CN105095624B - 一种光纤传感振动信号的识别方法 - Google Patents

Abstract

本发明为光纤传感振动信号的识别方法具体步骤如下：1，信号获取，得离散数字信号s(n)；2，加窗分帧，得第k帧的加窗信号s_k(n)；3，计算得到第k帧的能量信号e(k)；4，得滑动平均处理后的能量信号e'(k)；5，扰动事件提取，e'(k)与动态阈值Th1和Th2比较，截取连续信号作为扰动事件信号，若无超过Th1的e'(k)，即无扰动事件发生；6，求扰动事件的MFCC参数；获取Y类事件的特征集；建立Y种扰动事件的模式库；7，SVDD模式训练；8，待测事件的特征参数集与模式库中的SVDD训练模型进行匹配，判断待测事件属于哪一类事件，或判断为未知事件。本识别方法提高了光纤传感信号识别的准确率，减少误报；单个扰动事件即可完成模式训练，降低了建库复杂度。

Description

一种光纤传感振动信号的识别方法

技术领域

本发明属于模式识别技术，尤其涉及光纤传感系统的一种光纤传感振动信号的识别方法。

背景技术

光纤传感系统，采用光缆作为传感传输二合一器件，通过对直接触碰光缆或通过承载物，如覆土、铁丝网、围栏等，传递给光缆的各种振动信号，对振动信号进行持续和实时的监控，采集扰动数据，经过后端分析处理和智能识别，判断出不同的外部干扰类型，如攀爬铁丝网、围墙，设防区域的行走，挖洞开墙，以及可能威胁光缆承载物的破坏等，排除外部干扰信号，实现系统预警或实时告警，达到对侵入设防区域周界、以及内部核心区域的威胁行为进行预警监测的目的。光纤传感系统作为一种新型的安全防范设备，符合当今民用和军用安防需求，弥补了传统安防手段的不足，可以替代或结合传统设备的使用，提高传统安防系统的灵敏度和扩大防御范围。

当前的光纤传感系统的缺陷如下：许多此类系统并没有对外部扰动事件识别判断的方法，或者只是通过简单的指标(如振幅、能量、频谱等)进行筛选。某些光纤传感系统尝试引用模式识别技术进行外部扰动事件类型的识别，但是所采用的模式识别技术需要采集大量的样本进行训练，实施困难，而且识别准确率低。总之，现有的光纤传感系统缺少对外部扰动事件准确识别、降低误报率的光纤传感振动信号的识别方法。

发明内容

本发明的目的是为了克服现有光纤传感系统扰动事件识别准确率低、训练过程长、样本需求量大等缺点，提出了类似于语音识别技术的一种光纤传感振动信号的识别方法，该方法利用了光纤传感系统振动信号作为一种音频信号的特点，采用单个事件作为训练样本，具有更高的识别准确率，同时只需要很少的训练样本即可完成常见入侵事件的模式训练。

为了实现上述目的，本发明的光纤传感振动信号的识别方法具体步骤如下：

步骤1：信号获取

光纤传感系统的光缆在受到外力作用时，光缆中传输的光信号会发生相位的变化，不同位置光纤的光信号在系统终端处发生干涉，由于振动引起的相位差的存在，使得干涉后信号发生变化，通过光电探头将干涉后的光信号转换成电流信号，光纤传感系统获得的光信号转换成电流信号后，再通过AD采样得到相应的离散数字信号s(n)，n为采样点数；

步骤2：加窗分帧

为了方便后期处理，对信号s(n)进行分帧，为了消除吉布斯现象，分帧的同时还对信号进行加窗处理。对步骤1获取的数字信号s(n)进行加窗分帧处理，得到第k帧的加窗信号s_k(n)，其计算公式如下：

s_k(n)＝s(n+kd)w(n),0≤n≤d-1

式中w(n)为窗函数，d为窗口宽度，f_m为信号采样频率，k为帧数。

步骤3：短时能量计算

为了后期扰动信号的提取，将时域信号s(n)转换成短时能量信号e(k)，本步骤计算步骤2所得每一帧加窗分帧信号s_k(n)的能量，得到第k帧的能量信号e(k)。

步骤4：滑动平均处理

系统固有的或外在的非持续干扰，即噪声或外界突发的短时非人为扰动，会产生非常短暂的脉冲现象，影响真实扰动事件的提取。为使能量信号在短时脉冲的干扰下仍表现平滑，对对步骤3所得能量信号e(k)做平滑处理，得到滑动平均处理后的能量信号e'(k)，即当前的短时能量值等于前N个能量值的均值，N为滑动平均的窗口长度，滑动平均处理后的能量信号计算公式如下：

