CN111797690B - 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置 - Google Patents
基于小波神经网络光栅阵列光纤周界入侵识别方法及装置 Download PDFInfo
- Publication number
- CN111797690B CN111797690B CN202010488739.7A CN202010488739A CN111797690B CN 111797690 B CN111797690 B CN 111797690B CN 202010488739 A CN202010488739 A CN 202010488739A CN 111797690 B CN111797690 B CN 111797690B
- Authority
- CN
- China
- Prior art keywords
- grating
- neural network
- wavelet neural
- grating array
- data
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000000835 fiber Substances 0.000 title claims abstract description 22
- 239000013307 optical fiber Substances 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000005070 sampling Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 37
- 239000013598 vector Substances 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000009194 climbing Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000009545 invasion Effects 0.000 description 4
- 238000010009 beating Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- 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
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于小波神经网络光栅阵列光纤周界入侵识别方法及装置，属于光纤传感和智能识别领域，该方法包括：采集不同场景下的光栅阵列光纤中每个光栅的信号；根据光栅阵列光纤中光栅个数以及采样周期，对各光栅的信号进行数字化处理得到多个数据帧以构成数据集，每个场景对应一个数据集，数据集中的每个数据帧对应不同采样时间段内的m个光栅信号；构造小波神经网络，并基于数据集对小波神经网络进行学习和训练；对训练后的小波神经网络的输出进行归一化，其中，归一化的数值对应不同的应用场景。本发明结合光栅阵列光纤的技术属性，实现了基于小波神经网络的光栅阵列光纤的周界入侵识别方法。
Description
技术领域
本发明属于光纤传感和智能识别领域，更具体地，涉及一种基于小波神经网络光栅阵列光纤周界入侵识别方法及装置。
背景技术
光栅阵列光纤以光纤中刻写的光栅阵列作为感知单元，同时以光纤本身作为信息传递的载体，具有传感和传递的双重功能。以光栅阵列光纤为核心的周界系统具有检测距离远，灵敏度高，环境适应性高，抗干扰能力强等优势，在安防方面有着广泛的应用。光栅阵列光纤周界入侵识别的方法：当周界具有入侵行为时，例如挖掘，攀爬，敲击等，预先铺设的光栅阵列光纤中的光栅因为振动发生轴向变化，从而产生弹光效应，由此实现对于周界振动信号的检测。最后通过对光栅阵列信号的采集，分析，判断是否发生入侵，以及发生入侵的地点和入侵类型。
