CN109974835B - 一种基于光纤信号特征的振动检测识别和时空定位方法和系统 - Google Patents

一种基于光纤信号特征的振动检测识别和时空定位方法和系统 Download PDF

Info

Publication number
CN109974835B
CN109974835B CN201910068735.0A CN201910068735A CN109974835B CN 109974835 B CN109974835 B CN 109974835B CN 201910068735 A CN201910068735 A CN 201910068735A CN 109974835 B CN109974835 B CN 109974835B
Authority
CN
China
Prior art keywords
vibration
optical fiber
classification
signal
dimensionality reduction
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.)
Active
Application number
CN201910068735.0A
Other languages
English (en)
Other versions
CN109974835A (zh
Inventor
谢峰
丛洪亮
李贵东
胡孝晖
徐龙海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo Lianhe Photonics Technology Co ltd
Original Assignee
Wuxi Allianstream Photon Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuxi Allianstream Photon Technology Co ltd filed Critical Wuxi Allianstream Photon Technology Co ltd
Publication of CN109974835A publication Critical patent/CN109974835A/zh
Application granted granted Critical
Publication of CN109974835B publication Critical patent/CN109974835B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
    • G01H9/004—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means using fibre optic sensors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于光纤信号特征的振动检测识别和时空定位方法，所述方法包括步骤：1、对来自分布式光纤传感器的原始数据进行特征扩展，得到扩展特征函数向量；2、根据所述扩展特征函数向量计算降维矩阵；3、将所述降维矩阵作用于原始数据和所述扩展特征函数向量，得到降维后的特征函数；4、由参数数据库得到初级分类参数并分类，得到振动信号的初步分类结果；5、接收所述振动信号的初步分类结果，删除误检结果、修改错误分类，得到振动信号修正后的分类结果并输出。本发明还提出了基于光纤信号特征的振动检测识别和时空定位系统，解决了分布式光纤传感器信号准确识别环境振动难的问题。

