CN105023379B - 一种机场光纤周界预警系统的信号识别方法 - Google Patents

一种机场光纤周界预警系统的信号识别方法 Download PDF

Info

Publication number
CN105023379B
CN105023379B CN201510498072.8A CN201510498072A CN105023379B CN 105023379 B CN105023379 B CN 105023379B CN 201510498072 A CN201510498072 A CN 201510498072A CN 105023379 B CN105023379 B CN 105023379B
Authority
CN
China
Prior art keywords
signal
frequency
optical fiber
early warning
warning system
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201510498072.8A
Other languages
English (en)
Other versions
CN105023379A (zh
Inventor
熊兴隆
盖井艳
蒋立辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Civil Aviation University of China
Original Assignee
Civil Aviation University of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Civil Aviation University of China filed Critical Civil Aviation University of China
Priority to CN201510498072.8A priority Critical patent/CN105023379B/zh
Publication of CN105023379A publication Critical patent/CN105023379A/zh
Application granted granted Critical
Publication of CN105023379B publication Critical patent/CN105023379B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/181—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using active radiation detection systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Burglar Alarm Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及一种机场光纤周界预警系统的信号识别方法，包括以下步骤：⑴信号采集：周界预警系统采集光信号并转化为原始电信号X(n)；⑵预处理：对原始电信号X(n)进行滤波、放大等处理得到电信号X'(n)；⑶降采样：对扰动信号进行降采样得x(n)；⑷零电平处时频特征：降采样后的信号x(n)按公式获取信号的时频特征；⑸特征提取：提取最大值M、过零频率数K、频率偏差D、频率样本熵S、信号总能量E；⑹.入侵分类：将五个典型特征输入至五个输入层的概率神经网络中，通过输出层的比较判断入侵类型。本发明克服了机场光纤周界预警系统输出信号的非平稳特性及入侵信号与虚警信号的相似性影响信号识别准确度的问题，有效地识别出不同的扰动类型，具有实时性，实用性强的优点。

