计算预警事件发生位置的方法,计算方法分为两步,首先进行预处理,即步骤一:典型数据域选取,而后进行事件发生位置计算,即步骤二:小波广义互相关定位法。通过以上两步计算可以获得光电复合缆的外部安全预警和定位系统检测到的预警事件发生的位置信息。
步骤一:典型数据域选取:
首先,为了满足定位要求,必须保证足够高的采样率,因为采样率与定位的最小单位是成正比的。若需要定位分辨率在100米,那么采样率就需要达到1M,也就是每秒采集到的数据为2Mbytes。前面对信号进行分析时我们已经看到,信号的持续时间通常在0.3s左右,也就是0.6Mbytes的数据量。这就会导致算法的运算量过大,无法实现实时定位的需求。为了满足定位的实时性要求,我们需要尽量较少参加运算的数据量,因此我们不能把整段采样信号都用来进行相关处理。必须从采样信号样本中提取出一段事件数据进行处理。假设具有事件响应的信号样本区间为[t1,t2],也即事件开始样本点为t1,结束样本点为t2,那么我们希望提取出的这段数据[t3,t4](从t3开始,到t4结束)必须具备以下特征:
(1)必须是事件产生之后的信号(t3>t1)。因为在前面信号分析时我们已经看到,无事件的信号可以等效为白噪声。如果t3<t1,那么所提取的信号中的[t3,t1]部分可以看作是白噪声。我们知道,若对包含了一段白噪声的两路信号求取时延,那么时延的精度就会受到白噪声的影响。即使白噪声对时延估计影响很小,该段信号对于定位也不会产生任何贡献,这将造成计算资源的严重浪费。
(2)尽可能接近使提取的信号接近事件信号的起始点(t3≈t1)。理论上可知,当事件作用到光缆上时,光缆内的两根传感臂和一根信号臂的受力方向、受力大小等都可能会存在微小的误差。这种误差通常很小,但是由于该误差会引起光缆中各光纤的偏振态不再一致,而偏振态的差异作用到耦合器上时,受耦合器性能的影响有可能导致两个反方向的干涉仪性能产生较大的差异。随着干涉仪性能的变化,两个干涉仪的信号输出波形将逐渐产生差异,影响定位精度。通过实验我们证明了以上结论:当光缆中各光纤受力严重不均匀时,可以观察到接收到的两路事件信号在初始段一致性非常好,随着时间的推移,两路事件信号的波形就会逐渐产生差异,定位的精度也会随之变差。由于我们的采样率相较事件频率和偏振态变化速率而言要大的多,因此t3和t1之间存在一定的偏差对定位影响不大。实验验证t3和t1之间偏差1000点以内对定位精度的影响趋近于零。
(3)抽取的信号点数不宜太多(t4-t3<5000)。由于广义互相关的方法算法复杂度较高,因此当参与计算的采样点数过多时会导致定位实时性的下降。另外过多的采样点会引入更多的噪声,导致定位精度无法进一步提高。
(4)抽取的信号点数与信号极值点的关系。实验发现,在采用广义互相关的方法对分布式光纤系统监测到的事件定位时,如果参加计算的采样点数目固定,那么事件频率越高,定位精度也越高。也就是说固定时间内信号极值点数目越多对于定位精度的提高越有利。根据前文对信号特性的分析已知事件的高频成分持续时间较短,而且集中在事件开始的部分。这与第二点相符合,即我们要尽量从靠近事件起始点附近选取典型数据域。另外在频率一定的情况下,如果参加定位运算的信号段极点数小于20个,则定位性能恶化的比较明显。随着参与运算的信号极点数的增加,定位性能逐渐提高,但当极点数增加到50个以上时,由于信号频率相对采样率而言较小,则数据量往往又会超过5000。因此我们可以选择提取的信号段中包含20到50个极值点。为了便于实验数据分析,我们根据事件频率暂时把提取信号长度固定在2000点。
为了满足以上要求,算法流程如下:
1、把事件数据样本降采样为原来的1/250以提高运算速度。这是以上面第二点中讨论得出的结论即t3和t1之间偏差1000点以内对定位精度的影响趋近于零为依据的。
2、对降采样后的事件数据样本进行二层小波分解并提取其高频系数进行分析。根据前面章节对于信号的分析可以看出,在事件产生的瞬时通常会产生幅度上的跃变,而且高频成分也都集中在事件产生的初始阶段,随后信号的频率逐渐降低,幅度也随之衰减。因此我们对该事件进行小波分解后提取其高频系数即可以提取出事件信号的奇异值,以便接近信号的起始点位置。这种方法同时去除了温漂对干涉仪输出的影响,以便我们后面可以用幅度阈值的方式选择信号起点。
3、冒泡法求出高频系数的最大值。根据干涉仪输出信号表达式可知,干涉仪输出光强是受作用在干涉仪上的信号的幅度和频率共同影响的,只要频率足够高,就可以接近干涉仪输出的最大值。基于以上分析,我们设定一个略小于高频系数的最大值的数作为幅度阈值(目前取最大值的3/4)。从信号起点开始进行搜索,当找到大于幅度阈值的点A时搜索结束。
4、根据小波系数长度与信号的长度关系以及降采样的步长反推出事件起始点。为了减小降采样对选取事件起始点的影响,将选取的起始点再左移250个点。
5、对于2M采样率的样本,选取区域样本点数的初值为2000点,选取之后求取其极值点数目,如果大于20就保留这两千点数据,如果小于20再以100为步长向左平移信号并增加150个采样点直至极值点数目大于20为止。对于4M采样率的样本,选取区域样本点数的初值为4000点,选取之后求取其极值点数目,如果大于20就保留这四千点数据,
如果小于20再以100为步长向左平移信号并增加300个采样点直至极值点数目大于20为止。
简化后典型数据域选取的流程图如图1所示:
下面以全长4km的光电复合缆上发生的入侵事件为例说明算法是如何确定事件发生的位置信息的。我们通过敲击光电复合缆来模拟威胁事件对其进行事件定位。样本采样率为1M和2M。
选取典型数据域
我们把逆时针干涉仪输出称为A路输出,顺时针干涉仪输出称为B路输出,如图2所示。由上图可以看出两路的波形基本一致,但B路的噪声比较大。为仔细观察输出信号的事件响应特征,我们可以把图片内容放缩到感兴趣的部分如图3。
可以看到,事件信号产生在150000采样点附近。固定时间内信号极值点数目越多对于定位精度的提高越有利,可以看出在150700到152700区域内共存在36个极值点,而且这个区域内的两路信号波形一致性非常好,因此该区域在这个采样样本中可以认为是最优的典型数据域。随即我们利用步骤一讲述的典型数据域选取算法可以获得两路典型数据域波形如图4所示:
根据这种算法定位得到的典型数据域起始采样点为150750,与事件起始点150000相差750点,符合我们误差1000点以内的要求。另外该算法选取出的数据域区间为150750到152750,也与我们人工对事件信号典型数据域的识别结果非常吻合。除了性能优越之外,该算法实时性也非常的好。对于刚才的样本使用非实时的操作系统获取典型数据域也仅耗时0.21秒。
图5为随机抽取5个样本对该算法进行性能测试的数据表格。从图5的表格中可以看出,该算法对1M和2M采样率均适用,起始点偏差均可控制在1000点之内。另外,处理时间差异不大,基本都在0.2到0.25s之间,这是因为起始点定位误差较小,因而通常都可以选取到频率最高的区域,不需要反复平移重新定位选取。我们在工程中使用了该算法作为定位的预处理方法。其有效性可以在后面的定位数据结果分析中进一步得出结论。
小波广义互相关定位算法
用基小波在不同尺度下的频谱ψ*(aω)对相关谱密度函数进行加权,从而得到了基于小波变换的广义相关时延估计。
(式4-14)
