CN102045120B - 光纤周界系统的振动信号识别方法 - Google Patents

Abstract

本发明涉及光纤周界系统的振动信号识别方法，包括步骤：步骤1.信号采集；步骤2.加窗处理；步骤3.带通滤波；步骤4.小波降噪；步骤5.振动事件检测；步骤6.特征参数提取；步骤7.模式匹配和分类。本发明的有益效果是：本发明相对现有方法引入了更多特征参数如短时能量E、短时平均幅度M、短时平均过零率Z、小波分解各尺度细节信号能量E_w和振动信号功率谱P，再对外界的振动信号的类别的判断更准确，降低了错误报警的概率。

Description

光纤周界系统的振动信号识别方法

技术领域

本发明属于信号识别技术，尤其涉及一种光纤周界系统的振动信号识别方法。

背景技术

光纤周界系统是基于光纤传感技术的安全技术防范系统。该系统是利用激光、光纤传感和光通信等高科技技术构建的警戒网络或者安全报警系统，是一种对威胁公众安全的突发事件进行监控和警报的现代防御体系。这一技术的发展既反映了现代反恐斗争的需要，也满足了我国现阶段对周界报警的需求。传感光纤采用铠装的通信光缆，它能保证在不受外界多变的气候和恶劣环境的影响下，仍然能采集细小的震动。当光信号由激光器输送进光纤时，探测器会处理接收到的光信号的相位。假设传感光缆没有受到任何干扰或光的传输没有变化，那么光信号的相位也将不发生变化；当传感光纤受到运动或震动的干扰时，光信号的传输模式就会发生变化。运动、震动、压力都会导致形态被干扰而产生光信号相位的改变。光电探测器对相位改变进行探测，探测干扰的强度和类型，然后对探测到的信号进行处理，判别它是否符合触发“事件”的条件。如果符合条件，触发一个“事件”，否则，忽略该信号。判断探测到的信号是否符合触发“事件”的标准是用户在软件中对每个防区设置的参数依据。

现有的光纤周界系统的振动信号识别方法主要采用基于入侵振动信号的时域特征进行分析如振动幅度，由于进行阈值判断的特征参数数量少，因此不能更准确的区分各种外界振动信号，因此误报率很高。

发明内容

本发明的目的是为了克服现有的光纤周界系统的振动信号识别方法误报率高的缺点，提出了一种光纤周界系统的振动信号识别方法，该方法具有更多的特征参数作为振动信号判断的阈值。

为了实现上述目的，本发明的具体方案是：

光纤周界系统的振动信号识别方法，包括步骤：

步骤1.信号采集：光纤周界系统采集光信号并将其转化为原始电信号S(n)；

步骤2.加窗处理：对原始电信号S(n)进行信号加窗处理后得到一个窗口的加窗电信号S′(n)；

步骤3.带通滤波：采用带通滤波器对加窗电信号S′(n)进行带通滤波得到带通滤波后的电信号s″(n)；

步骤4.小波降噪：对带通滤波后的信号s″(n)进行小波变换处理后进一步去噪得到小波降噪后的电信号s″′(n)；

步骤5.振动事件检测：对小波降噪后的电信号s″′(n)进行分帧，对每帧信号计算其短时能量E_f，若有任一帧短时能量E_f大于预先设定的短时能量阈值则认为小波降噪后的电信号s″′(n)在该窗口内有振动事件发生，直接进入下一步骤，否则认为小波降噪后的电信号s″′(n)在该窗口内没有振动事件发生，回到步骤1继续下一窗口的处理；

步骤6.特征参数提取：对包含了振动事件的小波降噪后的电信号s″′(n)进行特征提取，分别提取窗口的短时能量E、窗口的短时平均幅度M、窗口的短时平均过零率Z、窗口的小波分解各尺度细节信号能量E_w和窗口的振动信号功率谱P；

步骤61.计算每个窗口的短时能量E：对于包含了振动事件的电信号s″′(n)，每个窗口的短时能量E的定义如下：

$E=\underset{m=-\∞}{\overset{\∞}{\mathrm{\Σ}}}{\left[S^{\′\′\′}\left(m\right)w(n-m)\right]}^2=\underset{m=-\∞}{\overset{\∞}{\mathrm{\Σ}}}{S}^{\′\′\′2}\left(m\right)h(n-m)=S^{\′\′\′2}\left(n\right)h\left(n\right)$ 公式(61)；

