CN106991773A - 一种基于s变换特征提取的安防系统振动信号识别方法 - Google Patents
一种基于s变换特征提取的安防系统振动信号识别方法 Download PDFInfo
- Publication number
- CN106991773A CN106991773A CN201710341694.9A CN201710341694A CN106991773A CN 106991773 A CN106991773 A CN 106991773A CN 201710341694 A CN201710341694 A CN 201710341694A CN 106991773 A CN106991773 A CN 106991773A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- signal
- transformation
- safety
- characteristic value
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/02—Mechanical actuation
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Burglar Alarm Systems (AREA)
Abstract
本发明公开了一种基于S变换特征提取的安防系统振动信号识别方法,包括下述步骤:(1)对采集的振动信号进行滤波处理;(2)通过加窗对滤波后的振动信号进行分帧处理,使得每帧中所含信号特征完整;(3)通过S变换提取加窗分帧后的振动信号的特征值;(4)对振动信号的特征值进行分类,并根据所述特征值判断系统是否存在入侵,实现振动信号的识别。本发明采用了具有优良时频分析能力的S变换对振动信号进行特征提取,能更加全面地反映振动信号的特征信息,因此可以更好地对振动信号加以识别区分,从而能够取得有效降低安防系统的误报率,提升系统的告警准确率有益效果。
Description
技术领域
本发明属于周界安防领域,更具体地,涉及一种基于S变换特征提取的安防系统振动信号识别方法。
背景技术
对于安防技术研究的最初主要是针对一些重要的军事方面的安全考虑,当发生战争冲突时,在关键领域的保护方面应用比较广泛,各国政府也为此投入大量资金,各种安防技术和产品层出不穷,但这些都似乎和人们的日常生活没有太大关系。进入和平年代,随着市场经济的逐步发展和人民生活水平的不断提升,以及社会大众安全防范意识的普遍提高,社会对于安防产品的需求正不断提升,安防市场规模也在随之不断扩大。
安防系统的告警准确率是衡量其性能最重要的标准,误报率较高是影响现有安防系统告警准确率的重要因素。由于实际的安防环境复杂多变,会产生各种类似于入侵信号的干扰信号,例如对于挂网布设的安防系统来说,下雨天采集的振动信号和人为晃动围栏产生的振动信号相似度较高。现有安防系在振动信号的识别处理上普遍采用的是时域特征提取和频域特征提取,如提取振动信号的短时过零率,峰均比,特定频率段谱能量等特征信息,然后利用阈值判断的方法判断是否为入侵信号。但是这种方法的告警准确率和设定的阈值有很大关系,若阈值设定过大,则误报率可以降到很低,但容易出现漏报的情况;若阈值设定过小,则误报率就会很高,很多类似入侵的干扰信号都会被判断成入侵信号。传统的安防系统在误报和漏报之间难以找到一个平衡,为了能尽量减少漏报的可能性,传统的安防系统往往会设定一个较低的阈值,因此误报率较高。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种基于S变换特征提取的安防系统振动信号识别方法,旨在解决现有技术中误报率较高的问题。
本发明提供了一种基于S变换特征提取的安防系统振动信号识别方法,包括下述步骤:
(1)对采集的振动信号进行滤波处理;
(2)通过加窗对滤波后的振动信号进行分帧处理,使得每帧中所含信号特征完整;
(3)通过S变换提取加窗分帧后的振动信号的特征值;
(4)对振动信号的特征值进行分类,并根据所述特征值判断系统是否存在入侵,实现振动信号的识别。
更进一步地,步骤(3)具体为:对加窗分帧后的振动信号进行S变换获得二维矩阵,并利用奇异值分解法求取所述二维矩阵的奇异值作为信号的特征值。
更进一步地,在步骤(2)之后且在步骤(3)之前还包括:采用阈值法对加窗分帧后的振动信号进行预判断,当振动信号为可疑的入侵信号时进入步骤(3)。
更进一步地,当振动信号的短时过零率大于设定的阈值时,则判定振动信号为可疑的入侵信号。
更进一步地,在步骤(2)中,帧移取帧长的一半,邻帧之间有1/2的重叠数据。
