CN116504005B - 一种基于改进CDIL-Bi-LSTM的周界安防入侵信号识别方法 - Google Patents
一种基于改进CDIL-Bi-LSTM的周界安防入侵信号识别方法 Download PDFInfo
- Publication number
- CN116504005B CN116504005B CN202310512549.8A CN202310512549A CN116504005B CN 116504005 B CN116504005 B CN 116504005B CN 202310512549 A CN202310512549 A CN 202310512549A CN 116504005 B CN116504005 B CN 116504005B
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- cdil
- lstm
- output
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000013307 optical fiber Substances 0.000 claims abstract description 32
- 230000003287 optical effect Effects 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000012706 support-vector machine Methods 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 239000000835 fiber Substances 0.000 claims abstract description 8
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 12
- 125000004122 cyclic group Chemical group 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000009194 climbing Effects 0.000 claims description 6
- 238000000227 grinding Methods 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 4
- 230000010339 dilation Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 8
- 238000007781 pre-processing Methods 0.000 abstract description 5
- 238000010276 construction Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 69
- 238000013527 convolutional neural network Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 9
- 230000004927 fusion Effects 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 230000002457 bidirectional effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000002679 ablation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000006386 memory function Effects 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
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000011241 protective layer Substances 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/02—Mechanical actuation
- G08B13/12—Mechanical actuation by the breaking or disturbance of stretched cords or wires
- G08B13/122—Mechanical actuation by the breaking or disturbance of stretched cords or wires for a perimeter fence