公式(61)中，n为自然数，代表每个窗口的采用点数，S(n)表示采样点数为n的离散电信号；m为自然数，表示第n个采样点开始加窗处理时对其延迟m个点；w()是加窗处理函数，h()表示单位冲激响应函数，h(n)＝w²(n)。

步骤62.计算窗口的短时平均幅度M：

$M=\underset{m=-\∞}{\overset{\∞}{\mathrm{\Σ}}}\left|S^{\′\′\′}\left(m\right)\right|w(n-m)=\underset{m=n}{\overset{n+N-1}{\mathrm{\Σ}}}\left|{S^{\′\′\′}}_w\left(m\right)\right|$ 公式(62)；

公式(62)中，s″′_w(m)表示s″′(n)经过加窗处理后的电信号，N表示包含了振动事件的电信号s″′(n)所包含的最大采样点数；

步骤63.计算窗口的短时平均过零率Z：短时平均过零率是指窗口的信号通过零值的次数，其实质就是信号采样点符号变化的次数。数学表达式为：

$Z=\frac{1}{2}\underset{m=-\∞}{\overset{\∞}{\mathrm{\Σ}}}\left|\mathrm{sgn}\right[S^{\′\′\′}\left(m\right)]-\mathrm{sgn}[S^{\′\′\′}(m-1)\left]\right|w(n-m)$

$=\frac{1}{2}\underset{m=n}{\overset{n+N-1}{\mathrm{\Σ}}}\left|\mathrm{sgn}\right[{S^{\′\′\′}}_w\left(m\right)]-\mathrm{sgn}[{S^{\′\′\′}}_w(m-1)\left]\right|$ 公式(63)；

公式(63)中，sgn[·]是符号函数，即

公式(64)；

公式(63)计算短时平均过零率容易受到低频的干扰，为此设定一个门限T1，将过零率的含义修改为跨过正负门限的次数，于是，得到修改后的表达式：

$Z=\frac{1}{2}\underset{m=-\∞}{\overset{\∞}{\mathrm{\Σ}}}\left\{\right|\mathrm{sgn}[S^{\′\′\′}\left(m\right)-T1]-\mathrm{sgn}[S^{\′\′\′}(m-1)-T1]|+|\mathrm{sgn}[S^{\′\′\′}\left(m\right)+T1]-\mathrm{sgn}[S^{\′\′\′}(m-1)+T1]\left|\right\}w(n-m)$

                                             公式(65)；

公式(65)中，短时平均过零率Z是用来连续振动信号和间隔振动信号，短时平均过零率Z越大，信号越接近连续振动信号如车辆过往时的振动，否则，越接近间隔振动信号如人的脚步振动。

步骤64.计算窗口的小波分解各尺度细节信号能量特征E_w；采用小波变换方法进行小波分解各尺度细节信号能量特征E_w的提取，得到小波降噪后的电信号s″′(n)在各级逼近空间和细节空间上的信号表示。具体步骤如下：

步骤641.利用信号的多尺度分解及其快速算法对小波降噪后的电信号s″′(n)进行小波变换分别得到逼近空间的低频信号和细节空间的高频信号；

步骤642.对小波降噪后的电信号s″′(n)进行M级小波分解，M为自然数，表示小波变换的尺度，本实施例取M＝8。

步骤643.在第M级逼近空间的低频信号和第一级到第M级细节空间的高频信号上，分别计算它们的信号能量，把计算得到的能量作为分类的特征。

根据上述步骤641到步骤643，将脚步、风信号进行8尺度的小波分解。脚步信号能量主要集中在5、6尺度，而风振动信号能量主要集中在7、8尺度。

步骤65.计算窗口的振动信号功率谱特征P：采用功率谱估计的Welch方法把小波降噪后的电信号s″′(n)进行分帧处理，分别求每一帧的功率谱，然后对所有帧的功率谱求和后取每一帧的平均值作为该窗口的振动信号功率谱特征P。

步骤7.模式匹配和分类：将步骤6中提取出来的特征参数与从模板特征库中读取出来的特征参数在概率神经网络(PNN)分类器中进行模式匹配和分类，模式匹配和分类完成后得到报警信号和非报警信号。

