CN103968933A - 基于模糊域特征的光纤振动信号识别方法 - Google Patents

Abstract

本发明提出了一种基于模糊域特征的光纤振动信号识别方法，主要解决现有识别方法在采样率较低且入侵事件较为类似情况下识别率较低的问题。其实现步骤是：(1)对光纤振动信号进行小波降噪；(2)对降噪后信号进行去均值与能量归一化处理；(3)计算归一化信号模糊函数，对模糊函数进行切片作为模糊域特征；(4)对切片进行降维，构造信号特征集；(5)将信号特征集随机划分训练集与测试集；(6)使用训练集对SVM分类器进行训练；(7)使用训练后的SVM分类器对测试集进行分类。本发明有效地提取了光纤振动信号的模糊域特征，与现有技术对比具有识别率高，适应性广的优点，可用于光纤周界安防系统的信号处理分系统。

Description

基于模糊域特征的光纤振动信号识别方法

技术领域

本发明属于信号处理技术领域，进一步涉及光纤传感领域中的信息处理方法，可用于光纤周界安防系统的振动传感信号处理分系统。

背景技术

光纤周界安防系统是利用光纤作为传感器实现分布式周界安防监测的报警系统，该系统主要传感部件是振动光纤，这种设计独特的光纤对运动、压力和振动非常敏感，它可沿围栏、围墙铺设来探测攀爬、敲击等入侵行为，也可以铺设在土壤、草坪下来探测踩踏等入侵行为。对于一些重要设施或区域如军事禁区、飞机场、核电站等以及对于偷盗及破坏频繁的场所如石油管道、铁路沿线及通讯光缆等来说，光纤周界安防系统是一种具有低能耗、耐电磁辐射、可用于易燃易爆场所等优点的高效安全监控系统。当外界有振动作用于传感光纤时，纤芯发生形变导致其长度和折射率发生变化从而使在纤芯中传播的光相位发生变化。这些携带外界振动信息的光经过光学系统处理后，相位变换转变为光强变换，经光电转换后以电信号的形式进入计算机进行处理，以判断是否发生入侵事件。

对携带外界振动信息的信号进行准确的处理和识别是光纤周界安防系统性能优劣的关键，目前主要的光纤振动信号识别方法有：

1）时域特征法。对信号阈值进行判断后，将光纤振动信号的平均幅度、短时平均过零率、峰均比、峰值统计等作为其特征向量进行后续入侵模式的识别。该方法思路直观、实现简单，但在现场环境复杂情况下，不同的扰动源可能产生类似的振动时域信号，此时时域方法识别率将严重下降。

2）频域特征法。对光纤振动信号进行FFT变换获取其频谱，或使用Welch方法、AR模型参数化方法估计其功率谱密度，分析光纤振动信号在频域上的能量分布，将其作为特征向量进行入侵模式识别。该方法易于实现，但要求在前端数据采集时有较高的采样率，当前端采样率过低时甚至无法进行识别。

3）小波能量法。使用合适的小波基对光纤振动信号进行J层小波分解或小波包分解，将信号分解到多个频带，得到各层小波系数或第J层小波包系数，根据各节点系数计算各频带信号能量并进行归一化处理作为光纤振动信号的特征向量进行后续识别。这种方法在时频联合域对光纤振动信号进行了很好的处理，但要求各入侵事件实施主体差异较大比如，分别为人体实施与机械实施，且在分解层数较多时计算速度较慢，实时性较差。

4）LPCC或MFCC法。该类方法是借鉴传统语音信号识别方法，提取光纤振动信号的线性预测倒谱系数LPCC或美尔倒谱系数MFCC作为特征向量进行入侵模式识别。与小波能量法类似，该类方法同样是将信号分解到多个频带后计算各频带能量，同样要求各入侵事件信号在频带分布上有较好的区分性，在各类入侵事件较为相似该方法识别率较差。

综上所述，现有光纤振动信号的特征提取与识别方法各有利弊，在某些情况下无法达到理想的识别率，在保证漏报率的情况下虚警率会大为升高，导致系统误报频繁，无法有效地监控入侵事件。