Description

一种基于光纤信号特征的振动检测识别和时空定位方法和 系统
技术领域
本发明属于光纤信号处理领域，具体涉及一种基于光纤信号特征的振动检测识别和时空定位方法和系统。
背景技术
基于分布式光纤传感器的振动检测系统，由于其部署方便，探测区域广、探测灵敏度高，在设备监控、区域安防、环境检测等领域得到应用。然而由于分布式光纤传感器的物理特性，分布式光纤传感器得到的信号波形和它所受到的机械振动难以通过简单的数学方程关联起来，并且在实际应用过程中，分布式光纤传感器信号中还存在各种干扰和噪声，难以从中准确地检测和识别振动类型，并对振动进行时空定位。
目前的检测手段主要的通过分布式光纤传感器信号在特定时间窗口内变化幅度大小对振动进行检测，并粗略的确定时间空间位置，这一类方法检测错误率高，分辨不同类型振动的能力差，对振动的时间空间位置定位能力低，无法满足日益增长的应用需求。
现有的基于光纤信号的振动检测识别和时空定位算法主要依赖于特定时间窗口和频率范围内，分布式光纤传感器信号的波动幅度检测。将信号波动幅度和给定的门限比较来确定振动是否发生。其中门限通常凭经验设置，基于简单门限区分复杂振动类型的能力有限，并且难以在检测误报率和漏报率之间取得平衡。这些缺点限制了光纤传感器在高可靠性和准确性的领域应用。
通过光纤信号的检测识别振动的另一类方法是基于分布式光纤传感器信号波形和振动机械波之间的理论模型，建立方程并从中获得检出振动所需要提取的信号特征和参考门限值。由于机械振动到光纤传感器信号的过程中经历多重非线性变换，只能够对特定的简单振动情况进行理论分析，并且由于模型中使用了大量近似，忽略了实际应用过程中遇到的各种信号特征的畸变，导致理论模型误差大、应用效果差。
发明内容
本发明所要解决的技术问题是：
为了解决分布式光纤传感器信号准确识别环境振动难的问题，本发明提出一种基于光纤信号特征的振动检测识别和时空定位方法和系统。
本发明为解决上述技术问题采用以下技术方案：
本发明提出一种基于光纤信号特征的振动检测识别和时空定位方法，步骤包括：
步骤一、特征扩展：对来自分布式光纤传感器的振动信号原始数据进行特征扩展，得到扩展特征函数向量和C个振动类型；
步骤二、计算降维矩阵：根据所述扩展特征函数向量计算降维矩阵；
步骤三、线性降维：将所述降维矩阵作用于所述原始数据和所述扩展特征函数向量，得到降维后的特征函数；
步骤四、初级分类：由参数数据库得到初级分类参数并分类，得到振动信号的初步分类结果；
步骤五、次级分类：接收所述振动信号的初步分类结果，删除误检结果、修改错误分类，得到振动信号修正后的分类结果并输出。
如前所述的一种基于光纤信号特征的振动检测识别和时空定位方法，进一步地，步骤二所述降维矩阵计算过程具体步骤包括：
步骤2.1、对于编号为c的振动类型，收集训练样本集
Figure BDA0001956585790000021
其中
Figure BDA0001956585790000022
表示振动类型为c的第k个训练样本；
步骤2.2、针对每个振动类型计算以下统计量：
类中心：
Figure BDA0001956585790000023
其中，Kc表示第c类训练样本的数目；
类内方差：
Figure BDA0001956585790000024
类内方差和：
Figure BDA0001956585790000025
其中，C为振动类型总数；
全数据中心：
Figure BDA0001956585790000026
类间方差：
Figure BDA0001956585790000027
步骤2.3、计算矩阵
Figure BDA0001956585790000028
的特征值分解，得到Q个最大特征值和对应的特征向量；以所述特征向量列构成降维矩阵W。
如前所述的一种基于光纤信号特征的振动检测识别和时空定位方法，进一步地，步骤二所述降维矩阵通过主分量分析或独立分量分析得到。
如前所述的一种基于光纤信号特征的振动检测识别和时空定位方法，进一步地，所述步骤五的具体步骤包括：
步骤5.1、将输入的初步分类结果e(t,d)转成一系列取值为0和1的逻辑变量：
Figure BDA0001956585790000029
其中，
Figure BDA0001956585790000031
表示t-m时刻d-n位置的光纤信号在步骤四中被判定为i类振动的逻辑变量；
步骤5.2、根据所述逻辑规则库中的逻辑表达式Jb(L)，为每一种振动类别计算得分：
对于所述逻辑规则库中的所有B条逻辑表达式{J1(L),J2(L),…,JB(L)}，计算得分的公式为：
