CN113780094A - 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 - Google Patents

Abstract

本发明公开了一种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，包括以下步骤：在栅栏上和栅栏埋地处各铺设一根光栅阵列光缆，每根上包括中心波长不同的多个测区；实时采集每个测区的振动数据，并根据初始阈值判断测区是否发生异常振动，若是则进入事件识别判断；根据振动数据分析异常振动影响不同测区所呈现的高斯分布关系，选取该测区所在光栅阵列光缆的时序数据流中与高斯关系相对应的观测序列，对观测序列按时间帧进行处理，并提取处理后的振动数据的时频域混合特征，再进行时频域混合特征归一化，得到特征向量数据；将特征向量数据输入训练好的高斯‑隐马尔可夫混合模型库，进行周界在线入侵事件识别，得到入侵识别结果。

Description

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

技术领域

本发明涉及周界安防技术领域，尤其涉及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。

背景技术

周界安防技术作为维护人类生命和财产安全的重要技术手段之一，随着科学技术的迅速发展，探索扩展周界安防监测技术显得尤为重要。其中，光纤光栅传感技术作为一种新型监测技术，由于自身具有抗电磁干扰，测量精度高、响应速度快、定位准等突出优点在周界安防中有广泛的应用。其中，光栅阵列是一种新型的光纤光栅传感技术，在拥有光栅光纤传感技术优点的同时具有高空间分辨率和长传感距离的特性，对于周界安防领域有良好的应用前景。

由于周界往往处于复杂的环境，导致光纤感应的振动信号错综复杂，为了对振动信号识别进行准确识别以判断异常入侵，通常从信号特征提取以及模式识别两个方面进行研究。由于近些年来机器学习的兴起，对于信号进行模式识别方法研究日趋重要。

现有的入侵事件模式识别方法多采用对扰动采样信号进行时频域处理获得特征向量，然后进行学习分类。这些方法将入侵事件信号特征数据化，重在挖掘特征的数据性，只采用当前信号时间帧特征进行逐帧独立识别来表述事件类别。因此在不同环境中进行应用时，得到的效果无法保证准确性，从而导致方法准确率低，误报率高。

发明内容

本发明主要目的在于提供一种能够有效的提高入侵事件的识别准确率，降低误报率，计算量小，复杂度低的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。

本发明所采用的技术方案是：

提供一种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，包括以下步骤：

S1、分别在栅栏上和栅栏埋地处各铺设一根光栅阵列光缆，每根光栅阵列光缆上包括多个测区，每个测区的中心波长不同；

S2、实时采集每个测区的振动数据，并根据初始阈值判断测区是否发生异常振动，若是则进入事件识别判断；

S3、根据振动数据分析异常振动影响不同测区所呈现的高斯分布关系，选取该测区所在光栅阵列光缆的时序数据流中与高斯关系相对应的观测序列，对观测序列按时间帧进行处理，并提取处理后的振动数据的时频域混合特征，再进行时频域混合特征归一化，得到特征向量数据；

S4、将特征向量数据输入训练好的高斯-隐马尔可夫混合模型库，进行在线入侵事件识别，得到入侵识别结果。

接上述技术方案，高斯-隐马尔可夫混合模型库的训练过程包括：

利用预先采集的实验数据样本，根据每个实验数据样本分别分析振动影响不同测区所呈现的高斯分布关系，得到与高斯关系相对应的该测区所在光栅阵列光缆的时序数据流生成的多个观测序列，对每一个观测序列按时间帧进行处理，并提取处理后的振动数据时频域混合特征，再进行归一化，得到对应实验数据样本的特征向量数据；

将对应实验数据样本的特征向量数据标记为训练样本和测试样本；

利用混合高斯模型特性将每一个事件所对应的训练样本进行聚类，并拟合估计多种事件各自对应的高斯-隐马尔可夫混合模型GMM-HMM的观测值概率；

将标记的多种事件训练样本分别输入不同的隐马尔可夫HMM模型分别计算出对应事件的隐马尔可夫HMM模型的初始状态概率以及状态转移概率，然后验证模型参数是否符合迭代条件，若是，得到高斯-隐马尔可夫混合模型，否则将计算得出的参数值作为初始值继续训练；

