CN107507377A - 光纤周界系统的信号处理方法及装置 - Google Patents
光纤周界系统的信号处理方法及装置 Download PDFInfo
- Publication number
- CN107507377A CN107507377A CN201710669830.7A CN201710669830A CN107507377A CN 107507377 A CN107507377 A CN 107507377A CN 201710669830 A CN201710669830 A CN 201710669830A CN 107507377 A CN107507377 A CN 107507377A
- Authority
- CN
- China
- Prior art keywords
- chromosome
- population
- fitness
- mrow
- signal
- 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
- G08B13/12—Mechanical actuation by the breaking or disturbance of stretched cords or wires
- G08B13/122—Mechanical actuation by the breaking or disturbance of stretched cords or wires for a perimeter fence
- G08B13/124—Mechanical actuation by the breaking or disturbance of stretched cords or wires for a perimeter fence with the breaking or disturbance being optically detected, e.g. optical fibers in the perimeter fence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种光纤周界系统的信号处理方法及装置。所述方法包括:从时域光纤信号中提取具有设定信号特征的特征信号片段;对所述特征信号片段进行编码,得到对应的染色体,以完成种群的初始化;利用人工神经网络对所述种群中的染色体进行适应度计算;根据计算得到的适应度,对所述种群中的染色体进行遗传操作;重复上述适应度计算及遗传操作,直至得到所述种群的最优解;根据所述最优解中的染色体,识别入侵手段的类型。本发明实施例提供的光纤周界系统的信号处理方法及装置提高了入侵行为识别的准确率及速度。
Description
技术领域
本发明实施例涉及安全监控技术领域,尤其涉及一种光纤周界系统的信号处理方法及装置。
背景技术
近年来,随着非法入侵手段的科学技术化和复杂化,安全防范已成为国民经济发展中的一项重要任务。目前,栅栏、围墙、铁丝和篱笆网等传统安防设备和技术很难适应要害部门和重点单位安全保卫工作的需要,而单纯的人力防范措施受限于时间、地域和人员精力等因素,频频出现漏洞和失误。
在光进铜退的趋势下,光纤已经广泛运用到各个行业,它不仅适用于通信传输任务,而且还能作为安全监控的传感器使用。当光纤受到拉力、位移、振动和温度等外界干扰时,光信号的特征就会发生改变,利用专用的感测设备可以量化外界干扰,监测光纤周围的环境变化。另外,由于光纤本身是一种无源器件,野外使用不需要供电,抗电磁干扰和易于铺设的优势使其逐步成为周界安防中的主要产品。
传统的光纤周界系统中,利用人工神经网络(Artificial neural network,ANN)来识别入侵行为。由于ANN本身的复杂性,采用这种方式进行入侵行为识别的光线周界系统普遍存在着识别准确率偏低、识别速度偏慢的弊病。
发明内容
针对上述技术问题,本发明实施例提供了一种光纤周界系统的信号处理方法及装置,以提高入侵行为识别的准确率及速度。
一方面,本发明实施例提供了一种光纤周界系统的信号处理方法,所述方法包括:
从时域光纤信号中提取具有设定信号特征的特征信号片段;
对所述特征信号片段进行编码,得到对应的染色体,以完成种群的初始化;
利用人工神经网络对所述种群中的染色体进行适应度计算;
根据计算得到的适应度,对所述种群中的染色体进行遗传操作;
重复上述适应度计算及遗传操作,直至得到所述种群的最优解;
根据所述最优解中的染色体,识别入侵手段的类型。
另一方面,本发明实施例还提供了一种光纤周界系统的信号处理装置,所述装置包括:
提取模块,用于从时域光纤信号中提取具有设定信号特征的特征信号片段;
编码模块,用于对所述特征信号片段进行编码,得到对应的染色体,以完成种群的初始化;
计算模块,用于利用人工神经网络对所述种群中的染色体进行适应度计算;
遗传模块,用于根据计算得到的适应度,对所述种群中的染色体进行遗传操作;
