CN117034093A - 基于光纤系统的入侵信号识别方法 - Google Patents

Abstract

本申请公开了一种基于光纤系统的入侵信号识别方法，其获取由光纤系统的采集端采集的振动信号；对所述振动信号进行振动波形语义表达以得到多尺度上下文振动信号语义表达特征向量；以及，基于所述多尺度上下文振动信号语义表达特征向量，确定外界入侵行为。这样，通过对来自光纤的振动信号进行特征提取与多尺度分析，从而达到对入侵信号的识别。

Description

基于光纤系统的入侵信号识别方法

技术领域

本申请涉及智能化信号识别技术领域，并且更具体地，涉及一种基于光纤系统的入侵信号识别方法 。

背景技术

随着城市建设发展速度的加快，各种违法、违章行为造成的配网电缆线路绝缘层破坏形成接地短路、不同回路短路等事故层出不穷，在给供电企业造成巨额经济损失的同时，对人们生命财产安全也造成极大的威胁，分析外力破坏发生原因，提出预防措施，尤为重要。

现有的光纤系统的入侵识别方法，多采用对扰动信号进行分析，进而判断是否有入侵信号发生，该方法的缺点是:在环境恶劣，干扰较多的情况下，识别出来的入侵行为类别较为有限，辨识度不高，针对性不强，没有办法满足对配网电缆线路安防监控的需求。

因此，期待一种优化的入侵信号识别方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于光纤系统的入侵信号识别方法，其获取由光纤系统的采集端采集的振动信号；对所述振动信号进行振动波形语义表达以得到多尺度上下文振动信号语义表达特征向量；以及，基于所述多尺度上下文振动信号语义表达特征向量，确定外界入侵行为。这样，通过对来自光纤的振动信号进行特征提取与多尺度分析，从而达到对入侵行为的识别预警，达到安防监控的目的。

第一方面，提供了一种基于光纤系统的入侵信号识别方法，其包括：

获取由光纤系统的采集端采集的振动信号；

对所述振动信号进行振动波形语义表达以得到多尺度上下文振动信号语义表达特征向量；

以及基于所述多尺度上下文振动信号语义表达特征向量，确定外界入侵行为。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为根据本申请实施例的基于光纤系统的入侵信号识别方法的流程图。

图2为根据本申请实施例的基于光纤系统的入侵信号识别方法的架构示意图。

图3为根据本申请实施例的基于光纤系统的入侵信号识别方法中步骤120的子步骤的流程图。

图4为根据本申请实施例的基于光纤系统的入侵信号识别方法中步骤140的子步骤的流程图。

图5为根据本申请实施例的基于光纤系统的入侵信号识别系统的框图。

图6为根据本申请实施例的基于光纤系统的入侵信号识别方法的场景示意图

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。

在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。

应可以理解，振动光纤是一种基于光纤传感技术的振动检测系统，利用光纤的应变效应和光弹效应，通过测量光纤中的振动信号来实现对外界振动的监测和分析。

光纤是一种细长的光导纤维，通常由光纤芯、包层和包覆层组成， 当光纤受到外界振动作用时，光纤的长度、直径和折射率等物理参数会发生变化，从而导致光波的相位和振动特征发生变化。振动光纤系统利用光纤内部的光学传感元件，如光纤光栅或光学衰减器，来测量光纤中的振动信号。

通过对光纤振动信号的分析和处理，可以获得外界振动的相关信息，如振动的频率、幅度、方向等。这些信息可以用于实时监测和识别各种振动事件，如地震、爆炸、机械振动等。振动光纤系统具有高灵敏度、宽频率响应范围、抗干扰能力强等优点，适用于各种环境下的振动监测和结构健康监测等应用领域。振动光纤技术在安防监控、地质勘探、结构健康监测、智能交通等领域具有广泛的应用前景，可以提供重要的数据支持和决策依据。