通过本发明所构思的以上技术方案,与现有技术相比,由于采用了具有优良时频分析能力的S变换对振动信号进行特征提取,能更加全面地反映振动信号的特征信息,因此可以更好地对振动信号加以识别区分,从而能够取得有效降低安防系统的误报率,提升系统的告警准确率有益效果。
附图说明
图1为本发明实施例提供的基于S变换特征提取的安防系统振动信号识别方法的实现流程。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明涉及周界安防领域,尤其涉及光纤周界安防系统中对采集到的振动信号的识别处理;具体提出了一种基于S变换特征提取的振动识别方法,能有效降低安防系统的误报率,从而提升系统的告警准确率。由于S变换具备优良的时频分析能力,因此对振动信号作S变换能得到更多的特征信息,可以更好地识别振动信号。
结合图1,对本发明的具体实施步骤说明如下。安防系统对采集到的振动信号的处理主要分为四个步骤:预处理,加窗分帧,特征提取和分类识别。
(1)预处理。由于信号在获取和传输的过程中会受到一些外界因素的干扰,从而含有大量噪声。为了保障后续处理工作的顺利,需要对信号进行去噪处理,滤除噪声的干扰。本发明采用具有6dB/倍频程的数字滤波器,用来滤除低频噪声信号,提高信号高频部分,其表达式如下:H(z)=1-μz……(1);其中μ为常数,通常取0.96。
(2)加窗分帧。安防系统的传感器输出的振动信号是连续不断的,直接处理会增加系统处理负担,使得处理过程异常复杂,因此必须合理地将信号截取成一定长度的帧信号。在保证每一帧所含信号特征完整的前提下,将信号进行分帧处理能降低系统的计算复杂度。本发明选取512个连续采样点作为一个观测单位,即一帧。为了避免帧与帧之间的特性变化过大,帧移通常取帧长的一半,即相邻帧之间有1/2的重叠数据。加窗处理的目的是为了减小频谱泄露,因为后续进行特征提取时会采用一些时频变换方法,进行加窗处理后可以抑制额外的频率分量产生。本发明选用的窗函数是Hamming窗,具有低的旁瓣高度和平滑的低通特性,其表达式如下所示:
(3)特征提取。特征提取是整个信号处理过程的关键,所选特征是否能将振动信号有效分类,对最终识别结果的正确性至关重要,正确有效的特征,既可提高分类算法的准确度,又能大大降低分类算法的计算量。本发明利用S变换获取信号的特征信息,对加窗分帧后的振动信号作S变换,得到一个二维矩阵,然后利用奇异值分解法求取该二维矩阵的奇异值作为信号的特征值。由于S变换具备优良的时频分析能力,能提供信号在时间域与频率域的联合分布信息,并且能清楚地描述信号频率随时间变化的关系,因此可以更全面地反映振动信号的特征信息。
S变换是短时傅立叶变换(STFT)和小波变换的继承和发展,既有STFT单频率独立分析的能力,又有小波变换多分辨率分析的特点,同时还避免了窗函数选择的问题。信号低频段成分对应时间窗的长度较宽而幅度较低,从而获得较高的频域分辨率;而信号高频段成分对应时间窗的长度较窄而幅度较高,可获得较高的时域分辨率,且可使高频处的S变换图谱能量得以增强。
信号h(t)的S变换定义为: 式中,t表示时间,f表示频率,i为虚数单位,ω(τ-t,f)为高斯窗口,τ是高斯窗函数的中心位置。
为了便于在计算机上快速实现S变换,我们可以利用傅里叶变换将S变换离散化。假设离散随机序列h(mTs),m=0,1,…,N-1。N为采样点数,Ts为采样时间间隔,令τ=mTs,f=k/NTs,则h(mTs)的一维离散S变换为:式中,m,n,k均为离散序号,取值范围为[0,N-1],为h(mTs)的离散傅里叶变换,G(n,k)为高斯窗的傅里叶频谱,且有 离散S变换的结果为一个二维矩阵,矩阵的行对应采样时刻,列对应频率,矩阵元素为相应频率信号在不同时刻的幅值。
根据奇异值分解理论,对于一个矩阵Am×n∈Rm×n,必定存在两个正交矩阵Um×n和Vm×n以及一个对角矩阵Λ满足如下等式式中,λi(i=1,…,r)是矩阵AAT的特征值。由于Λ为一个对角阵,奇异值分解相当于将秩为k的一个m×n阶矩阵分解为r个秩为1的m×n阶矩阵的加权和,每个矩阵由两个特征矢量(分别属于矩阵U和矩阵V)相乘得到,权值即为矩阵A的奇异值。
值得说明的是,由于S变换的计算量较大,为了防止因为计算的开销过大从而影响安防系统的响应速度,可以在步骤(2)之后且在步骤(3)之前增加如下步骤:可以先通过时域特征提取,提取振动信号的短时过零率作为特征参数,采用阈值法对振动信号作预判断,阈值的设定可以通过大量实验数据获得,若信号的短时过零率大于阈值,则判断为可疑的入侵信号,再用S变换提取特征信息。阈值是根据安防系统具体铺设环境动态获得的,因为在实情况中,安防系统处于入侵状态下的时间相比非入侵状态要少的多,因此可以先用计算量小的短时过零率特征参数剔除非入侵状态,为了防止漏报,可以适当调低设定的阈值。