重复执行模块,用于重复上述适应度计算及遗传操作,直至得到所述种群的最优解;
识别模块,用于根据所述最优解中的染色体,识别入侵手段的类型。
本发明实施例提供的光纤周界系统的信号处理方法及装置,通过遗传算法及ANN相结合的方式进行入侵手段的识别,不仅提高了入侵行为识别的准确率,而且提高了入侵行为识别的速度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1是本发明第一实施例提供的光纤周界系统的信号处理方法的流程图图;
图2是本发明第二实施例提供的光纤周界系统的信号处理方法中识别操作的流程图;
图3是本发明第三实施例提供的光纤周界系统的信号处理装置的结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
第一实施例
本实施例提供了光纤周界系统的信号处理方法的一种技术方案。在该技术方案中,光纤周界系统的信号处理方法包括:从时域光纤信号中提取具有设定信号特征的特征信号片段;对所述特征信号片段进行编码,得到对应的染色体,以完成种群的初始化;利用人工神经网络对所述种群中的染色体进行适应度计算;根据计算得到的适应度,对所述种群中的染色体进行遗传操作;重复上述适应度计算及遗传操作,直至得到所述种群的最优解;根据所述最优解中的染色体,识别入侵手段的类型。
参见图1,光纤周界系统的信号处理方法包括:
S11,从时域光纤信号中提取具有设定信号特征的特征信号片段。
所谓时域光纤信号是光纤中实际传输的信号。通常情况下,时域光纤信号是对原始基带信号进行调制之后形成的信号。由于时域光纤信号的传输可能受到外界入侵行为的干扰,因此,可以通过对其波形特征的识别,辨别当前是否发生了入侵行为,以及正在发生的入侵行为是何种入侵行为。
本实施例提供的方法与传统方法有一点不同,在于并不采用时域上完整的大片段信号作为识别入侵行为的基础,而是在大段的时域信号中提取具有设定特征的信号片段,将这些信号片段作为入侵行为识别的基础。
提取到的信号片段被称为特征信号片段。提取特征信号片段的依据是它们是否符合预设的信号特征。预设的信号特征可以是信号在时间上的特征、在频率上的特征、在信号幅度上的特征,或者上述三者中任意几个的结合。举例来说,信号在时间上的特征可以是特征信号片段是否在预定的时间间隔内。信号在频率上的特征可以是特征信号片段是否在预定的频率范围内。信号在幅度上的特征可以是特征信号片段的幅度是否超出了预设的幅度范围。
S12,对所述特征信号片段进行编码,得到对应的染色体,以完成种群的初始化。
对特征信号片段进行编码的目的在于得到二进制表示的,能够代表对应的特征信号片段的染色体。
典型的,上述编码过程可以是对特征信号片段的采样及量化。其中,量化过程一般采用非均匀量化的手段。
S13,利用ANN对所述种群中的染色体进行适应度计算。
在本实施例中,ANN具体是径向基神经网络。径向基神经网络的网络结构采用现有结构。而由上述径向基神经网络处理以后,对应的适应度由如下公式给出:
其中,N为样本总量,x(j)为第j个样本的识别结果。更为具体的,x(j)的具体取值有下式给出:
其中,y(j)是径向基神经网络的第j个输出单元的实际输出值,y′(j)是径向基神经网络第j个输出单元的期望输出值。
S14,根据计算得到的适应度,对所述种群中的染色体进行遗传操作。
具体的,上述的遗传操作包括选择操作、交叉操作以及变异操作。上述选择操作、交叉操作及变异操作按照现有遗传算法中的步骤执行。现有遗传算法中,对于上述选择操作、交叉操作以及变异操作的各种变种及改进也均可以适用于本实施例。
S15,重复上述适应度计算及遗传操作,直至得到所述种群的最优解。
完成一次上述的遗传操作之后,对得到的种群中的染色体迭代的执行上述适应度计算及遗传。上述迭代计算的停止条件为,得到了种群的最优解。也就是说,对种群中的染色体继续迭代的执行适应度计算及遗传操作,种群中的染色体已经不会再发生任何变化,或者发生的变化极其微小,则可以认为已经得到了种群的最优解。
S16,根据所述最优解中的染色体,识别入侵手段的类型。
得到了种群的最优解之后,可以依据种群最优解中的染色体,对入侵行为的类型进行识别。
本实施例通过对光纤中传输的时域信号进行片段提取,对提取到的信号片段进行编码,得到对应的染色体,利用ANN计算染色体的适应度,根据计算得到的适应度进行遗传操作,直至得到最优解,最后根据最优解的取值识别入侵行为的类型,提高了入侵行为识别的准确率及速度。
第二实施例
本实施例以本发明上述实施例为基础,进一步的提供了光纤周界系统的信号处理方法中识别操作的一种技术方案。在该技术方案中,根据所述最优解中的染色体,识别入侵手段的类型,包括:对所述最优解中的染色体进行解码;将解码结果与预设的特征信号进行比对;根据比对结果识别入侵手段的类型。
参见图2,根据所述最优解中的染色体,识别入侵手段的类型,包括:
S21,对所述最优解中的染色体进行解码。