- G08B13/124—Mechanical actuation by the breaking or disturbance of stretched cords or wires for a perimeter fence with the breaking or disturbance being optically detected, e.g. optical fibers in the perimeter fence
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Burglar Alarm Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及周界安防技术领域具体涉及基于改进CDIL‑Bi‑LSTM的周界安防入侵信号识别方法,包括以下步骤:S1、选择基于相位敏感光时域反射技术的光纤分布式振动或声波传感系统进行系统搭建;S2、采用单模光纤作为探测光缆随着周界围栏敷设,通过人员对事件进行数据采集;S3、对数据降噪处理后分别打标签,各类事件分别对应相应的标签,构建数据集;S4、将单道时域数据输入CDIL层,并融合Bi‑LSTM层输出的结果与CDIL层输出的结果,通过支持向量机对待测事件进行识别分类。本发明预处理操作简单,只需要对数据进行小波去噪与数据切分,不需要进行大量的预处理操作,保证了数据的有效性和真实性,且保证了识别效果的准确性。
Description
技术领域
本发明涉及周界安防技术领域,具体涉及一种基于改进CDIL-Bi-LSTM的周界安防入侵信号识别方法。
背景技术
传统的周界安防系统主要通过视频监控、红外线对射、电子围栏等方式对入侵行为进行监测,但是这些传统的安防解决策略存在抗电磁干扰能力差、检测范围小、维护成本高等缺点。光纤分布式振动传感技术以其连续性、经济性和安全性等特点,在长距离、大范围,对安全性、维护性要求高的领域,具有独特的优势,已经广泛应用于长距离管线、边境线等周界安防监测项目。
在深度学习发展之前,最初业内学者和专家通过机器学习算法进行光纤分布式振动传感信号模式识别,支持向量机(SVM)算法应用最为广泛,误差反向传播(BP)算法、决策树、随机森林(RF)、极限学习机(ELM)、随机向量函数链(RVFL)、最近邻分类网络(KNN)等机器学习算法均实现了一定的分类效果。在中国发明专利授权说明书CN111649817B中公开了一种分布式光纤振动传感器系统及其模式识别方法,对分布式光纤振动传感器采用相干探测方法检测获得震动点处的振动信号后,通过SVM分类器对入侵事件进行分类,实现了分布式光纤传感器的智能模式识别。但是,传统的机器学习算法需要事先人为地定义一些特征,需要专业知识又耗费时间。深度学习出现之后,国内外相关专家将深度学习和分布式光纤传感器相结合,对多种事件的发生进行模式识别,并且得到很好的识别效果。在中国发明专利申请公开说明书CN115687994A中公开了一种基于卷积神经网络(CNN)的光纤事件识别分类方法,该方法采用改进的CNN模型作为分类器,自动地提取数据特征,一次性、端到端地解决了光纤周界安防中的事件识别问题。但是传统的CNN存在着不能提取全局特征、学习到的信息量较少、没有记忆功能的缺点,导致模型容易拟合训练数据,事件识别过程中忽略了真实情况,从而影响模型的泛化能力。
在深度学习发展之前,基于特征提取的机器学习方法被广泛用于识别各种入侵信号,尽管这种方法可以采用一种高效的特征提取方法来改善识别率,但人工提取的特征具有很强的针对性,一旦外部环境发生改变,它们可能就不再有效。而通过深度学习的神经网络结构可以自动学习到更多的特征信息,其强大的学习能力也使得它可以通过多个神经网络层来表达复杂的函数,扩展出新的计算空间,从而解决一系列复杂的问题。因此,采用CNN的深度学习,可以有效地进行入侵信号分类,有许多研究已经聚焦于利用神经网络的技术进行光纤分布式传感器中的事件识别。然而,大多数神经网络会使用二维(2-D)卷积核来构建卷积层,因此,为了处理一维(1-D)传感信号,学者们总是把原始信号通过时频分析转换成二维图像或数据矩阵,但是这会导致计算成本变得较高。为了提高算法效率,研究者们采用一种基于一维卷积神经网络(1-D CNN)的实时分布式深度学习网络模型,可以捕获更多一维时间序列的特征,具有比传统的二维卷积神经网络更好的实时处理能力和更高的计算效率。然而,浅层的1-D CNN仍无法有效抓取1-D时间序列的全部信息,因此还需要对其进行进一步优化,以提高信号识别的准确率,同时降低误报率(FAR)。
发明内容
针对现有技术的不足,本发明提供一种基于改进CDIL-Bi-LSTM的周界安防入侵信号识别方法。
本发明是通过如下技术方案实现的:
提供一种基于改进CDIL–Bi-LSTM的周界安防入侵信号识别方法,包括以下步骤:
S1、选择基于相位敏感光时域反射技术的光纤分布式振动或声波传感系统搭建信号识别系统;
S2、采用单模光纤作为探测光缆随着周界敷设,拟定大风、电钻、攀爬、敲击、摇晃和锯磨至少六类事件,通过人员对各事件进行数据采集;