采用测试样本对得到的高斯-隐马尔可夫混合模型进行模型评估，若评估结果符合预期则得到最终的高斯-隐马尔可夫混合模型；

将获取到的最终的几种高斯-隐马尔可夫混合模型存入事件模型库。

接上述技术方案，该方法还包括步骤：

S5、分析一定时间范围阈值内的栅栏和埋地光栅阵列的入侵识别结果，如果两者在阈值时间都出现有疑似入侵事件则标记为入侵，系统进行报警，提示人为进行处理；如果两者在阈值时间内只有一个或者没有疑似入侵事件则标记为正常，系统进行预警，但无需人为处理。

接上述技术方案，步骤S3中，具体对观测序列按固定数据集长度进行分割，求数据集7维特征并进行均一化得到特征向量数据，7维特征具体包括重心频率、主频率、均方频率、过零率、峭度、脉冲因子、方差。

接上述技术方案，光栅阵列光缆上每5米为一个测区，振动数据采集频率为1000HZ。

接上述技术方案，入侵识别结果包括埋地扰动和栅栏扰动，其中埋地扰动包括：人为行走、大货车经过；栅栏扰动包括：人为攀爬栅栏，人为敲打栅栏，风吹栅栏。

接上述技术方案，步骤S2中采集每个测区的振动数据是对t时间内产生的数据进行预处理，并打包成一个T*L的数据包存放在缓冲区，其中T为短时间内单个测区产生的数据量，L为沿线的测区数量。

接上述技术方案，预处理采用差分去噪法对采集的振动数据进行去噪，排除测区自身偏振的影响。

接上述技术方案，观测序列选取具体为：

根据振动影响不同测区呈现的高斯分布关系，并结合隐马尔可夫模型特点做出的两个基本假设：样本帧序列齐次性假设和相邻样本帧相关性假设，将采集的二维的振动数据的多个测区的样本帧序列进行选择重组以得到观测序列。

接上述技术方案，对实验采集的训练样本进行聚类具体为：将不同事件生成的训练样本进行聚类，由于HMM中包含事件的若干个状态，因此假设高斯分量个数是K，则聚类簇的个数也为K，隐马尔可夫模型HMM中的每一个状态用一个高斯分量表征，则混合高斯模型可表示为：

其中c_k称为混合系数，即各高斯分量权重，N(x|μ_k,Σ_k)表示第k个高斯分量的概率密度函数，x为样本，μ_k为每个高斯分量的均值，Σ_k为每个高斯分量的协方差，K为高斯分量个数。

接上述技术方案，计算得出GMM-HMM模型参数后，进行训练样本识别流程具体为：对于训练好的隐马尔可夫模型λ＝(π，A，B)，其中π为观测值概率，A为状态转移概率，B为初始状态概率，给定观测序列O＝{o₁，o₂，…，o_T}，利用Viterbi算法估计出该给定观测序列下最有可能符合它的事件状态序列，从而分类出该观测序列所属事件类别。

本发明产生的有益效果是：本发明采用双缆为基础的周界入侵场景建模，避免了单个扰动事件对于系统判断入侵的影响；本发明基于高斯混合模型和隐马尔可夫模型的方法十分适应于周界安防领域的特点，其中，高斯混合模型可以准确地将人为入侵动作信号进行聚类，从而确定隐马尔科夫模型中的观测值概率参数，使得隐马尔可夫模型对于人为入侵动作在时序上的关系能够最大程度地进行描述，从而取得良好的识别精度和较快的识别速度，使得符合实际工程上的需求；且能够准确对事件进行判断，实时显示入侵事件过程。

进一步地，将差分去噪应用在数据流中，可排除个别传感测区自身偏振的影响。

进一步地，对数据进行7维时频域混合特征提取，在减少测区振动数据误差的同时能够准确而全面反映入侵信号的特点，保证识别的准确率。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例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的流程图一；