发明内容

本发明的目的是针对上述现有技术的不足，提出一种基于模糊域特征的光纤振动信号识别方法，以提高识别率，降低虚警率，实现对入侵事件的有效监控。

实现本发明目的的技术方案是：首先对光纤振动信号进行小波包去噪与能量归一化预处理，然后变换到模糊域得到信号的时频联合表征，在模糊函数平面内提取近零切片作为中间特征集，并使用ReliefF特征选择方法对中间特征集进行优化得到最终的特征向量；再将先验入侵事件光纤振动信号随机划分训练信号集和测试信号集，对训练集和测试集分别完成特征变换后输入SVM进行训练并测试，将训练好的SVM用于实现入侵事件类型识别。其步骤包括如下：

(1)对光纤振动信号x(n)进行小波阈值降噪，得到降噪后的信号

(2)对降噪后信号进行去均值和能量归一化处理，得到归一化信号x'(n)，以消除信号能量差别对识别的影响；

(3)计算归一化信号x'(n)的瞬时自相关函数R_x(n,τ)，以n为自变量对自相关函数做FFT反变换，得到光纤振动信号的模糊函数A(τ,υ)，对A(τ,υ)进行取模运算，获取光纤振动信号在模糊域的能量分布表征|A(τ,υ)|，在频偏轴υ上对该|A(τ,υ)|进行切片，并抽取该切片沿时延τ方向的一半，得到光纤振动信号的模糊域特征AF(τ)：

AF(τ)=|A(τ,υ)|_υ=N/2+3，τ=1,2...,N/2，

式中N为光纤振动信号x(n)的采样点数；

(4)对于模糊域特征AF(τ)中的所有特征点，根据ReliefF方法的权重值更新公式进行多次迭代，计算表示各个特征点权重值的权值向量W(τ)，选取W(τ)中较大权重值对应的特征点，作为光纤振动信号的最终特征AFR(τ)；

(5)将光纤振动信号特征集AFR随机划分为训练信号特征集AFR_tr与测试信号特征集AFR_te；

(6)使用训练信号特征集AFR_tr对支持向量机SVM分类器进行训练，使用训练后的SVM分类器对测试信号特征集AFR_te进行分类测试，输出测试信号的类别标号；

(7)规定SVM分类器输出类别标号与测试信号实际类别标号相同时为分类正确，并将分类正确的测试信号组数与总的测试信号组数的比值作为识别率R；将识别率R与设定的识别率阈值T_R进行比较：若R≥T_R，则SVM分类器达到设计要求；若R<T_R，则返回步骤(6)重新对SVM分类器进行训练，直至达到设计要求。

本发明具有如下优点：

第一、本发明提出了一种新的光纤振动信号的特征提取方法，将时频分析中的模糊函数表征引入光纤周界安防领域中用于振动传感信号处理，同时结合支持向量机SVM对入侵事件进行识别，即使在前端数据采样率较低及入侵实施主体相同导致入侵事件类型较为类似的情况下，仍能取得较好的识别结果，实现了复杂环境下光纤振动信号的优化处理，具有较强的鲁棒性。

第二、本发明在得到模糊函数的模矩阵后，使用切片方法提取中间特征，再使用ReliefF方法对特征进行优化，克服了直接使用模糊函数作为光纤振动信号特征导致的维数过高问题。

附图说明

图1为本发明的实现流程图；

图2为本发明仿真使用的三类挂网时采集的入侵事件光纤振动信号；

图3为用本发明对挂网时光纤振动信号进行处理得到的量化频偏υ=N/2+3的模糊函数切片示意图；

图4为本发明对挂网时光纤振动信号进行分类测试的识别效果图。

图5为本发明仿真使用的三类地埋时采集的入侵事件光纤振动信号；

图6为用本发明对地埋时光纤振动信号进行处理得到的模糊函数切片示意图；

图7为本发明对地埋时光纤振动信号进行分类测试的识别效果图。

具体实施方式

以下参照附图对本发明的实施例和效果做进一步说明。

本发明实施例中所用的光纤振动信号由数据采集卡以750Hz采样率采样2秒得到，光纤周界安防系统在铺设时分为挂网与地埋两种，挂网时采集的输入光纤振动信号分为手拍击栅栏、敲击栅栏、连续晃动栅栏三类，每类信号组数分别为110、87、104；地埋时采集的输入光纤振动信号分为在埋有光纤的地面上跺脚、连续跺脚、脚踩三类，每类信号组数分别为84、87、79。挂网和地埋两种情况光纤振动信号的处理方法完全一致，下面以挂网时情况为例详细描述。

