CN111597994A - 一种光纤周界安防入侵事件识别模型构建方法和安防系统 - Google Patents

一种光纤周界安防入侵事件识别模型构建方法和安防系统 Download PDF

Info

Publication number
CN111597994A
CN111597994A CN202010414757.0A CN202010414757A CN111597994A CN 111597994 A CN111597994 A CN 111597994A CN 202010414757 A CN202010414757 A CN 202010414757A CN 111597994 A CN111597994 A CN 111597994A
Authority
CN
China
Prior art keywords
intrusion
optical fiber
mode
recognition model
neural network
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.)
Granted
Application number
CN202010414757.0A
Other languages
English (en)
Other versions
CN111597994B (zh
Inventor
陈沛超
丁攀峰
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.)
Huaqiao University
Original Assignee
Huaqiao University
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 Huaqiao University filed Critical Huaqiao University
Priority to CN202010414757.0A priority Critical patent/CN111597994B/zh
Publication of CN111597994A publication Critical patent/CN111597994A/zh
Application granted granted Critical
Publication of CN111597994B publication Critical patent/CN111597994B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

一种光纤周界安防入侵事件识别模型构建方法和安防系统，将多模光纤绕在周界围栏上组成传感单元，从而对外界的入侵事件进行探测。然后将探测到的入侵事件用于滤波器组滤波并分解为四个不同的频段，之后在这四个不同的频段中采用奇异值和峭度值的组合向量进行特征提取。最后将提取到的组合特征向量输入到经改进的樽海鞘群算法优化的概率神经网络中进行训练并获得最佳平滑因子，从而有效地降低人为入侵事件和非人为入侵事件的误报率。