短时过零率表示一段时间内信号波形穿过零电平的次数,可以近似看作是信号频率的简单度量。对于离散时间序列,过零率可以通过相邻采样点振幅的符号改变次数来进行计算。一个长度为N的信号序列x(n)的过零率定义如下:式中,δ为零值门限,为了避免震荡噪声对短时过零率产生影响,通常设置一个零值门限而不直接使用零电平,本发明设定门限值δ为0.03。在安防系统中,当在不存在入侵时,光纤中的振动信号变化相对平稳,同等时间长度内信号的短时过零率基本不变,且数值不大;当有入侵发生时,光纤中的振动信号变化突然加剧,同等时间长度内信号短时过零率将显著增大。因此,我们可通过光纤中振动信号短时过零率的大小和变化来判断是否存在入侵。
(4)分类识别。分类识别即通过分类器对光纤振动信号的特征进行分类判断,从而判定系统是否存在入侵。本发明选取支持向量机(SVM)作为光纤振动信号的分类识别方法。SVM是基于统计学习理论和结构风险最小化原则发展起来的一种分类方法,其核心思想是把输入空间的样本通过非线性变换,映射到高维特征空间,在高维特征空间中求解最优分类面能把样本线性分开。入侵识别实际上是一个二分类的问题,对于二类的模式识别问题,假设有n个样本xi其所属类别yi,表示为(xi,yi),其中xi∈Rd,yi∈{-1,1},(i=1,2,…,n)。它可以被一个最优超平面分开,且分类间隔最大。因此,分类间隔最大的优化问题可转换为在约束条件下的最小值问题,约束条件为:yi(wxi+b)-1≥0,i=1,2,...,n……(10);其中,w是n维向量,b是超平面的偏移量。在此约束条件下求函数的最小值,w·w表示内积。对于特征数目特别大的情况,可以转化为其对偶问题,约束条件为:其中ai为向量a的第i个分量。求下列函数的最大值:对式(11)求解,得到最优分类函数:式中,a=(a1,a2,…,an)是拉格朗日乘子,b*是最优超平面的法向量,sgn{}为符号函数,根据F(x)的符号确定类别归属。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于S变换特征提取的安防系统振动信号识别方法,其特征在于,包括下述步骤:
(1)对采集的振动信号进行滤波处理;
(2)通过加窗对滤波后的振动信号进行分帧处理,使得每帧中所含信号特征完整;
(3)通过S变换提取加窗分帧后的振动信号的特征值;
(4)对振动信号的特征值进行分类,并根据所述特征值判断系统是否存在入侵,实现振动信号的识别。
2.如权利要求1所述的振动信号识别方法,其特征在于,步骤(3)具体为:对加窗分帧后的振动信号进行S变换获得二维矩阵,并利用奇异值分解法求取所述二维矩阵的奇异值作为信号的特征值。
3.如权利要求1或2所述的振动信号识别方法,其特征在于,在步骤(2)之后且在步骤(3)之前还包括:采用阈值法对加窗分帧后的振动信号进行预判断,当振动信号为可疑的入侵信号时进入步骤(3)。
4.如权利要求3所述的振动信号识别方法,其特征在于,当振动信号的短时过零率大于设置的阈值,则判定振动信号为可疑的入侵信号。
5.如权利要求1-4任一项所述的振动信号识别方法,其特征在于,在步骤(2)中,帧移取帧长的一半,邻帧之间有1/2的重叠数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710341694.9A CN106991773A (zh) | 2017-05-16 | 2017-05-16 | 一种基于s变换特征提取的安防系统振动信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710341694.9A CN106991773A (zh) | 2017-05-16 | 2017-05-16 | 一种基于s变换特征提取的安防系统振动信号识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106991773A true CN106991773A (zh) | 2017-07-28 |
Family
ID=59419285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710341694.9A Pending CN106991773A (zh) | 2017-05-16 | 2017-05-16 | 一种基于s变换特征提取的安防系统振动信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106991773A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629376A (zh) * | 2018-05-10 | 2018-10-09 | 吉林省日月智感互联科技有限公司 | 一种微震感测区域入侵识别方法及系统 |