步骤71.消除量纲：由于特征参数如短时能量E、短时平均幅度M、短时平均过零率Z、小波分解各尺度细节信号能量E_w和振动信号功率谱P的的量纲不同，若直接对这些参数进行识别会影响识别精度，故需要消除量纲的影响。这里采用归一化处理，将数据处理为区间[0，1]之间的数据。采用如下公式：

$x^{\′}=\frac{x-x_{\min }}{x_{\max }-x_{\min }}$ 公式(71)；

公式(71)中，x表示当前进行归一化处理的特征参数，x_min表示特征参数中数值最小的特征参数，x_max表示特征参数中数值最大的特征参数，x′表示对当前特征参数x归一化处理后得到的特征参数；

步骤72.在概率神经网络(PNN)分类器中进行模式匹配和分类。

本发明的有益效果是：本发明相对现有方法引入了更多特征参数如短时能量E、短时平均幅度M、短时平均过零率Z、小波分解各尺度细节信号能量E_w和振动信号功率谱P，再对外界的振动信号的类别的判断更准确，降低了错误报警的概率。

附图说明

图1是本发明的主流程图。

图2是本发明采集到的脚步信号和挖掘信号对应的电信号波形图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。光纤周界系统的振动信号识别方法，包括步骤：

步骤1.信号采集：光纤周界系统采集光信号并将其转化为原始电信号S(n)；光纤周界系统的光纤传感器采用铠装的通信光缆，它能保证在不受外界多变的气候和恶劣环境的影响下，仍然能采集细小的震动。当光信号在光纤传感器内传输时，假设光纤传感器没有受到任何干扰或光的传输没有变化，那么光信号的相位也将不发生变化；当光纤传感器受到运动或震动的干扰时，运动、震动、压力的变化都会导致光信号的形态被干扰而产生相位的改变。光纤周界系统的光电探测器对光信号相位改变进行探测，探测干扰的强度和类型，然后对探测到的信号进行处理将包含了外界振动信息的光信号转变为电信号，如图2所示为采集到的脚步信号和挖掘信号的电信号波形图。

步骤2.加窗处理：对原始电信号S(n)进行信号加窗处理后得到一个窗口的加窗电信号S′(n)；这是由于对一个无限长的原始电信号S(n)的数据进行突然截短，必然引起吉布斯现象，为了消除吉布斯现象，故需要对原始信号进行加窗处理。本实施例中采用Hamming窗，窗长为2秒信号数据段，由于此过程为现有技术中采用的常规技术手段，因此不再详细描述。

步骤3.带通滤波：采用带通滤波器对加窗电信号S′(n)进行带通滤波得到带通滤波后的电信号s″(n)；本实施例采用采用巴特沃斯带通滤波器。本步骤为可选步骤，主要目的时为了滤除加窗电信号S′(n)中包含的部分自然干扰信号。

步骤4.小波降噪：对带通滤波后的信号S″(n)进行小波变换处理后进一步去噪得到小波降噪后的电信号S″′(n)；原始电信号S(n)经过加窗处理、带通滤波和小波降噪后得到的小波降噪后的电信号S″′(n)；

步骤5.振动事件检测：对小波降噪后的电信号S″′(n)进行分帧，对每帧信号计算其短时能量E_f，若有任一帧短时能量E_f大于预先设定的短时能量阈值则认为小波降噪后的电信号S″′(n)在该窗口内有振动事件发生，直接进入下一步骤，否则认为小波降噪后的电信号S″′(n)在该窗口内没有振动事件发生，回到步骤1继续下一窗口的处理。由于步骤2中经过加窗处理后得到的是窗口为2秒信号数据段，因此本实施例中帧长为50ms，每帧重叠部分为20ms，因此每个窗口可以被分为取值范围在1到67之间的f帧数据段。

步骤6.特征参数提取：对包含了振动事件的小波降噪后的电信号S″′(n)进行特征提取，分别提取窗口的短时能量E、窗口的短时平均幅度M、窗口的短时平均过零率Z、窗口的小波分解各尺度细节信号能量E_w和窗口的振动信号功率谱P；