Description

一种光纤周界安防入侵事件识别模型构建方法和安防系统
技术领域
本发明涉及光纤周界安防领域，特别是一种光纤周界安防入侵事件识别模型构建方法和安防系统。
背景技术
光纤周界系统一般用于学校的日常安全，小区别墅的安全监测，厂房设备及工地的安全管理，电信设备的安全运营等。
传统的周界系统经常是红外线对管周界系统，泄露电缆式周界系统，这些系统在对入侵事件的检测过程中，往往会出现监测范围小，易受电磁干扰，价格昂贵等现象。
光纤周界系统虽然有着广泛的应用，但在系统的工作中经常伴随着低的识别率和高的漏报率和误报率等问题。此外，目前市场上的光纤周界系统在不同的应用场合中往往需要进行人为参数调试，这就大大地降低了系统的智能化水平。
市场中的特征提取算法都是以信号的幅度大小，方差大小，阈值大小等参数来对不同入侵信号进行判别。然而，现在的光纤周界系统所探测的入侵信号都包含有大量的噪声，而包含有不同程度噪声的入侵信号的幅值，阈值大小都会发生改变，这使得系统在面对不同环境中需要进行大量的参数设置，从而浪费了大量的人力物力。
传统的神经网络模型都会出现较差的收敛效率，因为他们需要在批量样本的学习中不断地调整权值和偏置值，从而削弱了网络的收敛速度和训练效率。此外，有些神经网络模型需要进行人为参数设置，导致了网络模型在学习过程中出现了过拟合和欠拟合等问题。
发明内容
本发明的主要目的在于克服现有技术中即非人为入侵事件往往被误判为人为入侵事件，或者人为入侵事件被误判为非人为入侵事件的缺陷，提出一种低误报率且智能化识别的光纤周界安防入侵事件识别模型构建方法和安防系统。
本发明采用如下技术方案：
一种光纤周界安防入侵事件识别模型构建方法，其特征在于：预先将光纤传感单元安装于周界防区以采集入侵信号，其它步骤如下：
1)将入侵信号通过滤波器组滤波并分解为四个不同的频段；
2)在四个不同的频段中，采用奇异值和峭度值的组合向量进行特征提取，得到组合特征向量；
3)将组合特征向量输入经改进的樽海鞘群算法优化的概率神经网络模型中进行训练并获得最佳平滑因子，得到训练好的识别模型；
4)用测试集对训练好的识别模型进行测试。
优选的，步骤1)中，具体为：对采集到的入侵信号做傅里叶变换，并用数据统计方法计算每种入侵信号的平均上限频率和下限频率，根据上限频率和下限频率配置滤波器组中的参数，得到每种入侵信号的四个不同的频段波形。
优选的，步骤2)中，对每种入侵信号的频段波形使用奇异值和峭度值的特征提取方法，构建成组合特征向量。
优选的，所述改进的樽海鞘群算法是在原始樽海鞘群算法中引入了权重因子和自适应变异算子，并配置好种群数目、C1值、权重因子初始值和食物源初始值。
优选的，概率神经网络模型中输入层的神经节点为16个，模式层的节点数为400个，而求和层的节点数为4个，输出层的节点数为1个，模式层中的激活函数使用的是高斯函数。
优选的，将组合特征向量分为训练集和测试集，步骤3)中，将训练集输入经改进的樽海鞘群算法优化的概率神经网络模型，得到最佳平滑因子；步骤4)中，用测试集对训练好的识别模型进行测试。
一种光纤周界安防入侵事件识别系统，其特征在于：包括
光纤传感单元，包括单模-多模-单模光纤结构，安装于周界防区以探测入侵信号；
光路单元，包括激光器、耦合器C1，耦合器C2和PD探测器，该激光器通过耦合器C1将连续光输入到光纤传感单元中，耦合器C2与光纤传感单元相连以输出干涉光，PD探测器探测干涉光得到入侵信号；
识别模型，采用训练好的经改进的樽海鞘群算法优化的概率神经网络模型，对入侵信号进行识别，输出入侵信号类别。
优选的，所述周界防区设置有多个边，将单模-多模-单模光纤结构中的多模光纤绕在边上，并通过铁箍锁住.
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
本发明的方法和系统，将多模光纤绕在周界围栏上组成传感单元，从而对外界的入侵事件进行探测。然后将探测到的入侵事件用于滤波器组滤波并分解为四个不同的频段，之后在这四个不同的频段中采用奇异值和峭度值的组合向量进行特征提取。最后将提取到的组合特征向量输入到经改进的樽海鞘群算法优化的概率神经网络中进行训练并获得最佳平滑因子，从而在系统中有效地降低人为入侵事件和非人为入侵事件的误报率。
本发明能够应用于博物馆中贵重物品的安全监测，小区别墅财产的保管，以及电信基站的维护等。
附图说明
图1是本发明方法流程图；
图2是本发明光纤周界防区系统示意图。
图3是四种入侵事件的原始信号图以及分别在滤波器组中分解得到的四个频段信号图。