传统的光纤周界入侵识别方法，比较单一，通常一出现入侵信号，即单一判断出现入侵，对于入侵的因素考虑缺乏，导致出现误报严重，无法评估入侵的有效性，以及入侵的表现形式。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提出了一种基于小波神经网络光栅阵列光纤周界入侵识别方法及装置，由此解决传统光纤周界入侵识别方法比较单一，缺乏对入侵因素的考虑，而存在的误报严重，无法评估入侵有效性以及入侵表现形式的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于小波神经网络光栅阵列光纤周界入侵识别方法，包括：
(1)采集不同场景下的光栅阵列光纤中的阵列信号；
(2)对于各场景下的光栅阵列光纤中的阵列信号，根据光栅阵列光纤中光栅个数以及采样周期，对所述阵列信号进行数字化处理得到多个数据帧以构成数据集，其中，每个场景对应一个数据集，数据集中的每个数据帧对应一个光栅信号；
(3)构造小波神经网络，并基于数据集对小波神经网络进行学习和训练；
(4)对训练后的小波神经网络的输出进行归一化，其中，归一化的数值对应不同的应用场景。
优选地，步骤(2)包括：
根据光栅阵列光纤中光栅个数以及采样周期，对采集的光栅阵列光纤中的阵列信号进行分割，使每个光栅与其采集到的信号一一对应，得到每个光栅信号的数据帧以构成数据集，其中，采集的每个场景下的光栅阵列光纤中的阵列信号是多个光栅在预设时间采样的光栅信号集合。
优选地，所述小波神经网络包括：输入层、隐含层和输出层，其中，所述输入层为所述数据集，所述隐含层为小波函数，所述输出层为线性输出。
优选地，所述小波神经网络模型为：其中，xk为输入层的第k个输入样本，yi为输出层的第i个输出值，wij为连接输出层节点i和隐含层节点j的权值；wjk为连接隐含层节点j和输出层节点k的权值，σ表示小波神经网络的函数，φa,b表示小波函数调整参数，伸缩因子a平移因子b。
优选地，在网络的训练过程中，对于第P个模式中第i个期望的输出，基于最小二乘法的代价函数，由确定误差函数，其中，E表示误差函数值，N表示输入向量数，/>表示第p个模式第i个期望输出，/>表示第p个模式实际输出，P表示模式总数。
优选地，在网络的训练过程中，引入动量因子α，由确定权向量的迭代公式，从而在训练过程中对权向量进行修改，wij(t)表示第t次迭代的权值，wij(t+1)表示第t+1次迭代的权值，Δwij(t)表示第t次迭代的权值改变量，η表示网络学习速率。
按照本发明的另一方面，提供了一种基于小波神经网络光栅阵列光纤周界入侵识别装置，包括：
数据采集模块，用于采集不同场景下的光栅阵列光纤中的阵列信号；
数据处理模块，用于对于各场景下的光栅阵列光纤中的阵列信号，根据光栅阵列光纤中光栅个数以及采样周期，对所述阵列信号进行数字化处理得到多个数据帧以构成数据集，其中，每个场景对应一个数据集，数据集中的每个数据帧对应一个光栅信号；
训练模块，用于构造小波神经网络，并基于数据集对小波神经网络进行学习和训练；
识别模块，用于对训练后的小波神经网络的输出进行归一化，其中，归一化的数值对应不同的应用场景。
优选地，所述数据处理模块，具体用于根据光栅阵列光纤中光栅个数以及采样周期，对采集的光栅阵列光纤中的阵列信号进行分割，使每个光栅与其采集到的信号一一对应，得到每个光栅信号的数据帧以构成数据集，其中，采集的每个场景下的光栅阵列光纤中的阵列信号是多个光栅在预设时间采样的光栅信号集合。
优选地，在网络的训练过程中，对于第P个模式中第i个期望的输出，基于最小二乘法的代价函数，由确定误差函数，其中，E表示误差函数值，N表示输入向量数，/>表示第p个模式第i个期望输出，/>表示第p个模式实际输出，P表示模式总数。
优选地，在网络的训练过程中，引入动量因子α，由确定权向量的迭代公式，从而在训练过程中对权向量进行修改，wij(t)表示第t次迭代的权值，wij(t+1)表示第t+1次迭代的权值，Δwij(t)表示第t次迭代的权值改变量，η表示网络学习速率。
按照本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