CN109259764A (zh) * | 2018-07-27 | 2019-01-25 | 昆明理工大学 | 一种确定动态脑功能网络阈值方法 |
CN110136378A (zh) * | 2019-05-09 | 2019-08-16 | 上海卓希智能科技有限公司 | 一种机场周界入侵报警系统及入侵报警方法 |
CN112816056A (zh) * | 2021-01-08 | 2021-05-18 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 地表挖掘作业与地下光缆相对位置的识别方法及装置 |
CN113642439A (zh) * | 2021-08-05 | 2021-11-12 | 国网江苏省电力有限公司电力科学研究院 | 一种有载分接开关的机械状态异常检测方法、装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102135558A (zh) * | 2010-11-05 | 2011-07-27 | 重庆市电力公司綦南供电局 | 过电压数据采集分层识别系统及类型分层模式识别方法 |
CN103197124A (zh) * | 2013-03-14 | 2013-07-10 | 重庆市电力公司电力科学研究院 | 基于时频矩阵奇异值的过电压识别方法 |
CN105447502A (zh) * | 2015-11-05 | 2016-03-30 | 国家电网公司 | 一种基于s变换和改进svm算法的暂态电能扰动识别方法 |
US9373234B1 (en) * | 2015-01-20 | 2016-06-21 | 3D Fuse Technology Inc. | Security tape for intrusion/extrusion boundary detection |
-
2017
- 2017-05-16 CN CN201710341694.9A patent/CN106991773A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102135558A (zh) * | 2010-11-05 | 2011-07-27 | 重庆市电力公司綦南供电局 | 过电压数据采集分层识别系统及类型分层模式识别方法 |
CN103197124A (zh) * | 2013-03-14 | 2013-07-10 | 重庆市电力公司电力科学研究院 | 基于时频矩阵奇异值的过电压识别方法 |
US9373234B1 (en) * | 2015-01-20 | 2016-06-21 | 3D Fuse Technology Inc. | Security tape for intrusion/extrusion boundary detection |
CN105447502A (zh) * | 2015-11-05 | 2016-03-30 | 国家电网公司 | 一种基于s变换和改进svm算法的暂态电能扰动识别方法 |
Non-Patent Citations (1)
Title |
---|
朱程辉,瞿永中,王建平: "基于时频特征的光纤周界振动信号识别", 《光电工程》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629376A (zh) * | 2018-05-10 | 2018-10-09 | 吉林省日月智感互联科技有限公司 | 一种微震感测区域入侵识别方法及系统 |
CN109259764A (zh) * | 2018-07-27 | 2019-01-25 | 昆明理工大学 | 一种确定动态脑功能网络阈值方法 |
CN110136378A (zh) * | 2019-05-09 | 2019-08-16 | 上海卓希智能科技有限公司 | 一种机场周界入侵报警系统及入侵报警方法 |
CN112816056A (zh) * | 2021-01-08 | 2021-05-18 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 地表挖掘作业与地下光缆相对位置的识别方法及装置 |