图4四种入侵信号的组合特征向量提取结果图。
图5是概率神经网络结构示意图。
图6是经改进的樽海群算法优化的概率神经网络流程图。
图7是改进的樽海鞘群算法与其他元启发式算法的适应度值迭代曲线图。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
参照图1，一种光纤周界安防入侵事件识别模型构建方法，预先将光纤传感单元安装于周界防区以采集入侵信号，其中，周界防区包括多个边，每一个边上对应着一种入侵事件，可包括四种入侵事件，可包括人为入侵事件(敲击事件，摇晃事件)，非人为入侵事件(刮风事件，下雨事件)等。光纤传感单元采用单模-多模-单模光纤结构，将多模光纤以上下的形式绕在周界防区铁栅栏的内侧，并使用多个铁箍锁住。
具体的构建方法步骤如下：
1)将入侵信号通过滤波器组滤波并分解为四个不同的频段。具体为：对采集到的入侵信号做傅里叶变换，以分析每个信号的频率信息，并用数据统计方法计算每种入侵信号的平均上限频率和下限频率，根据上限频率和下限频率配置滤波器组中的参数，得到每种入侵信号的四个不同的频段波形。
对施加在多模光纤上的四种入侵信号在各自的参数配置下分别采用滤波器组滤波，并将入侵信号的有效频率分配在四个等间隔的频率通带中。
例如，滤波器组参数配置如下，其中频道数目Q＝4，频率向量长度N为256，频率分辨率Δf为390.625Hz，静止状态参数r为0.0512，截止频率fr＝20Hz，上限频率为fv＝47000Hz，通带带宽设置b＝46980Hz，通带参数m＝30.0672，四个频道中的频率范围分别为：f1∈[20,11765]Hz，
f2∈[11765,23510]Hz，f3∈[23510,35255]Hz，f4∈[35255,47000]Hz。
2)在四个不同的频段中，采用奇异值和峭度值的组合向量进行特征提取，得到组合特征向量。对每种入侵信号的频段波形使用奇异值和峭度值的特征提取方法，构建成组合特征向量。特征提取后的结果如图4所示，这种方法可以包含入侵信号的时频特征。
具体的，首先在每种入侵信号的四个不同频段中提取奇异值，并选出前三个前特征值做为特征向量，四个频段即十二个特征向量，即：
svd＝[svd11,svd21,svd31,svd41,svd12,svd22,svd32,svd42,svd13,svd23,svd33,svd43]
比如：svd11表示为第一个频道信号的第一个奇异值特征，其他的特征依此类推。
对每个频道提取完奇异值特征后，我们紧接着对每个频段提取峭度值，最终获得的组合特征向量B为：
B＝[svd11,svd21,svd31,svd41,svd12,svd22,svd32,svd42,svd13,svd23,svd33,svd43,k1,k2,k3,k4]。
3)将组合特征向量输入经改进的樽海鞘群算法优化的概率神经网络模型中进行训练并获得最佳平滑因子，得到训练好的识别模型。
参见图4，概率神经网络模型中输入层的神经节点为16个，模式层的节点数为400个，而求和层的节点数为4个，输出层的节点数为1个，模式层中的激活函数使用的是高斯函数。
由于概率神经网络在处理不同数据集中对应的最高识别率下有着不同的平滑因子，为了克服这种对平滑因子进行人为操作的弊端，使用了樽海鞘群算法。在樽海鞘群算法中，种群数量设置为30个，c1参数设置为0.127，算法迭代次数为700次。
樽海鞘群算法在面临高维问题时，会出现两种问题。其一是跟随樽海鞘个体在移动中缺乏着全局探索能力和局部开发能力，因此算法会陷入局部最优解。其二是算法中后期的食物源数目会陷入局部极值，从而导致了收敛停滞和早熟现象的发生。本申请在原始樽海鞘群算法中引入了权重因子和自适应变异算子。
本发明改进的樽海鞘群算法是在原始樽海鞘群算法中引入了权重因子和自适应变异算子，并配置好种群数目、C1值、权重因子初始值和食物源初始值。
把步骤3)中提取出来后的组合特征向量分为训练集和测试集，对每种入侵信号而言，其中100个组合特征向量作为训练集，另外100个组合特征向量作为测试集。
参见图6，对改进的樽海鞘群算法进行参数设置，并将其陷入到未经优化的概率神经网络中，得到改进的樽海鞘群算法优化的概率神经网络模型，结合训练集，通过不断地迭代去选择最佳的平滑因子，得到识别模型。
图6中，对应的公式编号如下：
图6中M表示为樽海鞘群的种群数量，取值为30个；
d表示为搜索空间的维度，取值为900；
l表示为算法的迭代次数，取值为700；
w表示为权重的初始值，取值为0.8；
Figure BDA0002494545170000071