Figure BDA0001956585790000032
其中，s(c)是根据逻辑规则库中的所有逻辑表达式对当前振动属于类型c的打分；Jb(L)中输入L由全体逻辑变量
Figure BDA0001956585790000033
组成，下标b代表第b号逻辑表达式；
Figure BDA0001956585790000034
为逻辑表达式Jb(L)成立时，对每个振动类型的得分贡献权重；
步骤5.3、输出最高得分对应的振动类型作为次级分类器的输出：
Figure BDA0001956585790000035
本发明还提出一种基于光纤信号特征的振动检测识别和时空定位系统，包括
特征扩展单元，用于对来自分布式光纤传感器的振动信号原始数据进行特征扩展，得到扩展特征函数向量和C个振动类型；
降维矩阵计算单元，用于根据所述扩展特征函数向量计算降维矩阵；
线性降维单元，用于将所述降维矩阵作用于所述原始数据和所述扩展特征函数向量，得到降维后的特征函数；
初级分类单元，由参数数据库得到初级分类参数并分类，得到振动信号的初步分类结果；
次级分类单元，接收所述振动信号的初步分类结果，删除误检结果、修改错误分类，得到振动信号修正后的分类结果并输出。
如前所述的一种基于光纤信号特征的振动检测识别和时空定位系统，进一步地：还包括参数数据库；其中，所述参数数据库用于存储降维矩阵、分类器参数和逻辑规则库。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
本发明首先利用时、空、频域非线性特征扩展，把非线性引入到原始数据，并将特定时间和空间窗口内的数据关联起来，使得后续的分类器能够对一个时空区域内的振动信号进行联合分析分类，而不是单点数分析，通过扩充特征，提高分析的正确性；
除此之外，本发明在识别振动类型上，使用了分两个阶段的识别方案，第一阶段利用扩展的特征数据对振动类型进行初级分类，第二阶段通过逻辑规则，对初级分类结果进一步修正，通过特定逻辑规则，将大时空范围内的振动检测结果联系起来，消除偶发的干扰或者误识别带来识别错误，从而进一步提高振动识别的正确率。此外，通过两级识别分类的架构有效得将统计分类技术和光纤信号检测领域的分类经验相结合，为识别算法的正确性提供保证。
附图说明
图1是本发明所述方法流程图；
图2是本发明所述系统框图；
图3是实施例一中攀爬围栏产生的振动信号模拟图；
图4是实施例一中敲击围栏产生的振动信号模拟图；
图5是实施例一中侵犯光纤产生的振动信号模拟图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本发明针对传统光纤信号振动检测识别和时空定位算法的缺陷，给出了新的算法架构，该架构包括两部分，即：训练部分和检测识别部分。训练部分对实验采集的原始光纤信号进行统计分析，获取振动检测识别的特征提取算法参数。检测识别部分基于训练部分获得的参数，利用特定的信号处理流程实现振动检测和类型辨识，并同时完成振动的时空定位。
本发明所提出的算法架构基于实验采集的光纤信号数据的统计参数建立，使得算法能够正确处理实际应用中遇到的干扰和噪声，并避免了基于理论模型的方法所遇到的模型误差问题。
图1为本发明所述方法的流程图，图2为本发明的功能模块示意图。如图1所示，本发明所述方法包括：
步骤一、特征扩展：
步骤一对来自分布式光纤传感器的原始数据进行特征扩展，得到扩展特征函数向量。由分布式光纤传感器得到的输入数据振动信号看成是时间t和空间位置d的2维函数：f(t,d)。该步骤通过非线性变换将这一个输入数据振动信号f(t,d)转换成多个扩展特征函数，具体的扩展特征函数示例包括：
1)原信号的时间平移，如：g1(t,d)＝f(t-T,d)
2)原信号的空间平移，如：g2(t，d)＝f(t，d-D)
3)原信号的指数，如：g3(t,d)＝[f(t，d)]r
4)原信号的在频段F0的分量，如：g4(t,d)＝LPF{f(t,d)cos(2πF0t)}
5)扩展特征函数之间乘积，如：g5(t,d)＝g1(t,d)g2(t,d)
6)扩展特征函数和原信号之间乘积，如：
g6(t,d)＝g4(t,d)f(t，d)
7)原信号时空局部均值，如：
Figure BDA0001956585790000051
其中，N为时域最大取值，M为空间位置最大取值；
8)原信号空间局部协方差，如：
Figure BDA0001956585790000052