CN112816056B (zh) * | 2021-01-08 | 2022-05-03 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 地表挖掘作业与地下光缆相对位置的识别方法及装置 |
CN113642439A (zh) * | 2021-08-05 | 2021-11-12 | 国网江苏省电力有限公司电力科学研究院 | 一种有载分接开关的机械状态异常检测方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106991773A (zh) | 一种基于s变换特征提取的安防系统振动信号识别方法 | |
Xie et al. | Optimized coherent integration-based radio frequency fingerprinting in Internet of Things | |
Khan et al. | An improved convolutional neural network model for intrusion detection in networks | |
Zhang et al. | Convolutional neural networks for automatic cognitive radio waveform recognition | |
CN104135327B (zh) | 基于支持向量机的频谱感知方法 | |
Qu et al. | Radar signal intra-pulse modulation recognition based on convolutional denoising autoencoder and deep convolutional neural network | |
CN103236127B (zh) | 一种光纤围栏入侵监测系统及其模式识别方法 | |
CN105678273B (zh) | 射频指纹识别技术瞬态信号的起始点检测算法 | |
CN107301381A (zh) | 基于深度学习和多任务学习策略的雷达辐射源识别方法 | |
CN101587186B (zh) | 一种雷达脉内调制信号的特征提取方法 | |
CN106529428A (zh) | 基于深度学习的水下目标识别方法 | |
CN106899968A (zh) | 一种基于WiFi信道状态信息的主动非接触身份认证方法 | |
CN103530657B (zh) | 一种基于加权l2抽取深度学习人脸识别方法 | |
Chen et al. | Identification of wireless transceiver devices using radio frequency (RF) fingerprinting based on STFT analysis to enhance authentication security | |
CN109887047A (zh) | 一种基于生成式对抗网络的信号-图像翻译方法 | |
CN108090462A (zh) | 一种基于盒维数的辐射源指纹特征提取方法 | |
CN110276256A (zh) | 基于调参随机共振的低信噪比通信信号调制识别方法及装置 | |
CN116838955A (zh) | 一种两阶段的油气管道沿线干扰识别方法 | |
CN116866129A (zh) | 一种无线通信信号检测方法 | |
Behura et al. | WiST ID—Deep learning-based large scale wireless standard technology identification | |
CN111652132B (zh) | 基于深度学习的非视距身份识别方法、设备及存储介质 | |
CN116359851A (zh) | 一种基于融合网络的雷达有源干扰检测识别方法及装置 | |
CN109309538A (zh) | 一种频谱感知方法、装置、设备、系统及存储介质 | |
Li et al. | Detection of frequency-hopping signals based on deep neural networks | |
Gai et al. | Spectrum sensing method based on residual cellular network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170728 |