步骤61.计算每个窗口的短时能量E：对于包含了振动事件的电信号S″′(n)，每个窗口的短时能量E的定义如下：

$E=\underset{m=-\∞}{\overset{\∞}{\mathrm{\Σ}}}{\left[S^{\′\′\′}\left(m\right)w(n-m)\right]}^2=\underset{m=-\∞}{\overset{\∞}{\mathrm{\Σ}}}{S}^{\′\′\′2}\left(m\right)h(n-m)=S^{\′\′\′2}\left(n\right)h\left(n\right)$ 公式(61)

公式(61)中，n为自然数，代表每个窗口的采用点数，S(n)表示采样点数为n的离散电信号；m为自然数，表示第n个采样点开始加窗处理时对其延迟m个点；w()是加窗处理函数，h()表示单位冲激响应函数，h(n)＝w²(n)。

短时能量E是用来区分振动信号的强弱，短时能量E越大，信号越强烈如挖掘，否则，信号越微弱如风声。

步骤62.计算窗口的短时平均幅度M：

公式(62)

公式(62)中，S″′_w(m)表示S″′(n)经过加窗处理后的电信号，N表示包含了振动事件的电信号S″′(n)所包含的最大采样点数。

短时平均幅度M也是是用来区分振动信号的强弱，短时平均幅度M越大，信号越强烈如挖掘，否则，信号越微弱如风声。

步骤63.计算窗口的短时平均过零率Z：短时平均过零率是指窗口的信号通过零值的次数，其实质就是信号采样点符号变化的次数。数学表达式为：

$Z=\frac{1}{2}\underset{m=-\∞}{\overset{\∞}{\mathrm{\Σ}}}\left|\mathrm{sgn}\right[S^{\′\′\′}\left(m\right)]-\mathrm{sgn}[S^{\′\′\′}(m-1)\left]\right|w(n-m)$

$=\frac{1}{2}\underset{m=n}{\overset{n+N-1}{\mathrm{\Σ}}}\left|\mathrm{sgn}\right[{S^{\′\′\′}}_w\left(m\right)]-\mathrm{sgn}[{S^{\′\′\′}}_w(m-1)\left]\right|$ 公式(63)；

公式(63)中sgn[·]是符号函数，即

公式(64)；

公式(63)计算短时平均过零率容易受到低频的干扰，为此设定一个门限T1，将过零率的含义修改为跨过正负门限的次数，得到修改后的表达式：

$Z=\frac{1}{2}\underset{m=-\∞}{\overset{\∞}{\mathrm{\Σ}}}\left\{\right|\mathrm{sgn}[S^{\′\′\′}\left(m\right)-T1]-\mathrm{sgn}[S^{\′\′\′}(m-1)-T1]|+|\mathrm{sgn}[S^{\′\′\′}\left(m\right)+T1]-\mathrm{sgn}[S^{\′\′\′}(m-1)+T1]\left|\right\}w(n-m)$

                                  公式(65)；

公式(65)中，短时平均过零率Z是用来连续振动信号和间隔振动信号，短时平均过零率Z越大，信号越接近连续振动信号如车辆过往时的振动，否则，越接近间隔振动信号如人的脚步振动。

步骤64.计算窗口的小波分解各尺度细节信号能量特征E_w；采用小波变换方法进行小波分解各尺度细节信号能量特征E_w的提取，得到小波降噪后的电信号S″′(n)在各级逼近空间和细节空间上的信号表示。具体步骤如下：

步骤641.利用信号的多尺度分解及其快速算法对小波降噪后的电信号S″′(n)进行小波变换分别得到逼近空间的低频信号和细节空间的高频信号；

步骤642.对小波降噪后的电信号S″′(n)进行M级小波分解，M为自然数，表示小波变换的尺度，本实施例取M＝8。

步骤643.在第M级逼近空间的低频信号和第一级到第M级细节空间的高频信号上，分别计算它们的信号能量，把计算得到的能量作为分类的特征。

根据上述步骤641到步骤643，将脚步、风信号进行8尺度的小波分解。脚步信号能量主要集中在5、6尺度，而风振动信号能量主要集中在7、8尺度。

步骤65.计算窗口的振动信号功率谱特征P：采用功率谱估计的Welch方法(Welch方法为功率谱估计的标准方法，因此不再详细描述)，该方法把小波降噪后的电信号S″′(n)进行分帧处理，分帧处理详情见步骤5，分别求每一帧的功率谱，然后对所有帧的功率谱求和后取每一帧的平均值作为该窗口的振动信号功率谱特征P。这里以振动信号功率谱特征P的主峰值与次峰值作为特征值。