通过上述扩展特征函数，一方面将非线性引入到原始的数据，比如：g3(t，d)和g6(t,d)；另一方面将特定时间和空间窗口内的数据关联起来，比如：g1(t,d)、g2(t,d)、g5(t,d)、g7(t,d)、g8(t,d)。从而提高了振动检测和识别正确率。需要注意的是上面给出的仅仅是扩展特征函数一部分例子。将扩展特征函数组合形成扩展特征函数向量g(t,d)。
步骤二、获得降维矩阵：
为了对特征函数向量降维，需要计算降维矩阵。也就是说，根据扩展特征函数向量g(t，d)，进行特征统计分析，计算降维矩阵W。计算过程基于Fisher Linear Discriminant线性降维算法。具体如下：
1)对于需要分类的C类振动(包括无振动)，对每一类振动模式c，收集Kc个训练样本集
Figure BDA0001956585790000053
其中
Figure BDA0001956585790000054
表示振动类别为c的第k个训练样本，由振动类型c对应的时间t和空间位置d的扩展特征函数向量g(t，d)的值得到。
2)针对每个振动类型计算以下统计量：
类中心：
Figure BDA0001956585790000055
类内方差：
Figure BDA0001956585790000056
类内方差和：
Figure BDA0001956585790000057
全数据中心：
Figure BDA0001956585790000058
类间方差：
Figure BDA0001956585790000059
3)计算矩阵
Figure BDA00019565857900000510
的特征值分解，降维矩阵W的列由它的Q个最大特征值对应的特征向量构成。
上述算法是线性降维矩阵的一个实现的例子，本系统也可以使用其他线性降维的算法，比如：PCA(主分量分析)、ICA(独立分量分析)等。
步骤三、线性降维：
将原始数据和前面得到的扩展特征函数{f(t，d)，g1(t,d),g2(t,d),g3(t,d),…,gP-1(t,d)}经过线性组合进行压缩，得到指定数量的降维后的特征函数{h1(t,d),h2(t,d),h3(t,d),…，hQ(t,d)}，降维结果通过下面的矩阵方程得到：
WTg(t,d)＝h(t,d)
其中，g(t,d)是尺寸为P×1的函数列向量，g(t,d)＝[f(t,d)g1(t,d)g2(t，d)g3(t，d)…gP-1(t，d)]T,h(t，d)是尺寸为Q×1函数向量h(t，d)＝[h1(t，d)h2(t,d)h3(t,d)…hQ(t,d)]T,降维矩阵W是P×Q的数值矩阵，向量h(t,d)的尺寸小于g(t,d)，即：Q<P。
步骤四、初级分类：
将降维后的特征向量h(t,d)输入具有经过训练的控制参数的分类器，输出振动类别c。振动类别c的取值可以为c＝1,2,…,C，其中类别c＝1代表无振动。所述分类器可以为决策树分类器，但也可以使用包括神经网络和支持向量机(SVM)构成的分类器。每种类型的训练器在机器学习理论中给出，这里不再重复叙述。所述分类器的控制参数通过训练得到。所述参数训练方法中，输入是需要分类的C类振动的训练样本集{(h1,c1),(h2,c2),(h3,c3),…}，其中(hk,ck)表示振动类别为ck的训练样本，hk是该类型振动发生时刻t和空间位置d对应的降维了的特征函数向量h(t,d)的值。具体的算法构成和初级分类器对应，包括决策树训练器、神经网络训练器、支持向量机(SVM)训练器。
该步骤用于实现初步的分类，它的输出会有一定的错误，但在后面会通过次级分类进行纠正。
步骤五、次级分类：
1)将输入的分类结果e(t，d)转成一系列取值为0和1的逻辑变量：
Figure BDA0001956585790000061
Figure BDA0001956585790000062
表示t-m时刻d-n位置的光纤信号被初级分类器判定为i类振动的逻辑变量。
2)根据逻辑规则库中的逻辑规则，为每一种振动类别计算得分：
这里的每条逻辑规则包括两部分：
a)逻辑表达式，记作Jb(L)，其输入L是逻辑变量
Figure BDA0001956585790000071
的全体；下标b代表第b号逻辑表达式。
b)逻辑表达式Jb(L)成立时，对每个振动类型的得分贡献
Figure BDA0001956585790000072
即
Figure BDA0001956585790000073
指第b号逻辑表达式成立时，对第c类振动得分的贡献。
对于所有B条规则{J1(L)，J2(L)，…,JB(L)}，计算当前振动信号属于类型c的得分s(c)的公式为：