结合图1，对本发明的实施步骤详述如下：

步骤1.输入光纤振动信号样本。

在本发明实施例中，由WINDOWS XP系统输入光纤振动信号，将已经过模数转换的信号电压值以向量形式读取，记为x(n)，n=1,2...,N，N为信号采样点数。

步骤2.对光纤振动信号进行小波降噪处理，去除噪声干扰。

2a)选用db4小波基对输入光纤振动信号x(n)进行6级离散小波分解，得到各级细节系数d_j(k)，与第6级近似系数a_-6(k)，其中，j表示分解系数层级，j=-6,...,-1，k表示分解系数位置；

2b)根据噪声在频域中表现为高频信号的特性，保留表示低频的近似系数a_-6(k)，并设定一个降噪阈值对表示高频的细节系数d_j(k)进行量化，得到的新细节系数为：

${\hat{d}}_j\left(k\right)=\mathrm{\&eta;}\left(d_j\left(k\right)\right)d_j\left(k\right),$

式中，η(d_j(k))为量化函数，用于规定高频细节系数d_j(k)的量化方式，其公式如下：

$\mathrm{\&eta;}\left(d_j\left(k\right)\right)=\left\{\begin{array}{cc}\mathrm{sign}\left(d_j\left(k\right)\right)\sqrt{{\left|d_j\left(k\right)\right|}^2-\mathrm{\&alpha;}{T}^2},& \left|d_j\left(k\right)\right|\&GreaterEqual;T\\ 0,& \left|d_j\left(k\right)\right|<T\end{array}\right.,$

式中sign(·)为符号函数，调节因子α的取值范围为[0，1]，T为降噪阈值，其计算公式为：式中σ_n是噪声的标准差，需根据系统运行环境确定；

2c)用经阈值处理后的新细节系数与原近似系数a_-6(k)进行逆离散小波变换重构，得到降噪后信号n=1,2...,N。

步骤3.对光纤振动信号进行去均值和能量归一化处理，消除不同类型信号能量差别给后续特征提取和识别步骤带来的影响。

3a)计算降噪后信号的平均值：n＝1，2...，N；

3b)计算降噪后信号的标准差σ_x：

3c)对降噪后信号进行去均值与能量归一化，得到归一化后的信号： $x^{\&prime;}\left(n\right)=(\hat{x}\left(n\right)-\stackrel{\&OverBar;}{\hat{x}\left(n\right)})/{\mathrm{\&sigma;}}_x,$ n=1,2...,N。

步骤4.计算光纤振动信号的模糊函数，提取光纤振动信号的模糊域特征。

4a)计算归一化信号x'(n)的瞬时自相关函数R_x(n,τ)：

$R_x(n,\mathrm{\&tau;})=x^{\&prime;}(n+\frac{\mathrm{\&tau;}}{2})x^{{\&prime;}^{*}}(n-\frac{\mathrm{\&tau;}}{2})$

式中，τ=1,2,...,N-1为对应于采样点数N的量化时延，x'^*(n)是x'(n)的共轭；

4b)以n为自变量，对瞬时自相关函数R_x(n,τ)做FFT反变换，得到光纤振动信号的模糊函数A(τ,υ)：

$A(\mathrm{\&tau;},\mathrm{\&upsi;})=\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{R}_x(n,\mathrm{\&tau;})e^{j2\mathrm{\&pi;\&upsi;n}/N},$

式中，υ=1,2...,N为对应于采样点数N的量化频偏，模糊函数A(τ,υ)为N×N矩阵，是光纤振动信号在模糊域中的能量表征；

4c)由于模糊函数A(τ,υ)的值为复数，对模糊函数A(τ,υ)进行取模运算，获取光纤振动信号在模糊域的能量分布矩阵|A(τ,υ)|_N×N；

4d)根据能量分布矩阵|A(τ,υ)|_N×N在频偏轴υ与时延轴τ上关于原点对称，以及光纤振动信号的主能量位于零频偏附近且沿时延轴τ方向分布的特性，抽取能量分布矩阵|A(τ,υ)|_N×N的第N2+3行，得到光纤振动信号在量化频偏υ=N/2+3处的模糊函数切片，并截取该切片沿时延τ方向的一半，得到光纤振动信号的模糊域特征AF(τ)：

