CN105632059A - 一种分布式光纤周界安防系统 - Google Patents

Abstract

本发明公开了一种分布式光纤周界安防系统，该系统包括激光光源(1)、隔离器(2)、第一耦合器(3)、第一环形器(4)、第二耦合器(5)、第三耦合器(6)、第二环形器(7)、第一探测器(8)、第二探测器(9)、第一、第二高速采集卡(10、11)、计算机(12)和传感光缆13，对该系统的信号处理包括扰动定位算法、扰动报警和模式识别算法。与现有技术相比，本发明一方面能够实现扰动定位，另一方面有效提高了周界安防定位系统模式识别的成功率，用于准确识别外界多种入侵行为。

Description

一种分布式光纤周界安防系统

技术领域

本发明涉及传感及检测技术领域，特别涉及一种基于光纤周界安防的高效率多事件的模式识别方法。

背景技术

随着全球经济水平的不断提升，人民的生活质量有了很大变化，人们对于物质财产以及生命安全越来越重视，对于安防的需求也越来越高，学校、机场、加油站、军事基地等基础设施也越来越完备。分布式光纤扰动定位系统采用光波干涉技术实现入侵扰动检测及定位，具有长距离监控、高精度定位功能、低能源依赖性、高环境耐受性、抗电磁干扰、抗腐蚀等特性。

为了更加充分的确定外界的入侵行为，模式识别就随之成为了人们更加关注的对象。

以往的光纤周界安防定位系统算法是将周界扰动信号传入计算机内直接进行模式识别的处理。由于外界有扰信号在系统检测过程中，存在着环境中风、雨或者噪声的影响，最后检测到的有效信号往往只占很小的比例，提取的各个入侵事件的特征向量差异不明显，导致模式识别的成功率不高，并且可区分的入侵行为的种类也比较少。因此首先对信号进行一些预处理，去掉环境对入侵信号的影响，并对入侵信号进行有效的特征提取，采用高效的识别方法，这样在一定程度上整个系统模式识别的成功率会有很大的提高。

发明内容

针对上述的现有技术存在的分布式光纤周界安防定位系统中模式识别的种类少，识别的成功率低等问题及存在的问题，本发明提出了一种分布式光纤周界安防系统，对所获得的扰动信号实现包括扰动定位、扰动报警、模式识别的信号处理。

本发明提出了一种分布式光纤周界安防系统，该系统包括激光光源1、隔离器2、第一耦合器3、第一环形器4、第二耦合器5、第三耦合器6、第二环形器7、第一探测器8、第二探测器9、第一、第二高速采集卡10、11、计算机12和传感光缆13；其中：

光由激光光源1发出后，经过隔离器2后，由第一耦合器3分成1:1的两束光，这两束光分别经过第一环形器4和第二耦合器5后，从构成干涉臂两端的第三耦合器6和第二环形器7进入传感环路中并沿相反的两个方向传输，在对端的耦合器3处发生干涉，传感光缆12遇到的扰动，扰动发生位置到传感光缆两端距离不同，形成相干光波到达探测器的时间延迟，沿逆时针方向传播的光波先后到达第一探测器8和沿顺时针方向传播的光波到达第二探测器9上，由第一探测器8和第二探测器9把光信号转化成电信号，经隔直后，由第一、第二高速采集卡10、11采集到计算机12中，进行下一步信号处理；所述信号处理包括扰动定位算法、扰动报警和模式识别算法。

所述扰动定位算法包括以下处理：

传感光缆受到扰动，沿逆时针方向传播的光波到达第一探测器8的时间为：

t₁＝L₁n/c

沿顺时针方向传播的光波到达第二探测器9的时间为：

t₂＝(L-L₁)n/c

由此可计算出扰动点位置公式：

$L_1=\frac{(t_1-t_2)c}{2n}+\frac{L}{2}$

式中，L₁为扰动点距离第一探测器的距离，L是光纤总长度，n是光纤折射率，c是光在真空中的速度(3×10⁸m/s)。

所述模式识别算法利用EMD分解信号得到IMF分量，提取包含主要信息的IMF分量的峭度特征，最后再通过支持向量机进行模式识别，具体包括以下处理：

步骤一、取一段已知入侵行为的扰动信号x(t)，求取扰动信号x(t)的所有极大值和极小值，并用三次样条对这些极大值和极小值进行插值，得到极大值包络X_max和极小值包络X_min，求取极大值包络和极小值包络的平均值m₁＝(Xmax+Xmin)/2；