图2是本发明实施例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的流程图二；

图3是本发明实施例高斯-隐马尔可夫混合模型库的训练过程示意图；

图4是本发明实施例光纤光栅阵列铺设示意图。

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用以解释本发明，并不用于限定本发明。

如图1所示，本发明实施例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，包括以下步骤：

S1、分别在栅栏上和栅栏埋地处各铺设一根光栅阵列光缆，每根光栅阵列光缆上包括多个测区，每个测区的中心波长不同；

S2、实时采集每个测区的振动数据，并根据初始阈值判断测区是否发生异常振动，若是则进入事件识别判断；

S3、根据振动数据分析异常振动影响不同测区所呈现的高斯分布关系，选取该测区所在光栅阵列光缆的时序数据流中与高斯关系相对应的观测序列，对观测序列按时间帧进行处理，并提取处理后的振动数据的时频域混合特征，再进行时频域混合特征归一化，得到特征向量数据；

S4、将特征向量数据输入训练好的高斯-隐马尔可夫混合模型库，进行在线入侵事件识别，得到入侵识别结果。

根据对人为入侵的场景搭建可知，入侵动作在时间上具有连续性，并且受限于传统的光缆铺设方式(只在单维度进行光栅阵列光缆铺设，比如单独埋地或者单独栅栏处敷设光栅阵列光缆)所造成的系统漏报以及误报情况严重。根据实际场景需要，这里我们铺设光栅阵列光缆方式选用多维度铺设，分别在栅栏处和埋地处各敷设一根光栅阵列光缆。根据几种常见情况搭建人为入侵场景，其中针对埋地事件场景为：人走和大货车经过；针对栅栏事件场景为：人为攀爬、人为敲击，自然风雨。

由于人为入侵在时间上具有连贯性，物理性的连贯动作反映在测区振动数据上表现为振动数据具有时序演化关系，一般机器学习模型会忽略这种时序关系，造成了对于入侵事件信息缺失，从而入侵事件识别不准确。因此，本发明选用对于时间序列表现出色的隐马尔可夫模型HMM作为事件识别模型。

步骤S2中采集每个测区的振动数据是对t时间内产生的数据进行预处理并打包成一个T*L的数据包存放在缓冲区，其中T为短时间内单个传感测区产生的数据量，L为沿线测区数量。预处理振动数据方式为采用差分去噪法对数据进行去噪，排除个别传感测区自身偏振的影响。具体将每个测区去噪数据进行初始阈值判断：找出T长度数据包中数值最大值点，然后判断最大值是否超过初始阈值，得到第一判断结果。如果超过初始阈值，则说明有事件发生，接下来需要对事件进行具体判定。

步骤S3中，观测序列的选取主要根据振动影响不同测区呈现的高斯分布关系，结合隐马尔可夫模型特点做出的两个基本假设：样本帧序列齐次性假设和相邻样本帧相关性假设，将采集的二维的振动数据的多个测区的样本帧序列进行选择重组以得到观测序列。

由于人为对于光栅阵列测区影响呈现出一种高斯分布的关系，即离人最近的测区感测到的振动强度最大，离人越远的测区所感测的振动强度越小，这里可以默认视做人对测区影响关系为一种高斯分布关系，为了能够有效并且合理地对二维数据空间下的样本帧序列进行选择重组，即存在多人入侵时对数据进行样本序列重组。

其中，样本帧序列齐次性假设：样本序列中任意时刻t的样本帧只与前一时刻的样本帧相关。在这个假设下，不需要严格考虑完整的样本帧序列路径，只需要考虑前一样本帧的位置，即：

其中，样本序列长度为k+1，

表示第t帧时传感器编号为i_t的样本帧。

相邻样本帧相关性假设：对于某个异常扰动事件而言，其发生过程在时间和空间上均是连续的，即相邻样本帧的相关性随这两个样本帧的空间距离的增加而减少。其中相邻样本帧的相关性可以通过概率来表示，这是因为一个样本帧的后续样本帧选择可能不止存在一个，并且组成的有效序列的可能性也不止一种。其相邻样本帧组成序列的可能性即概率有如下计算公式确定：

其中N(x)表示正态函数，distance(x，y)代表编号x和编号y传感器的距离。对于可能性较大的样本序列就作为本次识别的输入之一，而对于可能性小的序列舍弃并将该序列最新的一个样本帧作为新序列的起点。

如图3所示，步骤S4中，高斯-隐马尔可夫混合模型库的训练过程包括：

S41、利用预先采集的实验数据样本，根据步骤S3的过程对数据样本进行处理，生成标记训练样本和标记测试样本，利用高斯混合模型特性将训练样本进行分类，从而估计基于高斯混合模型的隐马尔可夫模型GMM-HMM的观测值概率。