进一步地，光纤系统具有高灵敏度和快速响应的特点，可以实时监测和识别外界的入侵信号，相比传统的入侵检测系统，光纤系统可以更快速地发现入侵行为，提供更及时的预警。光纤系统可以提供高精度的入侵信号识别，通过对光纤中的振动信号进行特征提取和分析，可以准确地识别不同类型的入侵行为，如人员靠近、物体碰撞等。光纤系统可以实现对大范围区域的监测和识别，由于光纤可以延伸到数公里的距离，可以覆盖较大的周界范围，适用于需要保护的广阔区域，如边境、工业园区等。光纤系统对外界干扰具有较高的抗干扰性能，光纤传输信号不受电磁干扰的影响，可以在复杂的电磁环境中正常工作，提供可靠的入侵信号识别。光纤系统可以实现隐蔽性的入侵信号监测。由于光纤可以沿墙壁、地下等隐蔽位置布设，不易被察觉和破坏，可以有效地防止入侵者的发现和干扰。

基于光纤系统的入侵信号识别技术具有广泛的应用前景，可以在安防监控、边境防护、工业安全等领域发挥重要作用。

针对上述技术问题，本申请的技术构思为对由光纤系统的采集端采集的振动信号进行波形分析，从而实现对外界入侵行为的识别。

应可以理解，振动光纤具有成本低、抗紫外线、抗老化，可适用于不规则周界等特点，非常适合大范围、长距离、环境条件恶劣的野外周界环境。与配电网电缆线路有着极佳的适用吻合度。当受到外界振动时，由于光纤的应变效应和光弹效应，传感光纤收到外界振动作用导致光纤自身长度、直径和折射率发生变化，使光纤中的光相位产生变化，从而使光纤中的光波产生不同的振动，不同的外界运动物对光纤造成的振动特征也各有不同。也就是，本申请的技术构思是利用这一特性，通过对来自光纤的振动信号进行特征提取与多尺度分析，从而达到对入侵行为的识别预警，达到安防监控的目的。

图1为根据本申请实施例的基于光纤系统的入侵信号识别方法的流程图。图2为根据本申请实施例的基于光纤系统的入侵信号识别方法的架构示意图。如图1和图2所示，所述基于光纤系统的入侵信号识别方法，包括：110，获取由光纤系统的采集端采集的振动信号；120，对所述振动信号进行振动波形语义表达以得到多尺度上下文振动信号语义表达特征向量；以及，130，基于所述多尺度上下文振动信号语义表达特征向量，确定外界入侵行为。

其中，在所述步骤110中，确保光纤系统的采集端正常工作，并能够准确地采集到振动信号。光纤传感器的位置和布置需要合理规划，以确保能够覆盖到需要监测的区域。确保采集到的振动信号具有足够的采样率和动态范围，以保证后续的振动波形语义表达和特征提取的准确性和有效性。对于大范围区域的监测，可能需要使用多个光纤传感器进行分布式采集，需要合理设计光纤网络的布局和连接。

在所述步骤120中，进行振动波形语义表达时，可以采用一些信号处理和特征提取的方法，如小波变换、时频分析等，以获得振动信号的特征信息。多尺度上下文振动信号语义表达可以通过对振动信号在不同时间和频率尺度上的分析来实现，这样可以捕捉到不同尺度下的振动特征，提高入侵行为的识别准确性。特征向量的选择和构建需要考虑到振动信号的特点和入侵行为的识别需求，可以采用统计特征、频域特征、时域特征等多种特征。

在所述步骤130中，建立入侵行为的识别模型，可以采用机器学习算法、深度学习算法等方法。通过训练模型，将多尺度上下文振动信号语义表达特征向量与已知的入侵行为进行关联，从而实现对未知入侵行为的识别。建立一个合适的阈值或决策规则，用于判断振动信号是否属于入侵行为，根据具体应用场景和需求，可以设定不同的阈值或采用不同的决策规则。对识别结果进行实时监测和反馈，及时触发警报或采取相应的安全措施，以保障系统的安全性和有效性。

通过上述步骤，可以提供一种基于光纤系统的高效、精准的入侵信号识别方法，可以有效地应对各种入侵行为。而且，多尺度上下文振动信号语义表达特征向量的使用，可以提高入侵行为的识别准确性和鲁棒性。进一步地，光纤系统具有抗干扰性和隐蔽性的特点，可以在复杂环境下进行入侵信号监测，提供可靠的安全保障。

