CN104964736A - 基于时频特性em分类的光纤入侵振源识别方法 - Google Patents

Abstract

本发明针对光纤入侵预警系统提供了一种基于时频二维特征EM(最大期望)分类算法的光纤入侵识别方法，该方法包括：计算经检测得到的振动数据的占空比，提取信号时域特征；将经过小波去噪处理后所得信号进行傅立叶变换，计算频率中心，提取信号频域特征；最后将以上述方法得到的时域、频域特征作为二维EM分类器的输入进行光纤振动信号振源识别。该方法在时频二维对入侵信号进行识别，能够有效地将手工信号与机械信号区别开，准确性较高。

Description

基于时频特性EM分类的光纤入侵振源识别方法

技术领域

本发明涉及光纤入侵系统的振源识别的基于时频二维特征EM(最大期望)分类算法的光纤入侵振源识别方法。

背景技术

随着全球经济的迅猛发展，社会对能源尤其是油气资源的需求量日趋增加。在国家能源战略中，油气储运的建设和发展关系到为国民经济建设和社会发展提供长期、稳定、经济、安全的能源保障的战略全局。如今，地下油气输送管道已成为能源运输的大动脉，管道安全保护的问题也日益突出地摆在人们面前。管道一旦泄漏极易发生爆炸，不仅影响能源的正常运输，还将给国家和人民群众的生命、财产造成巨大损失。因此，对管道安全的预警系统有广泛的应用背景。

在运用光纤传感系统进行实时监控的基础上，对所检测到的振动信号进行分类，识别引起振动的外部事件源，便于及时采取有效措施，制止有害侵入的发生。通过光纤传感系统探测光缆周边的振动事件，采集石油管道周边的各种振动信号，提取信号特征参数，实现目标的分类与识别。面对大量复杂的振动信号，如何准确识别目标振源是安全预警系统研究的难点。振源识别是基于振源的行为及其属性特征，以计算机为工具，采用模式识别理论，建立振动信号和振源对应关系的一门技术。系统对光纤管道采集到的振动信号进行预处理、特征提取和识别，并根据其特征确定破坏事件的类型并进行安全预警，从而实现保障油气管道安全，防患于未然的目的。

现有的研究存在的主要问题是缺乏合适的模型、特别是没有建立合适的信号识别模型，因此，需要建立一种有效的模型来实现振动信号的识别，以降低振源识别的错误率。

发明内容

本发明涉及光纤入侵系统的振源识别，其通过时域、频域二维识别对系统进行入侵特征提取，从而得到振源属性与具体信息。

本发明基于时频二维特征EM分类算法的光纤入侵振源识别方法用以解决对光纤入侵信号的识别，确定入侵信号类型。

基于时频二维特征EM分类算法的光纤入侵振源识别方法，其特征在于包括：对振动信号进行检测，将检测出的振动位置的数据置1，其他位置数据置0，计算得到占空比为：

$\mathrm{\η}=\frac{m}{m+n}---\left(1\right)$

其中，m为每帧数据中1的个数，n为每帧数据中0的个数。

之后对经小波去噪处理后的信号进行傅立叶变换，计算频率中心，以提取信号频域特征。首先对振动信号求能量

$E=\left|\right|s\left(t\right)|{|}^2={\&Integral;\left|s\left(t\right)\right|}^{2}dt=\frac{1}{2\mathrm{\&pi;}}{\&Integral;\left|S\left(j\mathrm{\&Omega;}\right)\right|}^{2}d\mathrm{\&Omega;}<\mathrm{\&infin;}---\left(2\right)$

其中，t为时间，E为信号能量，s(t)为振动信号，S(jΩ)为s(t)的傅里叶变换。之后计算信号s(t)的频率中心为

$\mathrm{\&zeta;}\left(\mathrm{\&Omega;}\right)=\frac{1}{2\mathrm{\&pi;}E}\&Integral;\mathrm{\&Omega;}|S\left(j\mathrm{\&Omega;}\right){|}^{2}d\mathrm{\&Omega;}---\left(3\right)$