步骤二、从扰动信号x(t)中减去上下包络的平均值，得到信号，即：h₁＝x(t)-m₁；

步骤三、如果h₁满足IMF条件，则h₁即为第一个IMF，即为H₁，若h₁不满足IMF条件，则h₁代替扰动信号x(t)重复步骤一至二k次，直到h_1k满足IMF条件，此时的h_1k就作为第一个IMF，记为：H₁；

步骤四、从扰动信号x(t)中减去第一个IMFH₁得到剩余部分r₁，用剩余部分r₁代替扰动信号x(t)，重复步骤一至四，直到最后的剩余部分r₁满足下列条件之一：

(1)剩余部分r₁足够小，以至于小于我们大量实验得到的设定阈值；

(2)剩余部分r₁是一个单调函数，不满足IMF分解条件，则分解结束；

EMD将一个复杂的扰动信号x(t)分解为有限个经验模态函数Hi和一个剩余部分r的和值，即： $x\left(t\right)=\underset{u=1}{\overset{d}{\Σ}}{H}_u+r;$

步骤五、前M个IMF分量已经能够基本描述扰动信号的扰动特征值，包含了扰动信号的主要信息，因此选择前M个IMF分量，利用峭度的定义计算出包含主要信息的每个IMF分量的峭度特征；其中：i代表第i个IMF分量；N是有限整数；k代表IMF分量中离散点的位置；η代表该位置信号的中心距；

步骤六、利用公式对每个峭度进行归一化得到归一化峭度；

步骤七、前M个包含主要信息的归一化峭度构成一个特征向量T＝[T′₁,T′₂,…,T′_M]；

步骤八、利用D-SVM找到最优的分类函数：

$f\left(x\right)=\mathrm{sgn}\[\underset{i=1}{\overset{n}{\Σ}}{{\mathrm{\α}}_i}^{*}{y}_{i}K(x_i,x_j)+b^{*}\]$

β＝1,2，…m，α_β ^*，b^*分别为拉格朗日系数和分类阈值，K(x_β,x_γ)代表核函数，

将扰动信号的特征向量T＝[T′₁,T′₂,…,T′_M]输入支持向量机中，根据各种入侵行为的特征向量的不同进行分类。

与现有技术相比，本发明一方面能够实现扰动定位，另一方面有效提高了周界安防定位系统模式识别的成功率，用于准确识别外界多种入侵行为。

附图说明

图1为本发明的基于光纤周界安防的高效率多事件的模式识别分布式光纤周界安防定位系统；

图2是模式识别流程图；

图3是4种外界的入侵模式；

图4是4种入侵信号的原始波形图；

图5是4种入侵信号经过EMD分解得到IMF图；

图6是4种入侵信号的归一化峭度特征图；

图7是支持向量机识别分类示意图；

附图标记：1、激光光源；2、隔离器；3、第一耦合器；4、第一环形器；5、第二耦合器；6、第二环形器；7、第三耦合器；8、第一探测器；9、第二探测器；10、第一高速采集卡；11、第二高速采集卡；12、计算机；13、传感光缆。

具体实施方式

本发明的原理

1、分布式光纤周界安防定位系统的基本原理

如图1所示，分布式光纤周界安防定位系统基于双马赫曾德光纤干涉仪原理建立，利用光缆中的两条单模光纤构成马赫曾德光纤干涉仪的两个测试光纤来感应光缆周围的扰动信号。光由激光光源1发出后，经第一耦合器3后被分成1:1的两束光，这两束光分别经过第一环形器4和第二耦合器5后，从构成干涉臂两端的第三耦合器6和第二环形器7进入传感环路中并沿相反的两个方向传输，在对端的耦合器3处发生干涉并输出到第一探测器8和第二探测器9上；由第一探测器8和第二探测器9把光信号转化成电信号，经隔直后，由第一、第二高速采集卡10、11采集到计算机中，进行下一步信号处理；传感光缆的P处受到扰动，则由于扰动位置到传感光缆两端距离的不同，导致相干光波到达探测器的时间有一定的延迟，沿逆时针方向传播的光波到达第一探测器8的时间为：

