CN113593187A - 一种用于区域安防的地震动异常感知方法 - Google Patents

Abstract

本发明公开了一种用于区域安防的地震动异常感知方法，包括：震动信号特征提取和辨识。首先，获取检测的时序信号；计算时序信号的容量维数序列值作为分形特征；采用线性支持向量机识别分形特征中有效信号成分的分形和噪声成分的分形；舍弃噪声成分的分形对应的噪声信号，得到有效成分的分形对应的有效信号。从而对实现连续的时序地震动信号准确定位异常事件发生的时间段和位置。本发明的有益效果是：通过本发明的技术方案，摆脱了传统方法对信号能量的依赖，可以有效提高异常事件检测的准确率，为敏感区域地下安防提供一种切实可行的新技术和新方法。

Description

一种用于区域安防的地震动异常感知方法

技术领域

本发明涉及地震动传感领域，具体而言，涉及一种用于区域安防的地震动异常感知方法。

背景技术

重要区域的地震动异常主要是由于人为操作所产生的震动信号，包括：无人机飞行、车辆移动、人类/动物活动等。地震动传感系统属于非视距传感，可以完全埋入地下，不受复杂地形因素限制，具有极高的隐蔽性，因此，对重要区域的震动异常感知具有独特的优势。基于震动信号对未知目标的感知，检测方法的设计原则通常是依据未知目标体与地表间相互作用的能量。当前对于地震动异常感知的方法主要是基于能量准则，包括四种类型：阈值法、事件孤立法、踏频法和长短时窗法(STA/LTA)。四种方法各具优势，但他们都依赖于震动信号的能量。在实际环境中，当未知目标体与传感器之间距离增加，传递到传感器的震动能量会迅速衰减。在检测能量较弱的信号时，这些方法存在较高的误报率和漏检率。具体来说，当前流行的目标检测方法几乎都取决于信号的幅值统计特性，在检测幅值较小的信号时，这些检测方法存在较多的误报和漏检。由此可见，异常感知方法面临的主要挑战是如何提高对弱信号的检测能力。

发明内容

本发明所要解决的问题在于如何实现高准确率的异常感知能力，提出一种一种用于区域安防的地震动异常感知方法，对于未知目标体产生的震动信号存+在强非线性的特性，运用分形容量维数理论定量地描述非平稳震动信号的混沌性和非线性行为，同时该技术可以有效提取未知目标体产生的震动特征。震动数据被分形度量后，线性支持向量机被用来辨识分形容量维数中的信号段和噪声段，从而完成对环境异常的智能感知。

为实现上述目的，本发明提供了如下方案：

一种用于区域安防的地震动异常感知方法，该方法包括：

获取检测的时序信号；

计算时序信号的容量维数序列值作为分形特征；

采用线性支持向量机识别分形特征中有效信号成分的分形和噪声成分的分形；

舍弃噪声成分的分形对应的噪声信号，得到有效成分的分形对应的有效信号。

进一步地：计算时序信号的容量维数序列值包括：

将时序信号进行无量纲的图形处理获得一段自仿射曲线；

用半径为r的小圆覆盖该曲线的一个片段，沿着曲线移动小圆；

让n个小圆完全覆盖曲线段，则曲线段的长度L＝nr，得到曲线段的容量维数；

依次得到整个曲线的容量维数序列值。

进一步地：曲线段的容量维数，用公式表达为：

D＝1-log(L)/log(r)。

进一步地：采用线性支持向量机识别分形特征包括：

搜索一个能将有效信号成分的分形和噪声成分的分形分开的最优超平面H满足：w·x+b＝0，w为超平面的法向量，b为超平面的阈值；

将搜索最优超平面H转化为寻找最优参数对(w，x)，表示为：

s.t.y_i((w·x_i+b))≥1；

采用拉格朗日函数进行最优参数求解，拉格朗日函数为：

其中

是拉格朗日乘子，根据拉格朗日函数的鞍点，对参数w和参数b求导可得：

代入拉格朗日函数得到:

通过求解可以得到：

进一步地：参数w和参数b的最优分类决策函数为：

本发明与现有技术相比，有益效果在于：

发明提出一种用于区域安防的地震动异常感知方法，首先测量震动数据的复杂度，并以此从信号段和噪声段中提取各自的非线性特征。然后，将震动数据的容量维数输入到线性支持向量机中来判别有效信号和噪声。通过本发明的技术方案，摆脱了传统方法对信号能量的依赖，可以有效提高异常检测的准确率，为敏感区域地下安防提供一种切实可行的新技术和新方法。

附图说明

图1为本发明的一种用于区域安防的地震动异常感知方法的流程示意图；

图2为本发明方法对于基准方法时的F1分数对比图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如附图1所示，一种用于区域安防的地震动异常感知方法，首先使用分布式震动传感系统用于连续采集各类目标体(包括噪声)的震动数据。这些时序震动数据流被输入至联合方法中。该方法包含震动数据分形特征提取和支持向量机特征辨识两个部分。首先使用容量维数连续地度量震动信号复杂度，并以此提取目标体的震动分形特征。然后，运用线性支持向量机方法区分这些分形特征。从而完成信号数据段(异常事件)与噪声数据段的辨识，最终达到对未知目标体准确检测的目的。