S3、数据降噪处理后分别打标签,各类事件分别对应相应的标签,将数据矩阵划分成每组一个独立事件的单道时域数据,并按照7:3的比例划分训练集和验证集,构建数据集;
S4、将单道时域数据输入CDIL层,将输入层的输出结果传给第一个一维卷积层,第一个一维卷积层使用大小为3的一维卷积核,步长为1,采用循环填充作为填充模型,扩展尺寸为1,得到卷积结果;
将第一个一维卷积层输出的结果传给第二个一维卷积层,第二个一维卷积层使用大小为1的一维卷积核,步长为1,得到卷积结果;
将第二个一维卷积层输出的结果传给Batch Normalization层,BatchNormalization层将上一层的输出分布在均值为0,方差为1的情况下做归一化操作,将数据x映射成,通过平均值/>和方差/>对每个Batch进行归一化,公式为:
将Batch Normalization层的输出结果使用Leaky ReLu函数进行激活,得到CDIL层的输出结果C(x),并作为Bi-LSTM层的输入;
Bi-LSTM层对输入对特征进一步地提取,其输入特征以正序和逆序方式输入至2个LSTM网络,将2个输出向量拼接后形成的向量作为最终特征表达即得到Bi-LSTM层输出结果Bi(x);
将Bi-LSTM层输出的结果Bi(x)与CDIL层输出的结果C(x)进行融合,计算出的输出H(x)为:
H(x)=C(x)+Bi(x)
将输出的结果H(x)传给线性层,每个结果给出初步分类逻辑,然后通过平均池化层聚合各个逻辑,最后通过支持向量机对待测事件进行识别分类。
进一步的,在步骤S2中,探测光缆一端连接光纤分布式振动或声波传感主机,数据采集的采样频率为100-10000Hz,每类事件采样时间为5-10min,事件的频率为3s一次。
进一步的,在步骤S3中,降噪处理以小波去噪方式进行,利用小波变换把信号分解到各个尺度中,通过设定阈值的方法在每一个尺度下把属于噪声的小波系数去掉,并保留属于信号的小波系数,最后经过小波逆变换恢复信号数据。
进一步的,在步骤S4中,CDIL层采用对称卷积,使用随着网络深度增加的膨胀卷积,以指数方式增加膨胀尺寸,即:
dl=2l-1,
式中:dl为第一个卷积层的膨胀尺寸,设第l层卷积的一维输入序列[a1,a2,...,aN],对于时间步t(1≤t≤N)处的卷积输出为:
式中:K为卷积核的大小,w(l)是第l层的卷积系数。深度网络和指数扩张的融合,让感受野可以有效、快速地扩大,网络可以自主适应任何长度的时间序列,一次性提取全局特征,在大规模数据集上具有十分准确的识别效果。在信号识别的过程中,模型能够更好地捕捉信号数据的整体结构,从而提高其识别的准确性。需要个CDIL层来实现序列长度的完整感受野。CDIL层还通过循环填充来缓冲边界效应,更加稳健地处理了数据移动,并且降低了对绝对位置信息的敏感度。
在本发明中,CDIL层包括两个一维卷积层、Batch Normalization层、非线性激活层和扩张运算模块,其中:第一个卷积层使用大小为3的一维卷积核,步长为1,填充模型为循环填充;第二个一维卷积层使用大小为1的一维卷积核,步长为1;非线性激活层使用Leaky ReLu函数作为激活函数。
为了缓解内部协变量偏移现象并提高特征提取能力,增加了BatchNormalization(BN),BN层是深度神经网络中常用的一种正则化技术,它能有效地抑制梯度消失和梯度爆炸,从而提高模型性能、加快收敛速度。该技术的基本原理是在每一层前对输入数据进行均值和方差标准化,然后再进行计算,最后再将输出数据放缩和偏移,以使数据分布更为稳定。用Leaky ReLU替换了ReLU激活函数,在输入值小于0时,Leaky ReLU函数能够计算得出梯度值,缓解了梯度消失问题,更好地捕捉小值,从而提高了神经网络的性能。
作为优选,神经网络模型中加入有空间注意力机制。在网络模型中加入空间注意力机制,通过自动学习空间特征的重要性,提高模型的表示能力和泛化能力,提升深度神经网络性能。
本发明的有益效果:
一、本发明将循环扩张卷积神经网络引入光纤分布式传感器信号识别,针对高采样率的光纤分布式振动或声波的动态信号,与现有技术中深度学习算法不同,循环扩张卷积神经网络可以自适应扩展到任意长的时间序列上,能够一次性提取全局特征,在大规模数据集上具有十分准确的识别效果,在光纤分布式振动传感信号识别的过程中模型能够更好地捕捉信号数据的整体结构,从而提高其识别的准确性。在网络中加入BatchNormalization层加速模型训练和收敛速度,使用Leaky ReLu函数进行激活解决ReLU神经元在训练时出现的死亡ReLU问题。为了更好地优化分类,我们将softmax层替换为多分类SVM分类器,SVM在大规模数据集上可以有效地处理高维特征,提升模型的泛化能力,减弱过拟合的影响,其决策边界更加稳定,在变化的数据分布中也能更好地拟合。
二、本发明将循环扩张卷积神经网络与双向长短时记忆网络(Bi-LSTM)进行特征融合,其中双向长短时记忆网络的输出是通过同时计算前后的序列信息得到,因此更具有鲁棒性,解决了单一的循环扩张卷积神经网络模型不能对从后到前的信息进行编码导致无法学习当前特征项与后面特征项之间的关联的问题,在光纤分布式振动传感信号识别过程中模型可以发现数据之间的潜在关系,准确识别出相关性强的特征,提高识别的准确率,最后与循环扩张卷积神经网络提取的特征进行融合,防止特征退化,能解决光纤分布式振动传感信号识别过程中模型存在过拟合和欠拟合的情况的问题,导致模型性能不佳的问题。