Figure BDA0001956585790000074
3)输出最高得分对应的振动类型
Figure BDA0001956585790000075
为说明上述逻辑表达式的具体形式，这里给出2个具体例子：
Figure BDA0001956585790000076
其中，J1(L)代表当前时刻及前一时刻或者更前一个时刻由初级分类器检测出类型1振动这一逻辑事件；
Figure BDA0001956585790000077
其中，J2(L)代表当前位置，及前后两个相邻位置经过初级分类步骤检测出类型5振动这一逻辑事件。
这一步骤是对输入分类结果e(t,d)的进一步修正，修正内容包括删除误检出的振动、修改被错误分类的振动。由于实际应用过程中，不同类型的振动持续时间和涉及的空间范围会很大，超出所述特征扩展函数所覆盖的范围，因此需要从更高层次上利用更大时空范围的分类结果进行二次分析。
相应的，本发明还提出一种基于光纤信号特征的振动检测识别和时空定位系统，其特征在于：包括
特征扩展单元，用于对来自分布式光纤传感器的振动信号原始数据进行特征扩展，得到扩展特征函数向量和C个振动类型；
降维矩阵计算单元，用于根据所述扩展特征函数向量计算降维矩阵；
线性降维单元，用于将所述降维矩阵作用于所述原始数据和所述扩展特征函数向量，得到降维后的特征函数；
初级分类单元，由参数数据库得到初级分类参数并分类，得到振动信号的初步分类结果；
次级分类单元，接收所述振动信号的初步分类结果，删除误检结果、修改错误分类，得到振动信号修正后的分类结果并输出。
所述系统还包括参数数据库；其中，所述参数数据库用于存储降维矩阵、分类器参数和逻辑规则库。
实施例一
将本发明实际应用在区域安防系统中，用于区分区域安防系统中三种类型的入侵行为引发的振动:攀爬围栏，敲击围栏，侵犯光纤。下面是三种入侵行为类型的探测信号(x轴：光纤位置，y轴：振动频率，z轴：振动强度)。图3是实施例一中攀爬围栏产生的振动信号模拟图；图4是实施例一中敲击围栏产生的振动信号模拟图；图5是实施例一中侵犯光纤产生的振动信号模拟图。
可以看出，不同的侵犯行为动作对应的特征向量有相当明显的区别：攀爬围栏的能量主要集中于分段频带的低频部分，敲击围栏相对于攀爬能量分布向高频转移，而侵犯光缆的能量分布主要在高频部分。特征向量之间的区别较大，可以将其作为有效特征向量训练。分别对三种入侵行为进行大量实验，采集的光纤传感数据作为训练数据，按时间采集顺序排列好的19991个csv数据(100列)合并成1个19991行100列的csv文件，即为该事件的原始特征数据文件feature.csv，建一个和feature.csv相同行列数的csv文件为target.csv，所有数据先标注为0，根据实验记录及数据对比，12通道为实验事件发生通道，在target.csv中第12列数据标注事件，攀爬围栏、敲击围栏和侵犯光纤分别标注为1、2、3。根据特征提取结果使用下列特征拓展公式：
F1＝input('C:/work/Fiber/dt_tree/data/feature.csv')
F2＝F1.time_shift(1)
F3＝F1.time_shift(2)
F4＝F1.time_shift(3)
F5＝F1.time_shift(-2)
F6＝F1.time_shift(-4)
F7＝F1.time_shift(-8)
F8＝F1.channel_shift(4)
F9＝F1.channel_shift(5)
F10＝F1.channel_shift(6)
F11＝F1.channel_shift(-1)
F12＝F1.channel_shift(-2)
F13＝F1.channel_shift(-3)
运行算法程序后，将生成的决策树应用于区域安防系统中，经过大量测试，在进行的2000次攀爬围栏测试中：漏报11次，误报发生21次，其中误报为敲击围栏行为6次，侵犯光纤15次。
在进行的2000次敲击围栏测试中：漏报5次，误报发生13次，其中误报为攀爬围栏行为3次，侵犯光纤10次。
在进行的2000次侵犯光纤测试中：漏报3次，误报发生31次，其中误报为攀爬围栏行为26次，敲击围栏5次。
整体错误率为1.4％，实现了区域安防系统对于三种入侵行为类型区分的要求。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种基于光纤信号特征的振动检测识别和时空定位方法，其特征在于，步骤包括：
步骤一、特征扩展：对来自分布式光纤传感器的振动信号原始数据进行特征扩展，得到扩展特征函数向量和C个振动类型；