AF(τ)=|A(τ,υ)|_υ=N/2+3，τ=1,2...,N/2。

步骤5.根据ReliefF特征选择方法对模糊域特征AF(τ)进行降维。

ReliefF特征选择方法，是根据特征同类别间的相关度及不同类别间的区分度对特征点赋予不同的权重值，权值越大表示其分类能力越强，即为重要特征。选择重要特征，剔除非重要特征，就实现了对特征向量的降维。

本步骤的具体实现如下：

5a)根据信号样本规模选择迭代次数m与最邻近样本个数n，将模糊域特征AF(τ)对应的权重向量W(τ)的初始值置为0：

W(τ)=0，τ=1,2,...,N/2；

5b)随机选择一个信号样本Q，找出与其同类别的n个最近邻，将其集合记为H，再找出与其异类的其余每个类别中的n个最近邻，将其集合记为I，并假设共有B类与信号样本Q不同的信号样本；

5c)使用如下权值更新公式更新权重向量W(τ)：

式中，class(Q)表示信号样本Q所属的类别，H_j表示与Q同类的最近邻集合H中的第j个信号样本，I_j(B)表示第B类中的第j个与Q最近邻信号样本，diff(τ,I₁,I₂)表示样本I₁与I₂关于第τ个特征点的距离，P(B)表示第B类样本的概率，diff(τ,I₁,I₂)与P(B)的计算公式如下：

diff(τ,I₁,I₂)=(I₁(τ)-I₂(τ))nu(τ)，

式中，I(τ)为样本I在第τ个特征点的取值，nu(τ)表示所有样本在第τ个特征点的取值范围；

5d)按照步骤5c)中的权值更新公式进行m次迭代，得到权重值向量W(τ)的最终值，选取W(τ)中前40%的较大权重值，将它们对应的模糊域特征AF(τ)中的特征点作为最终的特征向量AFR(τ)，τ=1,2,...,N/5。

步骤6.对光纤振动信号特征集AFR进行随机划分。

6a)设光纤振动信号集中共有K组信号样本，K_i为第i类光纤振动信号组数，C为光纤振动信号类别数；

6b)产生K_i个（0，1）之间均匀分布的随机数，并进行序号标记，然后将随机数按升序排列，选取前K_i×p个整数随机数，p为每一类信号用作训练的组数比例，将所选整数随机数的序号作为组号，选取信号特征集AFR中第i类信号特征向量用作训练，则训练特征集AFR_tr总共有组，剩余K-M组作为测试特征集AFR_te。

步骤7.使用训练信号特征集AFR_tr对SVM分类器进行训练。

7a)将错误代价系数C_svm的值取为9，选择径向基核函数作为SVM分类器的核函数模型：其中，||x-y||²表示训练向量x与训练向量y的2范数，σ_rbf ²表示训练向量集的方差；

7b)构建训练核函数K(x,y)_tr

7b.1)计算训练特征集AFR_tr中两两特征向量间的欧式距离，得到欧氏距离矩阵：

1≤i≤M，1≤j≤M，

式中，M为训练特征集AFR_tr的特征向量组数，为欧氏距离矩阵D_tr的元素值，其计算如下：

$D_{\mathrm{tr}}^{\mathrm{ij}}=\underset{\mathrm{\&tau;}=1}{\overset{N/5}{\mathrm{\&Sigma;}}}({\mathrm{AFR}}_{\mathrm{tr}}^i\left(\mathrm{\&tau;}\right)-{\mathrm{AFR}}_{\mathrm{tr}}^j\left(\mathrm{\&tau;}\right){)}^2,$

其中，表示训练特征集AFR_tr中的第i个特征向量；

7b.2)计算欧式距离矩阵D_tr的均值μ_tr：

${\mathrm{\&mu;}}_{\mathrm{tr}}=\frac{1}{M(M-1)}\underset{i}{\mathrm{\&Sigma;}}\underset{j}{\mathrm{\&Sigma;}}{D}_{\mathrm{tr}}^{\mathrm{ij}};$