具体地，在所述步骤110中，获取由光纤系统的采集端采集的振动信号。基于此，在本申请的技术方案中，首先获取由光纤系统的采集端采集的振动信号。

振动信号是通过光纤系统的采集端采集的，是由外界物体对光纤产生的振动引起的光强变化所转化而来的。振动信号包含了外界物体的振动特征，通过对振动信号进行分析和处理，可以确定外界入侵行为。

通过分析振动信号的频率、幅值、时域特性等，可以提取出不同外界物体振动产生的特征，这些特征可以用来区分不同类型的入侵行为，如人体步行、车辆行驶等。通过建立模式识别算法，对振动信号进行分类和识别。通过训练算法，可以将不同类型的入侵行为与其对应的振动信号模式进行匹配，从而实现对入侵行为的准确识别。

振动信号可以在多个时间尺度上进行分析，从而得到更加详细和全面的信息，通过不同尺度的分析，可以识别出不同频率范围内的振动信号，进一步提高入侵行为的识别准确性。振动光纤技术可以实现对大范围、长距离的周界环境进行实时监测，通过连续采集和分析振动信号，可以及时发现和报警外界入侵行为，提高安防监控的效果。

振动信号是通过光纤系统采集的关键信息，通过对其进行分析和处理，可以确定外界入侵行为，并实现有效的安防监控。

具体地，在所述步骤120中，对所述振动信号进行振动波形语义表达以得到多尺度上下文振动信号语义表达特征向量。图3为根据本申请实施例的基于光纤系统的入侵信号识别方法中步骤120的子步骤的流程图，如图3所示，对所述振动信号进行振动波形语义表达以得到多尺度上下文振动信号语义表达特征向量，包括：121，对所述振动信号进行信号采样和波形局部特征提取以得到多个局部振动采样窗波形特征向量；以及，122，对所述多个局部振动采样窗波形特征向量进行多尺度语义理解和融合表达以得到所述多尺度上下文振动信号语义表达特征向量。

其中，对振动信号进行信号采样和波形局部特征提取可以得到多个局部振动采样窗波形特征向量，这样，可以从振动信号中提取出局部的波形特征，以捕捉振动信号的细节信息。其中，局部特征提取方法包括峰值、波形包络、瞬时频率等。

对多个局部振动采样窗波形特征向量进行多尺度语义理解和融合表达可以得到多尺度上下文振动信号语义表达特征向量。这样，可以将不同尺度的振动特征进行综合，以获取更全面的振动信号语义信息。其中，多尺度语义理解和融合方法包括小波变换、多尺度分析、时频分析等。

通过上述步骤，可以得到多尺度上下文振动信号语义表达特征向量。多尺度上下文振动信号语义表达特征向量能够综合考虑振动信号的局部特征和全局特征，具有更好的表达能力和区分度。可以用于进一步的振动信号分类、模式识别和入侵行为识别等应用，提高振动光纤技术在安防监控领域的效果。

对于所述步骤121，包括：对所述振动信号进行基于采样窗的滑窗采样以得到多个局部振动信号采样窗；将所述多个局部振动信号采样窗分别通过基于卷积神经网络模型的振动波形特征提取器以得到所述多个局部振动采样窗波形特征向量。

对所述振动信号进行信号采样和波形局部特征提取以得到多个局部振动采样窗波形特征向量。这样，可以将振动信号通过采样得到多个局部振动信号采样窗，每个局部振动信号采样窗都是原始振动信号的一段。对每一段局部振动信号采样窗进行波形特征提取可以在一定程度上凸显原始振动信号的细节和局部特征信息，从而能够捕捉到不同的入侵行为、不同的时间段表现出的不同的振动特征。

在本申请的一个具体示例中，对所述振动信号进行信号采样和波形局部特征提取以得到多个局部振动采样窗波形特征向量的编码过程，包括：先对所述振动信号进行基于采样窗的滑窗采样以得到多个局部振动信号采样窗；随后，将所述多个局部振动信号采样窗分别通过基于卷积神经网络模型的振动波形特征提取器以得到多个局部振动采样窗波形特征向量。

应可以理解，滑窗采样是一种在信号处理中常用的技术，用于将一个长时间序列的信号划分为多个较短的局部信号段，通过在信号中滑动一个固定大小的窗口，以固定的步长进行采样，从而获取连续的局部信号片段。