Description

一种机场光纤周界预警系统的信号识别方法
技术领域
本发明涉及机场周界系统预警模式识别技术，特别是一种机场光纤周界预警系统的信号识别方法。
背景技术
国内外现有的周界安防系统类型主要有：视频监控、微波场、红外对射、电子围栏等，但其适用范围小、灵敏度低、易受环境影响、误报率高且价钱昂贵等缺点限制其发展。光纤周界预警系统以光纤作为传感器感知外界信号的变化，灵敏度高、抗干扰能力和环境适应能力强、成本低寿命长等特点已成为周界安防领域的主要发展技术。本系统采用Mach-Zehnder型光纤干涉探测原理，其采用两段长度基本相同的单模光纤和两个耦合器构成M-Z干涉仪。由一端发出的光，经第一耦合器后进入两单模光纤。两光纤输出的光在第二个耦合器处发生干涉。由于光路的对称性，由二端发出的光，也可以在第一耦合器处发生干涉。在传感光纤无扰动时，由一端发出的光将在二端产生稳定的干涉条纹。同时，由二端发出的光也将在一端产生稳定的干涉条纹。在采用窄带激光作为光源时，将分别在一端和二端接收到稳定的光强。在实际应用中，系统先识别扰动信号是否为真实入侵信号，再对真实入侵迅速锁定位置向外报警，但入侵信号的非平稳特性及其与虚警信号的相似性严重影响信号识别的准确度，国内外相关学者进行了大量研究，Mahmoud等提出了LC算法，并利用神经网络进行识别，但LC算法的分段数没有明确的数学公式确定。冯欣等利用小波分析和信息熵相结合的处理方法，但未识别出入侵类型。朱程辉等提出时频特征联合的识别方法，但获取时域特征时的阈值设定对识别结果有很大影响。
本发明提出一种基于零电平处导数分析的信号识别新方法。对信号进行降采样，以减少高频噪声的影响，同时避免分段造成的识别误差。进一步分析零电平处导数与频率的关系，获得信号的时频特征，通过提取具有代表性的典型特征降低概率神经网络的训练难度，缩短识别时间，提高报警率，降低误报率，为M-Z干涉型机场光纤周界预警系统的信号识别研究提供重要的参考。
发明内容
本发明针对M-Z干涉仪型机场光纤周界预警系统输出信号的非平稳特性及入侵信号与虚警信号的相似性严重影响信号识别准确度的问题，提供一种基于零电平处导数分析的信号识别方法。
本发明解决其技术问题是通过以下技术方案实现的：
一种机场光纤周界预警系统的信号识别方法，其特征在于：包括以下步骤：
⑴信号采集：M-Z干涉仪型机场光纤周界预警系统采集光信号并转化为原始电信号X(n)；
⑵预处理：对原始电信号X(n)进行滤波、放大等处理得到电信号X'(n)；
⑶降采样：入侵频率在200kHz之内，对扰动信号进行降采样得x(n)；
⑷零电平处时频特征：降采样后的信号x(n)按公式
获取信号的时频特征；
⑸特征提取：依据不同扰动信号时频特征的不同，提取如下五个典型特征：
最大值M：时频特征中频率最大值，入侵事件一般都大于噪声引起的事件；
过零频率数K：时频图中，大于零频率的个数；
频率偏差D：频率最大值与过零频平均值的差值，即：
D＝max(F(t))-mean(F'(t))，其中F(t)为时频特征中的频率，F'(t)为超过零的频率；
频率样本熵S：通过样本熵辨别环境引起的虚警信号；
信号总能量E：该能量是降采样后，扰动信号的总能量
⑹.入侵分类：将步骤⑸中提取的最大值M、过零频率数K、频率偏差D、频率样本熵S、信号总能量E五个典型特征输入至五个输入层的概率神经网络中，其中模式层和求和层根据训练样本和类别个数分别设定，输出层比较求和层输出的贝叶斯概率大小，取最大值对应的类型作为最终的识别结果。
步骤⑴中M-Z干涉仪型机场光纤周界预警系统以光纤作为传感器，采集微小的扰动信号，光信号在传输时，扰动信号改变光信号的相位，从而影响光强的大小，由探测器将振动的光强转变为电信号。
步骤⑴中的扰动信号包括由敲击、攀爬、风、汽车振动等引起的振动信号。
本发明的优点和有益效果为：
1.本发明的机场光纤周界预警系统的信号识别方法，针对机场光纤周界预警系统输出信号的非平稳特性及入侵信号与虚警信号的相似性影响信号识别准确度的问题，从信号自身特点入手，根据零电平处导数与频率的关系获得信号的时频特征；在时频特征基础上，提取出五个典型特征输入至概率神经网络进行识别分类，不仅有效地识别出不同的扰动类型，而且识别时间在0.23s之内，兼顾了系统实时性的要求，提高了系统的实用性能。
附图说明
图1为本发明的步骤流程图；
图2为敲击的电信号波形图；
图3为攀爬的电信号波形图；
图4为风的电信号波形图；
图5为敲击的时频特征示意图；
图6为攀爬的时频特征示意图；
图7为风击的时频特征示意图。
具体实施方式
下面通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。
一种机场光纤周界预警系统的信号识别方法，包括以下步骤：
⑴信号采集：M-Z干涉仪型机场光纤周界预警系统采集光信号并转化为原始电信号X(n)；预警系统以光纤作为传感器，其不受外界气候和电磁等的干扰，能够实时采集微小的振动信号，光信号在传输时，振动信号如敲击、攀爬、风、汽车振动等改变光信号的相位，从而影响光强的大小，由探测器将振动的光强转变为电信号。
⑵预处理：对原始电信号进行滤波、放大等处理得到电信号X'(n)，如图2、3、4所示为敲击、攀爬和风的电信号波形图。
⑶降采样：实际的入侵频率在200kHz之内，在不丢失有效信号情况下对扰动信号进行降采样得x(n)，其不仅减少了系统运算数据量，避免分段对时频特征提取的影响，而且消除了高频噪声。
⑷零电平处时频特征：根据信号自身输出形式可知，信号在零点处导数与信号频率成正比，离散信号的相邻采样点间隔相同，所以采集的离散信号在零点处的导数用相邻采样点的幅值差表示。降采样后的信号x(n)按公式获取信号的时频特征如图5、6、7所示。
⑸特征提取：依据不同扰动信号时频特征的差异，提取如下五个典型特征：
最大值M：时频特征中频率最大值，入侵事件一般都大于噪声引起的事件。
过零频率数K：时频图中，大于零频率的个数。
频率偏差D：频率最大值与过零频平均值的差值，即D＝max(F(t))-mean(F'(t))，其中F(t)为时频特征中的频率，F'(t)为超过零的频率。该特征有效地区分相似时频特征的事件如人为攀爬和汽车产生的振动。
频率样本熵S：时频分布中，不仅频域中有明显的不同，而且时域上的分布也有较大差异，故通过样本熵判定信号的时域分布复杂程度。此特征可辨别环境引起的虚警信号如汽车振动和自然风，汽车振动信号的样本熵明显大于风信号的样本熵。
信号总能量E：该能量是降采样后，扰动信号的总能量其对人为攀爬和敲击的区分至关重要。
⑹入侵分类：将上述提取的五个典型特征输入至五个输入层的概率神经网络中，其中模式层和求和层根据训练样本和类别个数分别设定，输出层比较求和层输出的贝叶斯概率大小，取最大值对应的类别作为最终的识别结果。
尽管为说明目的公开了本发明的实施例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换、变化和修改都是可能的，因此，本发明的范围不局限于实施例和附图所公开的内容。