i为窗口帧的计数参数。

步骤5：扰动事件提取

步骤4得到的滑动平均处理后的能量信号e'(k)与动态阈值Th1和Th2比较，当e'(p)超过Th1时，开始截取对应的帧信号s_p(n)，当e'(q)低于Th2时，结束对应的帧信号s_q(n)截取，所截取的p到q帧连续信号s_p(n),s_p+1(n),...,s_q(n)即作为扰动事件信号s_event(n)，称为事件信号，用于后续步骤识别。若没有得到超过动态阈值Th1的能量信号e'(k)，即无事件被截取，则认为无扰动事件发生，返回步骤1重新开始。

利用动态阈值对事件进行提取能够实时跟踪信号的噪声水平，克服固定阈值容易受噪声干扰而错误截取事件的缺点，同时使用两个动态阈值截取事件能够自适应地获取扰动事件的长度，准确地找到事件的起始端和结束端，克服固定长度截取事件所造成的事件割裂或带入噪声信号的缺点。

选择前M个非事件帧能量值来计算动态阈值，计算公式如下：

其中δ等于1或2，ii为非事件帧的计数参数，σ为M个非事件帧能量值的标准差，z_δ为调整系数，取值范围为3≤z_δ≤6,且th1＞th2。

步骤6：提取扰动事件MFCC参数

MFCC为Mel频率倒谱系数(Mel Frequency Cepstrum Coefficient的缩写)。Mel频率是基于人耳听觉特性提出来的，它与Hz频率成非线性对应关系。Mel频率倒谱系数(MFCC)则是利用它们之间的这种关系，计算得到的Hz频谱特征。MFCC与实际频率倒谱分析不同，其分析着眼于人耳的听觉特性，本发明借鉴语音识别中人耳能对不同声音的区分这一特性，提取步骤5所得扰动事件信号s_event(n)的MFCC构成事件信号的特征向量集，用于模式训练和事件识别，因为扰动事件本质上也是一种振动引发的音频信号。Mel频率与实际频率的具体关系表示如下：

Mel(f)＝2595lg(1+f/700)

MFCC的提取是成熟技术，具体步骤如下：

步骤6.1：求Mel频率

对步骤5得到的扰动事件s_event(n)的每一帧信号{s_k(n),k＝p,p+1,...,q}进行傅里叶变换，得到单帧信号的实际幅度谱|S_k(n)|，将幅度谱带入Mel频率转换公式得到相应的Mel频率

S_mel(n)＝2595lg(1+|S_k(n)|/700)

步骤6.2：配置Mel滤波器组

在Mel频率轴上配置L个通道的Mel滤波器组，L的个数由事件信号的截止频率决定，即

其中表示向下取整，f_m为信号采样频率，优选13个通道。

每一个Mel滤波器的中心频率c(l)在Mel频率轴上等间隔分配。设o(l)，c(l)和h(l)分别是第l个Mel滤波器的下限频率、中心频率和上限频率，相邻Mel滤波器之间的下限频率、中心频率和上限频率有如下关系成立

c(l)＝h(l-1)＝o(l+1)

步骤6.3：求各Mel滤波器的Mel频率输出

根据事件信号每帧的幅度谱|S_k(n)|求出每个Mel滤波器的Mel频率输出

其中W_l(n)为单个Mel滤波器。

步骤6.4：求扰动事件的MFCC参数

对所有滤波器的输出m(l)作对数运算，再进一步做离散余弦变换(DCT)即可得到扰动事件的MFCC参数

其中d为分帧信号的长度，即加窗信号的窗口宽度。

因此一个包含q-p+1帧信号的扰动事件，其MFCC特征向量集可表示为T＝{x_i,i＝1,2,...,q-p+1}，其中x_i为L维向量，即x_i＝{c_mfcc(j),j＝1,2,...,L}。