步骤7.模式匹配和分类：将步骤6中提取出来的特征参数与从模板特征库中读取出来的特征参数在概率神经网络(PNN)分类器中进行模式匹配和分类，模式匹配和分类完成后得到报警信号和非报警信号。报警事件主要包括：攀爬围栏、剪切围栏、围栏下挖槽、梯子辅助攀爬围栏、埋地设防区域慢走、快跑、匍匐、埋地设防区域地下挖槽。非报警事件主要包括：风、雨、小动物、过往车辆等各种环境干扰形成的振动信号；报警事件主要包括以人的走动、攀爬、挖掘等行为形成的振动信号。

本发明相对现有方法引入了更多特征参数如短时能量E、短时平均幅度M、短时平均过零率Z、小波分解各尺度细节信号能量E_w和振动信号功率谱P，再对外界的振动信号的类别的判断更准确，降低了错误报警的概率。

综上所述，本发明在时域上提取过零数作为特征参数，其能有效区分连续振动和间隔振动；在频域上，应用常用的信号处理方法，如短时傅立叶变换、FFT变换、功率谱估计提取了信号的频谱特征参数；在时-频域中应用小波分解各尺度细节信号的能量分布特征。最后，通过构建基于概率的神经网络作为分类识别器，对时域、时-频域所提取的各种特征参数进行评价对比，结果表明过零率，短时能量、短时平均幅度、以及小波分解后的能量等特征具有更好的可分性，且具有更好的抗噪能力。但不足之处是由于对原始信号每隔2秒做一次分析识别，这样可能割裂实际的振动事件，从而影响识别精度。为此，更科学的做法是对振动信号进行端点检测，提取振动事件片段再进行下一步的分析识别。

步骤71.消除量纲：由于特征参数如短时能量E、短时平均幅度M、短时平均过零率Z、小波分解各尺度细节信号能量E_w和振动信号功率谱P的的量纲不同，若直接对这些参数进行识别会影响识别精度，故需要消除量纲的影响。这里采用归一化处理，将数据处理为区间[0，1]之间的数据。采用如下公式：

$x^{\′}=\frac{x-x_{\min }}{x_{\max }-x_{\min }}$ 公式(71)；

公式(71)中，x表示当前进行归一化处理的特征参数，x_min表示特征参数中数值最小的特征参数，x_max表示特征参数中数值最大的特征参数，x′表示对当前特征参数x归一化处理后得到的特征参数。

步骤72.在概率神经网络(PNN)分类器中进行模式匹配和分类：概率神经网络(PNN)是径向基函数神经网络(RBF)的一种扩展结构，由径向基神经元和竞争神经元共同组成。在模式分类中，它的优势在于可以利用线性学习算法来完成非线性算法所做的工作，同时又可以保持非线性算法高精度的特性。其分类识别的步骤如下：

步骤721.径向基层计算该输入向量同样本输入向量之间的距离；

步骤722.竞争层接受距离向量为输入向量，计算每个模式出现的概率；

步骤723.通过竞争传递函数将概率最大的元素对应输出为1，这就是一类模式；否则输出0，作为其它模式。

其中：隐含层的第i个神经元的输入为：

$k_i^q=\sqrt{\underset{j}{\mathrm{\Σ}}{({w1}_{\mathrm{ji}}-x_j^q)}^2}\×{b1}_i$ 公式(72)；

公式(72)中，w1：输入层神经元与隐含层相连的权值向量；x^q：表示第q个输入向量；b1_i：径向基函数的阈值；隐含层的第i个神经元的输出为：

$r_i^q=\exp (-{\left(k_i^q\right)}^2)=\exp (\sqrt{\underset{j}{\mathrm{\Σ}}{({w1}_{\mathrm{ji}}-x_j^q)}^2}\×{b1}_i)=\exp (-{\left(\right||{w1}_i-X^q||\×{b1}_i)}^2)$ 公式(73)；