上述解码是编码过程的逆过程。通过上述解码操作,能够有二进制表示的染色体,完整恢复其对应的时域信号。
S22,将解码结果与预设的特征信号进行比对。
针对不同的入侵行为类型,对应有不同的特征信号。将解码得到的时域信号与不同的特征信号进行比对,才能够最终确定入侵行为的类型。
具体的,上述的信号比对过程可以是解码得到的时域信号与预设特征信号之间相似程度的计算。更为具体的,可以根据二者在相同时间点上采样值之间的差异,计算二者之间的相似程度。
S23,根据比对结果识别入侵手段的类型。
具体的,选择与解码结果信号最为相似,也就是相似程度最高的一个特征信号,将它的入侵行为类型作为最终识别得到的入侵行为类型。
本实施例通过对所述最优解中的染色体进行解码,将解码结果与预设的特征信号进行比对,以及根据比对结果识别入侵手段的类型,实现了对入侵手段类型的准确判断。
第三实施例
本实施例提供了光纤周界系统的信号处理装置的一种技术方案。在该技术方案中,光纤周界系统的信号处理装置包括:提取模块61、编码模块62、计算模块63、遗传模块64、重复执行模块65,以及识别模块66。
提取模块61用于从时域光纤信号中提取具有设定信号特征的特征信号片段。
编码模块62用于对所述特征信号片段进行编码,得到对应的染色体,以完成种群的初始化。
计算模块63用于利用人工神经网络对所述种群中的染色体进行适应度计算。
遗传模块64用于根据计算得到的适应度,对所述种群中的染色体进行遗传操作。
重复执行模块65用于重复上述适应度计算及遗传操作,直至得到所述种群的最优解。
识别模块66用于根据所述最优解中的染色体,识别入侵手段的类型。
进一步的,所述人工神经网络包括:径向基神经网络。
进一步的,所述径向基神经网络根据如下公式计算所述染色体的适应度:
其中,x(j)为第j个样本的识别结果,N为样本总量。
进一步的,所述遗传模块具体用于:
根据计算得到的适应度,对所述种群中的染色体进行选择操作、交叉操作,以及变异操作。
进一步的,所述识别模块包括:
解码单元,用于对所述最优解中的染色体进行解码;
比对单元,用于将解码结果与预设的特征信号进行比对;
识别单元,用于根据比对结果识别入侵手段的类型。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种光纤周界系统的信号处理方法,其特征在于,包括:
从时域光纤信号中提取具有设定信号特征的特征信号片段;
对所述特征信号片段进行编码,得到对应的染色体,以完成种群的初始化;
利用人工神经网络对所述种群中的染色体进行适应度计算;
根据计算得到的适应度,对所述种群中的染色体进行遗传操作;
重复上述适应度计算及遗传操作,直至得到所述种群的最优解;
根据所述最优解中的染色体,识别入侵手段的类型。
2.根据权利要求1所述的方法,其特征在于,所述人工神经网络包括:径向基神经网络。
3.根据权利要求2所述的方法,其特征在于,所述径向基神经网络根据如下公式计算所述染色体的适应度:
<mrow>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mi>N</mi>
</mrow>
其中,x(j)为第j个样本的识别结果,N为样本总量。
4.根据权利要求1所述的方法,其特征在于,根据计算得到的适应度,对所述种群中的染色体进行遗传操作,包括:
根据计算得到的适应度,对所述种群中的染色体进行选择操作、交叉操作,以及变异操作。
5.根据权利要求1所述的方法,其特征在于,根据所述最优解中的染色体,识别入侵手段的类型,包括:
对所述最优解中的染色体进行解码;
将解码结果与预设的特征信号进行比对;
根据比对结果识别入侵手段的类型。
6.一种光纤周界系统的信号处理装置,其特征在于,包括:
提取模块,用于从时域光纤信号中提取具有设定信号特征的特征信号片段;
编码模块,用于对所述特征信号片段进行编码,得到对应的染色体,以完成种群的初始化;
计算模块,用于利用人工神经网络对所述种群中的染色体进行适应度计算;
遗传模块,用于根据计算得到的适应度,对所述种群中的染色体进行遗传操作;
重复执行模块,用于重复上述适应度计算及遗传操作,直至得到所述种群的最优解;
识别模块,用于根据所述最优解中的染色体,识别入侵手段的类型。
7.根据权利要求6所述的方法,其特征在于,所述人工神经网络包括:径向基神经网络。
8.根据权利要求7所述的方法,其特征在于,所述径向基神经网络根据如下公式计算所述染色体的适应度:
<mrow>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mi>N</mi>
</mrow>
其中,x(j)为第j个样本的识别结果,N为样本总量。
9.根据权利要求6所述的方法,其特征在于,所述遗传模块具体用于:
根据计算得到的适应度,对所述种群中的染色体进行选择操作、交叉操作,以及变异操作。