Claims (3)

1.一种机场光纤周界预警系统的信号识别方法，其特征在于：包括以下步骤：
⑴信号采集：M-Z干涉仪型机场光纤周界预警系统采集光信号并转化为原始电信号X(n)；
⑵预处理：对原始电信号X(n)进行滤波、放大处理得到电信号X'(n)；
⑶降采样：入侵频率在200kHz之内，对扰动信号进行降采样得x(n)；
⑷零电平处时频特征：降采样后的信号x(n)按公式
获取信号的时频特征；
⑸特征提取：依据不同扰动信号时频特征的不同，提取如下五个典型特征：
最大值M：时频特征中频率最大值，入侵事件一般都大于噪声引起的事件；
过零频率数K：时频图中，大于零频率的个数；
频率偏差D：频率最大值与过零频平均值的差值，即：
D＝max(F(n))-mean(F'(n))，其中F(n)为时频特征中的频率，F'(n)为超过零的频率；
频率样本熵S：通过样本熵辨别环境引起的虚警信号；
信号总能量E：该能量是降采样后，扰动信号的总能量
⑹.入侵分类：将步骤⑸中提取的最大值M、过零频率数K、频率偏差D、频率样本熵S、信号总能量E五个典型特征输入至五个输入层的概率神经网络中，其中模式层和求和层根据训练样本和类别个数分别设定，输出层比较求和层输出的贝叶斯概率大小，取最大值对应的类型作为最终的识别结果。
2.根据权利要求1所述的一种机场光纤周界预警系统的信号识别方法，其特征在于：步骤⑴中M-Z干涉仪型机场光纤周界预警系统以光纤作为传感器，采集微小的扰动信号，光信号在传输时，扰动信号改变光信号的相位，从而影响光强的大小，由探测器将振动的光强转变为电信号。
3.根据权利要求1所述的一种机场光纤周界预警系统的信号识别方法，其特征在于：步骤⑴中的扰动信号包括由敲击、攀爬、风、汽车振动引起的振动信号。
CN201510498072.8A 2015-08-13 2015-08-13 一种机场光纤周界预警系统的信号识别方法 Expired - Fee Related CN105023379B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510498072.8A CN105023379B (zh) 2015-08-13 2015-08-13 一种机场光纤周界预警系统的信号识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510498072.8A CN105023379B (zh) 2015-08-13 2015-08-13 一种机场光纤周界预警系统的信号识别方法

Publications (2)

Publication Number Publication Date
CN105023379A CN105023379A (zh) 2015-11-04
CN105023379B true CN105023379B (zh) 2017-11-14

Family

ID=54413315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510498072.8A Expired - Fee Related CN105023379B (zh) 2015-08-13 2015-08-13 一种机场光纤周界预警系统的信号识别方法

Country Status (1)