这就相当于用小波产生h1(t)和h2(t)以形成权函数:
这可以看作是相关前利用小波分别对信号x
1(t)和x
2(t)进行预滤波。因为小波加权相对经典加权不需要信号和噪声的先验知识。同时,这也可以看作是用
代替X(ω),即在x
1(t)和x
2(t)相关后再用小波变换处理其相关函数
简化后的系统广义互相关算法模型框图如图9所示。求解出相关函数
最大值点对应的τ的取值即是两路信号的时延。为了能够提高时延估计的精度,对
用三次样条函数进行插值,从而可以把τ的取值间隔从整数变为任意小数。通过两路信号的时延即可计算出事件发生的位置信息。
由于信号存在频率接近直流的温度漂移且能量较大,因此这部分信号成分可能会对事件定位造成较大干扰。另外,由于信号携带的高频噪声也会对事件定位的精度造成一定影响,因此我们在处理中分配给这几层小波系数很小的权值以降低它们对定位精度的影响。我们随机从样本集中选取一个数据样本,通过步骤一选择典型数据域并对该典型数据域进行定位处理。为了验证小波广义互相关算法的性能,我们以普通的互相关算法作为参照基准对二者的性能进行比较。
图6-1、图6-2为分别在光电复合缆200米处产生敲击信号直接提取的典型数据域和经过小波预处理后的典型数据域。
由图6-1、图6-2可以看出,两者经过小波预处理的典型数据域的曲线要比直接提取的数据域更加平滑,噪声低很多。另外,经过小波处理后的典型数据峰峰值虽然同直接提取的数据峰峰值相同,但是叠加在信号上的直流和近直流干扰能量大大降低了。这就降低了影响定位精度的因素。相关的效果通过下面的相关函数图能够更加明显的分辨出来。
图7-1、图7-2是直接提取数据域与经过小波预处理数据域相关定位后结果的比较,观察以上两幅图7-1、图7-2不难发现,未经小波预处理的数据域经过互相关处理后其相关函数的包络呈金字塔状,尽管可以明显看出互相关函数的峰值,但峰的形状不是很尖锐,峰值附近的互相关系数取值也都很大,这说明信号中的正交特征提取的不够明显。由此图形不难想象,一旦数据域中存在较大的噪声或干扰因素,则峰值附近的点很有可能发生突变导致互相关函数出现多个最大值点以至于定位偏差较大甚至无法定位。而经过小波预处理的数据域的互相关函数的峰值非常明显,峰的包络非常尖锐,峰值附近的互相关系数取值迅速下降。可见使用小波广义互相关方法定位时,信号的正交性特征得到了很好的提取,定位精度能够得到提高。上例使用直接互相关法定位事件发生在355米处,误差155米。而小波广义互相关算法定位事件发生在定位为197.5米,误差不到3米,性能明显优于直接互相关法。
另外,定位的实时性也是一个很重要的指标,在上面的计算过程中,选取典型数据域的时间为0.219秒。直接对典型数据域进行互相关定位耗时0.297秒,信号处理总耗时0.52秒,而使用小波广义互相关算法定位耗时0.391秒,信号处理总耗时0.63秒,二者均可以满足定位的实时性要求。而小波广义互相关法仅多用了0.1秒的时间就使定位精度获得了极大的改善。
为了更充分的说明以上的分析,我们分别在光缆的不同位置(100米,200米,500米,700米,1000米)处产生事件并以1Mbytes/s的采样率获取事件样本并对其进行定位处理。实验结果如下图8所示,图8定位时间内均不包括典型数据域的选取时间
根据图8可以看出,小波广义相关定位算法的误差在1Mbytes/s采样率的情况下基本都在20米之内,完全可以满足系统的要求。而其运算时间基本都在0.3到0.5秒,加上选取典型数据域的时间也在0.8秒之内,可以满足实时定位的需求。而直接相关的算法虽然速度相对较快,但是精度较差,个别样本误差甚至超过数百米,无法满足系统需求。