基于小波神经网络在光栅阵列光纤周界入侵识别的应用方法，光栅阵列光纤具有良好的阵列特性，其系统采集的数据呈现出良好的特征属性，其中结合小波分析对数据的预处理，在去噪的同时，减少前期的噪声干扰问题。同时利用神经网络对采样数据的训练学习，可根据训练学习的结果对于入侵的方式进行统一的识别，不用采用多级的入侵模式识别，将光栅阵列光纤周界信号源作为整体的识别方式，即客观分析到产生数据类型的准确来源。因此，实际上更加细化入侵识别的类型，对于入侵的识别更加的准确，有效。本发明结合光栅阵列光纤的技术属性，实现了基于小波神经网络的光栅阵列光纤的周界入侵识别方法，通过对光栅阵列周界数据的训练、学习，可形成入侵识别的类型库，在工程实施中，可根据实施场景，灵活配置，具有极大的运用价值。
附图说明
图1是本发明实施例提供的一种阵列光栅周界系统物理结构示意图；
图2是本发明实施例提供的一种方法流程示意图；
图3是本发明实施例提供的一种小波神经网络的“紧致型”结构图；
图4是本发明实施例提供的一种小波神经网络训练流程图；
图5是本发明实施例提供的一种归一化预测分类的统计图；
图6是本发明实施例提供的一种装置结构示意图。
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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
现有技术在信息的获取上以及分析上都采用计算机完成，随着光纤传感行业的升级，尤其以光栅阵列光纤工艺的成熟，在具有良好的阵列特性的同时，还具有传输特性。随着信号数据处理能力的升级，对于光栅阵列光纤传感的应用领域的智能性和准确性有了相匹配的需求。本发明提出结合小波神经网络的光栅阵列光纤周界入侵识别方法，可有效的识别周界入侵的类型，其准确率达到90％以上；同时根据实施场景的需要，可建立光栅阵列周界数据集的训练，学习库。灵活根据工程实施场景进行移植，使得在周界安防入侵识别上更加的有效，准确，智能。
本发明提供一种光栅阵列光纤周界的入侵识别自学习、自适应、健壮性的方法。该方法采用对光栅阵列光纤检测系统的信号采集，对采集的信号数据集预处理输入小波神经网络进行学习，根据数据集训练的特征参量，从而达到入侵的识别分类，本发明实现效果考虑了周界入侵的入侵因素，提高了识别的有效性、准确性，将进一步促进周界安防系统向更加智能化迈进。
实施例一
如图1所示是本发明实施例提供的一种阵列光栅周界系统的物理结构示意图，本发明实施例中的阵列光栅周界系统包括：光栅阵列光纤、激光器、光环形器、干涉仪、光电探测器、采集卡、上位机和驱动电路；
其中，激光器提供稳定的光脉冲，采集卡是可以调节脉冲宽度和强度的提供信号数据同步的关键器件，光栅阵列光纤具有传感和传递的双重功能。光栅阵列周界系统提供了原始信号的产生，调制和解调的基本过程，提供本发明实施例的数据基础。
如图2所示是本发明实施例提供的一种方法流程示意图，硬件上信号的产生，到软件上信号的处理，最后的发掘运用于入侵识别，具体包括以下步骤：
S1：采集不同场景下的光栅阵列光纤中的阵列信号；
其中，光纤中光栅阵列作为感知单元，分布均匀。光纤通过挂网或者埋地的方式，根据不同的应用场景而设定。除此之外，光栅阵列光纤在周界上的应用结合了光栅阵列周界系统，如图1中所示。通过对光脉冲的调节，确保最佳的光脉冲宽度和能量注入到阵列光栅中，实现最优的回光强度和饱和度。当光栅阵列光纤周界存在入侵时，在阵列光栅的敏感范围内，会出现例如光强、频率的变化，从而作为阵列光栅周界系统的数据。
作为一种优选的实施方式，可以采用一段挂网，一段埋地的方式铺设125m光栅阵列光纤，该光栅涉及的规格为每5m为一个间隔，即整条光栅阵列光纤有25个光栅点。
进一步地，数据在上位机中的储存方式可以为二进制，便于数据的处理和分析。
在本发明实施例中，不同场景可以是：无入侵、挖掘、攀爬及敲打等。
S2：对于各场景下的光栅阵列光纤中的阵列信号，根据光栅阵列光纤中光栅个数以及采样周期，对阵列信号进行数字化处理得到多个数据帧以构成数据集，其中，每个场景对应一个数据集，数据集中的每个数据帧对应一个光栅信号；
进一步地，步骤S2可以通过以下方式实现：
根据光栅阵列光纤中光栅个数以及采样周期，对采集的光栅阵列光纤中的阵列信号进行分割，使每个光栅与其采集到的信号一一对应，得到每个光栅信号的数据帧以构成数据集，其中，采集的每个场景下的光栅阵列光纤中的阵列信号是多个光栅在预设时间采样的光栅信号集合。
其中，预设时间的大小可以根据实际需要确定，本发明实施例不做唯一性限定。
其中，设总的采样时间为t，采样频率为f，m为光栅个数，因此每个光栅信号的数据帧大小为