表示为第m个樽海鞘个体在第j维度下的位置。
Figure BDA0002494545170000072
其中c1表示为樽海鞘个体的更新系数；l表示为算法的迭代次数；lmax表示为算法的最大迭代次数。
Figure BDA0002494545170000073
Figure BDA0002494545170000074
表示樽海鞘群中领导者在第j维度下的位置；而Fj表示第j维度下的食物源；c1表示为樽海鞘个体的更新系数；c2和c3都表示为均匀分布在0和1之间的随机值；ubj和lbj分别表示为搜索空间中的第j个维度下的上边界和下边界。
Figure BDA0002494545170000075
Figure BDA0002494545170000076
表示为第m个樽海鞘在第j个维度下的位置；
Figure BDA0002494545170000077
表示为第m-1个樽海鞘在第j个维度下的位置；w(l)表示为随算法迭代次数l在变化的权值。
tl+1＝[sin(8πtl)+1]2/4 (4)
tl表示为混淆矩阵中第l次迭代次数下的随机值，tl+1表示为混淆矩阵中第l+1次迭代次数的随机值。
p＝pmin+(pmax-pmin)/lmax (5)
pmin表示为变异概率的最小值，pmax表示为变异概率的最大值。
F＝F(0.5rm+1) (6)
其中F表示为食物源，rm表示为随机值。
4)用测试集对训练好的识别模型进行测试，得到测试集中的入侵信号类别。光纤周界防区系统获得了99％的总体识别率。其中敲击事件的识别率为97％，摇晃事件的识别率为99％，刮风和下雨的识别率都为100％，且总误报率为1％，其结果参见表2中。
为了验证本发明模型在周界防区中的有效性，将其与遗传算法(GA)，粒子群算法(PSO)以及原始樽海鞘群算法(SSA)在最佳平滑因子，收敛值，迭代次数，参数设置数目，总计算时间这五个算法评估指标中进行了比较，参见表1的四种算法中的五种算法性能评估指标统计结果,迭代曲线图如图7所示。
表1
Figure BDA0002494545170000081
为了验证该模型比其他神经网络模型具有更好的识别性能，在同样的训练集和测试中将本发明方法与支持向量机(SVM)，K邻近分类器(KNN)，卷积神经网络模型(CNN)，未经优化的概率神经网络模型(PNN)，樽海鞘算法优化的概率神经网络模型(SSA+PNN)相比较，参见表2的六种神经网络模型在识别率和误报率上的统计结果。
表2
Figure BDA0002494545170000082
本发明还提出一种光纤周界安防入侵事件识别系统，建立一个高度为1.4米，宽度和长度都为75米的光纤周界防区，其中每一个边上对应着一种入侵事件，则可包括四种入侵事件，参见2，其中(a)为敲击事件；(b)为摇晃事件；(c)为刮风事件；(d)为下雨事件。其中，(a)(b)为人为入侵事件，(c)(d)为非人为入侵事件，本发明中的入侵事件不限于此。
光纤传感单元，包括单模-多模-单模光纤结构，安装于周界防区以探测入侵信号。具体的，将单模-多模-单模光纤结构中的多模光纤以上下的形式绕在周界防区的铁栅栏的内侧，并使用多个铁箍锁住。
单模-多模-单模光纤结构中，单模光纤作为导光功能，其长度任意，而多模光纤作为传感单元，其长度为300米，且型号为Thorlabs FG050LGA，纤芯直径和包层直径分别为50μm和120μm，且数值孔径大小为0.22。
光路单元，包括激光器、耦合器C1，耦合器C2和PD探测器，该激光器通过耦合器C1将连续光输入到光纤传感单元中，耦合器C2与光纤传感单元相连以输出干涉光，PD探测器探测干涉光得到入侵信号。通过采集卡可将采集到的电信号输入到PC中进行信号解调。在周界防区对应的每个边中选择三个随机点共采集200个入侵信号，四个边共有800个入侵信号。
其中，单模光纤与多模光纤在耦合器C1处，其损耗仅为0.01dB，而多模光纤与单模光纤在耦合器C2处的连接损耗也为0.01dB。采用的激光器波长为1550nm，强度为10mW，并对其使用耦合器与单模-多模-单模光纤结构相连接。
系统中采集卡的型号为16位25MSPS的1601B数据采集卡，其中采集卡的信号长度记录设置为256kSamples，采样率设置为100kHz。
识别模型，采用训练好的经改进的樽海鞘群算法优化的概率神经网络模型，对入侵信号进行识别，输出入侵信号类别。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (8)