7b.3)令||x-y||²=D_tr，σ_rbf ²＝μ_tr，构建训练核函数

7c)使用训练核函数K(x,y)_tr、训练信号类别标号L_tr和错误代价系数C_svm求解SVM分类器的判别函数。

步骤8.使用训练后的SVM分类器对测试信号特征集AFR_te进行分类测试，输出测试信号的类别标号。

8a)计算训练特征集AFR_tr中两两特征向量间的欧式距离，得到欧氏距离矩阵：

1≤i≤K-M，1≤j≤K-M，

式中，K-M为测试特征集AFRte的特征向量组数，为欧氏距离矩阵Dte的元素值，其计算如下：

$D_{\mathrm{te}}^{\mathrm{ij}}=\underset{\mathrm{\&tau;}=1}{\overset{N/5}{\mathrm{\&Sigma;}}}({\mathrm{AFR}}_{\mathrm{te}}^i\left(\mathrm{\&tau;}\right)-{\mathrm{AFR}}_{\mathrm{te}}^j\left(\mathrm{\&tau;}\right){)}^2,$

其中，表示训练特征集AFRte中的第i个特征向量；

8b)令||x-y||²=D_te，σ_rbf ²＝μ_tr，维持不变，构建测试核函数将K(x,y)_te输入训练后的SVM分类器，得到测试信号的类别标号。

步骤9.验证SVM分类器是否达到设计要求。

9a）规定SVM分类器输出类别标号与测试信号实际类别标号相同时为分类正确，并将分类正确的测试信号组数与总的测试信号组数的比值作为识别率R，表示如下：

$R=\frac{1}{C}\underset{i=1}{\overset{C}{\mathrm{\&Sigma;}}}\frac{K_r^i}{K_i\&times;(1-p)}\&times;100\%$

式中，为分类正确的第i类测试信号组数；

9b)将识别率R与设定的识别率阈值T_R进行比较：若R≥T_R，则SVM分类器达到设计要求；若R<T_R，则返回步骤7重新对SVM分类器进行训练，直至达到设计要求。

本发明的效果可通过以下仿真进一步说明：

1.仿真条件：

在CPU为Core(TM)21.86GHZ、内存1G、WINDOWS XP系统上使用Matlab7.0a进行仿真。

仿真中所用的光纤振动信号由数据采集卡以750Hz采样率下采样2秒得到，采集到的光纤振动信号分为挂网与地埋两种：挂网时的仿真输入信号分为手拍击栅栏、敲击栅栏、连续晃动栅栏三种类型，每类信号组数分别为110、87、104；地埋时的仿真输入信号分为在埋有光纤的地面上跺脚、连续跺脚、脚踩三种类型，每类信号组数分别为84、87、79。仿真中划分为训练信号集的信号组数比例值p取为50%。

2.仿真内容与结果：

仿真1：用本发明对图2所示的三类挂网时光纤振动信号进行分类仿真，其中，图2(a)为两组典型的手拍击栅栏光纤振动信号波形图，图2(b)为两组典型的连续晃动栅栏光纤振动信号波形图，图2(c)为两组典型的敲击栅栏光纤振动信号波形图。

仿真时，首先，提取三类挂网时光纤振动信号在量化频偏υ=N/2+3处的模糊函数切片，如图3所示，其中，图3(a)为手拍击栅栏信号的模糊函数切片示意图，图3(b)为连续晃动栅栏信号的模糊函数切片示意图，图3(c)为敲击栅栏信号的模糊函数切片示意图；然后，将样本信号特征集随机划分为训练特征集与测试特征集，使用训练特征集对SVM分类器进行训练，使用训练后的SVM分类器对测试特征集进行分类测试。

仿真实验运行50次，每次实验均独立运行，最终仿真结果取50次实验的平均值，结果如图4所示。

由图3可见，不同类型的挂网时光纤振动信号的模糊函数切片具有明显的可分性，能够表征挂网时光纤振动信号的分类特性。

由图4可见，本发明方法在数据采样率较低但光纤振动信号各类型相似程度较低时，能取得很好的识别效果，50次随机实验结果证明了本发明方法的稳定性，因此本发明所提出的方法是一种切实有效的光纤振动信号识别方法。

仿真2：用本发明对图5所示的三类地埋时光纤振动信号进行仿真，其中，图5(a)为两组典型的跺脚光纤振动信号波形图，图5(b)为两组典型的连续跺脚光纤振动信号波形图，图5(c)为两组典型的脚踩光纤振动信号波形图。