具体的，获取检测的时序信号；

计算时序信号的容量维数序列值作为分形特征；

采用线性支持向量机识别分形特征中有效信号成分的分形和噪声成分的分形；

舍弃噪声成分的分形对应的噪声信号，得到有效成分的分形对应的有效信号。

计算时序信号的容量维数序列值包括：

将时序信号进行无量纲的图形处理获得一段自仿射曲线；

用半径为r的小圆覆盖该曲线的一个片段，沿着曲线移动小圆；

让n个小圆完全覆盖曲线段，则曲线段的长度L＝nr，得到曲线段的容量维数；

依次得到整个曲线的容量维数序列值。

曲线段的容量维数，用公式表达为：

D＝1-log(L)/log(r)。

采用线性支持向量机识别分形特征包括：

搜索一个能将有效信号成分的分形和噪声成分的分形分开的最优超平面H满足：w·x+b＝0，w为超平面的法向量，b为超平面的阈值；

将搜索最优超平面H转化为寻找最优参数对(w，x)，表示为：

s.t.y_i((w·xi+b))≥1；

采用拉格朗日函数进行最优参数求解，拉格朗日函数为：

其中

是拉格朗日乘子，根据拉格朗日函数的鞍点，对参数w和参数b求导可得：

代入拉格朗日函数得到:

通过求解可以得到：

参数w和参数b的最优分类决策函数为：

对现有的STA/LTA和SPWVD方法的比较。STA/LTA被认为是震动信号和微震动信号检测任务中最流行的方法，SPWVD是目标检测领域中最新提出的方法。为了验证三个对比方法在SITEX02数据上的检测性能，将SITEX02数据按照SNR从小到大分为四等分，并分别测试三种方法在这四段SNR范围内的检测能力。以履带车为例：

三个对比方法在检测AAV目标时获得的精确率和召回率。检测结果表明，震动数据的SNR越高，所有方法获得的精确率和召回率越高。从精确率的角度来看，FD-SVM方法在所有SNR范围下都获得了最高值。在召回率方面，SPWVD方法与FD-SVM方法在检测低SNR数据的指标接近，且SPWVD方法在检测SNR为[0.31dB,0.76dB]的数据中获得了最高的召回率。这个结果说明SPWVD方法拥有较强的事件查全率，但是其精确率不如STA/LTA方法和FD-SVM方法(本发明方法简称)。

表1：三个对比方法在检测AAV目标时获得的精确率

图2为在检测AAV目标时获得的F1分数结果。从图2中可轻松发现，FD-SVM方法(本发明)表现出了最佳性能，因为它在所有SNR数据上的测试结果都获得了最高值。就低SNR样本的检测结果来说，即[-0.14,0.31]，FD-SVM方法获得的F1分数比STA/LTA方法高6.52％、比SPWVD方法高4.44％。

同样，在轮式车，人目标，飞行器等目标中都表现出优异的性能。具备良好的目标检测能力。对比实验的结果证明，本发明方法优于现有的基准方法。

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)

1.一种用于区域安防的地震动异常感知方法，其特征在于，该方法包括：

获取检测的时序信号；

计算时序信号的容量维数序列值作为分形特征；

采用线性支持向量机识别分形特征中有效信号成分的分形和噪声成分的分形；

舍弃噪声成分的分形对应的噪声信号，得到有效成分的分形对应的有效信号。

2.按照权利要求1所述的方法，其特征在于：计算时序信号的容量维数序列值包括：

将时序信号进行无量纲的图形处理获得一段自仿射曲线；

用半径为r的小圆覆盖该曲线的一个片段，沿着曲线移动小圆；

让n个小圆完全覆盖曲线段，则曲线段的长度L＝nr，得到曲线段的容量维数；

依次得到整个曲线的容量维数序列值。

3.按照权利要求2所述的方法，其特征在于：曲线段的容量维数，用公式表达为：

D＝1-log(L)/log(r)。

4.按照权利要求1所述的方法，其特征在于：采用线性支持向量机识别分形特征包括：

搜索一个能将有效信号成分的分形和噪声成分的分形分开的最优超平面H满足：w·x+b＝0，w为超平面的法向量，b为超平面的阈值；

将搜索最优超平面H转化为寻找最优参数对(w，x)，表示为：

s.t.y_i((w.x_i+b))≥1；

采用拉格朗日函数进行最优参数求解，拉格朗日函数为：

其中

是拉格朗日乘子，根据拉格朗日函数的鞍点，对参数w和参数b求导可得：

代入拉格朗日函数得到：

通过求解可以得到：

5.按照权利要求4所述的方法，其特征在于：参数w和参数b的最优分类决策函数为：

Images