所述步骤6.2中的Mel滤波器可以选择三角形滤波器、正弦滤波器和矩形滤波器中的任一种，优先选择三角滤波器。

步骤7：SVDD模式训练

对应每一个扰动事件s_event(n)，步骤6得到一个MFCC特征集T＝{x_i,i＝1,2,...,q-p+1}。为了对各种扰动事件进行识别，对如下雨、攀爬、钻探等扰动事件的识别，对Y个扰动事件进行步骤1至6的处理，获取Y类事件的特征集，将步骤6中得到的Y类事件信号的特征向量集用于SVDD模式训练，模式训练利用各扰动事件特征集解拉格朗日方程得到各扰动事件相应的特征空间参数(a,R,α_i,x_i)，该特征空间参数即为对应扰动事件的类别模式；建立一个包括Y种模式扰动事件的模式库；

SVDD(支持向量数据描述，support vector data description的缩写)算法是一种基于支持向量机分类的对特征向量在几何空间中的分布描述，它可以实现对具有相同特征的事件在特征向量空间的几何划分，即区分同类事件在特征空间所属的区域。SVDD技术常用于单类事件的类别划分，本发明采用扩展的SVDD分类，实现多类事件的空间划分，即多类别识别。SVDD训练得到待分类事件的特征空间几何分布的边界，即训练事件特征集在特征空间的分布参数，用以划分事件信号类别。

SVDD模式训练的具体计算步骤如下：

步骤7.1：构建拉格朗日方程

如上所述，单个训练事件的提取特征T由q-p+1个特征向量组成，即T＝{x_i,i＝1,2,...,q-p+1}，则存在一个空间几何中心a和超球体半径R，所有特征向量x_i包含在该超球体中。根据SVM(支持向量机Support Vector Machine)理论，引入松弛变量ε_i，得到如下约束方程

(x_i-a)(x_i-a)^T≤R²+ε_i

式中ε_i≥0，

令超球体半径R和松弛变量ε_i最小化，则有

其中C为设定的常量，C的大小决定了包含特性向量的个数，当时方程无解，当C＝1时所有向量都包含在超球体内。优选C＝0.9～1，使绝大多数向量包含在超球体内，同时排除那些异常的野点。

根据上述约束方程，构建拉格朗日方程如下

其中拉格朗日乘子α_i≥0，γ_i≥0，对相应的变量求偏倒，新的约束表示为

0≤α_i≤C

对应最优系数α_i，拉格朗日算子的最大值为

非零最优系数α_i对应的特征向量确定了特征集分布的边界，相应的特征向量x_i称为支持向量。

步骤7.2：选择合适内核归一化拉格朗日方程

即使大多数特征向量都被忽略在超球体外，事件的特征向量集也不会呈超球体分布。为了得到一个更合适的处理方法，将特征向量转换到更高维特征空间去计算。因此，用一个核函数K(x_ix_i)替代向量内积x_ix_j，该核函数满足Mercer定理，那么事件特征集的描述转换为

核函数的选择可以是高斯核函数、多项式核函数和径向基核函数中的任一种。

优选核函数为高斯核函数

K(x_ix_i)＝exp(-(x_i-x_j)²/s²)

式中s为给定的核函数的宽度或延展度，取值为0≤s≤0.5。

步骤7.3：解拉格朗日方程

拉格朗日方程对事件的特征集在特征空间进行了描述，解拉格朗日方程得到描述事件特征集空间分布的参数(a,R,α_i,x_i)，这些参数分别确定了特征集在特征空间分布的中心，半径以及边界。

步骤8：模式匹配

将步骤6中计算得到的待测事件的特征参数集与步骤7中建立的模式库中的SVDD训练模型进行匹配，判断待测事件属于步骤7中模式训练得到模式库中的哪一类事件，或者判断为未知事件；

识别一个待测事件是否属于某类事件，利用步骤7训练得到的模式库中各已知扰动事件的分布参数(a,R,α_i,x_i)计算该待测事件的特征向量集落在分布参数确定的超球体内的比例、即匹配概率r，r越高表明待测事件与已知事件越相似，设定匹配阈值r_th，当r≥r_th时，认为待测事件与该已知事件匹配，反之则与该已知事件不匹配，匹配阈值r_th设定为0.6≤r_th≤0.8。当待测事件与多个已知事件进行匹配时，选择与之匹配概率最高的事件类别作为该待测事件的所属类别，当待测事件没有与之相匹配的已知事件时，判断该事件为未知事件。