Country Link
CN (1) CN105023379B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105654645B (zh) * 2016-01-22 2018-04-10 北京北邮国安技术股份有限公司 一种光纤安防信号处理方法及系统
CN105608823B (zh) * 2016-03-14 2020-09-11 北京北邮国安技术股份有限公司 基于主成分分析的光纤安防方法及系统
CN106023499B (zh) * 2016-04-28 2018-05-22 北京北邮国安技术股份有限公司 一种光纤安防信号双重识别方法及系统
CN108241840A (zh) * 2016-12-26 2018-07-03 河南农业大学 一种刺吸电位图谱（epg）波形自动识别方法
CN107122738B (zh) * 2017-04-26 2020-05-22 成都蓝色起源科技有限公司 基于深度学习模型的无线电信号识别方法及其实现系统
DE102017208545A1 (de) * 2017-05-19 2018-11-22 Robert Bosch Gmbh Verfahren zum Schutz eines Netzwerkes vor einem Cyberangriff
CN108509850B (zh) * 2018-02-24 2022-03-29 华南理工大学 一种基于分布式光纤系统的入侵信号识别方法
CN114677818A (zh) * 2022-03-16 2022-06-28 武汉理工大学 一种隧道外部入侵监测系统及方法
CN115798131B (zh) * 2023-02-13 2023-04-28 成都陆迪盛华科技有限公司 一种基于分布式光纤的多维度特征入侵检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AUPR313701A0 (en) * 2001-02-13 2001-03-15 Future Fibre Technologies Pty Ltd Perimeter barrier systems and method of perimeter barrier monitoring
CN102401667B (zh) * 2011-09-29 2016-03-30 北京航空航天大学 具有扰动性质识别功能的光纤分布式扰动传感方法及系统
CN104008622B (zh) * 2014-06-03 2016-06-15 天津求实飞博科技有限公司 基于短时能量和过零率的光纤周界安防系统端点检测方法
CN104596633B (zh) * 2014-12-26 2018-04-27 华中科技大学 基于双向光放大的超长距离分布式光传感装置及方法
CN104568119A (zh) * 2015-01-14 2015-04-29 天津大学 一种单光源脉冲编码的光纤振动传感系统及其传感方法

Also Published As

Publication number Publication date
CN105023379A (zh) 2015-11-04

Similar Documents

Publication Publication Date Title
CN105023379B (zh) 一种机场光纤周界预警系统的信号识别方法
US11562224B2 (en) 1D-CNN-based distributed optical fiber sensing signal feature learning and classification method
CN111157099B (zh) 一种分布式光纤传感器振动信号分类方法及识别分类系统
CN107256635B (zh) 一种智能交通中基于分布式光纤传感的车辆识别方法
CN111104891B (zh) 基于BiLSTM的复合特征光纤传感扰动信号模式识别方法
CN103968933A (zh) 基于模糊域特征的光纤振动信号识别方法
CN111442827A (zh) 一种变压器绕组振动的光纤无源在线监测系统及方法
CN103116957B (zh) 一种光纤周界安防系统屏蔽气候影响的方法
CN111649817A (zh) 一种分布式光纤振动传感器系统及其模式识别方法
Marie et al. Pattern recognition algorithm and software design of an optical fiber vibration signal based on Φ-optical time-domain reflectometry
Lyu et al. Abnormal events detection based on RP and inception network using distributed optical fiber perimeter system
Wang et al. Multi-branch long short-time memory convolution neural network for event identification in fiber-optic distributed disturbance sensor based on φ-OTDR
CN105067101A (zh) 振源识别的基于振动信号的基音频率特征的提取方法
Tabi Fouda et al. Research and Software Design of an Φ‐OTDR‐Based Optical Fiber Vibration Recognition Algorithm
CN112364768A (zh) 一种基于空域特征和机器学习的分布式光纤入侵识别方法
CN112883802A (zh) 一种管道光纤振动安全预警系统破坏性事件的识别方法
Shi et al. A recognition method for multi-radial-distance event of Φ-OTDR system based on CNN
CN111181634B (zh) 一种分布式光纤振动信号快速定位方法
CN116912586A (zh) 一种变电站入侵事件识别方法、系统、设备及介质
Wang et al. Event identification of a phase-sensitive OTDR sensing system based on principal component analysis and probabilistic neural network
CN116186642B (zh) 一种基于多维特征融合的分布式光纤传感事件预警方法
Yi et al. An intelligent crash recognition method based on 1DResNet-SVM with distributed vibration sensors
Jiang et al. Identification Technique for the Intrusion of Airport Enclosure Based on Double Mach-Zehnder Interferometer.
Huang et al. Pattern recognition using self-reference feature extraction for φ-OTDR
US20230024104A1 (en) Identification of false transformer humming using machine learning

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20171114

Termination date: 20190813

CF01 Termination of patent right due to non-payment of annual fee