仿真时，首先，提取三类地埋时光纤振动信号在量化频偏υ=N/2+3处的模糊函数切片，如图6所示，其中，图6(a)为跺脚信号的模糊函数切片示意图，图6(b)为连续跺脚信号的模糊函数切片示意图，图6(c)为脚踩信号的模糊函数切片示意图；然后，将样本信号特征集随机划分为训练特征集与测试特征集，使用训练特征集对SVM分类器进行训练，使用训练后的SVM分类器对测试特征集进行分类测试。仿真实验运行50次，每次实验均独立运行，最终仿真结果取50次实验的平均值，结果如图7所示。

由图5可见，跺脚信号的波形与脚踩信号的波形极为类似，连续跺脚类型光纤振动信号由采集时间内的多次跺脚形成，与跺脚类型光纤振动信号存在明显的联系，从图5中还可看出同属于脚踩入侵事件类型的各组光纤振动信号间的信号幅度起伏较大、极不稳定。

由图6可见，连续跺脚类光纤振动信号的模糊函数切片与其余两类光纤振动信号的切片具有明显的可分性，而跺脚信号与脚踩信号的模糊函数切片差异度相对较低。

由图7可见，本发明方法在数据采样率较低且光纤振动信号各类型相似程度较高时，仍能取得较好的识别效果，50次随机实验结果证明了本发明方法的稳定性，因此本发明所提出的方法是一种切实有效的光纤振动信号识别方法。

Claims (10)

1.一种基于模糊域特征的光纤振动信号分类方法，其具体步骤包括如下：

(1)对光纤振动信号x(n)进行小波阈值降噪，得到降噪后的信号

(2)对降噪后信号进行去均值和能量归一化处理，得到归一化信号x'(n)，以消除信号能量差别对识别的影响；

(3)计算归一化信号x'(n)的瞬时自相关函数R_x(n,τ)，以n为自变量对自相关函数做FFT反变换，得到光纤振动信号的模糊函数A(τ,υ)，对模糊函数A(τ,υ)进行取模运算，获取光纤振动信号在模糊域的能量分布表征矩阵|A(τ,υ)|，在频偏轴υ=N/2+3处对该矩阵|A(τ,υ)|进行切片，并抽取该切片沿时延τ方向的一半，得到光纤振动信号的模糊域特征AF(τ)：

AF(τ)=|A(τ,υ)|_υ=N/2+3，τ=1,2...,N/2，

其中，N为光纤振动信号x(n)的采样点数；

(4)对于模糊域特征AF(τ)中的所有特征点，根据ReliefF方法的权重值更新公式进行多次迭代，计算表示各个特征点权重值的权值向量W(τ)，选取W(τ)中较大权重值对应的特征点，作为光纤振动信号的最终特征AFR(τ)；

(5)将光纤振动信号特征集AFR随机划分为训练信号特征集AFR_tr与测试信号特征集AFR_te；

(6)使用训练信号特征集AFR_tr对支持向量机SVM分类器进行训练，使用训练后的SVM分类器对测试信号特征集AFR_te进行分类测试，输出测试信号的类别标号；

(7)规定SVM分类器输出类别标号与测试信号实际类别标号相同时为分类正确，并将分类正确的测试信号组数与总的测试信号组数的比值作为识别率R；将识别率R与设定的识别率阈值T_R进行比较：若R≥T_R，则SVM分类器达到设计要求；若R<T_R，则返回步骤(6)重新对SVM分类器进行训练，直至达到设计要求。

2.根据权利要求1所述的基于模糊域特征的光纤振动信号识别方法，其特征在于，步骤(1)所述的对光纤振动信号x(n)进行小波阈值降噪，按如下步骤进行：

(1.1)使用db4小波基对光纤振动信号x(n)进行J级离散小波分解，得到各层细节系数d_j(k)与第J层近似系数a_-J(k)，其中，n表示信号中采样点的位置，n=1,2...,N，N为信号采样点数，j表示分解系数层级，j=-J,...,-1，k表示分解系数位置；

(1.2)保留近似系数a_-J(k)，并设定一个降噪阈值对细节系数d_j(k)进行量化，得到的新细节系数为：

${\hat{d}}_j\left(k\right)=\mathrm{\&eta;}\left(d_j\left(k\right)\right)d_j\left(k\right),$