S42、将几种不同事件的标记训练样本分别输入隐马尔可夫HMM模型计算得出隐马尔可夫HMM模型的初始状态概率以及状态转移概率，然后验证参数是否符合迭代终止条件；如果满足终止条件，即得到GMM-HMM模型，否则将计算得出的参数值作为初始值进行步重新计算；

S43、对得到的模型用标记测试样本进行模型评估以此验证模型性能，性能符合预期则得到最终的GMM-HMM模型；否则，重新计算。

S44、将获取到的最终的几种GMM-HMM模型存入事件模型库，进行在线入侵事件识别时，根据生成的振动数据的特征向量数据，并将其输入事件模型库得到判断结果。

对实验采集的训练样本进行聚类具体为：将不同事件生成的训练样本进行聚类，由于HMM中包含事件的若干个状态，因此假设高斯分量个数是K，则聚类簇的个数也为K，隐马尔可夫模型HMM中的每一个状态用一个高斯分量表征，则混合高斯模型可表示为：

其中c_k称为混合系数，即各高斯分量权重，为样本，μ_k为每个高斯分量的均值，Σ_k为每个高斯分量的协方差。

N(x|μ_k，∑_k)表示第k个高斯分量的概率密度函数：

观测值概率具体方式为：

根据GMM模型可以确定第j个状态产生观察值o_t的概率计算公式：

其中GMM的均值向量μ_jk、协方差矩阵∑_jk和分量权值c_jk通过混合高斯模型训练所有样本，使用期望最大化方法求解得出，这些参数用来表示观察值概率b_j(o_t)，可以确保连续型观测值中所包含的有效信息尽可能保留而不丢失。

计算初始状态概率和状态转移概率具体过程为：

HMM模型的训练主要是基于已有的M个相互独立的观测样本序列采用Baum-Welch算法建立状态之间转移概率分布。其根本问题是对于某个确定观察值序列O＝{o₁，o₂，…，o_T}，确定λ＝(π，A，B)表示的HMM模型使得P(O|λ)最大。据此可得对数似然函数为：

其中，I＝{i₁，i₂，…，i_T}表示长度为T的状态序列，

表示初始状态概率，

表示状态i_t向状态i_t+1转移的概率，

可以通过公式(5)计算得到。Baum-Welch算法主要是通过对式(6)进行期望最大化求解，最终可得初始状态概率和状态转移概率计算公式：

其中，记θ_t(i)＝p(i_t＝q_i|O，λ)，表示在模型λ和观测序列O下时刻t处于状态q_i的概率；ξ_t(i，j)＝p(i_t＝q_i，i_t+1＝q_j|O，λ)，表示在模型λ和观测序列O下，时刻t处状态q_i且在时刻t+1处于状态q_j的概率。这两个参数可以通过概率计算问题的前向和后向概率求解得到。

计算得出GMM-HMM模型参数后，进行训练样本识别流程可以描述为：对于训练好的隐马尔可夫模型λ＝(π，A，B)，给定观测序列O＝{o₁，o₂，…，o_T}，利用Viterbi算法估计出该序列下最有可能符合它的事件状态序列从而分类出该观测序列所属事件类别。即估计出该观测序列下最有可能的状态序列I＝{i₁，i₂，…，i_T}。对于观测序列中每一个样本均存在一个状态拟合输出，时序入侵过程的识别即在所有可能的状态网络中找到可能性最大的状态转移路径。

如图2所示，该方法还包括步骤：

S5、分析一定时间范围阈值内的栅栏和埋地光栅阵列的第二判断结果，如果两者在相邻时间都出现有疑似入侵事件则标记为入侵，系统进行报警，系统报警需要人为进行处理；如果两者在阈值时间内只有一个或者没有疑似入侵事件则标记为正常，系统进行预警，预警不需要人为处理。