其中，Ω为频率，ζ(Ω)为s(t)的频率中心，E为信号能量，S(jΩ)为s(t)的傅里叶变换。

将以上述方法得到的时域、频域特征作为二维EM分类器的输入进行光纤振动信号振源识别。

附图说明

图1本发明方法的实施以及验证过程；

图2时域特征提取流程图；

图3频域特征提取流程图；

图4频域特征提取结果图；

图5EM分类器设计步骤图；

图6EM分类器对于手工信号和机械信号的识别结果。

具体实施方案

以下结合附图，对根据本发明的实施例的技术方案进行描述。

图1是根据本发明的一个实施例的时频二维识别方法的总体流程。该实施例中，说识别的对象包括：手工信号，其为由于使用非电动类工具而产生的振动信号，如镐头；机械信号，其为由于使用电动类工具而产生的振动信号，如电钻、电镐。

如图1所示的实施例的时频二维识别算法包括：

S101：提取信号时域特征，计算振动数据占空比值；

S102：提取信号频域特征，将振动信号进行傅立叶变换并计算频率中心；

S103：将提取到的时域、频域特征作为二维EM分类器的输入进行光纤振动信号振源识别。

根据本发明的一个实施例的对信号进行时域特征提取的过程如图2所示，其包括：

S201：对振动信号进行检测，将检测出的振动位置的数据置1，其他位置的数据置0；

S202：统计每段数据中1的个数m和0的个数n；

S203：计算占空比

S204：将计算得到的占空比数值存入矩阵作为时域特征向量。

运用小波分析对振动数据进行去噪处理，之后对消噪后的信号进行频域特征提取，根据本发明的一个实施例的频域特征提取过程如图3所示：

S301：对消噪后的振动信号采用N＝1024点快速傅里叶变换进行谱分析，信号长度为5s，采样频率为1kHz，机械信号与手工信号时域图与频谱图如图4所示；

S302：计算各类标签下振动信号的频率中心，首先对振动信号求能量

$E=\left|\right|s\left(t\right)|{|}^2={\&Integral;\left|s\left(t\right)\right|}^{2}dt=\frac{1}{2\mathrm{\&pi;}}{\&Integral;\left|S\left(j\mathrm{\&Omega;}\right)\right|}^{2}d\mathrm{\&Omega;}<\mathrm{\&infin;}---\left(4\right)$

其中，t为时间，E为信号能量，s(t)为振动信号，S(jΩ)为s(t)的傅里叶变换；

然后计算信号x(t)的频率中心为

$\mathrm{\&zeta;}\left(\mathrm{\&Omega;}\right)=\frac{1}{2\mathrm{\&pi;}E}\&Integral;\mathrm{\&Omega;}|S\left(j\mathrm{\&Omega;}\right){|}^{2}d\mathrm{\&Omega;}---\left(5\right)$

其中，Ω为频率，ζ(Ω)为s(t)的频率中心，E为信号能量，S(jΩ)为s(t)的傅里叶变换；

S303：将计算得到的占空比存入矩阵作为频域特征向量。

将上述得到的时域、频域特征向量作为二维EM分类器的输入进行分类。根据本发明的一个实施例的分类流程如图5所示，其包括：

首先，将占空比、频率中心两特征生成二维特征向量并作为输入分类器的待分类样本，即 $x=\left[\begin{array}{c}\mathrm{\&eta;}\\ \mathrm{\&zeta;}\end{array}\right];$

然后，初始化分布参数θ及两类数据占比a，其中参数θ包括均值μ和协方差cov，即 $\mathrm{\&mu;}=\left[\begin{array}{c}E\left(\mathrm{\&eta;}\right)\\ E\left(\mathrm{\&zeta;}\right)\end{array}\right]$ 和 $\mathrm{cov}=\left[\begin{array}{cc}\mathrm{cov}(\mathrm{\&eta;},\mathrm{\&eta;})& \mathrm{cov}(\mathrm{\&eta;},\mathrm{\&zeta;})\\ \mathrm{cov}(\mathrm{\&zeta;},\mathrm{\&eta;})& \mathrm{cov}(\mathrm{\&zeta;},\mathrm{\&zeta;})\end{array}\right];$ 设第一类振动的分布参数θ₁为 ${\mathrm{\&mu;}}_1=\left[\begin{array}{c}{\mathrm{\&mu;}}_{11}\\ {\mathrm{\&mu;}}_{12}\end{array}\right]$ 和 ${\mathrm{cov}}_1=\left[\begin{array}{cc}{c}_{11}& c_{12}\\ c_{21}& c_{22}\end{array}\right],$ 第二类振动的分布参数θ₂为 ${\mathrm{\&mu;}}_2=\left[\begin{array}{c}{\mathrm{\&mu;}}_{21}\\ {\mathrm{\&mu;}}_{22}\end{array}\right]$ 和 ${\mathrm{cov}}_2=\left[\begin{array}{cc}{d}_{11}& d_{12}\\ d_{21}& d_{22}\end{array}\right],$ 且设两类振动数据占比为 $a=\left[\begin{array}{c}{k}_1\\ k_2\end{array}\right],$ 其中k₁+k₂＝1；