其具体计算方法如下：

将步骤6所得的待测事件特征向量c_i与模式库中某个模式参数(a,R,α_i,x_i)带入如下公式计算，

若c_i满足上式，则认为c_i在超球体内，反之则在超球体外。统计特征向量集T＝{c_i|i＝1,2,...,q-p+1}中位于超球体内部的特征向量c_in的个数N_in，则匹配概率计算为

比较所得匹配概率r与匹配阈值r_th，当待测事件与模式库中的某个或几个模式参数的匹配概率满足条件r≥r_th时，选择最大的匹配概率r_max的模式类别作为该待测事件的所属类别；当没有一个匹配概率大于或等于匹配阈值时，判断该待测事件不属于模式库中任何类别，判断为未知事件。

与现有技术相比，本发明光纤传感振动信号的识别方法的优点为：1、提高了对光纤传感信号识别的准确率，减少光纤传感系统在实际使用中的误报现象；与传统的以时域能量、峰值等特征量以及频域谱分布等指标作为识别特征的光纤传感系统的识别方法相比，本发明利用MFCC作为特征量对扰动事件进行识别具有更大的优势，因为光纤传感振动信号与语音信号具有非常高的相似性，从本质上来说它们都是一种音频信号，而借鉴语音识别领域中的利用MFCC作为特征量对语音进行识别的技术，将大幅提高扰动信号的识别率；2、每个扰动事件对应一个MFCC向量集，因此只需要单个扰动事件的样本就可以完成样本库的模式训练，做到了单样本匹配识别，大大降低了建立模式库的复杂度。

附图说明

图1为本光纤传感振动信号的识别方法实施例的主流程图；

图2为本光纤传感振动信号的识别方法实施例中某采样点下雨振动光纤传感系统获取的原始电信号的波形图；

图3为本光纤传感振动信号的识别方法实施例中某采样点攀爬振动光纤传感系统获取的原始电信号的波形图。

具体实施方式

以下结合附图对该发明的具体实施方式进行详细论述，

本光纤传感振动信号的模式识别方法实施例在一个长3km的光纤传感系统上进行实验，本例方法的流程如图1所示，具体包括如下步骤：

步骤1：信号获取

光纤传感系统将采集到的光信号转换成电信号，并通过AD采样获取离散数字信号s(n)，n为采样点数；图2和3所示分别为光纤传感系统采集的下雨时的离散信号波形和人攀爬时的离散信号波形。

步骤2：分帧加窗

在本例，选择Hamming窗进行加窗处理，单帧长度选择20ms/帧。第k帧加窗信号s_k(n)的计算公式如下：

s_k(n)＝s(n+kd)w(n),0≤n≤d-1

本例w(n)为Hamming窗函数，d为窗口宽度，本例d的取值为信号20ms时长的采样点数，即0.02f_m，f_m为信号采样频率。

步骤3：计算短时能量，

计算步骤2所得每一帧信号s_k(n)的能量，

其中d为每帧信号的采样长度，即加窗信号窗口的宽度。

步骤4：滑动平均处理

对步骤3所得能量信号e(k)做滑动平均处理，滑动平均处理的计算公式如下

式中N为滑动平均的平均区间长度，取值越大则能量信号越平滑，反之则越接近原始能量信号，本例滑动平均长度N取值为20。

步骤5：扰动事件提取

步骤4得到的滑动平均处理后的能量信号e'(k)与动态阈值Th1和Th2比较，当e'(p)超过Th1时，开始截取对应的帧信号s_p(n)，当e'(q)低于Th2时，结束对应的帧信号s_q(n)截取，所截取的p到q帧连续信号s_p(n),s_p+1(n),...,s_q(n)即作为扰动事件信号s_event(n)，用于后续步骤进行识别，若没有得到超过动态阈值Th1的能量信号e'(k)，即无事件被截取，则认为无扰动事件发生，返回步骤1重新开始。