S3：构造小波神经网络，并基于数据集对小波神经网络进行学习和训练；
其中，对数据集进行分析采用的小波神经网络的基本结构为“紧致型”结构，即先用小波分析对数据集进行预处理，然后送入神经网络处理，其中，预处理是将神经网络隐含层中神经元的传递用小波函数来代替。
如图3所示是本发明实施例提供的一种小波神经网络的“紧致型”结构图，结合小波变换理论与神经网络而构成的一种新的神经网络。具有小波变换良好的时频局部化及神经网络自学习功能的特点。该小波神经网络结构由三大部分构成：输入层、隐含层和输出层，其中，输入层为光栅周界系统解调并加以处理的数据，即步骤S2中得到的数据集，每个数据集对应一个场景(也即一个模式，该模式可以是无入侵、挖掘、攀爬或敲打等)，隐含层作为小波神经网络的关键，起着从样本中提取并存储其内在规律的作用，隐含层节点有若干权值，每个权值都是增强网络的映射能力的参数，输出层经过网络的提炼，通过训练样本的输入，输出的数据对应不同的模式。
作为一种优选的实施方式，小波基函数可以为Morlet母小波函数，其公式为：设置网络连接权重wij和wjk，设置网络学习速率η。
作为一种优选的实施方式，设置的输入节点的个数为2，输出节点的个数为2，隐含节点的个数为10，学习速率初步设为0.001至0.01之间，迭代次数200。
其中，本发明实例中对于小波函数的选择，小波神经网络的构造保证了对于光栅阵列光栅数据的训练有效性和客观性。小波函数的选择考虑到小波波形、支撑大小和消失矩阵的数目，对比信号的波形；隐含节点的准确选取，是提取并储存信号的内在规律，避免获取能力差，以及“过拟合”的问题；学习速率初始阶段步长设置较大为0.01，后面进行调整。
在本发明实施例中，“紧致型”小波神经网络具有更强的数据处理能力，有输入层、隐含层和输出层，输出层采用线性输出，其数学规律明显，便于贴合阵列光栅光纤周界的入侵识别分类。
在本发明实施例中，小波神经网络的结构设计，小波函数的选择尽量选择与信号波形相近的小波，最优化的训练了不同类型的光栅阵列光纤周界入侵信号的数据特征。
在本发明实施例中，小波神经网络隐含节点的选择应该：避免隐含节点太少，网络从样本的获取信息能力差，不足以概括和体现训练集中的样本规律；隐含层节点数目太多，出现“过拟合”，降低网络的泛化能力。
在本发明实施例中，小波神经网络的数据样本基于光栅阵列周界系统，进一步地，来源于周界检测的入侵形式，例如：无入侵、攀爬、挖掘、敲击等影响周界原始状态的因素，保持数据的原始性，降低了个别特殊情况影响数据训练、学习，而导致小波神经网络的健壮性。
如图4所示是本发明实施例提供的一种小波神经网络训练流程图，小波神经网络的重要参数：节点数(输入、输出、隐含)，学习速率、权值。根据迭代训练的结果，对比误差进行相应的参数调整。具体地，可以通过以下方式训练小波神经网络：
小波神经网络的训练，将步骤S2的数据集划分为训练集和测试集，将训练集作为输入数据集，即网络的输入，可以用向量X表示，即X＝(x1,x2,...,xn)，输出数据Y＝(y1,y2,...,yn)。
其中，小波神经网络模型为：其中，xk为输入层的第k个输入样本，yi为输出层的第i个输出值，wij为连接输出层节点i和隐含层节点j的权值；wjk为连接隐含层节点j和输出层节点k的权值，σ表示小波神经网络的函数，φa,b表示小波函数调整参数，伸缩因子a、平移因子b。
对给定的样本集，网络的权值相应被调整，通常使误差函数达到最小。误差函数其中，di为网络的预测输出向量，w为网络的所有权值组成的权向量，Yi表示实际输出向量。
具体地，权值的调整规则处理过程分为两个阶段：一是从网络的输入层开始逐层向前计算，根据输入样本计算各层的输出，最终求出网络输出层的输出，这是前向传播过程；二是对权值的修正，从网络的输出层开始逐层向后进行计算和修正，这是反向传播过程。两个过程反复交替，直到收敛为止。通过不断的修正权值w，使E(w)达到最小值。
对于第p个模式中第i个期望的输出，基于最小二乘法的代价函数，以便观察网络训练的拟合程度，进行相应参数的调整：其中，E表示误差函数值，N表示输入向量数，/>表示第p个模式第i个期望输出，/>表示第p个模式实际输出，P表示模式总数。
进一步地，计算出偏导数进而促进网络的收敛。