10.根据权利要求6所述的方法,其特征在于,所述识别模块包括:
解码单元,用于对所述最优解中的染色体进行解码;
比对单元,用于将解码结果与预设的特征信号进行比对;
识别单元,用于根据比对结果识别入侵手段的类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710669830.7A CN107507377A (zh) | 2017-08-08 | 2017-08-08 | 光纤周界系统的信号处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710669830.7A CN107507377A (zh) | 2017-08-08 | 2017-08-08 | 光纤周界系统的信号处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107507377A true CN107507377A (zh) | 2017-12-22 |
Family
ID=60689869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710669830.7A Pending CN107507377A (zh) | 2017-08-08 | 2017-08-08 | 光纤周界系统的信号处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107507377A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6651046B1 (en) * | 1999-09-17 | 2003-11-18 | Fujitsu Limited | Optimizing apparatus, optimizing method, and storage medium |
CN102622535A (zh) * | 2012-02-27 | 2012-08-01 | 上海电机学院 | 一种基于多序列比对遗传算法的处理方法及装置 |
CN103236127A (zh) * | 2013-05-06 | 2013-08-07 | 无锡成电光纤传感科技有限公司 | 一种光纤围栏入侵监测系统及其模式识别方法 |
CN103914527A (zh) * | 2014-03-28 | 2014-07-09 | 西安电子科技大学 | 一种基于新编码方式的遗传规划算法的图形图像识别与匹配方法 |
KR20160149376A (ko) * | 2015-06-17 | 2016-12-28 | 아주대학교산학협력단 | 유전 알고리즘 기반의 특징 선택을 이용한 사용자 독립적 행동 인식 방법 |
CN106600869A (zh) * | 2016-12-31 | 2017-04-26 | 上海华魏光纤传感技术有限公司 | 一种用于光纤围栏安防系统的围栏入侵识别方法 |
CN106971170A (zh) * | 2017-04-07 | 2017-07-21 | 西北工业大学 | 一种基于遗传算法利用一维距离像进行目标识别的方法 |
-
2017
- 2017-08-08 CN CN201710669830.7A patent/CN107507377A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6651046B1 (en) * | 1999-09-17 | 2003-11-18 | Fujitsu Limited | Optimizing apparatus, optimizing method, and storage medium |
CN102622535A (zh) * | 2012-02-27 | 2012-08-01 | 上海电机学院 | 一种基于多序列比对遗传算法的处理方法及装置 |
CN103236127A (zh) * | 2013-05-06 | 2013-08-07 | 无锡成电光纤传感科技有限公司 | 一种光纤围栏入侵监测系统及其模式识别方法 |
CN103914527A (zh) * | 2014-03-28 | 2014-07-09 | 西安电子科技大学 | 一种基于新编码方式的遗传规划算法的图形图像识别与匹配方法 |
KR20160149376A (ko) * | 2015-06-17 | 2016-12-28 | 아주대학교산학협력단 | 유전 알고리즘 기반의 특징 선택을 이용한 사용자 독립적 행동 인식 방법 |
CN106600869A (zh) * | 2016-12-31 | 2017-04-26 | 上海华魏光纤传感技术有限公司 | 一种用于光纤围栏安防系统的围栏入侵识别方法 |
CN106971170A (zh) * | 2017-04-07 | 2017-07-21 | 西北工业大学 | 一种基于遗传算法利用一维距离像进行目标识别的方法 |