上述步骤一中，对来自分布式光纤传感器的振动信号原始数据看成是时间t和空间位置d的2维函数f(t，d)，并将f(t，d)转换成多个扩展特征函数g1(t，d)…gP-1(t，d)，然后根据预设参数P，按g(t，d)＝[f(t，d)g1(t，d)g2(t，d)g3(t，d)…gP-1(t，d)]T，得到扩展特征函数向量g(t，d)；
步骤二、计算降维矩阵：根据所述扩展特征函数向量计算降维矩阵；
上述步骤二所述降维矩阵计算过程具体步骤包括：
步骤2.1、对于编号为c的振动类型，收集训练样本集
Figure FDA0003011399560000011
其中
Figure FDA0003011399560000012
表示振动类型为c的第k个训练样本；
步骤2.2、针对每个振动类型计算以下统计量：
类中心：
Figure FDA0003011399560000013
其中，Kc表示第c类训练样本的数目；
类内方差：
Figure FDA0003011399560000014
类内方差和：
Figure FDA0003011399560000015
其中，C为振动类型总数；
全数据中心：
Figure FDA0003011399560000016
类间方差：
Figure FDA0003011399560000017
步骤2.3、计算矩阵
Figure FDA0003011399560000018
的特征值分解，得到Q个最大特征值和对应的特征向量；以所述特征向量列构成降维矩阵W；
步骤三、线性降维：将所述降维矩阵作用于所述原始数据和所述扩展特征函数向量，得到降维后的特征函数；
步骤四、初级分类：由参数数据库得到初级分类参数并分类，得到振动信号的初步分类结果；
步骤五、次级分类：接收所述振动信号的初步分类结果，删除误检结果、修改错误分类，得到振动信号修正后的分类结果并输出。
2.如权利要求1所述的一种基于光纤信号特征的振动检测识别和时空定位方法，其特征在于，所述步骤五的具体步骤包括：
步骤5.1、将输入的初步分类结果e(t，d)转成一系列取值为0和1的逻辑变量：
Figure FDA0003011399560000021
其中，
Figure FDA0003011399560000022
表示t-m时刻d-n位置的光纤信号在步骤四中被判定为i类振动的逻辑变量；
步骤5.2、根据预设逻辑规则库中的逻辑表达式Jb(L)，为每一种振动类别计算得分：
对于所述逻辑规则库中的所有B条逻辑表达式{J1(L)，J2(L)，…，JB(L)}，计算得分的公式为：
Figure FDA0003011399560000023
其中，s(c)是根据逻辑规则库中的所有逻辑表达式对当前振动属于类型c的打分；Jb(L)中输入L由全体逻辑变量
Figure FDA0003011399560000024
组成，下标b代表第b号逻辑表达式；
Figure FDA0003011399560000025
为逻辑表达式Jb(L)成立时，对每个振动类型的得分贡献权重；
步骤5.3、根据如下公式：
Figure FDA0003011399560000026
输出最高得分对应的振动类型作为次级分类器的输出。
3.一种基于权利要求1或 2所述一种基于光纤信号特征的振动检测识别和时空定位方法的系统，其特征在于：包括
特征扩展单元，用于对来自分布式光纤传感器的振动信号原始数据进行特征扩展，得到扩展特征函数向量和C个振动类型；
降维矩阵计算单元，用于根据所述扩展特征函数向量计算降维矩阵；
线性降维单元，用于将所述降维矩阵作用于所述原始数据和所述扩展特征函数向量，得到降维后的特征函数；
初级分类单元，由参数数据库得到初级分类参数并分类，得到振动信号的初步分类结果；
次级分类单元，接收所述振动信号的初步分类结果，删除误检结果、修改错误分类，得到振动信号修正后的分类结果并输出。
4.根据权利要求3所述的一种基于光纤信号特征的振动检测识别和时空定位系统，其特征在于：还包括参数数据库；其中，所述参数数据库用于存储降维矩阵、分类器参数和逻辑规则库。
CN201910068735.0A 2018-12-29 2019-01-24 一种基于光纤信号特征的振动检测识别和时空定位方法和系统 Active CN109974835B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2018116352973 2018-12-29
CN201811635297 2018-12-29