其中，η(d_j(k))为量化函数，其公式如下：

$\mathrm{\&eta;}\left(d_j\left(k\right)\right)=\left\{\begin{array}{cc}\mathrm{sign}\left(d_j\left(k\right)\right)\sqrt{{\left|d_j\left(k\right)\right|}^2-\mathrm{\&alpha;}{T}^2},& \left|d_j\left(k\right)\right|\&GreaterEqual;T\\ 0,& \left|d_j\left(k\right)\right|<T\end{array}\right.,$

式中sign(·)为符号函数，调节因子α的取值范围为[0，1]，T为降噪阈值，其计算公式为：式中σ_n是噪声的标准差，需根据系统运行环境确定；

(1.3)用经阈值处理后的新细节系数与原近似系数a_-J(k)进行逆离散小波变换，重构出降噪后信号n=1,2...,N。

3.根据权利要求1所述的基于模糊域特征的光纤振动信号识别方法，其特征在于，步骤(2)所述的对降噪后信号进行去均值和能量归一化处理，按如下步骤进行：

(2.1)计算降噪后信号的平均值：n＝1，2...，N；

(2.2)计算降噪后信号的标准差σ_x：

(2.3)对降噪后信号进行去均值与能量归一化，得到归一化后的信号：

$x^{\&prime;}\left(n\right)=(\hat{x}\left(n\right)-\stackrel{\&OverBar;}{\hat{x}\left(n\right)})/{\mathrm{\&sigma;}}_x,$ n＝1，2...，N。

4.根据权利要求1所述的基于模糊域特征的光纤振动信号识别方法，其特征在于，步骤(3)所述的计算归一化信号x'(n)的瞬时自相关函数R_x(n,τ)，通过如下公式计算：

$R_x(n,\mathrm{\&tau;})=x^{\&prime;}(n+\frac{\mathrm{\&tau;}}{2})x^{{\&prime;}^{*}}(n-\frac{\mathrm{\&tau;}}{2}),$

式中，τ=1,2,...,N为对应于采样点数的量化时延，x'^*(n)是x'(n)的共轭。

5.根据权利要求1所述的基于模糊域特征的光纤振动信号识别方法，其特征在于，所述步骤(3)中的光纤振动信号的模糊函数A(τ,υ)，表示如下：

$A(\mathrm{\&tau;},\mathrm{\&upsi;})=\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{R}_x(n,\mathrm{\&tau;})e^{j2\mathrm{\&pi;\&upsi;n}/N},$

式中，υ=1,2...,N为对应于采样点数的量化频偏，模糊函数A(τ,υ)为N×N矩阵。

6.根据权利要求1所述的基于模糊域特征的光纤振动信号识别方法，其特征在于，步骤(4)所述的根据ReliefF方法对模糊域特征AF(τ)进行降维，按如下步骤进行：

(4.l)根据信号样本规模选择迭代次数m与最邻近样本个数n，将模糊域特征AF(τ)权重向量W(τ)的初始值置为0：

W(τ)=0，τ=1,2,...,N/2；

(4.2)随机选择一个信号样本Q，找出与其同类别的n个最近邻，将其集合记为H，再找出与其异类的其余每个类别中的n个最近邻，将其集合记为I，设共有B类信号样本与Q异类；

(4.3)对于AF(τ)的所有特征点，使用如下权值更新公式更新其特征权重值：

式中，class(Q)表示信号样本Q所属的类别，H_j表示与Q同类的最近邻集合H中的第j个信号样本，I_j(B)表示第B类中的第j个与Q最近邻信号样本，diff(τ,I₁,I₂)表示样本I₁与I₂关于第τ个特征点的距离，P(B)表示第B类样本的概率，diff(τ,I₁,I₂)与P(B)的计算公式如下：

diff(τ,I₁,I₂)=(I₁(τ)-I₂(τ))nu(τ)，

式中，I(τ)为样本I在第τ个特征点的取值，nu(τ)表示所有样本在第τ个特征点的取值范围；

(4.4)按照步骤(4.3)中的权值更新公式进行m次迭代，得到权重值向量W(τ)的最终值，选取W(τ)中前40%的较大权重值，将它们对应的模糊域特征AF(τ)中的特征点作为最终的特征向量AFR(τ)，τ=1,2,...,N/5。