三、使用时间序列分类任务的CDIL-CNN引入光纤分布式信号识别中,并提出一种基于特征融合的信号识别方法,将改进后的CDIL-CNN与Bi-LSTM相融合,针对高采样率的光纤分布式声波传感动态信号,与传统的1-D CNN不同,CDIL-CNN可以自适应扩展到超长的时间序列(长度大于等于1000)上,能够一次性提取全局特征,在光纤分布式声波传感信号识别的过程中模型能够更好地捕捉信号数据的整体结构,实现对DAS系统的高精度事件分类。
四、本发明的预处理操作简单,只需要对数据进行小波去噪与数据切分,不需要进行大量的预处理操作,保证了数据的有效性和真实性,且保证了识别效果的准确性。通过消融实验对网络模型进行了训练测试和对比,所提出的方法对周界安防情景下的大风、电钻、锯磨、攀爬、敲击、摇晃六种真实扰动事件的平均检测精度可以达到99%以上。
附图说明
图1为本发明中周界安防入侵信号识别方法的流程图;
图2为本发明的信号识别算法流程图;
图3为基于光纤分布式声波传感的系统原理图;
图4为本发明中围栏光缆铺设图;
图5为本发明的特征融合过程;
图6为本发明中周界安防围栏处采集的大风事件对应的时域图;
图7为本发明中周界安防围栏处采集的电钻事件对应的时域图;
图8为本发明中周界安防围栏处采集的锯磨事件对应的时域图;
图9为本发明中周界安防围栏处采集的攀爬事件对应的时域图;
图10为本发明中周界安防围栏处采集的敲击事件对应的时域图;
图11为本发明中周界安防围栏处采集的摇晃事件对应的时域图。
图中所示:
201光纤分布式声波传感信号采集,202小波去噪,203信号数据分割提取,204标签分类制作数据集,205输入层,206循环扩张卷积模块,207双向长短时记忆网络层,208特征融合层,209平均集成学习模块,210输出层,211一维卷积层,212Batch Normalization层,213扩张运算模块,214非线性激活层,215线性层,216平均池化层,3超窄线宽激光器,4声光调制器,5掺铒光纤放大器,6环形器,7光电探测器,8数据采集卡,9上位机。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式,对本方案进行阐述。
一种基于改进CDIL-Bi-LSTM的周界安防入侵信号识别方法,包括以下步骤:
以一道围栏为具体实例,基于特征融合的周界安防入侵信号识别方法的整体流程图参考图1。具体的信号处理方法和深度学习网络结构参考图2。
S1、选择基于相位敏感光时域反射技术的光纤分布式声波传感系统作为周界安防入侵信号识别的主要系统进行整套系统搭建。
本实施例的光纤分布式声波传感系统原理参考图3,系统中主要用到的设备包括超窄线激光器3、声光调制器4、掺铒光纤放大器5、环形器6、光电探测器7、数据采集卡8、上位机9。本实施例系统采用线宽为5kHz的窄线激光器作为光源,由超窄线宽激光器3产生一路连续相干光信号,经声光调制器4调制成光脉冲信号,产生一个频移60mhz的光脉冲序列,光脉冲信号由掺铒光纤放大器5集中放大,放大后的光脉冲信号经环形器6的端口I、端口II注入探测光缆,光脉冲信号沿光缆传输过程产生瑞利散射,其后向瑞利散射光信号沿光缆返回,由环形器6的端口II、端口III接收后进入光电探测器7,由100MHZ的数据采集卡8将信号进行采集,引入的相位变化信息,通过相位解调获得声波及振动在光纤上的作用信号,通过个人电脑或存储设备将事件信号进行存储。
S2、采用单模光纤作为探测光缆随着周界围栏进行敷设,收集大风、电钻、锯磨、攀爬、敲击、摇晃等入侵事件样本,形成事件数据采集。在本实施例中,将单模光纤按照图4的方式进行光缆铺设,即一节围栏水平敷设,一节围栏竖直敷设,以每节围栏形成三个弯曲的回路水平竖直交错地全面地敷设在围栏上。传输光缆由光纤、加强层、保护层组成,光缆敷设后,通过光纤分布式声波传感系统对数据进行采集,在围栏处采集入侵事件,包括但不限于大风、电钻、锯磨、攀爬、敲击、摇晃等事件,并将数据以数值的格式保存在列表中,每个列表保存单个事件的单次采集数据,并存储于移动硬盘中便于保存。本实施例光纤分布式声波传感系统的采样频率为2500Hz,每种事件采集事件为5~10min。
S3、对采集到的数据通过小波去噪的方式进行信号降噪处理。根据周界围栏处采集信号的参数提取出单模光纤通道中的时间数据,并通过小波去噪的方法对数据进行降噪处理。去噪后的数据进行切分并标记标签,制作数据集。本实施例中对数据以7500个数据为一组进行分割和提取,每组约3s为一个完整事件,提取的单道时域数据图参考图6-11,后对信号数据进行打标签操作,按照7:3的比例划分训练集和验证集,构建数据集。
S4、将单道时域数据输入CDIL层,将输入层的输出结果传给第一个一维卷积层,第一个一维卷积层使用大小为3的一维卷积核,步长为1,采用循环填充作为填充模型,扩展尺寸为1,得到卷积结果。