特别地，为了加快算法的收敛速度，引入动量因子α，权向量的迭代公式可表示为：Δwij(t)表示第t次迭代的权值的改变量，wij(t)表示第t次迭代的权值，wij(t+1)表示第t+1次迭代的权值。
其中，网络权值的调整，初始阶段，步长较大，促进学习的速率，当接近最佳点时，选择学习速率小一点，促进学习的效果准确性，测试网络分类的精度。
在本发明实施例中，基于光栅阵列光纤系统采集的数据特性，在小波神经网络的训练网络中，引入了动量因子，在原有的小波神经网络的基础上，加快了算法的收敛速度，同时在一定基础上减少在相同情况下的迭代次数，可提高阵列光栅周界入侵识别的实时性。
在本发明实施例中，小波网络分类器实现：初始化包括输入节点数，输出节点数，隐含节点数，学习概率，迭代次数；网络训练，计算误差，权值调整，网络预测。
在本发明实施例中，根据期望输出和预测输出的对比以及输出误差，修正网络权值和小波函数参数，使预测值逼近预期的期望值。用30组数据作为训练输入，30组作为测试输入，迭代次数200次，通过预测分类和实际分类结果对比，其识别准确率为90％；用50组数据作为训练输入，10组作为测试输入，迭代次数200次，通过预测分类和实际分类的结果对比，其准确率为100％。
S4：小波神经网络数据的归一化输入、输出；
其中，在对于训练输入的训练数据和测试输入的测试数据结果比较，其目的在于验证步骤S3中对于小波神经网络的构造程度，设计的规则是，对于一连串所形成的数据类型的输入，输出对应的单独结果。即输入是数据，输出结果对应的某种入侵模式(例如：1代表周界无入侵、2代表攀爬入侵等)。
具体地，可以通过以下方式对小波神经网络的输入进行归一化、预测归一化：
(1)输入采用的数组格式[xi,pi]或即[数据，模式]；
(2)通过对原始数据线性变换，使其映射到区间[0,1]，避免了个别特殊数据影响，同时简便运算，其中xmin为数据最小值，xmax为数据最小值，x'为映射值；
(3)同理，预测输出归一化，同步骤(2)，反向求解原始数据yi，便于误差调整的数据统一性。
S5：基于以上的系统数据的采集、网络训练、数据归一化输入、输出构成了基于小波神经网络的光栅阵列周界入侵识别方法。
如图5所示是本发明实施例提供的一种归一化预测分类的统计图，进行数据的预测分类与实际分类的对比。实施例中提供的60组数据中，将30组作为训练输入，剩下30组数据，通过对已预测的分类结果与实际的分类的结果进行统计，结果显示其分类识别准确率达到了90％。
其中，纵坐标表示类别，进行了归一化处理，输出1,2,3,4四种基本类型，其代表四种基本状态分别为：无入侵、挖掘、攀爬、敲打。
在小波神经网络对于周界入侵的应用实施中，预测的输入进行归一化的处理，保证信号输入在格式，长度的统一性和一致性；同时对于预测输出进行归一化处理，保证连续的信号输入。进一步地，增加数据训练量以及迭代次数，更能发挥网络的健壮性，对识别的类别更加的细致，准确。
实施例二
如图6所示是本发明实施例提供的一种装置结构示意图，包括：
数据采集模块601，用于采集不同场景下的光栅阵列光纤中的阵列信号；
数据处理模块602，用于对于各场景下的光栅阵列光纤中的阵列信号，根据光栅阵列光纤中光栅个数以及采样周期，对阵列信号进行数字化处理得到多个数据帧以构成数据集，其中，每个场景对应一个数据集，数据集中的每个数据帧对应一个光栅信号；
训练模块603，用于构造小波神经网络，并基于数据集对小波神经网络进行学习和训练；
识别模块604，用于对训练后的小波神经网络的输出进行归一化，其中，归一化的数值对应不同的应用场景。
进一步地，数据处理模块602，具体用于根据光栅阵列光纤中光栅个数以及采样周期，对采集的光栅阵列光纤中的阵列信号进行分割，使每个光栅与其采集到的信号一一对应，得到每个光栅信号的数据帧以构成数据集，其中，采集的每个场景下的光栅阵列光纤中的阵列信号是多个光栅在预设时间采样的光栅信号集合。
进一步地，在网络的训练过程中，对于第P个模式中第i个期望的输出，基于最小二乘法的代价函数：确定误差函数，其中，E表示误差函数值，N表示输入向量数，/>表示第p个模式第i个期望输出，/>表示第p个模式实际输出。
进一步地，在网络的训练过程中，引入动量因子α，由确定权向量的迭代公式，从而在训练过程中对权向量进行修改，wij(t)表示第t次迭代的权值，wij(t+1)表示第t+1次迭代的权值，Δwij(t)表示第t次迭代权值的改变量，η表示网络学习速率。