Non-Patent Citations (2)
Title |
---|
张宏宇: "基于遗传算法的入侵检测特征选择", 《信息网络安全》 * |
蒋先刚: "《数字图像模式识别工程项目研究》", 31 March 2014 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111649817B (zh) | 一种分布式光纤振动传感器系统及其模式识别方法 | |
CN110958252B (zh) | 一种网络安全设备及其网络攻击检测方法、装置和介质 | |
CN111901340B (zh) | 一种面向能源互联网的入侵检测系统及其方法 | |
CN109617706B (zh) | 工业控制系统防护方法及工业控制系统防护装置 | |
CN103339635A (zh) | 确定计算机软件应用对于特权升级攻击的脆弱性 | |
CN113488073B (zh) | 一种基于多特征融合的伪造语音检测方法及装置 | |
CN115242559B (zh) | 基于区块链和联邦学习的网络流量入侵检测方法 | |
Moti et al. | Discovering future malware variants by generating new malware samples using generative adversarial network | |
Li et al. | Learning to fool the speaker recognition | |
CN111241544A (zh) | 一种恶意程序识别方法、装置、电子设备及存储介质 | |
Monteiro et al. | An ensemble based approach for generalized detection of spoofing attacks to automatic speaker recognizers | |
WO2021053646A1 (en) | Detection of presence of malicious tools on mobile devices | |
Du et al. | Spear or shield: Leveraging generative AI to tackle security threats of intelligent network services | |
Alrowais et al. | Automated Machine Learning Enabled Cybersecurity Threat Detection in Internet of Things Environment. | |
CN109684837B (zh) | 一种面向电力企业的移动应用恶意软件检测方法及系统 | |
Galajit et al. | Semi-fragile speech watermarking based on singular-spectrum analysis with CNN-based parameter estimation for tampering detection | |
CN107507377A (zh) | 光纤周界系统的信号处理方法及装置 | |
CN105185381A (zh) | 智能机器人声音识别系统 | |
CN110969017A (zh) | 一种司法数据的处理方法及系统 | |
Meriem et al. | Texture analysis of edge mapped audio spectrogram for spoofing attack detection | |
CN114640518B (zh) | 一种基于音频隐写的个性化触发器后门攻击方法 | |
Lu et al. | Adaptive short time fractional Fourier transform for time–frequency segmentation | |
CN116225950A (zh) | 一种基于多模态融合的诈骗app的识别方法及系统 | |
Arcos et al. | Ideal neighbourhood mask for speech enhancement | |
CN114186581A (zh) | 基于mfcc和扩散化高斯混合模型的电缆隐患识别方法及装置 |
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 |
Application publication date: 20171222 |
|
RJ01 | Rejection of invention patent application after publication |