将第一个一维卷积层输出的结果传给第二个一维卷积层,第二个一维卷积层使用大小为1的一维卷积核,步长为1,得到卷积结果。
将第二个一维卷积层输出的结果传给Batch Normalization层,BatchNormalization层将上一层的输出分布在均值为0,方差为1的情况下做归一化操作,将数据x映射成,通过平均值/>和方差/>对每个Batch进行归一化,公式为:
将Batch Normalization层的输出结果使用Leaky ReLu函数进行激活,得到激活结果。
将每个扩张卷积模块输出的结果作为双向长短时记忆网络层的输入对特征进一步地提取,双向长短时记忆网络层为输入序列分别以正序和逆序输入至2个LSTM网络进行特征提取,将2个输出向量进行拼接后形成的向量作为最终特征表达。
将双向长短时记忆网络层输出的结果Bi(x)与循环扩张卷积神经网络输出的结果C(x)进行融合,计算出的输出H(x)为:
H(x)=C(x)+Bi(x)
以残差网络结构,对特征进行融合,如图5所示,将CDIL网络层的输出作为Bi-LSTM网络层的输入,以挖掘更多的特征,同时保留CDIL层中提取出的特征,最后与Bi-LSTM层捕获的双向特征融合,这样的处理可以防止特征衰减。
将输出的结果H(x)传给线性层,每个结果给出初步分类逻辑,然后通过平均池化层聚合各个逻辑,最后通过支持向量机对待测事件进行识别分类。
按照图2中的特征融合网络算法结构对算法进行模型搭建用于信号识别分类。将制作的数据集与标签在基于特征融合的神经网络模型进行训练,通过调节训练轮数、批次量大小、学习率等参数进行参数优化,将模型训练过程中效果最好的权重参数保存用于周界安防入侵信号识别。
本发明中收集了六个事件共7200个单道时间序列的数据样本,每个样本尺寸为10k×1,并且按照7:3的比例划分训练集和验证集,且两个数据集没有直接交集。
为了构建改进CDIL-BiLSTM网络,利用PyTorch平台,它提供了丰富的神经网络功能接口,使得网络的构建过程变得更加迅速。实验中,我们使用交叉熵作为多分类问题的通用损失函数,并采用Adam优化器来训练网络模型,学习率(LR)为0.001,批量大小为64,共执行50个迭代时期。模型训练过程有效地利用了三个NVIDIA A100 Tensor Core GPUs的强大计算能力,使得模型训练效率大大提升。
本发明改进CDIL-BiLSTM网络模型的架构图如下:
消融实验对比结果如下:
对比实验结果如下:
当然,上述说明也并不仅限于上述举例,本发明未经描述的技术特征可以通过或采用现有技术实现,在此不再赘述;以上实施例及附图仅用于说明本发明的技术方案并非是对本发明的限制,参照优选的实施方式对本发明进行了详细说明,本领域的普通技术人员应当理解,本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换都不脱离本发明的宗旨,也应属于本发明的权利要求保护范围。
Claims (3)
1.一种基于改进CDIL-Bi-LSTM的周界安防入侵信号识别方法,其特征在于:包括以下步骤:
S1、选择基于相位敏感光时域反射技术的光纤分布式振动或声波传感系统搭建信号识别系统;
S2、采用单模光纤作为探测光缆随着周界敷设,拟定大风、电钻、攀爬、敲击、摇晃和锯磨至少六类事件,通过人员对各事件进行数据采集;
S3、数据降噪处理后分别打标签,各类事件分别对应相应的标签,将数据矩阵划分成每组一个独立事件的单道时域数据,并按照7:3的比例划分训练集和验证集,构建数据集;
S4、将单道时域数据输入CDIL层,将输入层的输出结果传给第一个一维卷积层,第一个一维卷积层使用大小为3的一维卷积核,步长为1,采用循环填充作为填充模型,扩展尺寸为1,得到卷积结果;CDIL层采用对称卷积,使用随着网络深度增加的膨胀卷积,以指数方式增加膨胀尺寸,即:
dl=2l-1,
式中:dl为第一个卷积层的膨胀尺寸,设第l层卷积的一维输入序列[a1,a2,...,aN],对于时间步t(1≤t≤N)处的卷积输出为:
式中:K为卷积核的大小,ω(l)是第l层的卷积系数;
将第一个一维卷积层输出的结果传给第二个一维卷积层,第二个一维卷积层使用大小为1的一维卷积核,步长为1,得到卷积结果;
将第二个一维卷积层输出的结果传给Batch Normalization层,Batch Normalization层将上一层的输出分布在均值为0,方差为1的情况下做归一化操作,将数据x映射成通过平均值/>和方差/>对每个Batch进行归一化,公式为:
将Batch Normalization层的输出结果使用Leaky ReLu函数进行激活,得到CDIL层的输出结果C(x),并作为Bi-LSTM层的输入;
Bi-LSTM层对输入对特征进一步地提取,其输入特征以正序和逆序方式输入至2个LSTM网络,将2个输出向量拼接后形成的向量作为最终特征表达即得到Bi-LSTM层输出结果Bi(x);
将Bi-LSTM层输出的结果Bi(x)与CDIL层输出的结果C(x)进行融合,计算出的输出H(x)为:
H(x)=C(x)+Bi(x)
将输出的结果H(x)传给线性层,每个结果给出初步分类逻辑,然后通过平均池化层聚合各个逻辑,最后通过支持向量机对待测事件进行识别分类。
2.根据权利要求1所述的基于改进CDIL-Bi-LSTM的周界安防入侵信号识别方法,其特征在于:在步骤S2中,探测光缆一端连接光纤分布式振动或声波传感主机,数据采集的采样频率为100-10000Hz,每类事件采样时间为5-10min,事件的频率为3s一次。
3.根据权利要求1所述的基于改进CDIL-Bi-LSTM的周界安防入侵信号识别方法,其特征在于:在步骤S3中,降噪处理以小波去噪方式进行,利用小波变换把信号分解到各个尺度中,通过设定阈值的方法在每一个尺度下把属于噪声的小波系数去掉,并保留属于信号的小波系数,最后经过小波逆变换恢复信号数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310512549.8A CN116504005B (zh) | 2023-05-09 | 2023-05-09 | 一种基于改进CDIL-Bi-LSTM的周界安防入侵信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310512549.8A CN116504005B (zh) | 2023-05-09 | 2023-05-09 | 一种基于改进CDIL-Bi-LSTM的周界安防入侵信号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116504005A CN116504005A (zh) | 2023-07-28 |
CN116504005B true CN116504005B (zh) | 2024-02-20 |
Family
ID=87319992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310512549.8A Active CN116504005B (zh) | 2023-05-09 | 2023-05-09 | 一种基于改进CDIL-Bi-LSTM的周界安防入侵信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116504005B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118051830B (zh) * | 2024-04-16 | 2024-06-25 | 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 (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309797A (zh) * | 2019-07-05 | 2019-10-08 | 齐鲁工业大学 | 融合CNN-BiLSTM模型和概率协作的运动想象识别方法及系统 |
KR102021441B1 (ko) * | 2019-05-17 | 2019-11-04 | 정태웅 | 인공지능을 이용한 영상 기반의 실시간 침입 감지 방법 및 감시카메라 |
CN110570613A (zh) * | 2019-09-18 | 2019-12-13 | 广州亓行智能科技有限公司 | 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 |
CN111104891A (zh) * | 2019-12-13 | 2020-05-05 | 天津大学 | 基于BiLSTM的复合特征光纤传感扰动信号模式识别方法 |
CN111970309A (zh) * | 2020-10-20 | 2020-11-20 | 南京理工大学 | 基于Spark车联网组合深度学习入侵检测方法及系统 |
CN113132399A (zh) * | 2021-04-23 | 2021-07-16 | 中国石油大学(华东) | 一种基于时间卷积网络和迁移学习的工业控制系统入侵检测方法 |
CN114199362A (zh) * | 2021-12-17 | 2022-03-18 | 齐鲁工业大学 | 一种分布式光纤振动传感器模式识别的方法 |
CN114510960A (zh) * | 2021-12-28 | 2022-05-17 | 齐鲁工业大学 | 一种分布式光纤传感器系统模式识别的方法 |
CN114510992A (zh) * | 2021-12-27 | 2022-05-17 | 上海梦象智能科技有限公司 | 一种基于深度学习的设备开关状态检测方法 |
CN114841202A (zh) * | 2022-04-24 | 2022-08-02 | 浙江浙能天然气运行有限公司 | 一种用于分布式光纤管道入侵检测的深度学习模式识别方法 |