其中，各模块的具体实施方式可以参考上述方法实施例的描述，本发明实施例将不再复述。
本发明结合光栅阵列光纤的技术属性，实现了基于小波神经网络的光栅阵列光纤的周界入侵识别方法，通过对光栅阵列周界数据的训练、学习，可形成入侵识别的类型库，在工程实施中，可根据实施场景，灵活配置，具有极大的运用价值。
实施例三
本申请还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现方法实施例中的基于小波神经网络光栅阵列光纤周界入侵识别方法。
需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
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)
1.一种基于小波神经网络光栅阵列光纤周界入侵识别方法，其特征在于，包括：
(1)采集不同场景下的光栅阵列光纤中的阵列信号；
(2)对于各场景下的光栅阵列光纤中的阵列信号，根据光栅阵列光纤中光栅个数以及采样周期，对所述阵列信号进行数字化处理得到多个数据帧以构成数据集，其中，每个场景对应一个数据集，数据集中的每个数据帧对应一个光栅信号；
(3)构造小波神经网络，并基于数据集对小波神经网络进行学习和训练；
(4)对训练后的小波神经网络的输出进行归一化，其中，归一化的数值对应不同的应用场景；
所述小波神经网络模型为：其中，xk为输入层的第k个输入样本，yi为输出层的第i个输出值，wij为连接输出层节点i和隐含层节点j的权值；wjk为连接隐含层节点j和输出层节点k的权值，σ表示小波神经网络的函数，φa,b表示小波函数调整参数，伸缩因子a，平移因子b；
在网络的训练过程中，对于第P个模式中第i个期望的输出，基于最小二乘法的代价函数，由确定误差函数，其中，E表示误差函数值，N表示输入向量数，表示第p个模式第i个期望输出，/>表示第p个模式实际输出，P表示模式总数；
在网络的训练过程中，引入动量因子α，由确定权向量的迭代公式，从而在训练过程中对权向量进行修改，wij(t)表示第t次迭代的权值，wij(t+1)表示第t+1次迭代的权值，Δwij(t)表示第t次调整的权值改变量，η表示网络学习速率。
2.根据权利要求1所述的方法，其特征在于，步骤(2)包括：
根据光栅阵列光纤中光栅个数以及采样周期，对采集的光栅阵列光纤中的阵列信号进行分割，使每个光栅与其采集到的信号一一对应，得到每个光栅信号的数据帧以构成数据集，其中，采集的每个场景下的光栅阵列光纤中的阵列信号是多个光栅在预设时间采样的光栅信号集合。
3.一种基于小波神经网络光栅阵列光纤周界入侵识别装置，其特征在于，包括：
数据采集模块，用于采集不同场景下的光栅阵列光纤中的阵列信号；
数据处理模块，用于对于各场景下的光栅阵列光纤中的阵列信号，根据光栅阵列光纤中光栅个数以及采样周期，对所述阵列信号进行数字化处理得到多个数据帧以构成数据集，其中，每个场景对应一个数据集，数据集中的每个数据帧对应一个光栅信号；
训练模块，用于构造小波神经网络，并基于数据集对小波神经网络进行学习和训练；
识别模块，用于对训练后的小波神经网络的输出进行归一化，其中，归一化的数值对应不同的应用场景；
所述小波神经网络模型为：其中，xk为输入层的第k个输入样本，yi为输出层的第i个输出值，wij为连接输出层节点i和隐含层节点j的权值；wjk为连接隐含层节点j和输出层节点k的权值，σ表示小波神经网络的函数，φa,b表示小波函数调整参数，伸缩因子a，平移因子b；
在网络的训练过程中，对于第P个模式中第i个期望的输出，基于最小二乘法的代价函数，由确定误差函数，其中，E表示误差函数值，N表示输入向量数，表示第p个模式第i个期望输出，yi p表示第p个模式实际输出，P表示模式总数；
在网络的训练过程中，引入动量因子α，由确定权向量的迭代公式，从而在训练过程中对权向量进行修改，wij(t)表示第t次迭代的权值，wij(t+1)表示第t+1次迭代的权值，Δwij(t)表示第t次调整的权值改变量，η表示网络学习速率。