t₁＝L₁n/c

沿顺时针方向传播的光波到达第二探测器9的时间为：

t₂＝(L-L₁)n/c

式中，L₁为扰动点距离第一探测器的距离，L是光纤总长度，n是光纤折射率，c是光在真空中的速度(3×10⁸m/s)。

由此可计算出扰动点位置公式：

$L_1=\frac{(t_1-t_2)c}{2n}+\frac{L}{2}.$

2、EMD原理分析

传统的数据分析理论均是建立在线性信号和稳定性系统的假设之上。但是在大多数情况下，实际的测量或者监测系统中的数据都是非线性和非稳定的，为此，1998年Huang等人提出了一种用于非线性和非平稳信号的处理方法Hilbert-Huangtransform(HHT)理论。

HHT理论主要包含两个方面的内容，即经验模态分解和希尔伯特光谱分析。

对于任何一个时间序列信号x(t)，经过希尔伯特变换之后，可以得到其复共轭信号y(t)：

$y\left(t\right)=\frac{1}{\mathrm{\π}}PV{\∫}_{-\mathrm{\∞}}^{+\mathrm{\∞}}\frac{x\left(t^{\′}\right)}{t-t^{\′}}{\mathrm{dt}}^{\′}$

其中x(t)属于L^P空间，PV是柯西积分主值。经过希尔伯特变换之后，实际的探测信号可以重新定义为：

z(t)＝x(t)-iy(t)＝a(t)e^iθ(t)

其中：

$\left\{\begin{array}{c}a\left(t\right)=\sqrt{x^2+y^2}\\ \mathrm{\θ}\left(t\right)=\arctan (y/x)\end{array}\right.$

其中a(t)代表信号的瞬时幅值，θ(t)代表相位函数，从而瞬时频率定义为：

$\mathrm{\ω}=\frac{d\mathrm{\θ}}{dt}$

经过希尔伯特变换之后，可以得到被调制信号的瞬时频率和瞬时相位。然而，任意函数信号的瞬时频率是难以精确测量的，所以这种方法并不是对所有的测量信号都有效。只有在被变换的信号是窄带信号，并且此窄带信号的极值点个数和过零点个数相等时，此方法才适用。除此之外，采用希尔伯特变换后得到的滤波器，在频域是线性操作，这将导致被处理信号的变形失真。因此，1998年Huang等人提出了改进的希尔伯特变换方法，即EMD理论，用于弥补通常的希尔伯特变换的不足。

这种方法根据被分解的数据直观、直接、自适应的得到基函数。这种方法建立在简单的假设之上，即假设每一个真实的信号是由不同的简单本真振动模式组成。每一个本征模代表一种固有的振动模式，这个本征摸必须是极值点个数与过零点个数相等。任何一个复杂的信号，在任意时刻均可以表示成这些固有模振动信号的叠加。这个振动模式如果满足以下两点，即可被定义为固有模态函数(IMF)：

(1)在整个数据域中，极大值点数和过零点的点数必须相等或者最大现差1；

(2)在任何一点处的局部极大值包络与极小值包络的平均值必须为0。

3、峭度原理分析

信号的均值、均方值和方差能全面反应高斯分布的随机信号特征，如幅值和能量变化情况，但对随机信号偏离数学期望的程度未能描述。相比之下，用信号的高阶矩构成的特征量，对信号中存在的微小变化十分敏感。峭度是信号的四阶矩，是反映信号分布特性的无纲量的数值统计量，反映了信号概率密度函数的陡峭程度，对于信号中的瞬时特征非常敏感。它的定义如下：

$T_i=\frac{1}{n}\×\underset{k=1}{\overset{n}{\Σ}}{c}_{ik}^4$

$T_i^{\′}=\frac{T_i}{\underset{i=1}{\overset{M}{\Σ}}{T}_i}$

当存在外界入侵时，由于各种不确定因素的影响，有扰信号的幅值分布接近正态分布，峭度指标值比较稳定；随着扰动的出现和发展，扰动信号中大幅值的概率密度增加，信号幅值的分布偏离正态分布，正态曲线出现偏斜或分散，峭度值也随之变化。峭度指标的绝对值越大，说明扰动越偏离其正常状态，扰动程度越严重。