最后，进行计算期望(Expectation)和最大化(Maximization)两步，根据本发明的一个实施例的该流程包括：

S501：计算期望步骤(E步骤)：根据参数初始值或上一次迭代的模型参数来计算出隐性变量的后验概率(即隐性变量的期望)。作为隐性变量的当前估计值：

Q_i(z⁽ⁱ⁾):＝p(z⁽ⁱ⁾|x⁽ⁱ⁾；θ)         (6)

其中，x⁽ⁱ⁾为待分类样本数据，z⁽ⁱ⁾为每个样本x⁽ⁱ⁾对应的类别，Q_i(z⁽ⁱ⁾)为隐性变量的后验概率；

S502：最大化步骤(M步骤)：将似然函数最大化以获得新的参数值：

$\mathrm{\&theta;}:=\arg \underset{\mathrm{\&theta;}}{max}\underset{i}{\&Sigma;}\underset{z^{\left(i\right)}}{\&Sigma;}{Q}_i\left(z^{\left(i\right)}\right)log\frac{p(x^{\left(i\right)},z^{\left(i\right)};\mathrm{\&theta;})}{Q_i\left(z^{\left(i\right)}\right)}---\left(7\right)$

此时，判断参数(包括均值μ和协方差cov)是否收敛，若不收敛，则返回S501重复此过程，若收敛则算法结束，输出估计参数值与分类结果。

本发明人针对上述时频二维识别方法，对实测手工信号与机械信号进行分类仿真；其中手工信号为由于人使用非电动类工具而产生的振动信号，如镐头，机械信号为由于人使用电动类工具而产生的振动信号，如电钻、电镐。其中，首先分别对其进行时域、频域特征提取得到手工信号与机械信号的二维特征向量，再将特征向量输入EM算法分类器对其进行识别。识别结果如图6所示。在该图中，横坐标代表频域特征，纵坐标代表时域特征。从该仿真结果可以看出，通过时频二维识别方法可以有效地将手工信号与机械信号区分开，标明本发明具有显著的效果。

与现有检测方法相比，本发明的优点包括：

(1)本发明的方法能够有效实现光纤入侵识别；

(2)本发明的方法能够通过小波去噪分析效去除信号大部分噪声，对信号更准确识别提供便利；

(3)本发明的方法能够通过时频二维特征识别有效地将手工信号与机械信号区别开，准确性较高。

Claims (5)

1.基于时频二维特征最大期望分类算法的光纤入侵振源识别方法，其特征在于包括：

A)计算经检测后得到的振动数据的占空比，提取信号时域特征；

B)对振动信号进行傅立叶变换，计算频率中心，提取信号频域特征；

C)将以上述方法得到的时域、频域特征作为二维EM分类器的输入进行光纤振动信号振源识别。

2.根据权利要求1的方法，其特征在于所述步骤A)进一步包括：

对振动信号进行检测，将检测出的振动位置的数据置1，其他位置数据置0，计算得到占空比：

$\mathrm{\&eta;}=\frac{m}{m+n}---\left(1\right)$

其中，m为每帧数据中1的个数，n为每帧数据中0的个数。

3.根据权利要求1的方法，其特征在于所述步骤B)进一步包括：

对振动信号进行小波去噪处理，之后进行快速傅立叶变换，并求出频率中心，其中所述求频率中心的操作包括：

对振动信号求能量

$E=\left|\right|s\left(t\right)|{|}^2={\&Integral;\left|s\left(t\right)\right|}^{2}dt=\frac{1}{2\mathrm{\&pi;}}{\&Integral;\left|S\left(j\mathrm{\&Omega;}\right)\right|}^{2}d\mathrm{\&Omega;}<\mathrm{\&infin;}---\left(2\right)$