4.根据权利要求3所述的装置，其特征在于，所述数据处理模块，具体用于根据光栅阵列光纤中光栅个数以及采样周期，对采集的光栅阵列光纤中的阵列信号进行分割，使每个光栅与其采集到的信号一一对应，得到每个光栅信号的数据帧以构成数据集，其中，采集的每个场景下的光栅阵列光纤中的阵列信号是多个光栅在预设时间采样的光栅信号集合。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1或2任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010488739.7A CN111797690B (zh) | 2020-06-02 | 2020-06-02 | 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010488739.7A CN111797690B (zh) | 2020-06-02 | 2020-06-02 | 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111797690A CN111797690A (zh) | 2020-10-20 |
| CN111797690B true CN111797690B (zh) | 2024-05-14 |
Family
ID=72806355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010488739.7A Active CN111797690B (zh) | 2020-06-02 | 2020-06-02 | 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111797690B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780094B (zh) * | 2021-08-17 | 2023-04-07 | 武汉理工大学 | 基于混合高斯模型和隐马尔可夫模型的周界入侵识别方法 |
| CN114186493A (zh) * | 2021-12-13 | 2022-03-15 | 天津理工大学 | 一种基于神经网络的光纤多芯耦合器特性分析方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105357515A (zh) * | 2015-12-18 | 2016-02-24 | 天津中科智能识别产业技术研究院有限公司 | 一种基于结构光和光场成像的彩色深度成像方法及其装置 |
| CN109067427A (zh) * | 2018-08-16 | 2018-12-21 | 北京科技大学 | 一种基于优化型小波神经网络的跳频序列预测方法 |
| CN110412038A (zh) * | 2019-07-17 | 2019-11-05 | 天津大学 | 一种基于单光纤光栅和神经网络的结构损伤位置识别系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9110240B2 (en) * | 2013-03-05 | 2015-08-18 | Rambus Inc. | Phase gratings with odd symmetry for high-resolution lensed and lensless optical sensing |
-
2020
- 2020-06-02 CN CN202010488739.7A patent/CN111797690B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105357515A (zh) * | 2015-12-18 | 2016-02-24 | 天津中科智能识别产业技术研究院有限公司 | 一种基于结构光和光场成像的彩色深度成像方法及其装置 |
| CN109067427A (zh) * | 2018-08-16 | 2018-12-21 | 北京科技大学 | 一种基于优化型小波神经网络的跳频序列预测方法 |