峰度系数描述了振动信号的分布和波形的峰值。此外,峰度对脉冲信号的微小变化和时间特性也高度敏感。峰度常被用作振动信号的特征参数。

峭度一直在故障信号的时域分析中起主要作用，它对信号中的瞬时冲击特性非常敏感，利用它分析通过有扰信号分解得到IMF，得到有扰信号在不同尺度下的峭度波动，可以准确分析有扰信号在每个尺度下的瞬时特性，从而实现有扰信号特征的提取。

4、支持向量机的原理分析

支持向量机(SVM)的主要思想是把数据从输入空间映射到特征空间，然后在特征空间构造线性判决函数。它在结构上与神经网络相似，但却更加简单，即在特征空间寻找最优平面，使样本间的分类间隔最大化从而区别不同类别。设给定的样本集(x_i,x_j)，i＝1,2K…n，x_i∈R^d，y∈{-1,+1}满足：

y[(w·x_i)+b]≥1

此时分类间隔为/||w||，分类间隔最大等价于||w||²/2最小，对于线性不可分的情况可引入松弛项ζ≥0_i，是问题转化为二次规划问题

$\left\{\begin{array}{c}\begin{array}{cc}{\min }_{w,b,\mathrm{\ξ}}& 1/2\left|\right|w|{|}^2+C\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\ξ}}_i\end{array}\\ y_i\[(w\·x_i)+b\]\≥1-{\mathrm{\ξ}}_i\end{array}\right.$

式中：C表示分需哦样本的惩罚程度。

为找出最优质的下界从而解决上述规划问题，引入拉格朗日乘子使原始问题转化为对偶问题，目标函数改为

$max\[\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i-\frac{1}{2}\underset{i,j=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_{j}K(x_i,x_j)\]$

最终得到的最优分类函数

$f\left(x\right)=\mathrm{sgn}\[\underset{i=1}{\overset{n}{\Σ}}{{\mathrm{\α}}_i}^{*}{y}_{i}K(x_i,x_j)+b^{*}\]$

式中：α_i ^*，b^*分别为拉格朗日系数和分类阈值。

具体实施例描述如下：

基于EMD结合峭度特征和支持向量机的光纤周界安防模式识别的方法，推荐的围栏材料包括链条、焊接网和栅栏，当入侵发生时，栅栏上的振动很强烈。为了维持偏振状态的长期稳定，避免过度干扰信号，围栏的铺设需要遵循一个合格标准，并且传感电缆应该直接通过软管夹连接到栅栏上。为了提高检测灵敏度，光缆由上而下沿围栏固定。

搭建如图1所示的分布式光纤周界安防定位系统，光源1550nm分布式反馈激光强度为3.5mW。连接到围栏的单模光纤的长度是2.25km。采集卡1用于定位，采集频率设为10MHz，采集时间为0.3s。采集卡2用于模式识别，采集频率设为1MHz，采集时间为3s。

在围栏受到外界4种入侵行为，该系统中的光电探测器将光纤中的扰动光信号变成电信号，获取包含扰动信号的3s信号进行处理。具体处理步骤如下：

1、通过采集卡获得4种入侵行为的原始信号如图4所示。

2、利用EMD对每种事件的信号进行分解，得到各自的一系列的IMF分量，如图5所示。

3、根据图5可以看出，前6个IMF分量已经描述了入侵信号的基本特征，因此挑选出包含主要信息的前6个IMF分量。

4、利用峭度系数求出每种事件的前6个IMF分量的归一化的峭度特征，组成特征向量。如图6所示。

5、将提取出的特征向量输入支持向量机中，进行四种入侵事件的模式识别，如图7所示。

Claims (3)

1.一种分布式光纤周界安防系统，其特征在于，该系统包括激光光源(1)、隔离器(2)、第一耦合器(3)、第一环形器(4)、第二耦合器(5)、第三耦合器(6)、第二环形器(7)、第一探测器(8)、第二探测器(9)、第一、第二高速采集卡(10、11)、计算机(12)和传感光缆(13)；其中：

