CN110472540B - 一种基于lmd-ica-pnn的φ-otdr振动信号分类算法 - Google Patents

Abstract

本发明涉及基于LMD‑ICA‑PNN的Φ‑OTDR振动信号分类算法，是一种对振动信号进行识别分类的方法，属于信号处理与机器学习领域，其特征在于采用如下步骤：(1)确定相邻极值点的平均值和包络估计值；(2)确定剩余信号；(3)确定调频信号和包络信号；(4)进行LMD分解，确定第一个PF分量；(5)建立ICA数学模型；(6)构建PNN神经网络；(7)确定输出变量的判别函数。本发明克服了小波分解自适应较差和EMD分解的模态混叠与端点效应问题，利用PNN神经网络可以用线性学习算法完成非线性学习算法的优势，与LMD相结合，取得了较高的分类准确率。为振动信号识别分类领域提供了一种拥有较高分类准确率的方法。

Description

一种基于LMD-ICA-PNN的Φ-OTDR振动信号分类算法

技术领域

本发明涉及信号处理与机器学习领域，主要是一种对Φ-OTDR振动信号进行识别分类的方法。

背景技术

目前，针对Φ-OTDR振动信号分类问题，主要是利用传统的机器学习算法实现，一般的处理流程是先对信号进行去噪，分解，提取有用特征，最后根据提取的特征训练模型实现分类。对于振动信号分解问题，常用的方法有小波分解、EMD分解等分解方法，小波分解适用性较差，而EMD分解过程中又容易出现模态混叠和端点效应的情况。此外，由于信号复杂多变，在提取信号特征的过程中，可能出现时频精度低、虚假成分干扰的情况，从而影响到后续信号分类的准确率。对于振动信号分类问题，传统的依靠梯度下降法的神经网络虽然具有很好的泛化能力，但是在模型训练过程中收敛速度太慢，导致训练时间过长，此外还存在容易陷入局部极小值、收敛速度慢、对初始设置的参数依赖性很强等问题。特别是对于一些深度的神经网络，有可能出现梯度爆炸或者梯度消失等情况。

关于Φ-OTDR振动信号分类的应用，在很多领域的发展都相对成熟。例如，利用决策树、SCN以及各种神经网络算法在建筑结构监测、周界安防报警、智能交通等方面都实现了较好的振动信号识别分类。随着人们安全意识的提高以及分布式光纤传感技术在石油化工、土木工程、隧道交通等领域的广泛应用，在振动信号的分类精度和速度方面，都提出了相对较高的要求。因此，要实时准确地实现振动信号分类，达到振动信号分类的要求，必须要建立一种高效、准确的Φ-OTDR振动信号分类方法，有效的减少识别时间，提高Φ-OTDR振动信号的分类准确率，为分布式光纤传感技术的众多应用领域提供实时、准确的异常信号分类，以便于工作人员及时发现问题，提前做出决策。

发明内容

针对上述现有技术中存在的问题，本发明要解决的技术问题是提供一种基于LMD-ICA-PNN的Φ-OTDR振动信号分类算法，其具体流程如图1所示。

技术方案实施步骤如下：

(1)确定原始振动信号x(t)的相邻极值点的平均值m_i和包络估计值a_i：

式中，m_i表示相邻极值点的平均值，a_i表示包络估计值，n_i和n_i+1分别表示第i个和第i+1个局部极值点。

(2)确定剩余信号h₁₁(t)：

将m_i和a_i用折线连接起来，再利用滑动平均法对其进行平滑处理，从而得到局部均值函数m₁₁(t)和局部包络估计函数a₁₁(t)。将局部均值函数m₁₁(t)从原始振动信号x(t)中分离出来，得到剩余信号h₁₁(t)，即：

h₁₁(t)＝x(t)-m₁₁(t)

式中，h₁₁(t)表示剩余信号，x(t)表示原始振动信号，m₁₁(t)表示局部均值函数。

(3)确定调频信号s_1l(t)和包络信号a₁(t)：

对h₁₁(t)进行解调，得到调频信号s₁₁(t)：

式中，s₁₁(t)表示调频信号，h₁₁(t)表示剩余信号，a₁₁(t)表示局部包络估计函数。

重复以上步骤，直至第i+1次的局部包络估计函数a_1(i+1)(t)满足条件a_1(i+1)(t)＝1为止。最后得到l个局部包络估计函数a₁₁(t)，a₁₂(t)，...，a_1l(t)和最后一次解调出的纯调频信号s_1l(t)，将所有局部包络估计函数相乘，便可得到包络信号a₁(t)为：

式中，a₁(t)表示包络信号，a₁₁(t)，a₁₂(t)，...，a_1l(t)分别表示局部包络估计函数，l表示局部包络函数的个数，q表示当前第q个包络函数。

(4)进行LMD分解，确定第一个PF分量P₁：

P₁＝a₁(t)s_1l(t)

式中，a₁(t)表示包络信号，s_1l(t)表示调频信号。

将第一个PF分量从原始振动信号x(t)中分离出来，得到一个新的信号u₁(t)。将u₁(t)作为新的原始信号并重复上述步骤，循环k次，直至u_k(t)满足单调条件为止。至此，得到k个PF分量，即P＝{P₁，P₂，...，P_k}。