选择前M个非事件能量值来计算动态阈值，计算公式如下

为调整系数，取值范围为3≤z_δ≤6,且th1＞th2。

其中δ等于1或2，σ为M个非事件帧能量值的标准差，z_δ为调整系数，本例计算Th1时z₁＝6，计算Th2时z₂＝3。

步骤6：提取扰动事件MFCC参数

步骤6.1：求Mel频率

对步骤5得到的扰动事件s_event(n)的每一帧信号{s_k(n),k＝p,p+1,...,q}进行傅里叶变换，得到单帧信号的实际幅度谱|S_k(n)|，将幅度谱带入Mel频率转换公式得到相应的Mel频率

S_mel(n)＝2595lg(1+|S_k(n)|/700)；

步骤6.2：配置Mel滤波器组

本例在Mel频率轴上配置L个通道的三角形滤波器组，L的个数由事件信号的截止频率决定，本例选择13个通道。每一个三角形滤波器的中心频率c(l)在Mel频率轴上等间隔分配。设o(l)，c(l)和h(l)分别是第l个三角形滤波器的下限频率、中心频率和上限频率，相邻三角形滤波器之间的下限频率、中心频率和上限频率有如下关系成立

c(l)＝h(l-1)＝o(l+1)；

步骤6.3：求各Mel滤波器的Mel频率输出

根据事件信号每帧的幅度谱|S_k(n)|求出每个三角形滤波器的Mel频率输出

其中W_l(n)为单个三角形滤波器。

步骤6.4：求扰动事件的MFCC参数

对所有滤波器的输出m(l)作对数运算，再进一步做离散余弦变换(DCT)即可得到扰动事件的MFCC参数

其中d为分帧信号的长度，即加窗信号的窗口宽度。

一个包含q-p+1帧信号的扰动事件，其MFCC特征向量集可表示为T＝{x_i,i＝1,2,...,q-p+1}，其中x_i为L维向量，即x_i＝{c_mfcc(j),j＝1,2,...,L}。

步骤7：SVDD模式训练

对应每一个扰动事件s_event(n)，步骤6得到一个MFCC特征集T＝{x_i,i＝1,2,...,q-p+1}，SVDD模式训练利用该特征集解拉格朗日方程得到相应的特征空间参数(a,R,α_i,x_i)，该特征空间参数即为对应扰动事件的类别模式。

步骤7.1：构建拉格朗日方程

单个训练事件的提取特征T由q-p+1个特征向量组成，即T＝{x_i,i＝1,2,...,q-p+1}，则存在一个空间几何中心a和超球体半径R，将所有特征向量x_i包含在该超球体中。引入松弛变量ε_i，得到如下约束方程

(x_i-a)(x_i-a)^T≤R²+ε_i

式中ε_i≥0，

令超球体半径R和松弛变量ε_i最小化，则有

本例C＝0.9

根据上述约束方程，构建拉格朗日方程如下

其中拉格朗日乘子α_i≥0，γ_i≥0，对相应的变量求偏倒，新的约束表示为

0≤α_i≤C

对应最优系数α_i，拉格朗日算子的最大值为

非零最优系数α_i对应的特征向量确定了特征集分布的边界，相应的特征向量x_i称为支持向量。

步骤7.2：选择合适内核归一化拉格朗日方程

本例选择高斯核函数K(x_ix_i)替代向量内积x_ix_j，事件特征集的描述转换为

K(x_ix_i)＝exp(-(x_i-x_j)²/s²)

式中s为给定的核函数的宽度或延展度，取值为0≤s≤0.5。

步骤7.3：解拉格朗日方程

拉格朗日方程对事件的特征集在特征空间进行了描述，解拉格朗日方程得到描述事件特征集空间分布的参数(a,R,α_i,x_i)，这些参数分别确定了特征集在特征空间分布的中心，半径以及边界。

本例模拟下雨、攀爬、钻探、小动物经过4种扰动事件，重复步骤1至7，建立的模式库中有4种扰动事件的模式参数。

步骤8：模式匹配

将步骤6所得的待测事件特征向量集T＝{c_i,i＝1,2,...,q-p+1}与模式库中某个模式参数(a,R,α_i,x_i)带入如下公式计算，

若c_i满足上式，则认为c_i在超球体内，反之则在超球体外。统计特征向量集T＝{c_i|i＝1,2,...,q-p+1}中位于超球体内部的特征向量c_in的个数N_in，则匹配概率计算为