在振动光纤波形分析中，滑窗采样可以用于对振动信号进行分段处理，以便对每个局部信号片段进行独立的特征提取和分析。这样，可以捕捉到不同时间尺度上的振动特征，从而提高对入侵行为的检测准确性。

对所述振动信号进行基于采样窗的滑窗采样以得到多个局部振动信号采样窗，包括步骤：首先，确定窗口的大小和步长。窗口大小决定了每个局部信号片段的长度，步长定义了窗口之间的间隔。然后，从信号的起始位置开始，将窗口滑动到第一个位置，并记录该窗口内的信号数据。接着，移动窗口的位置，使其滑动到下一个位置，并记录该窗口内的信号数据。然后，重复上述步骤，直到窗口滑动到信号的末尾位置，这样就得到了多个局部信号采样窗。

通过滑窗采样，可以得到一系列不同时间段的局部信号片段，每个片段都可以独立进行特征提取和分析。这样可以更全面地了解振动信号的动态变化，并且能够捕捉到不同时间尺度上的振动特征，提高对入侵行为的检测效果。

进一步地，将多个局部振动信号采样窗分别通过基于卷积神经网络（CNN）模型的振动波形特征提取器可以有效地提取出振动信号的特征向量。CNN模型在图像和信号处理领域被广泛应用，可以自动学习和提取出具有区分性的特征。

通过将每个局部振动信号采样窗输入到CNN模型中，模型可以通过卷积层和池化层等操作，逐步提取出局部振动信号的空间和频率特征，这些特征可以捕捉到振动信号中的重要模式和结构，帮助区分不同的振动行为。

通过使用基于CNN模型的振动波形特征提取器，可以将每个局部振动信号采样窗转换为对应的波形特征向量，这些特征向量可以作为输入，用于后续的序列编码器或分类器进行进一步的处理和分析。

利用基于CNN模型的振动波形特征提取器可以有效地提取出振动信号的特征向量，有助于提高对外界入侵行为的检测准确性和鲁棒性。

对于所述步骤122，包括：将所述多个局部振动采样窗波形特征向量输入基于RNN模型的第一序列编码器以得到第一尺度上下文振动信号语义表达特征向量；将所述多个局部振动采样窗波形特征向量输入基于BiLSTM模型的第二序列编码器以得到第二尺度上下文振动信号语义表达特征向量；以及，融合所述第一尺度上下文振动信号语义表达特征向量和所述第二尺度上下文振动信号语义表达特征向量以得到所述多尺度上下文振动信号语义表达特征向量。

应可以理解，将多个局部振动采样窗的波形特征向量输入基于RNN模型的第一序列编码器可以捕捉到第一尺度上下文振动信号的语义表达特征。RNN模型可以对序列数据进行建模，通过学习序列中的时序信息，可以提取出振动信号在第一尺度上的特征。

将多个局部振动采样窗的波形特征向量输入基于BiLSTM模型的第二序列编码器可以捕捉到第二尺度上下文振动信号的语义表达特征。BiLSTM模型是一种双向循环神经网络，可以同时考虑前向和后向的上下文信息，从而更全面地理解振动信号在第二尺度上的特征。

将第一尺度上下文振动信号语义表达特征向量和第二尺度上下文振动信号语义表达特征向量进行融合，可以得到多尺度上下文振动信号的语义表达特征向量。这样的融合可以综合考虑不同时间尺度上的振动特征，提高对外界入侵行为的检测准确性和鲁棒性。

然后，对所述多个局部振动采样窗波形特征向量进行多尺度语义理解和融合表达以得到所述多尺度上下文振动信号语义表达特征向量。也就是，捕捉振动信号在不同时间尺度上所包含的不同层次的波形关联信息。