WO2023010658A1 (zh) * | 2021-08-06 | 2023-02-09 | 大连理工大学 | 一种基于时间扩张卷积网络的压气机旋转失速预警方法 |
CN115759395A (zh) * | 2022-11-15 | 2023-03-07 | 广东电网有限责任公司 | 光伏检测模型的训练、光伏发电的检测方法及相关装置 |
CN115859190A (zh) * | 2022-11-12 | 2023-03-28 | 上海梦象智能科技有限公司 | 一种基于因果关系的非侵入式家庭电气分类方法 |
US11630996B1 (en) * | 2017-06-23 | 2023-04-18 | Virginia Tech Intellectual Properties, Inc. | Spectral detection and localization of radio events with learned convolutional neural features |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11669779B2 (en) * | 2019-04-05 | 2023-06-06 | Zscaler, Inc. | Prudent ensemble models in machine learning with high precision for use in network security |
-
2023
- 2023-05-09 CN CN202310512549.8A patent/CN116504005B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11630996B1 (en) * | 2017-06-23 | 2023-04-18 | Virginia Tech Intellectual Properties, Inc. | Spectral detection and localization of radio events with learned convolutional neural features |
KR102021441B1 (ko) * | 2019-05-17 | 2019-11-04 | 정태웅 | 인공지능을 이용한 영상 기반의 실시간 침입 감지 방법 및 감시카메라 |
CN110309797A (zh) * | 2019-07-05 | 2019-10-08 | 齐鲁工业大学 | 融合CNN-BiLSTM模型和概率协作的运动想象识别方法及系统 |
CN110570613A (zh) * | 2019-09-18 | 2019-12-13 | 广州亓行智能科技有限公司 | 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 |
CN111104891A (zh) * | 2019-12-13 | 2020-05-05 | 天津大学 | 基于BiLSTM的复合特征光纤传感扰动信号模式识别方法 |
CN111970309A (zh) * | 2020-10-20 | 2020-11-20 | 南京理工大学 | 基于Spark车联网组合深度学习入侵检测方法及系统 |
CN113132399A (zh) * | 2021-04-23 | 2021-07-16 | 中国石油大学(华东) | 一种基于时间卷积网络和迁移学习的工业控制系统入侵检测方法 |
WO2023010658A1 (zh) * | 2021-08-06 | 2023-02-09 | 大连理工大学 | 一种基于时间扩张卷积网络的压气机旋转失速预警方法 |
CN114199362A (zh) * | 2021-12-17 | 2022-03-18 | 齐鲁工业大学 | 一种分布式光纤振动传感器模式识别的方法 |
CN114510992A (zh) * | 2021-12-27 | 2022-05-17 | 上海梦象智能科技有限公司 | 一种基于深度学习的设备开关状态检测方法 |
CN114510960A (zh) * | 2021-12-28 | 2022-05-17 | 齐鲁工业大学 | 一种分布式光纤传感器系统模式识别的方法 |
CN114841202A (zh) * | 2022-04-24 | 2022-08-02 | 浙江浙能天然气运行有限公司 | 一种用于分布式光纤管道入侵检测的深度学习模式识别方法 |
CN115859190A (zh) * | 2022-11-12 | 2023-03-28 | 上海梦象智能科技有限公司 | 一种基于因果关系的非侵入式家庭电气分类方法 |
CN115759395A (zh) * | 2022-11-15 | 2023-03-07 | 广东电网有限责任公司 | 光伏检测模型的训练、光伏发电的检测方法及相关装置 |
Non-Patent Citations (6)
Title |
---|