比较所得匹配概率r与匹配阈值r_th，本例中r_th＝0.7。当待测事件与模式库中的某个或几个事件的匹配概率满足条件r≥0.7时，选择最大的匹配概率r_max的模式类别作为该待测事件的所属类别；当没有一个匹配概率大于或等于匹配阈值时，判断该待测事件不属于模式库中任何类别，判断为未知事件。

步骤7中的模式库建立后，光纤传感系统监测过程中重复步骤1-6，将步骤6中获取的当前待测事件的特征向量集带入步骤8，识别扰动事件属于模式库中的某一类别，或者为未知事件。

本例在长达两个月时间中，共对下雨、钻探、小动物经过以及攀爬事件各51次进行实验，其中使用每种行为的一次事件进行模式训练，其余50次事件进行测试识别，识别准确率达90％以上。而对相同的光纤传感系统采用传统的以时域能量和峰值为特征量的识别方法进行相同的识别实验时，每种行为的正确识别次数都在30次以下，即识别准确率不到60％，采用频域谱分布指标作为识别特征的识别方法进行相同的识别实验时，识别准确率同样没有超过70％。实验证明本发明方法的识别准确率比现有方法大大提高。

上述实施例，仅为对本发明的目的、技术方案和有益效果进一步详细说明的具体个例，本发明并非限定于此。凡在本发明的公开的范围之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。

Claims (9)

1.一种光纤传感振动信号的识别方法，具体步骤如下：

步骤1：信号获取

光纤传感系统获得的光信号转换成电流信号后，再通过AD采样得到相应的离散数字信号s(n)，n为采样点数；

步骤2：加窗分帧

对步骤1获取的数字信号s(n)进行加窗分帧处理，得到第k帧的加窗信号s_k(n)，其计算公式如下：

s_k(n)＝s(n+kd)w(n),0≤n≤d-1

$w\left(n\right)=\left\{\begin{array}{cc}0.54-0.46\cos (2\mathrm{\&pi;}n/(d-1\left)\right),& 0\&le;n\&le;d-1\\ 0,& n<0\\ 0,& 0\&GreaterEqual;d\end{array}\right.$

式中w(n)为窗函数，d为窗口宽度，f_m为信号采样频率，k为帧数；

步骤3：短时能量计算

计算步骤2所得每一帧加窗分帧信号s_k(n)的能量，得到第k帧的能量信号e(k)，

$e\left(k\right)=\underset{n=0}{\overset{d-1}{\&Sigma;}}{s}_k^2\left(n\right);$

步骤4：滑动平均处理

对步骤3所得能量信号e(k)做平滑处理，得到滑动平均处理后的能量信号e'(k)，当前的短时能量值等于前N个能量值的均值，N为滑动平均的窗口长度，滑动平均处理后的能量信号计算公式如下：

i为窗口帧的计数参数；

步骤5：扰动事件提取

步骤4得到的滑动平均处理后的能量信号e'(k)与动态阈值Th1和Th2比较，当e'(p)超过Th1时，开始截取对应的帧信号s_p(n)，当e'(q)低于Th2时，结束对应的帧信号s_q(n)截取，所截取的p到q帧连续信号s_p(n),s_p+1(n),...,s_q(n)即作为扰动事件信号s_event(n)；

若没有得到超过动态阈值Th1的能量信号e'(k)，即无事件被截取，则认为无扰动事件发生，返回步骤1重新开始；

选择前M个非事件能量值来计算动态阈值，计算公式如下：

$Th\left(\mathrm{\&delta;}\right)=\frac{1}{M}\underset{ii=1}{\overset{M}{\&Sigma;}}{e}^{\&prime;}(k-ii)+z_{\mathrm{\&delta;}}\mathrm{\&sigma;}$

其中δ等于1或2，ii为非事件帧的计数参数，σ为M个非事件能量值的标准差，z_δ为调整系数，3≤z_δ≤6,且th1＞th2；

步骤6：提取扰动事件MFCC参数

提取步骤5所得扰动事件信号s_event(n)的MFCC参数构成事件信号的特征向量集，

具体步骤如下：

步骤6.1：求Mel频率

对步骤5得到的扰动事件s_event(n)的每一帧信号{s_k(n),k＝p,p+1,...,q}进行傅里叶变换，得到单帧信号的实际幅度谱|S_k(n)|，将幅度谱带入Mel频率转换公式得到相应的Mel频率

S_mel(n)＝2595lg(1+|S_k(n)|/700)