光由激光光源(1)发出后，经过隔离器(2)后，由第一耦合器(3)分成1:1的两束光，这两束光分别经过第一环形器(4)和第二耦合器(5)后，从构成干涉臂两端的第三耦合器(6)和第二环形器(7)进入传感环路中并沿相反的两个方向传输，在对端的耦合器3处发生干涉，传感光缆(12)遇到的扰动，扰动发生位置到传感光缆两端距离不同，形成相干光波到达探测器的时间延迟，沿逆时针方向传播的光波先后到达第一探测器(8)和沿顺时针方向传播的光波到达第二探测器(9)上，由第一探测器(8和第二探测器(9)把光信号转化成电信号，经隔直后，由第一、第二高速采集卡(10、11)采集到计算机(12)中，进行下一步信号处理；所述信号处理包括扰动定位算法、扰动报警和模式识别算法。

2.如权利要求1所述的分布式光纤周界安防系统，其特征在于，所述扰动定位算法包括以下处理：

传感光缆受到扰动，沿逆时针方向传播的光波到达第一探测器(8)的时间为：

t₁＝L₁n/c

沿顺时针方向传播的光波到达第二探测器(9)的时间为：

t₂＝(L-L₁)n/c

由此可计算出扰动点位置公式：

$L_1=\frac{(t_1-t_2)c}{2n}+\frac{L}{2}$

式中，L₁为扰动点距离第一探测器的距离，L是光纤总长度，n是光纤折射率，c是光在真空中的速度(3×10⁸m/s)。

3.如权利要求1所述的分布式光纤周界安防系统，其特征在于，所述模式识别算法利用EMD分解信号得到IMF分量，提取包含主要信息的IMF分量的峭度特征，最后再通过支持向量机进行模式识别，具体包括以下处理：

步骤一、取一段已知入侵行为的扰动信号x(t)，求取扰动信号x(t)的所有极大值和极小值，并用三次样条对这些极大值和极小值进行插值，得到极大值包络X_max和极小值包络X_min，求取极大值包络和极小值包络的平均值m₁＝(Xmax+Xmin)/2；

步骤二、从扰动信号x(t)中减去上下包络的平均值，得到信号，即：h₁＝x(t)-m₁；

步骤三、如果h₁满足IMF条件，则h₁即为第一个IMF，即为H₁，若h₁不满足IMF条件，则h₁代替扰动信号x(t)重复步骤一至二k次，直到h_1k满足IMF条件，此时的h_1k就作为第一个IMF，记为：H₁；

步骤四、从扰动信号x(t)中减去第一个IMFH₁得到剩余部分r₁，用剩余部分r₁代替扰动信号x(t)，重复步骤一至四，直到最后的剩余部分r₁满足下列条件之一：

(1)剩余部分r₁足够小，以至于小于我们大量实验得到的设定阈值；

(2)剩余部分r₁是一个单调函数，不满足IMF分解条件，则分解结束；

EMD将一个复杂的扰动信号x(t)分解为有限个经验模态函数Hi和一个剩余部分r的和值，即： $x\left(t\right)=\underset{u=1}{\overset{d}{\Σ}}{H}_u+r;$

步骤五、前M个IMF分量已经能够基本描述扰动信号的扰动特征值，包含了扰动信号的主要信息，因此选择前M个IMF分量，利用峭度的定义计算出包含主要信息的每个IMF分量的峭度特征；其中：i代表第i个IMF分量；N是有限整数；k代表IMF分量中离散点的位置；η代表该位置信号的中心距；

步骤六、利用公式对每个峭度进行归一化得到归一化峭度；

步骤七、前M个包含主要信息的归一化峭度构成一个特征向量T＝[T₁′,T₂′,…,T_M′]；

步骤八、利用D-SVM找到最优的分类函数：

$f\left(x\right)=\mathrm{sgn}\[\underset{i=1}{\overset{n}{\Σ}}{{\mathrm{\α}}_i}^{*}{y}_{i}K(x_i,x_j)+b^{*}\]$

β＝1,2，…m，α_β ^*，b^*分别为拉格朗日系数和分类阈值，K(x_β,x_γ)代表核函数，将扰动信号的特征向量T＝[T₁′,T₂′,…,T_M′]输入支持向量机中，根据各种入侵行为的特征向量的不同进行分类。