CN105606198A - 光纤振动传感系统两级信号特征提取与判别方法 - Google Patents

Abstract

光纤振动传感系统两级信号特征提取与判别方法属于光纤传感信号判别技术领域。现有技术无法在环境噪声干扰下，准确判别外界振动信号类型，并且，人工特征设计阶段需要对振动信号进行大量的特性分析，导致该信号类型判别方法效率较低。本发明其特征在于，首先，提取所述外界振动信号的短时过门限率；其次，计算所提取的短时过门限率的平均代数和，筛选出含有外界振动信息的信号片段；第三，从所述信号片段的短时过门限率中进一步做特征提取；最后，判别所述各个信号片段的振动类型。本发明作为一种信号类型判别算法，尽管信号可能来自嘈杂背景，依然能够准确、高效判别各种外界振动信号类型，虚警少、误报率低。

Description

光纤振动传感系统两级信号特征提取与判别方法

技术领域

本发明涉及一种光纤振动传感系统两级信号特征提取与判别方法，属于光纤传感信号判别技术领域。

背景技术

相位调制型光纤传感技术通过光纤中光波的相位变化来表征外界被测物理量。这种传感检测技术灵敏度很高，传感原件结构简单，成本低，作用距离长，尤其适合周界安防。所述光纤相位干涉仪包括马赫－曾德尔(Mach-Zehnder)、迈克尔逊(Michelson)和萨格纳克(Sagnac)等类型。相位调制型光纤传感技术的主要难点问题在于信号定位和信号类型判别。现有信号类型判别方法首先进行人工特征设计，也就是通过希尔伯特黄变换、短时傅里叶变换或者小波变换等非平稳信号分析方法先提取振动信号特征，然后把所提取到的振动信号特征传送给神经网络或者支持向量机，由其做类型判别。所述方法存在的主要问题是无法在环境噪声干扰下，准确判别外界振动信号类型，并且，人工特征设计阶段需要对振动信号进行大量的特性分析，导致该信号类型判别方法效率较低。

发明内容

为了能够在环境噪声干扰下，准确并高效判别外界振动信号类型，我们发明了一种光纤振动传感系统两级信号特征提取与判别方法，作为一种信号类型判别算法，尽管信号可能来自嘈杂背景，依然能够准确、高效判别各种外界振动信号类型，虚警少、误报率低。

本发明之光纤振动传感系统两级信号特征提取与判别方法其待判别信号为由光纤振动传感系统采集的各种类型的外界振动信号；其特征在于，首先，提取所述外界振动信号的短时过门限率；其次，计算所提取的短时过门限率的平均代数和，筛选出含有外界振动信息的信号片段；第三，从所述信号片段的短时过门限率中进一步做特征提取；最后，判别所述各个信号片段的振动类型。

本发明其技术效果在于，相对于现有方法，本发明包括两级特征提取，经过一级特征提取，也就是提取所述外界振动信号的短时过门限率，并计算所提取的短时过门限率的平均代数和，从而筛选出含有外界振动信息的信号片段，屏蔽掉环境噪声振动信号，如此能够减小后续算法的工作量；经过一级特征提取，也就是从所述信号片段的短时过门限率中进一步做特征提取，不仅避免现有技术由于人工特征设计带来的巨大工作量，提高信号判别效率，而且，信号判别更加精确，虚警少、误报率低。

附图说明

图1是本发明之光纤振动传感系统两级信号特征提取与判别方法程序框图，该图同时作为摘要附图。图2～图5依次为由光纤振动传感系统采集的与踩踏振动、摇晃振动、短时敲击振动、长点振动对应的原始电信号的时域波形图。图6～图9依次为自踩踏振动、摇晃振动、短时敲击振动、长点振动的原始电信号中提取短时过门限率得到的短时过门限率特征曲线。图10为无振动入侵事件时的原始电信号的短时过门限率特征曲线。

具体实施方式

如图1所示。

采集信号：

由光纤振动传感系统采集各种类型的外界振动信号，该光纤振动传感系统将采集的光信号转化为原始电信号I[x]。

在所述光纤振动传感系统中，包括改进型迈克尔逊干涉仪，所述迈克耳逊干涉仪中配有成本低廉、结构简单的法拉第旋转镜(FRM)，当有振动入侵事件发生时，引起传感光纤中的传感光信号的相位变化，由迈克尔逊干涉仪转化成强度变化，经过光电转换，得到原始电信号I[x]。

提取短时过门限率：

提取所述外界振动信号的短时过门限率T[i]，其定义为：

$T\[i\]|\underset{x=2}{\overset{n}{\Σ}}sign(I\[x\]-lev)-sign(I\[x-1\]-lev)|,---\left(1\right)$