步骤6.2：配置Mel滤波器组

在Mel频率轴上配置L个通道的Mel滤波器组，L的个数由事件信号的截止频率决定

其中表示向下取整，f_m为信号采样频率；

每一个Mel滤波器的中心频率c(l)在Mel频率轴上等间隔分配，设o(l)，c(l)和h(l)分别是第l个Mel滤波器的下限频率、中心频率和上限频率，相邻Mel滤波器之间的下限频率、中心频率和上限频率有如下关系成立

c(l)＝h(l-1)＝o(l+1)；

步骤6.3：求各Mel滤波器的Mel频率输出

根据事件信号每帧的幅度谱|S_k(n)|求出每个Mel滤波器的Mel频率输出

$m\left(l\right)=\underset{n=o\left(l\right)}{\overset{h\left(l\right)}{\&Sigma;}}{W}_l\left(n\right)S_{mel}\left(n\right),l=1,2,\mathrm{...},L$

$W_l\left(k\right)=\left\{\begin{array}{cc}\frac{k-o\left(l\right)}{c\left(l\right)-o\left(l\right)},& o\left(l\right)\&le;k\&le;c\left(l\right)\\ \frac{h\left(l\right)-k}{h\left(l\right)-c\left(l\right)},& c\left(l\right)\&le;k\&le;h\left(l\right)\end{array}\right.$

其中W_l(n)为单个Mel滤波器；

步骤6.4：求扰动事件的MFCC参数

对所有滤波器的输出m(l)作对数运算，再进一步做离散余弦变换(DCT)即得到扰动事件的MFCC参数

$c_{mfcc}\left(i\right)=\sqrt{\frac{2}{d}}\underset{l=1}{\overset{L}{\&Sigma;}}\lg \&lsqb;m\left(l\right)\&rsqb;cos\&lsqb;(l-\frac{1}{2})\frac{i\mathrm{\&pi;}}{L}\&rsqb;,i=1,2,\mathrm{...},L$

其中d为分帧信号的长度，即加窗信号的窗口宽度；

步骤7：SVDD模式训练

对应每一个扰动事件s_event(n)，步骤6得到一个MFCC特征集T＝{x_i,i＝1,2,...,q-p+1}，对Y个扰动事件进行步骤1至6的处理，获取Y类事件的特征集，将步骤6中得到的Y类事件信号的特征向量集用于SVDD模式训练，模式训练利用各扰动事件特征集解拉格朗日方程得到各扰动事件相应的特征空间参数(a,R,α_i,x_i)，该特征空间参数即为对应扰动事件的类别模式；建立一个包括Y种模式扰动事件的模式库；

步骤8：模式匹配，事件识别

将步骤6中计算得到的待测事件的特征参数集与步骤7中建立的模式库中的SVDD训练模型进行匹配，判断待测事件属于步骤7中模式训练得到模式库中的哪一类事件，或者判断为未知事件；

利用步骤7训练得到的模式库中各已知扰动事件分布参数(a,R,α_i,x_i)计算待测事件的特征向量集落在分布参数确定的超球体内的比例、即匹配概率r，设定匹配阈值r_th，当r≥r_th时，认为待测事件与该已知事件匹配，反之则与该已知事件不匹配；当待测事件与多个已知事件进行匹配时，选择与之匹配概率最高的事件类别作为该待测事件的所属类别，当待测事件没有与之相匹配的已知事件时，判断该事件为未知事件。

2.根据权利要求1所述的光纤传感振动信号的识别方法，其特征在于：

所述步骤6.2中的Mel滤波器为三角形滤波器、正弦滤波器和矩形滤波器中的任一种。

3.根据权利要求1所述的光纤传感振动信号的识别方法，其特征在于：

所述步骤6.2中的Mel滤波器为三角形滤波器。

4.根据权利要求1所述的光纤传感振动信号的识别方法，其特征在于：

所述步骤7中SVDD模式训练的具体计算步骤如下：

步骤7.1：构建拉格朗日方程

单个训练事件的提取特征T由q-p+1个特征向量组成，即T＝{x_i,i＝1,2,...,q-p+1}，则存在一个空间几何中心a和超球体半径R，所有特征向量x_i包含在该超球体中；引入松弛变量ε_i，得到如下约束方程