1.一种光纤周界安防入侵事件识别模型构建方法，其特征在于：预先将光纤传感单元安装于周界防区以采集入侵信号，其它步骤如下：
1)将入侵信号通过滤波器组滤波并分解为四个不同的频段；
2)在四个不同的频段中，采用奇异值和峭度值的组合向量进行特征提取，得到组合特征向量；
3)将组合特征向量输入经改进的樽海鞘群算法优化的概率神经网络模型中进行训练并获得最佳平滑因子，得到训练好的识别模型；
4)用测试集对训练好的识别模型进行测试。
2.如权利要求1所述的一种光纤周界安防入侵事件识别模型构建方法，其特征在于：步骤1)中，具体为：对采集到的入侵信号做傅里叶变换，并用数据统计方法计算每种入侵信号的平均上限频率和下限频率，根据上限频率和下限频率配置滤波器组中的参数，得到每种入侵信号的四个不同的频段波形。
3.如权利要求1所述的一种光纤周界安防入侵事件识别模型构建方法，其特征在于：步骤2)中，对每种入侵信号的频段波形使用奇异值和峭度值的特征提取方法，构建成组合特征向量。
4.如权利要求1所述的一种光纤周界安防入侵事件识别模型构建方法，其特征在于：所述改进的樽海鞘群算法是在原始樽海鞘群算法中引入了权重因子和自适应变异算子，并配置好种群数目、C1值、权重因子初始值和食物源初始值。
5.如权利要求1所述的一种光纤周界安防入侵事件识别模型构建方法，其特征在于：概率神经网络模型中输入层的神经节点为16个，模式层的节点数为400个，而求和层的节点数为4个，输出层的节点数为1个，模式层中的激活函数使用的是高斯函数。
6.如权利要求1所述的一种光纤周界安防入侵事件识别模型构建方法，其特征在于：将组合特征向量分为训练集和测试集，步骤3)中，将训练集输入经改进的樽海鞘群算法优化的概率神经网络模型，得到最佳平滑因子；步骤4)中，用测试集对训练好的识别模型进行测试。
7.一种光纤周界安防入侵事件识别系统，其特征在于：包括
光纤传感单元，包括单模-多模-单模光纤结构，安装于周界防区以探测入侵信号；
光路单元，包括激光器、耦合器C1，耦合器C2和PD探测器，该激光器通过耦合器C1将连续光输入到光纤传感单元中，耦合器C2与光纤传感单元相连以输出干涉光，PD探测器探测干涉光得到入侵信号；
识别模型，采用训练好的经改进的樽海鞘群算法优化的概率神经网络模型，对入侵信号进行识别，输出入侵信号类别。
8.如权利要求7所述的一种光纤周界安防入侵事件识别系统，其特征在于：所述周界防区设置有多个边，将单模-多模-单模光纤结构中的多模光纤绕在边上，并通过铁箍锁住。
CN202010414757.0A 2020-05-15 2020-05-15 一种光纤周界安防入侵事件识别模型构建方法和安防系统 Active CN111597994B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010414757.0A CN111597994B (zh) 2020-05-15 2020-05-15 一种光纤周界安防入侵事件识别模型构建方法和安防系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010414757.0A CN111597994B (zh) 2020-05-15 2020-05-15 一种光纤周界安防入侵事件识别模型构建方法和安防系统