在公式(1)中，x是自然数，代表在原始电信号I[x]中的采样点数(samplingpoint)，那么，I[x]则为采样点数为x的离散电信号，lev表示门限电平值，sign是符号函数，i是原始电信号I[x]的分段序号，i＝1～m，其中：

$sign\left(x\right)=\{\begin{array}{cc}+1& sign\left(x\right)\&GreaterEqual;0\\ -1& sign\left(x\right)<0\end{array}.---\left(2\right)$

确定采样点数后不同种类振动的原始电信号I[x]呈现出各自的时域分布特征，如图2～图5所示；将所述原始电信号I[x]等长分为m小段，分段统计短时过门限率，并按分段序号将每小段的短时过门限率组合起来，得到不同种类振动的原始电信号I[x]的短时过门限率特征曲线，如图6～图9所示，可见，相比于无振动入侵事件时的原始电信号I[x]的短时过门限率特征曲线，如图10所示，有振动入侵事件时的原始电信号I[x]携带着特征明显的外界振动信息。

更为具体讲，原始电信号I[x]等长分为398小段，每小段长度为50，门限值设定为0.1。

相对于现有技术的短时过零率算法，本发明之短时过门限率提取则是一种改进，本发明使信号零点偏移，如设定门限值为0.1，统计穿越门限值的次数，降低了低频噪声的干扰，信号在一段时间内穿越阈值电平的次数越多，则信号的短时过门限率越大，表示信号在此时间段内的振动频率越大。

筛选信号片段：

计算所提取的短时过门限率的平均代数和，筛选出携带外界振动信息的信号片段，当所述平均代数和超过阈值D时，认定所对应的原始电信号为信号片段，完成一个携带外界振动信息的信号片段的筛选，并进入下一步骤做进一步信号特征提取，否则回到上一步骤进行下一个原始电信号的短时过门限率提取，所述阈值D定义为：

$D=\frac{\underset{i=1}{\overset{m}{\&Sigma;}}T\&lsqb;i\&rsqb;}{m}.---\left(3\right)$

当只有环境噪声作用于光纤振动传感系统时，原始电信号的振动过门限率阈值会在0.06到0.08之间波动，当有外界振动作用于传感光纤时，过门限率阈值会加大到0.17到4.98之间，综合光纤振动传感系统的两种工作状态，选定0.13作为判断阈值边界，这样有无外界振动作用于传感光纤就可以被初步判别，同时经过短时过门限率的提取，信号的数据维度减小，降低了后续判别算法的计算量。

进一步提取短时过门限率的特征：

从所述信号片段的短时过门限率中进一步做特征提取，采用稀疏自编码器神经网络算法，将短时过门限率特征曲线输入到神经网络的输入层，神经网络隐藏层的输出即为本步骤所提取的特征，所述稀疏自编码器神经网络由下式表达：

y＝f(wx+b)，(4)

在公式(4)中，y是神经网络输出，x是神经网络输入，f是神经网络激励函数，w代表权值矩阵，b代表偏置矩阵。

所述的稀疏自编码器神经网络是一种无监督训练神经网络，所述稀疏自编码器神经网络不需要标签值，输入x和输出y相同；所述稀疏自编码器神经网络算法是一种深度学习算法；基于稀疏自编码器神经网络算法所进行的特征提取为无监督特征学习过程。

所述神经网络隐藏层的输出提取步骤如下：

首先，设定稀疏自编码器神经网络的输入层和输出节点数为398，隐藏层节点数为50，最大迭代次数为200次，选择softplus函数作为神经网络隐藏层的激励函数；

其次，将采集到的振动信号样本分成训练集和样本检测集两部分，将训练集中样本的短时过门限率曲线作为神经网络的输入值，经过200次迭代训练，得到输入层与隐含层相连的权值矩阵W_ji；

第三，将样本检测集中信号片段输入给神经网络，提取隐藏层输出Q(i)作为振动信号特征，其中：隐藏层节点输出Q(i)为：

Q(i)＝f(W_ij+b)，(5)

在公式(5)中，i代表隐藏层节点，f代表隐藏层的激励函数，W_ji代表输入层和隐藏层相连的取值矩阵，b是偏置。

影响信号特征提取的主要因素是隐藏层节点数和激励函数f。softplus函数相对于sigmoid函数更接近生物的激活模型，可以很好地解决sigmoid引起的在多层网络中，容易出现梯度消失，前层网络的权值很难通过目标函数迭代的调整，以及收敛速度过慢的问题。