Publications (2)

Publication Number Publication Date
CN109974835A CN109974835A (zh) 2019-07-05
CN109974835B true CN109974835B (zh) 2021-06-04

Family

ID=67076704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910068735.0A Active CN109974835B (zh) 2018-12-29 2019-01-24 一种基于光纤信号特征的振动检测识别和时空定位方法和系统

Country Status (5)

Country Link
US (1) US11892345B2 (zh)
EP (1) EP3889561B1 (zh)
JP (1) JP7126722B2 (zh)
CN (1) CN109974835B (zh)
WO (1) WO2020138154A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110455399B (zh) * 2019-08-12 2020-06-09 中冶建筑研究总院有限公司 用分布式光纤对建筑结构振动进行全局预警的方法
CN112597834B (zh) * 2020-12-11 2022-05-17 华中科技大学 一种结构表面负载状态识别及厚度测量的方法及装置
CN113205036A (zh) * 2021-04-28 2021-08-03 同济大学 一种基础设施外部侵害振源感知及定位方法
CN114166331A (zh) * 2021-12-03 2022-03-11 武汉理工光科股份有限公司 一种非威胁性信号识别方法、装置、电子设备及存储介质
WO2023119628A1 (ja) * 2021-12-24 2023-06-29 日本電信電話株式会社 判定装置、判定方法、およびプログラム
CN114998837B (zh) * 2022-06-14 2024-07-09 中电海康集团有限公司 入侵事件的实时识别方法、装置、系统及介质
CN117360588B (zh) * 2023-10-24 2024-05-24 武汉理工大学 一种基于光栅阵列的列车识别及定位方法、装置和设备
CN117496650B (zh) * 2024-01-02 2024-03-26 浙江省白马湖实验室有限公司 一种基于环境嵌入的分布式光纤入侵预警方法及系统
CN117848478B (zh) * 2024-01-04 2024-07-12 中国新时代科技有限公司 一种水下防御光纤网探测方法、装置和存储介质

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663032B (zh) * 2012-03-26 2014-03-05 电子科技大学 一种光纤光栅围栏入侵事件模式识别方法
CN103198331B (zh) * 2013-03-25 2017-02-08 江苏易谱恒科技有限公司 基于pca_lda分析的多谱图特征融合识别方法
CN104112072B (zh) * 2014-07-15 2017-04-05 华侨大学 基于小波阈值去噪的主成分分析的工作模态参数识别方法
JP6419534B2 (ja) * 2014-11-06 2018-11-07 株式会社東芝 診断システム、診断方法および診断プログラム
US10552762B2 (en) * 2015-07-16 2020-02-04 Falkonry Inc. Machine learning of physical conditions based on abstract relations and sparse labels
CN105046279B (zh) * 2015-08-07 2018-05-15 合肥工业大学 一种模拟电路故障模式分类方法
CN105608823B (zh) * 2016-03-14 2020-09-11 北京北邮国安技术股份有限公司 基于主成分分析的光纤安防方法及系统
CN105973449B (zh) 2016-04-15 2019-03-12 深圳艾瑞斯通技术有限公司 一种光纤振源识别方法、装置及系统
WO2018085893A1 (en) 2016-11-10 2018-05-17 Mark Andrew Englund Acoustic method and system for providing digital data
CN107425906B (zh) * 2017-07-25 2019-09-27 电子科技大学 面向地下管网安全监测的分布式光纤传感信号处理方法
CN108388860B (zh) * 2018-02-12 2020-04-28 大连理工大学 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法
CN108509850B (zh) 2018-02-24 2022-03-29 华南理工大学 一种基于分布式光纤系统的入侵信号识别方法