输出层的输入为各隐含层神经元输出的加权求和：

$y^q=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{r}_i\×{w2}_i$ 公式(74)；

公式(74)中，w2：隐含层与输出层间的权值向量。

综上所述，本发明在时域上提取过零数作为特征参数，其能有效区分连续振动和间隔振动；在频域上，应用常用的信号处理方法，如短时傅立叶变换、FFT变换、功率谱估计提取了信号的频谱特征参数；在时-频域中应用小波分解各尺度细节信号的能量分布特征。最后，通过构建基于概率的神经网络作为分类识别器，对时域、时-频域所提取的各种特征参数进行评价对比，结果表明过零率，短时能量、短时平均幅度、以及小波分解后的能量等特征具有更好的可分性，且具有更好的抗噪能力。但不足之处是由于对原始信号每隔2秒做一次分析识别，这样可能割裂实际的振动事件，从而影响识别精度。为此，更科学的做法是对振动信号进行端点检测，提取振动事件片段再进行下一步的分析识别。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (9)

1.光纤周界系统的振动信号识别方法，其特征在于，包括步骤：

步骤1.信号采集：光纤周界系统采集光信号并将其转化为原始电信号S(n)；

步骤2.加窗处理：对原始电信号S(n)进行信号加窗处理后得到一个窗口的加窗电信号S'(n)；

步骤3.带通滤波：采用带通滤波器对加窗电信号S'(n)进行带通滤波得到带通滤波后的电信号S''(n)；

步骤4.小波降噪：对带通滤波后的信号S''(n)进行小波变换处理后进一步去噪得到小波降噪后的电信号S'''(n)；

步骤5.振动事件检测：对小波降噪后的电信号S'''(n)进行分帧，对每帧信号计算其短时能量E_f，若有任一帧短时能量E_f大于预先设定的短时能量阈值则认为小波降噪后的电信号S'''(n)在该窗口内有振动事件发生，直接进入下一步骤，否则认为小波降噪后的电信号S'''(n)在该窗口内没有振动事件发生，回到步骤1继续下一窗口的处理；

步骤6.特征参数提取：对包含了振动事件的小波降噪后的电信号S'''(n)进行特征提取，分别提取窗口的短时能量E、窗口的短时平均幅度M、窗口的短时平均过零率Z、窗口的小波分解各尺度细节信号能量E_w和窗口的振动信号功率谱P；

步骤7.模式匹配和分类：将步骤6中提取出来的特征参数与从模板特征库中读取出来的特征参数在概率神经网络（PNN）分类器中进行模式匹配和分类，模式匹配和分类完成后得到报警信号和非报警信号。

2.根据权利要求1所述的光纤周界系统的振动信号识别方法，其特征在于，窗口的短时能量E的定义如下：

$E=\underset{m=-\∞}{\overset{\∞}{\mathrm{\Σ}}}{\left[S^{\′\′\′}\left(m\right)w(n-m)\right]}^2=\underset{m=-\∞}{\overset{\∞}{\mathrm{\Σ}}}{S}^{\′\′\′2}\left(m\right)h(n-m)=S^{\′\′\′2}\left(n\right)h\left(n\right)$       公式61；

公式61中，n为自然数，代表每个窗口的采用点数，S(n)表示采样点数为n的离散电信号；m为自然数，表示第n个采样点开始加窗处理时对其延迟m个点；w()是加窗处理函数，h()表示单位冲激响应函数，h(n)=w²(n)。

3.根据权利要求1所述的光纤周界系统的振动信号识别方法，其特征在于，窗口的短时平均幅度M的定义如下：

$M=\underset{m=-\∞}{\overset{\∞}{\mathrm{\Σ}}}\left|S^{\′\′\′}\left(m\right)\right|w(n-m)=\underset{m=n}{\overset{n+N-1}{\mathrm{\Σ}}}\left|{S^{\′\′\′}}_w\left(m\right)\right|$                               公式62；

公式62中，S'''_w(m)表示S'''(n)经过加窗处理后的电信号，N表示包含了振动事件的电信号S'''(n)所包含的最大采样点数，w()是加窗处理函数。

4.根据权利要求1所述的光纤周界系统的振动信号识别方法，其特征在于，窗口的短时平均过零率Z的定义如下：短时平均过零率是指窗口的信号通过零值的次数，其实质就是信号采样点符号变化的次数，数学表达式为：