本发明一个实施例中，如图4所示，为光纤光栅阵列铺设示意图，其中每5米为一个振动测区，采集频率为1000HZ。

进一步的，本发明的步骤S2中还需要对采集的振动数据进行去燥处理，可以采用差分去噪法对数据进行去噪，排除个别传感测区自身偏振的影响。

其中，差分去噪即：设函数y＝f(x)，式中y对x在非负整数域内有定义。自变量x为时域上的变化值，当自变量x从x变为x+1时，相应的f(x)变为f(x+1)，其中变化量为Δy_x＝f(x+1)-f(x)，此时的Δy_x为当前自变量的一阶差分值。差分去噪法计算复杂度低，适用于流式模型，采用该方法可以有效减小数据之间的误差，在一定程度上对噪声进行了消除。

其中，判断每一个数据包数据数值是否超过初始阈值从而判断测区是否异常起振得到第一判断结果。

进一步的，本发明的步骤S3的具体方法为：

观测序列选择流程为：每一个当前样本帧只跟前一样本帧有关，按照每一个测区样本帧之间的高斯分布关系，初步确定测区振动信号数据信号流，根据数据流选取观测序列。

观测序列按时间帧处理具体为：观测序列按固定数据集长度进行分割，求数据集的均一化的7维特征，具体为：具体包括重心频率，主频率，均方频率，过零率，峭度，脉冲因子，方差。

其中，过零率为：

其中，sgn(·)表示符号函数，n为数据片段长度。过零率表示信号的过零次数，能在一定程度上反应信号的频域特性，用ZCR表示：

脉冲因子为：

其中，n为数据片段长度，xi为数据数值大小。

峭度为：

其中，n为数据片段长度，xi为数据数值大小，

为数据片段的信号均值，峭度主要用于检测信号中的冲击成分。

方差为：

其中，n为数据片段长度，xi为数据数值大小，

为数据片段的信号均值，方差通常用来表示一组数据的离散程度，对应到振动信号，我们可以将其视为对信号幅值在其平均值上下波动的剧烈程度的量化反映。重心频率为：

其中，f_i为频率，p_i为频率对应幅值，

主频率为：

其中，f_i为频率，p_i为频率对应幅值。

均方频率为：

其中，f_i为频率，p_i为频率对应幅值。

本发明另一实施例中模型训练的具体方法为：

标记训练样本与标记测试样本为按照7：3比例选取，即标记数据集中随机抽取70％数据为训练样本，剩下30％为测试样本。

其中，高斯分量数量根据实际实验数据集所设置，即根据各种事件信号特点选取合适的高斯分量数量。利用K-means算法初始化高斯混合模型参数，然后建立高斯混合模型，记录生成的观测值概率。

将获取到五种的实验事件训练样本集分别输入到HMM模型中进行训练，总共进行了3次迭代，模型符合最终收敛条件。得到五种模型，分为埋地模型库和栅栏模型库。

将五种事件测试样本集分类别输入模型库验证模型准确率，即埋地扰动类型信号：人走，大货车经过；栅栏扰动类型信号：人为攀爬，人为敲打栅栏，风雨拍打栅栏，精度达到要求则得到最终的GMM-HMM模型。

将得到的模型库放入系统进行在线判别，得到第二判断结果：事件类型。

数据库采取键值对存储第二判断结果，若是人为事件采用1作为标识，非人为事件采用0作为标识，系统得到最新的第二判断结果，按类别进行数据库查询历史第二判断结果，如系统得到最新的第二判断结果为埋地事件，则进行数据库查询相邻范围栅栏历史事件，原理为：如果人为经过两个光缆引起两种类型人为事件则判定为入侵，若仅为单类型事件则判定为未入侵。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (11)

1.一种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，其特征在于，包括以下步骤：

S1、分别在栅栏上和栅栏埋地处各铺设一根光栅阵列光缆，每根光栅阵列光缆上包括多个测区，每个测区的中心波长不同；

S2、实时采集每个测区的振动数据，并根据初始阈值判断测区是否发生异常振动，若是则进入事件识别判断；

S3、根据振动数据分析异常振动影响不同测区所呈现的高斯分布关系，选取该测区所在光栅阵列光缆的时序数据流中与高斯关系相对应的观测序列，对观测序列按时间帧进行处理，并提取处理后的振动数据的时频域混合特征，再进行时频域混合特征归一化，得到特征向量数据；

S4、将特征向量数据输入训练好的高斯-隐马尔可夫混合模型库，进行周界在线入侵事件识别，得到入侵识别结果。

2.根据权利要求1所述的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，其特征在于，高斯-隐马尔可夫混合模型库的训练过程包括：