| CN110412038A (zh) * | 2019-07-17 | 2019-11-05 | 天津大学 | 一种基于单光纤光栅和神经网络的结构损伤位置识别系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于小波树和哈达玛矩阵的自适应快速三维压缩成像方法;蒋小勇;江宇祺;戴慧东;;应用光学;20180915(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111797690A (zh) | 2020-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5373486A (en) | Seismic event classification system | |
| CN104766099B (zh) | 基于图像的分布式光纤周界振动信号处理与识别方法 | |
| CN113642484B (zh) | 一种基于bp神经网络的大地电磁信号噪声压制方法及系统 | |
| CN111797690B (zh) | 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置 | |
| CN111983569B (zh) | 基于神经网络的雷达干扰抑制方法 | |
| Bravo et al. | Species-specific audio detection: a comparison of three template-based detection algorithms using random forests | |
| CN117076941B (zh) | 一种光缆鸟害监测方法、系统、电子设备及可读存储介质 | |
| CN112738092A (zh) | 一种日志数据增强方法、分类检测方法及系统 | |
| CN113761805A (zh) | 一种基于时域卷积网络的可控源电磁数据去噪方法、系统、终端及可读存储介质 | |
| CN112989906A (zh) | 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 | |
| CN112464721A (zh) | 微地震事件自动识别方法及装置 | |
| CN115114949A (zh) | 一种基于水声信号的舰船目标智能识别方法及系统 | |
| CN116626753A (zh) | 一种基于多模态神经网络的微地震事件识别方法及系统 | |
| CN117390413B (zh) | 分布式电力光纤振动信号降噪与时序特征提取的识别方法 | |
| CN111476965A (zh) | 火灾检测模型的构建方法、火灾检测方法及相关设备 | |
| CN113361194A (zh) | 一种基于深度学习的传感器漂移校准方法、电子设备及存储介质 | |
| CN114925722A (zh) | 基于广义s变换与迁移学习的周界安防入侵信号检测方法 | |
| CN114626412A (zh) | 用于无人值守传感器系统的多类别目标识别方法及系统 | |
| CN112434716B (zh) | 一种基于条件对抗神经网络的水下目标数据扩增方法及系统 | |
| Sun et al. | Micro‐seismic Event Detection of Hot Dry Rock based on the Gated Recurrent Unit Model and a Support Vector Machine | |
| CN110988802A (zh) | 一种基于信号尺度分解的雷达辐射源识别系统 | |
| CN110889308A (zh) | 一种基于机器学习的地震震相初至识别方法及识别系统 | |
| CN117705177B (zh) | 一种基于智能仪器的光学标校方法及系统 | |
| Zhang et al. | Microseismic event detection based on multiscale detection convolutional neural network | |
| CN117574056B (zh) | 基于混合神经网络模型的广域电磁数据去噪方法及系统 |
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 |