(5)建立ICA数学模型：

P＝A·S

式中，A表示未知的混合矩阵，S＝[S₁，S₂...，S_d]^T表示源信号，d表示源信号的维数，P＝[P₁，P₂，...，P_k]^T表示k维观测到的信号特征向量。

最终，确定振动信号的特征向量Y：

Y＝W·P

式中，Y表示振动信号的特征向量，W表示混合矩阵A的逆矩阵，P＝[P₁，P₂，...，P_k]^T表示k维观测到的信号特征向量。

(6)构建PNN神经网络：

式中，h表示特征维数，u表示样本的类别数，v＝1，2，...，M表示每类样本的样本数，M表示每类样本的样本总数，Y表示输入特征向量，Y_uv表示第u个神经元的第v个数据，w表示平滑参数。

(7)确定输出变量的判别函数H_u(Y)：

式中，M表示每类样本的样本总数，v＝1，2，...，M表示每类样本的样本数，在输出层，使得判别函数H_u(Y)取得最大值的类别作为样本x(t)的分类结果。

本发明比现有技术具有的优点：

(1)本发明克服了小波分解自适应较差和EMD分解的模态混叠与端点效应问题，提取的特征更准确，可以有效地提高振动信号分类准确率。

(2)本发明将PNN神经网络可以用线性学习算法完成非线性学习算法的优势应用到Φ-OTDR振动信号的识别分类中，与LMD相结合取得了较高的分类准确率。这说明本发明针对Φ-OTDR振动信号进行分类时，可以达到较好的分类效果。

附图说明

为了更好地理解本发明，下面结合附图作进一步的说明。

图1是建立基于LMD-ICA-PNN的Φ-OTDR振动信号分类算法的步骤流程图；

图2是建立基于LMD-ICA-PNN的Φ-OTDR振动信号分类算法流程图；

图3是PNN神经网络的结构示意图；

图4是利用本发明对四组Φ-OTDR振动信号进行分类的结果；

具体实施方案

下面通过实施案例对本发明作进一步详细说明。

本实施案例选用的数据集一共有800组样本，其中，敲击、攀越、行人路过、人工挖掘和正常情况下的Φ-OTDR振动信号各160组，采用随机抽样的方法从5组数据中各抽取120组样本作为训练集，剩余的40组作为测试集。最终，用作训练的样本总数为600，用作测试的样本总数为200。

本发明所提供的Φ-OTDR振动信号分类算法整体流程如图1所示，具体步骤如下：

(1)确定原始振动信号x(t)的相邻极值点的平均值m_i和包络估计值a_i：

选取其中一组敲击信号数据进行计算可得，原始振动信号x(t)共有25个局部极值点，即i的取值为1,2,…,24。极值点的值分别为6.75,-8.00,5.82,…,-7.47。确定相邻极值点的平均值m_i和包络估计值a_i分别为：

式中，m_i表示相邻极值点的平均值，a_i表示包络估计值，n_i和n_i+1分别表示第i个和第i+1个局部极值点。得到的m_i和a_i分别为-0.625,-1.09,…,-0.36和7.375,6.91,…,7.11。

(2)确定剩余信号h₁₁(t)：

将m_i和a_i用折线连接起来，再利用滑动平均法对其进行平滑处理，从而得到局部均值函数m₁₁(t)和局部包络估计函数a₁₁(t)。将局部均值函数m₁₁(t)从原始振动信号x(t)中分离出来，得到剩余信号h₁₁(t)，即：

h₁₁(t)＝x(t)-m₁₁(t)

式中，h₁₁(t)表示剩余信号，x(t)表示原始振动信号，m₁₁(t)表示局部均值函数。

(3)确定调频信号s_1l(t)和包络信号a₁(t)：

对h₁₁(t)进行解调，得到调频信号s_1l(t)：

式中，s_1l(t)表示调频信号，h₁₁(t)表示剩余信号，a₁₁(t)表示局部包络估计函数。

重复以上步骤，直至第i+1次的局部包络估计函数a_1(i+1)(t)满足条件a_1(i+1)(t)＝1为止。最后得到7个局部包络估计函数a₁₁(t)，a₁₂(t)，...，a₁₇(t)和最后一次解调出的纯调频信号s₁₇(t)，将所有局部包络估计函数相乘，便可得到包络信号a₁(t)为

式中，a₁(t)表示包络信号，a₁₁(t)，a₁₂(t)，...，a_1l(t)分别表示局部包络估计函数，l表示局部包络函数的个数，q表示当前第q个包络函数。

(4)进行LMD分解，确定第一个PF分量P₁：

式中，a₁(t)表示包络信号，s_1l(t)表示调频信号。

将第一个PF分量从原始振动信号x(t)中分离出来，得到一个新的信号u₁(t)。将u₁(t)作为新的原始信号并重复上述步骤，循环5次后，u_k(t)满足单调条件。至此，得到5个PF分量，即P＝{P₁，P₂，...，P₅}。