利用预先采集的实验数据样本，根据每个实验数据样本分别分析振动影响不同测区所呈现的高斯分布关系，得到与高斯关系相对应的该测区所在光栅阵列光缆的时序数据流生成的多个观测序列，对每一个观测序列按时间帧进行处理，并提取处理后的振动数据时频域混合特征，再进行归一化，得到对应实验数据样本的特征向量数据；

将对应实验数据样本的特征向量数据标记为训练样本和测试样本；

利用混合高斯模型特性将每一个事件所对应的训练样本进行聚类，并拟合估计多种事件各自对应的高斯-隐马尔可夫混合模型GMM-HMM的观测值概率；

将标记的多种事件训练样本分别输入不同的隐马尔可夫HMM模型分别计算出对应事件的隐马尔可夫HMM模型的初始状态概率以及状态转移概率，然后验证模型参数是否符合迭代条件，若是，得到高斯-隐马尔可夫混合模型，否则将计算得出的参数值作为初始值继续训练；

采用测试样本对得到的高斯-隐马尔可夫混合模型进行模型评估，若评估结果符合预期则得到最终的高斯-隐马尔可夫混合模型；

将获取到的最终的几种高斯-隐马尔可夫混合模型存入事件模型库。

3.根据权利要求1所述的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，其特征在于，该方法还包括步骤：

S5、分析一定时间范围阈值内的栅栏和埋地光栅阵列的入侵识别结果，如果两者在阈值时间都出现有疑似入侵事件则标记为入侵，系统进行报警，提示人为进行处理；如果两者在阈值时间内只有一个或者没有疑似入侵事件则标记为正常，系统进行预警，但无需人为处理。

4.根据权利要求1所述的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，其特征在于，步骤S3中，具体对观测序列按固定数据集长度进行分割，求数据集7维特征并进行均一化得到特征向量数据，7维特征具体包括重心频率、主频率、均方频率、过零率、峭度、脉冲因子、方差。

5.根据权利要求1所述的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，其特征在于，光栅阵列光缆上每5米为一个测区，振动数据采集频率为1000HZ。

6.根据权利要求1所述的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，其特征在于，入侵识别结果包括埋地扰动和栅栏扰动，其中埋地扰动包括：人为行走、大货车经过；栅栏扰动包括：人为攀爬栅栏，人为敲打栅栏，风吹栅栏。

7.根据权利要求1所述的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，其特征在于，步骤S2中采集每个测区的振动数据是对t时间内产生的数据进行预处理，并打包成一个T*L的数据包存放在缓冲区，其中T为短时间内单个测区产生的数据量，L为沿线的测区数量。

8.根据权利要求7所述的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，其特征在于，预处理采用差分去噪法对采集的振动数据进行去噪，排除测区自身偏振的影响。

9.根据权利要求1所述的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，其特征在于，观测序列选取具体为：

根据振动影响不同测区呈现的高斯分布关系，并结合隐马尔可夫模型特点做出的两个基本假设：样本帧序列齐次性假设和相邻样本帧相关性假设，将采集的二维的振动数据的多个测区的样本帧序列进行选择重组以得到观测序列。

10.根据权利要求2所述的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，其特征在于，对实验采集的训练样本进行聚类具体为：将不同事件生成的训练样本进行聚类，由于HMM中包含事件的若干个状态，因此假设高斯分量个数是K，则聚类簇的个数也为K，隐马尔可夫模型HMM中的每一个状态用一个高斯分量表征，则混合高斯模型可表示为：

其中c_k称为混合系数，即各高斯分量权重，N(x|μ_k，∑_k)表示第k个高斯分量的概率密度函数，x为样本，μ_k为每个高斯分量的均值，∑_k为每个高斯分量的协方差，K为高斯分量个数。

11.根据权利要求2所述的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，其特征在于，计算得出GMM-HMM模型参数后，进行训练样本识别流程具体为：对于训练好的隐马尔可夫模型λ＝(π，A，B)，其中π为观测值概率，A为状态转移概率，B为初始状态概率，给定观测序列O＝{o₁，o₂，...，o_T}，利用Viterbi算法估计出该给定观测序列下最有可能符合它的事件状态序列，从而分类出该观测序列所属事件类别。

Images