7.根据权利要求1所述的基于模糊域特征的光纤振动信号识别方法，其特征在于，步骤(5)所述的对光纤振动信号特征集进行随机划分，按如下步骤进行：

(5.1)设光纤振动信号集中共有K组信号样本，Ki为第i类光纤振动信号组数，C为光纤振动信号类别数；

(5.2)产生K_i个（0，1）之间均匀分布的随机数，并进行序号标记，然后将随机数按升序排列，选取前K_i×p个整数随机数，p为每一类信号用作训练的组数比例，将所选整数随机数的序号作为组号，选取信号特征集AFR中第i类信号特征向量用作训练，则训练特征集AFR_tr总共有组，剩余K-M组作为测试特征集AFR_te。

8.根据权利要求1所述的基于模糊域特征的光纤振动信号识别方法，其特征在于，步骤(6)所述的使用训练信号特征集AFR_tr对SVM分类器进行训练，按如下步骤进行：

(6.1)将错误代价系数C_svm的值取为9，选择径向基核函数作为SVM分类器的核函数模型：其中，||x-y||²表示训练向量x与训练向量y的2范数，σ_rbf ²表示训练向量集的方差；

(6.2)构建训练核函数K(x,y)_tr

(6.2.1)计算训练特征集AFR_tr中两两特征向量间的欧式距离，得到欧氏距离矩阵：

1≤i≤M，1≤j≤M，

式中，M为训练特征集AFR_tr的特征向量组数，为欧氏距离矩阵D_tr的元素值，其计算如下：

$D_{\mathrm{tr}}^{\mathrm{ij}}=\underset{\mathrm{\&tau;}=1}{\overset{N/5}{\mathrm{\&Sigma;}}}({\mathrm{AFR}}_{\mathrm{tr}}^i\left(\mathrm{\&tau;}\right)-{\mathrm{AFR}}_{\mathrm{tr}}^j\left(\mathrm{\&tau;}\right){)}^2,$

其中，表示训练特征集AFR_tr中的第i个特征向量；

(6.2.2)计算欧式距离矩阵D_tr的均值μ_tr：

${\mathrm{\&mu;}}_{\mathrm{tr}}=\frac{1}{M(M-1)}\underset{i}{\mathrm{\&Sigma;}}\underset{j}{\mathrm{\&Sigma;}}{D}_{\mathrm{tr}}^{\mathrm{ij}};$

(6.2.3)令||x-y||²=D_tr，σ_rbf ²＝μ_tr，构建训练核函数

(6.3)使用训练核函数K(x,y)_tr、训练信号类别标号L_tr和错误代价系数C_svm求解SVM分类器的判别函数。

9.根据权利要求1所述的基于模糊域特征的光纤振动信号识别方法，其特征在于，步骤(6)所述的使用训练后的SVM分类器对测试信号特征集AFR_te进行分类测试，按如下步骤进行：

(6a)计算训练特征集AFR_tr中两两特征向量间的欧式距离，得到欧氏距离矩阵：

1≤i≤K-M，1≤j≤K-M，

式中，K-M为测试特征集AFR_te的特征向量组数，为欧氏距离矩阵D_te的元素值，其计算如下：

$D_{\mathrm{te}}^{\mathrm{ij}}=\underset{\mathrm{\&tau;}=1}{\overset{N/5}{\mathrm{\&Sigma;}}}({\mathrm{AFR}}_{\mathrm{te}}^i\left(\mathrm{\&tau;}\right)-{\mathrm{AFR}}_{\mathrm{te}}^j\left(\mathrm{\&tau;}\right){)}^2,$

其中，表示训练特征集AFR_te中的第i个特征向量；

(6b)令||x-y||²＝D_te，σ_rbf ²＝μ_tr，维持不变，构建测试核函数将K(x,y)_te输入训练后的SVM分类器，得到分类结果。

10.根据权利要求1所述的基于模糊域特征的光纤振动信号识别方法，其特征在于，步骤(7)所述的识别率R，表示如下：

$R=\frac{1}{C}\underset{i=1}{\overset{C}{\mathrm{\&Sigma;}}}\frac{K_r^i}{K_i\&times;(1-p)}\&times;100\%$

式中，为分类正确的第i类测试信号组数，K_i为第i类光纤振动信号组数，p为每一类信号用作训练的组数比例。