Publications (2)

Publication Number Publication Date
CN111597994A true CN111597994A (zh) 2020-08-28
CN111597994B CN111597994B (zh) 2023-03-07

Family

ID=72183401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010414757.0A Active CN111597994B (zh) 2020-05-15 2020-05-15 一种光纤周界安防入侵事件识别模型构建方法和安防系统

Country Status (1)

Country Link
CN (1) CN111597994B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112989906A (zh) * 2020-12-04 2021-06-18 中国船舶重工集团公司第七一五研究所 基于改进集成经验模态分解与XGBoost模型的光纤周界信号特征识别方法
CN115831371A (zh) * 2023-02-16 2023-03-21 成都体育学院 一种儿童体质健康评估系统和设备
CN118051830A (zh) * 2024-04-16 2024-05-17 齐鲁工业大学(山东省科学院) 一种周界安防入侵事件识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107180521A (zh) * 2017-04-19 2017-09-19 天津大学 基于综合特征的光纤周界安防入侵事件识别方法及装置
US20190074896A1 (en) * 2017-06-12 2019-03-07 Network Integrity Systems, Inc. Monitoring a Fiber Optic Cable for Intrusion Using a Weighted Algorithm
CN109873810A (zh) * 2019-01-14 2019-06-11 湖北工业大学 一种基于樽海鞘群算法支持向量机的网络钓鱼检测方法
CN110852187A (zh) * 2019-10-22 2020-02-28 华侨大学 一种周界入侵事件的识别方法与系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107180521A (zh) * 2017-04-19 2017-09-19 天津大学 基于综合特征的光纤周界安防入侵事件识别方法及装置
US20190074896A1 (en) * 2017-06-12 2019-03-07 Network Integrity Systems, Inc. Monitoring a Fiber Optic Cable for Intrusion Using a Weighted Algorithm
CN109873810A (zh) * 2019-01-14 2019-06-11 湖北工业大学 一种基于樽海鞘群算法支持向量机的网络钓鱼检测方法
CN110852187A (zh) * 2019-10-22 2020-02-28 华侨大学 一种周界入侵事件的识别方法与系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高峰: "基于群智能算法优化神经网络的网络安全事件分析", 《现代电子技术》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112989906A (zh) * 2020-12-04 2021-06-18 中国船舶重工集团公司第七一五研究所 基于改进集成经验模态分解与XGBoost模型的光纤周界信号特征识别方法
CN115831371A (zh) * 2023-02-16 2023-03-21 成都体育学院 一种儿童体质健康评估系统和设备
CN118051830A (zh) * 2024-04-16 2024-05-17 齐鲁工业大学(山东省科学院) 一种周界安防入侵事件识别方法

Also Published As

Publication number Publication date
CN111597994B (zh) 2023-03-07

Similar Documents

Publication Publication Date Title
CN111597994B (zh) 一种光纤周界安防入侵事件识别模型构建方法和安防系统
CN108709633B (zh) 基于深度学习的分布式光纤振动传感智能安全监测方法
CN111157099B (zh) 一种分布式光纤传感器振动信号分类方法及识别分类系统
CN105184319B (zh) 光纤周界入侵信号的识别方法、装置及周界入侵报警系统
Liu et al. A high-efficiency multiple events discrimination method in optical fiber perimeter security system
CN111104891B (zh) 基于BiLSTM的复合特征光纤传感扰动信号模式识别方法
CN111442827A (zh) 一种变压器绕组振动的光纤无源在线监测系统及方法
CN110852187B (zh) 一种周界入侵事件的识别方法与系统
CN103236127A (zh) 一种光纤围栏入侵监测系统及其模式识别方法
CN105023379B (zh) 一种机场光纤周界预警系统的信号识别方法
CN102045120A (zh) 光纤周界系统的振动信号识别方法
CN103116957A (zh) 一种光纤周界安防系统屏蔽气候影响的方法
CN105632059A (zh) 一种分布式光纤周界安防系统
Lyu et al. Abnormal events detection based on RP and inception network using distributed optical fiber perimeter system
CN111209853A (zh) 基于AdaBoost-ESN算法的光纤传感振动信号模式识别方法
CN114510960A (zh) 一种分布式光纤传感器系统模式识别的方法
CN114093106B (zh) 基于EfficientNET分类网络的入侵信号报警方法及系统
CN111951505B (zh) 基于分布式光纤系统的围栏振动入侵定位和模式识别方法
CN110458071B (zh) 一种基于dwt-dfpa-gbdt的光纤振动信号特征提取与分类方法
DE112022002097T5 (de) Lokalisierung gefährlicher ereignisse an versorgungsmasten
CN114742096A (zh) 基于振动光纤探测和完整动作提取的入侵报警方法及系统
CN104833378B (zh) 光纤周界系统干扰信号识别方法
CN117272166A (zh) 一种基于跨模型知识蒸馏的分布式光纤周界安防入侵信号识别方法
Lu et al. Signal recognition method based on Mel frequency cepstral coefficients and fast dynamic time warping for optical fiber perimeter defense systems
CN105551165B (zh) 基于动态阈值检测的光纤周界安防系统扰动判断方法

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