$Z=\frac{1}{2}\underset{m=-\∞}{\overset{\∞}{\mathrm{\Σ}}}\left|\mathrm{sgn}\right[S^{\′\′\′}\left(m\right)]-\mathrm{sgn}[S^{\′\′\′}(m-1)\left]\right|w(n-m)$

$=\frac{1}{2}\underset{m=n}{\overset{n+N-1}{\mathrm{\Σ}}}\left|\mathrm{sgn}\right[{S^{\′\′\′}}_w\left(m\right)]-\mathrm{sgn}[{S^{\′\′\′}}_s(m-1)\left]\right|$                         公式63；

公式63中，sgn[·]是符号函数，w()是加窗处理函数，S'''_w(m)表示S'''(n)经过加窗处理后的电信号；即 $\mathrm{sgn}\left[S^{\&prime;\&prime;\&prime;}\left(n\right)\right]=\left\{\begin{array}{c}+1,S^{\&prime;\&prime;\&prime;}\left(n\right)\&GreaterEqual;0\\ -1,S^{\&prime;\&prime;\&prime;}\left(n\right)<0\end{array}\right.$      公式64。

5.根据权利要求4所述的光纤周界系统的振动信号识别方法，其特征在于，公式63计算短时平均过零率容易受到低频的干扰，为此设定一个门限T1，将过零率的含义修改为跨过正负门限的次数，得到修改后的表达式：

$Z=\frac{1}{2}\underset{m=-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}\left\{\right|\mathrm{sgn}[S^{\&prime;\&prime;\&prime;}\left(m\right)-T1]-\mathrm{sgn}[S^{\&prime;\&prime;\&prime;}(m-1)-T1]|+|\mathrm{sgn}[S^{\&prime;\&prime;\&prime;}\left(m\right)+T1]-\mathrm{sgn}[S^{\&prime;\&prime;\&prime;}(m-1)+T1]\left|\right\}w(n-m)$

公式64；

公式64中，短时平均过零率Z是用来连续振动信号和间隔振动信号，短时平均过零率Z越大，信号越接近连续振动信号如车辆过往时的振动，否则，越接近间隔振动信号如人的脚步振动。

6.根据权利要求1所述的光纤周界系统的振动信号识别方法，其特征在于，窗口的小波分解各尺度细节信号能量特征E_w的定义如下：采用小波变换方法进行小波分解各尺度细节信号能量特征E_w的提取，得到小波降噪后的电信号S'''(n)在各级逼近空间和细节空间上的信号表示。

7.根据权利要求6所述的光纤周界系统的振动信号识别方法，其特征在于，窗口的小波分解各尺度细节信号能量特征E_w的具体计算步骤如下：

步骤641.利用信号的多尺度分解及其快速算法对小波降噪后的电信号S'''(n)进行小波变换分别得到逼近空间的低频信号和细节空间的高频信号；

步骤642.对小波降噪后的电信号S'''(n)进行M级小波分解，M为自然数，表示小波变换的尺度；

步骤643.在第M级逼近空间的低频信号和第一级到第M级细节空间的高频信号上，分别计算它们的信号能量，把计算得到的能量作为分类的特征。

8.根据权利要求1所述的光纤周界系统的振动信号识别方法，其特征在于，窗口的振动信号功率谱特征P的定义如下：采用功率谱估计的Welch方法把小波降噪后的电信号S'''(n)进行分帧处理，分别求每一帧的功率谱，然后对所有帧的功率谱求和后取每一帧的平均值作为该窗口的振动信号功率谱特征P。

9.根据权利要求1所述的光纤周界系统的振动信号识别方法，其特征在于，步骤7模式匹配和分类包括步骤：

步骤71.消除量纲：采用归一化处理，将数据处理为区间[0,1]之间的数据，采用如下公式：

$x^{\&prime;}=\frac{x-x_{\min }}{x_{\max }-x_{\min }}$                        公式（71）；

公式（71）中，x表示当前进行归一化处理的特征参数，x_min表示特征参数中数值最小的特征参数，x_max表示特征参数中数值最大的特征参数，x'表示对当前特征参数x归一化处理后得到的特征参数；

步骤72.在概率神经网络（PNN）分类器中进行模式匹配和分类。

Images