(5)建立ICA数学模型：

S＝[S₁，S₂，...，S₅]^T表示源信号。

最终，确定振动信号的特征向量Y：

(6)构建PNN神经网络：

本案例中，输入向量的特征维数h为5，样本的类别数u为5，每类样本的样本数v为1,2,…,120，平滑参数ω为0.25。构建得到的PNN神经网络模型为：

式中，Y表示输入特征向量，Y_uv表示第u个神经元的第v个数据。

(7)确定输出变量的判别函数H_u(Y)：

在输出层，使得判别函数H_u(Y)取得最大值的类别作为样本x(t)的分类结果。

对训练好的PNN神经网络，利用测试集样本对模型进行测试，实现Φ-OTDR振动信号分类，得到分类结果，完成基于LMD-ICA-PNN的Φ-OTDR振动信号分类算法。

为了验证本发明对Φ-OTDR振动信号分类的准确性，对本发明进行了四组振动信号分类实验，实验结果如图4所示。由图4可知，本发明所建立的Φ-OTDR振动信号识别方法对Φ-OTDR振动信号进行分类的准确率均保持在99％以上，能够在保证稳定性的基础上达到较高的准确率，分类效果良好。这表明本发明建立的Φ-OTDR振动信号分类方法是有效的，为建立精确的振动信号分类模型提供了更好的方法，具有一定的实用性。

Claims (1)

1.一种基于LMD-ICA-PNN的Φ-OTDR振动信号分类方法 ，其特征在于：(1)确定相邻极值点的平均值和包络估计值；(2)确定剩余信号；(3)确定调频信号和包络信号；(4)进行LMD分解，确定第一个PF分量；(5)建立ICA数学模型；(6)构建PNN神经网络；(7)确定输出变量的判别函数，具体包括以下七个步骤：

步骤一：确定原始振动信号x(t)的相邻极值点的平均值m_i和包络估计值a_i：

式中，m_i表示相邻极值点的平均值，a_i表示包络估计值，n_i和n_i+1分别表示第i个和第i+1个局部极值点；

步骤二：确定剩余信号h₁₁(t)：

将m_i和a_i用折线连接起来，再利用滑动平均法对其进行平滑处理，从而得到局部均值函数m₁₁(t)和局部包络估计函数a₁₁(t)，将局部均值函数m₁₁(t)从原始振动信号x(t)中分离出来，得到剩余信号h₁₁(t)，即：

h₁₁(t)＝x(t)-m₁₁(t)

式中，h₁₁(t)表示剩余信号，x(t)表示原始振动信号，m₁₁(t)表示局部均值函数；

步骤三：确定调频信号s_1l(t)和包络信号a₁(t)：

对h₁₁(t)进行解调，得到调频信号s₁₁(t)：

式中，s₁₁(t)表示调频信号，h₁₁(t)表示剩余信号，a₁₁(t)表示局部包络估计函数；

重复以上步骤，直至第i+1次的局部包络估计函数a_1(i+1)(t)满足条件a_1(i+1)(t)＝1为止，最后得到l个局部包络估计函数a₁₁(t)，a₁₂(t)，...，a_1l(t)和最后一次解调出的纯调频信号s_1l(t)，将所有局部包络估计函数相乘，便可得到包络信号a₁(t)为：

式中，a₁(t)表示包络信号，a₁₁(t)，a₁₂(t)，...，a_1l(t)分别表示局部包络估计函数，l表示局部包络函数的个数，q表示当前第q个包络函数；

步骤四：进行LMD分解，确定第一个PF分量P₁：

P₁＝a₁(t)s_1l(t)

式中，a₁(t)表示包络信号，s_1l(t)表示调频信号；

将第一个PF分量从原始振动信号x(t)中分离出来，得到一个新的信号u₁(t)，将u₁(t)作为新的原始信号并重复上述步骤，循环k次，直至u_k(t)满足单调条件为止，至此，得到k个PF分量，即

P＝{P₁，P₂，...，P_k}；

步骤五：建立ICA数学模型：

P＝A·S

式中，A表示未知的混合矩阵，S＝[S₁，S₂，...，S_d]^T表示源信号，d表示源信号的维数，P＝[P₁，P₂，...，P_k]^T表示k维观测到的信号特征向量；

最终，确定振动信号的特征向量Y：

Y＝W·P

式中，Y表示振动信号的特征向量，W表示混合矩阵A的逆矩阵，P＝[P₁，P₂，...，P_k]^T表示k维观测到的信号特征向量；

步骤六：构建PNN神经网络：

式中，h表示特征维数，u表示样本的类别数，υ＝1，2，...，M表示每类样本的样本数，M表示每类样本的样本总数，Y表示输入特征向量，Y_uv表示第u个神经元的第υ个数据，w表示平滑参数；

步骤七：确定输出变量的判别函数H_u(Y)：

式中，M表示每类样本的样本总数，υ＝1，2，...，M表示每类样本的样本数，在输出层，使得判别函数H_u(Y)取得最大值的类别作为样本x(t)的分类结果。

Images