(x_i-a)(x_i-a)^T≤R²+ε_i

式中ε_i≥0，

令超球体半径R和松弛变量ε_i最小化，则有

$F(R,a,{\mathrm{\&epsiv;}}_i)=R^2+C\underset{i}{\&Sigma;}{\mathrm{\&epsiv;}}_i$

其中C为设定的常量，

根据上述约束方程，构建拉格朗日方程如下

$Lgr(R,a,{\mathrm{\&alpha;}}_i,{\mathrm{\&epsiv;}}_i)=R^2+C\underset{i}{\&Sigma;}{\mathrm{\&epsiv;}}_i-\underset{i}{\&Sigma;}{\mathrm{\&alpha;}}_i\{R^2+{\mathrm{\&epsiv;}}_i-(x_i^2-2{\mathrm{ax}}_i+a^2)\}-\underset{i}{\&Sigma;}{\mathrm{\&gamma;}}_i{\mathrm{\&epsiv;}}_i$

其中拉格朗日乘子α_i≥0，γ_i≥0，对相应的变量求偏倒，新的约束表示为

$\underset{i}{\&Sigma;}{\mathrm{\&alpha;}}_i=1$

$a=\frac{{\mathrm{\&Sigma;}}_i{\mathrm{\&alpha;}}_i{x}_i}{{\mathrm{\&Sigma;}}_i{\mathrm{\&alpha;}}_i}=\underset{i}{\&Sigma;}{\mathrm{\&alpha;}}_i{x}_i$

0≤α_i≤C

对应最优系数α_i，拉格朗日算子的最大值为

$Lgr=\underset{i}{\&Sigma;}{\mathrm{\&alpha;}}_i\left(x_i{x}_i\right)-\underset{i,j}{\&Sigma;}{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_j\left(x_i{x}_j\right)$

非零最优系数α_i对应的特征向量确定了特征集分布的边界，相应的特征向量x_i称为支持向量；

步骤7.2：选择合适内核归一化拉格朗日方程

用一个核函数K(x_ix_i)替代向量内积x_ix_j，该核函数满足Mercer定理，事件特征集的描述转换为

$L=\underset{i}{\&Sigma;}{\mathrm{\&alpha;}}_{i}K\left(x_i{x}_i\right)-\underset{i,j}{\&Sigma;}{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_{j}K\left(x_i{x}_j\right)$

步骤7.3：解拉格朗日方程

拉格朗日方程对事件的特征集在特征空间进行了描述，解拉格朗日方程得到描述事件特征集空间分布的参数(a,R,α_i,x_i)，这些参数分别确定了特征集在特征空间分布的中心，半径以及边界。

5.根据权利要求4所述的光纤传感振动信号的识别方法，其特征在于：

所述步骤7.1中设定C＝0.9～1。

6.根据权利要求4所述的光纤传感振动信号的识别方法，其特征在于：

所述步骤7.2中选择的核函数是高斯核函数、多项式核函数和径向基核函数中的任一种。

7.根据权利要求4所述的光纤传感振动信号的识别方法，其特征在于：

所述步骤7.2中选择的核函数是高斯核函数

K(x_ix_i)＝exp(-(x_i-x_j)²/s²)

式中s为给定的核函数的宽度或延展度，取值为0≤s≤0.5。

8.根据权利要求1所述的光纤传感振动信号的识别方法，其特征在于：

所述步骤8的具体计算方法如下：

将步骤6所得的待测事件特征向量c_i与步骤7所得的模式库中某个模式参数(a,R,α_i,x_i)带入如下公式计算，

$K\left(c_i{c}_i\right)-2\underset{i}{\&Sigma;}{\mathrm{\&alpha;}}_{i}K\left(c_i{x}_i\right)+\underset{i,j}{\&Sigma;}{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_{j}K\left(x_i{x}_j\right)\&le;R^2$

若c_i满足上式，则认为c_i在超球体内，反之则在超球体外；统计特征向量集T＝{c_i|i＝1,2,...,q-p+1}中位于超球体内部的特征向量c_in的个数N_in，则匹配概率计算为

$r=\frac{N_{in}}{q-p+1}\&times;100\%.$

9.根据权利要求1所述的光纤传感振动信号的识别方法，其特征在于：

所述步骤8中匹配阈值r_th取值为0.6≤r_th≤0.8。