Also Published As

Publication number Publication date
EP3889561A1 (en) 2021-10-06
US20210396573A1 (en) 2021-12-23
JPWO2020138154A1 (ja) 2021-11-11
CN109974835A (zh) 2019-07-05
WO2020138154A1 (ja) 2020-07-02
US11892345B2 (en) 2024-02-06
EP3889561B1 (en) 2023-08-02
EP3889561A4 (en) 2022-01-26
JP7126722B2 (ja) 2022-08-29

Similar Documents

Publication Publication Date Title
CN109974835B (zh) 一种基于光纤信号特征的振动检测识别和时空定位方法和系统
CN110132598B (zh) 旋转设备滚动轴承故障噪声诊断算法
CN103968933B (zh) 基于模糊域特征的光纤振动信号识别方法
CN103488941A (zh) 硬件木马检测方法及系统
CN110166484A (zh) 一种基于LSTM-Attention网络的工业控制系统入侵检测方法
Zhang et al. Malware variant detection using opcode image recognition with small training sets
CN102663032B (zh) 一种光纤光栅围栏入侵事件模式识别方法
CN105095624A (zh) 一种光纤传感振动信号的识别方法
CN110082082B (zh) 一种基于振动信号主成分分析法的gis状态识别方法
CN104766099A (zh) 基于图像的分布式光纤周界振动信号处理与识别方法
CN111783853B (zh) 一种基于可解释性的检测并恢复神经网络对抗样本方法
CN102045357A (zh) 一种基于仿射聚类分析的入侵检测方法
CN112738092A (zh) 一种日志数据增强方法、分类检测方法及系统
CN108508297B (zh) 一种基于突变系数和svm的故障电弧检测方法
CN110702966A (zh) 一种基于概率神经网络的故障电弧检测方法、装置及系统
CN108846307A (zh) 一种基于波形图像的微震与爆破事件识别方法
CN102346948B (zh) 一种周界入侵检测方法和系统
CN111600878A (zh) 一种基于maf-adm的低速率拒绝服务攻击检测方法
CN117992953A (zh) 基于操作行为跟踪的异常用户行为识别方法
CN109409216B (zh) 基于子载波动态选择的速度自适应室内人体检测方法
Edwards et al. Footstep pressure signal analysis for human identification
CN112489330B (zh) 一种仓库防盗报警方法
Souza et al. Application of complex networks for automatic classification of damaging agents in soybean leaflets
JP4476078B2 (ja) 時系列データ判定用プログラム
CN112884069A (zh) 一种对抗网络样本检测的方法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230510

Address after: No. 1, Building 6, Qianren Entrepreneurship Park, Economic Development Zone, No. 98 Huiming Road, Fenghua District, Ningbo City, Zhejiang Province, 315500

Patentee after: Ningbo Lianhe Photonics Technology Co.,Ltd.

Address before: 214028 5th floor, area C, Liye building, Qingyuan Road, University Science Park, Xinwu District, Wuxi City, Jiangsu Province

Patentee before: WUXI ALLIANSTREAM PHOTON TECHNOLOGY CO.,LTD.