其中softplus函数表达式如下：

f(x)＝log(1+exp(x))。(6)

判别各个信号片段的振动类型：

将上一步骤提取到的短时过门限率的特征送给分类器进行振动类型判别，进而报警或者不报警。

所述分类器为softmax分类器，以适应多分类判别。softmax分类器是logistic分类器的扩展与推广，softmax的模型表达式如下：

$h_y\&lsqb;x\left(i\right)\&rsqb;=\left[\begin{array}{c}p(y^i=1|x^{\left(i\right)};\mathrm{\&theta;})\\ p(y^i=1|x^{\left(i\right)};\mathrm{\&theta;})\\ p(y^i=2|x^{\left(i\right)};\mathrm{\&theta;})\\ p(y^i=3|x^{\left(i\right)};\mathrm{\&theta;})\\ .\\ .\\ .\\ p(y^i=k|x^{\left(i\right)};\mathrm{\&theta;})\end{array}\right]=\frac{1}{\underset{i=1}{\overset{k}{\&Sigma;}}{e}^{{\mathrm{\&theta;}}_j^{T}x\left(i\right)}}\left[\begin{array}{c}{e}^{{\mathrm{\&theta;}}_1^{T}x\left(i\right)}\\ e^{{\mathrm{\&theta;}}_2^{T}x\left(i\right)}\\ e^{{\mathrm{\&theta;}}_3^{T}x\left(i\right)}\\ .\\ .\\ .\\ e^{{\mathrm{\&theta;}}_k^{T}x\left(i\right)}\end{array}\right],---\left(7\right)$

在公式(7)中，y代表标签，其可能取值是0到3之间的自然数，x代表信号特征，q代表softmax的参数，k代表类别取值为4，p表示信号类别的概率。

Claims (5)

1.一种光纤振动传感系统两级信号特征提取与判别方法，其待判别信号为由光纤振动传感系统采集的各种类型的外界振动信号；其特征在于，首先，提取所述外界振动信号的短时过门限率；其次，计算所提取的短时过门限率的平均代数和，筛选出含有外界振动信息的信号片段；第三，从所述信号片段的短时过门限率中进一步做特征提取；最后，判别所述各个信号片段的振动类型。

2.根据权利要求1所述的光纤振动传感系统两级信号特征提取与判别方法，其特征在于，所述提取短时过门限率的具体方案如下：

提取所述外界振动信号的短时过门限率T[i]，其定义为：

$T\&lsqb;i\&rsqb;=|\underset{x=2}{\overset{n}{\&Sigma;}}sign(I\&lsqb;x\&rsqb;-lev)-sign(I\&lsqb;x-1\&rsqb;-lev)|,$

在上式中，x是自然数，代表在原始电信号I[x]中的采样点数，那么，I[x]则为采样点数为x的离散电信号，lev表示门限电平值，sign是符号函数，i是原始电信号I[x]的分段序号，i＝1～m，其中：

$sign\left(x\right)=\left\{\begin{array}{cc}+1& sign\left(x\right)\&GreaterEqual;0\\ -1& sign\left(x\right)<0\end{array}\right..$

3.根据权利要求1所述的光纤振动传感系统两级信号特征提取与判别方法，其特征在于，所述筛选信号片段的具体方案如下：

当所述平均代数和超过阈值D时，认定所对应的原始电信号为信号片段，完成一个携带外界振动信息的信号片段的筛选，并进入下一步骤做进一步信号特征提取，否则回到上一步骤进行下一个原始电信号的短时过门限率提取，所述阈值D定义为：

$D=\frac{\underset{i=1}{\overset{m}{\&Sigma;}}T\&lsqb;i\&rsqb;}{m}.$

4.根据权利要求1所述的光纤振动传感系统两级信号特征提取与判别方法，其特征在于，所述进一步提取短时过门限率的特征的具体方案如下：

采用稀疏自编码器神经网络算法，将短时过门限率特征曲线输入到神经网络的输入层，神经网络隐藏层的输出即为本步骤所提取的特征，所述稀疏自编码器神经网络由下式表达：

y＝f(wx+b)，

在上式中，y是神经网络输出，x是神经网络输入，f是神经网络激励函数，w代表权值矩阵，b代表偏置矩阵。

5.根据权利要求1所述的光纤振动传感系统两级信号特征提取与判别方法，其特征在于，所述判别各个信号片段的振动类型的具体方案如下：

将上一步骤提取到的短时过门限率的特征送给分类器进行振动类型判别，进而报警或者不报警；所述分类器为softmax分类器。