A Fiber Vibration Signal Recognition Method Based on CNN-CBAM-LSTM;Jingcheng Huang;applied sciences;第17卷(第12期);8478-8489 * |
Classification of long sequential data using circular dilated convolutional neural networks;Lei Cheng;Neurocomputing;第2023卷(第518期);50-59 * |
分布式光纤声波地震波勘探技术;王昌;山东科学;第34卷(第4期);1-8 * |
基于CNN-LSTM 混合神经网络的高速铁路地震响应预测;张学兵;湘潭大学学报;1-13 * |
基于卷积长短期记忆全连接深度神经网络的光纤振动传感事件识别;周子纯;光学学报;第41卷(第13期);139-147 * |
基于深度学习的声纹识别方法研究;黄莺莺;中国优秀硕士学位论文全文数据库信息科技辑(第8期);110-136 * |
Also Published As
Publication number | Publication date |
---|---|
CN116504005A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108932480B (zh) | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 | |
CN109214349B (zh) | 一种基于语义分割增强的物体检测方法 | |
CN110995339B (zh) | 一种分布式光纤传感信号时空信息提取与识别方法 | |
CN116504005B (zh) | 一种基于改进CDIL-Bi-LSTM的周界安防入侵信号识别方法 | |
CN101893704A (zh) | 一种基于粗糙集的雷达辐射源信号识别方法 | |
CN111859010B (zh) | 一种基于深度互信息最大化的半监督音频事件识别方法 | |
CN116579616B (zh) | 一种基于深度学习的风险识别方法 | |
CN112508014A (zh) | 一种基于注意力机制的改进YOLOv3目标检测方法 | |
CN110599459A (zh) | 基于深度学习的地下管网风险评估云系统 | |
CN112766223B (zh) | 基于样本挖掘与背景重构的高光谱图像目标检测方法 | |
CN113920472A (zh) | 一种基于注意力机制的无监督目标重识别方法及系统 | |
CN110599458A (zh) | 基于卷积神经网络的地下管网检测评估云系统 | |
CN116958688A (zh) | 一种基于YOLOv8网络的目标检测方法及系统 | |
CN115859186A (zh) | 基于格拉米角场的分布式光纤传感事件识别方法及系统 | |
CN114187546B (zh) | 组合性动作识别方法及系统 | |
Yaman et al. | Image processing and machine learning‐based classification method for hyperspectral images | |
CN113034543B (zh) | 一种基于局部注意力机制的3D-ReID多目标追踪方法 | |
CN115147727A (zh) | 一种遥感影像不透水面提取方法及系统 | |
Wang et al. | Sonar Objective Detection Based on Dilated Separable Densely Connected CNNs and Quantum‐Behaved PSO Algorithm | |
Yang et al. | Distributed Optical Fiber Sensing Event Recognition Based on Markov Transition Field and Knowledge Distillation | |
He et al. | Snowflakes removal for single image based on model pruning and generative adversarial network | |
Liu et al. | Peaks fusion assisted early-stopping strategy for overhead imagery segmentation with noisy labels | |
CN116863251B (zh) | 一种分布式光纤传感扰动识别方法 | |
CN116933127A (zh) | 基于残差网络的分布式光纤传感系统模式识别方法 | |
CN114118163B (zh) | 一种基于机器学习的光纤入侵检测方法 |
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 |