其中，t为时间，E为信号能量，s(t)为振动信号，S(jΩ)为s(t)的傅里叶变换；

计算信号s(t)的频率中心

$\mathrm{\&zeta;}\left(\mathrm{\&Omega;}\right)=\frac{1}{2\mathrm{\&pi;}E}\&Integral;\mathrm{\&Omega;}|S\left(j\mathrm{\&Omega;}\right){|}^{2}d\mathrm{\&Omega;}---\left(3\right)$

其中，Ω为频率，ζ(Ω)为s(t)的频率中心，E为信号能量，S(jΩ)为s(t)的傅里叶变换。

4.根据权利要求2或3的方法，其特征在于所述步骤C)进一步包括：

将从不同种类的信号中提取到的占空比和频率中心两特征生成二维特征向量并作为输入分类器的待分类样本，即 $x=\left[\begin{array}{c}\mathrm{\&eta;}\\ \mathrm{\&zeta;}\end{array}\right];$

采用EM算法分类器对特征向量进行识别，其中所述EM算法包括：

D1)初始化分布参数θ及两类数据占比a，其中参数θ包括均值μ和协方差cov，即 $\mathrm{\&mu;}=\left[\begin{array}{c}E\left(\mathrm{\&eta;}\right)\\ E\left(\mathrm{\&zeta;}\right)\end{array}\right]$ 和 $\mathrm{cov}=\left[\begin{array}{cc}\mathrm{cov}(\mathrm{\&eta;},\mathrm{\&eta;})& \mathrm{cov}(\mathrm{\&eta;},\mathrm{\&zeta;})\\ \mathrm{cov}(\mathrm{\&zeta;},\mathrm{\&eta;})& \mathrm{cov}(\mathrm{\&zeta;},\mathrm{\&zeta;})\end{array}\right];$ 设第一类振动的分布参数θ₁为 ${\mathrm{\&mu;}}_1=\left[\begin{array}{c}{\mathrm{\&mu;}}_{11}\\ {\mathrm{\&mu;}}_{12}\end{array}\right]$ 和 ${\mathrm{cov}}_1=\left[\begin{array}{cc}{c}_{11}& c_{12}\\ c_{21}& c_{22}\end{array}\right],$ 第二类振动的分布参数θ₂为 ${\mathrm{\&mu;}}_2=\left[\begin{array}{c}{\mathrm{\&mu;}}_{21}\\ {\mathrm{\&mu;}}_{22}\end{array}\right]$ 和 ${\mathrm{cov}}_2=\left[\begin{array}{cc}{d}_{11}& d_{12}\\ d_{21}& d_{22}\end{array}\right],$ 且设两类振动数据占比为 $a=\left[\begin{array}{c}{k}_1\\ k_2\end{array}\right],$ 其中k₁+k₂＝1；

D2)根据参数初始值或上一次迭代的模型参数来计算出隐性变量的后验概率，即隐性变量的期望，作为隐藏变量的当前估计值：

Q_i(z⁽ⁱ⁾):＝p(z⁽ⁱ⁾|x⁽ⁱ⁾；θ)   (4)

其中，x⁽ⁱ⁾为待分类样本数据，z⁽ⁱ⁾为每个样本x⁽ⁱ⁾对应的类别，Q_i(z⁽ⁱ⁾)为隐性变量的后验概率；

D3)将似然函数最大化以获得包括均值μ和协方差cov的、新的参数值：

$\mathrm{\&theta;}:=\arg \underset{\mathrm{\&theta;}}{\max }\underset{i}{\mathrm{\&Sigma;}}\underset{z^{\left(i\right)}}{\mathrm{\&Sigma;}}{Q}_i\left(z^{\left(i\right)}\right)\log \frac{p(x^{\left(i\right)},z^{\left(i\right)};\mathrm{\&theta;})}{Q_i\left(z^{\left(i\right)}\right)}---\left(5\right)$

D4)判断包括均值μ和协方差cov的该新的参数值是否收敛，若不收敛则返回第D2)步，若收敛则算法结束。

5.根据权利要求4的方法，其特征在于所述不同种类的信号包括机械信号和手工信号两类信号。