在本申请的一个具体示例中，对所述多个局部振动采样窗波形特征向量进行多尺度语义理解和融合表达以得到所述多尺度上下文振动信号语义表达特征向量的编码过程，包括：先将所述多个局部振动采样窗波形特征向量输入基于RNN模型的第一序列编码器以得到第一尺度上下文振动信号语义表达特征向量；随后，将所述多个局部振动采样窗波形特征向量输入基于BiLSTM模型的第二序列编码器以得到第二尺度上下文振动信号语义表达特征向量；再融合所述第一尺度上下文振动信号语义表达特征向量和所述第二尺度上下文振动信号语义表达特征向量以得到多尺度上下文振动信号语义表达特征向量。

具体地，在所述步骤130中，基于所述多尺度上下文振动信号语义表达特征向量，确定外界入侵行为，包括：将所述多尺度上下文振动信号语义表达特征向量进行基于类度矩阵正则化的权重空间探索约束以得到优化多尺度上下文振动信号语义表达特征向量；将所述优化多尺度上下文振动信号语义表达特征向量通过分类器以得到分类结果，所述分类结果用于表示外界入侵行为的标签。

在本申请的技术方案中，将所述多个局部振动信号采样窗分别通过基于卷积神经网络模型的振动波形特征提取器得到所述多个局部振动采样窗波形特征向量时，所述多个局部振动采样窗波形特征向量中的每个局部振动采样窗波形特征向量表达采样窗对应的信号波形图的图像语义特征，考虑到采样窗之间源图像语义在整体信号波形图像上的差异，所述多个局部振动采样窗波形特征向量的特征表示之间也会呈现多样化的特征分布。

并且，在融合所述第一尺度上下文振动信号语义表达特征向量和所述第二尺度上下文振动信号语义表达特征向量得到所述多尺度上下文振动信号语义表达特征向量时，为了充分利用不同尺度下的采样窗对应的信号波形图的图像语义特征的关联特征，优选地通过直接级联所述第一尺度上下文振动信号语义表达特征向量和所述第二尺度上下文振动信号语义表达特征向量来得到所述多尺度上下文振动信号语义表达特征向量，这也使得所述多尺度上下文振动信号语义表达特征向量呈现更加多样化的局部特征分布。

这样，在所述多尺度上下文振动信号语义表达特征向量通过分类器进行分类时，就可以基于作为特征回归过程的特征空间到概率分布空间的空间域映射来获得与标签对应的概率分布，从而获得所述分类结果。这里，考虑到所述多尺度上下文振动信号语义表达特征向量的多样化的局部特征分布表达，可能会在空间域映射过程中导致分类结果的概率分布域内的与不同特征分布维度的特征分布多样化对应的标签分布富化，从而影响在分类过程中到概率分布空间的映射收敛效果。

基于此，本申请的在所述多尺度上下文振动信号语义表达特征向量通过分类器的训练过程中，对用于对所述多尺度上下文振动信号语义表达特征向量进行域映射的权重矩阵进行基于类度矩阵正则化的权重空间探索约束，以获得优化多尺度上下文振动信号语义表达特征向量。

在本申请的一个具体示例中，将所述多尺度上下文振动信号语义表达特征向量进行基于类度矩阵正则化的权重空间探索约束以得到优化多尺度上下文振动信号语义表达特征向量，包括：以如下约束公式将所述多尺度上下文振动信号语义表达特征向量进行基于类度矩阵正则化的权重空间探索约束以得到所述优化多尺度上下文振动信号语义表达特征向量；

其中，所述约束公式为：

其中，是所述多尺度上下文振动信号语义表达特征向量，/>是所述优化多尺度上下文振动信号语义表达特征向量，/>为可学习的域转移矩阵，/>表示实数域，/>表示所述多尺度上下文振动信号语义表达特征向量的长度，且/>为可学习的权重矩阵，/>为域映射后的权重矩阵，/>表示向量的转置，/>表示矩阵乘法。

这里，考虑到权重矩阵的权重空间域与所述多尺度上下文振动信号语义表达特征向量的域映射结果的概率分布域之间的域差异（domain gap），通过权重矩阵/>相对于所述多尺度上下文振动信号语义表达特征向量/>的类度矩阵正则化表示来作为域间迁移代理（inter-domain transferring agent），来将有价值的权重约束的概率分布转移到权重空间内，从而避免在基于权重空间的域映射过程中，标签分布富化的（rich labeldistributed）概率分布域对于权重空间内的权重分布进行过度探索（over-exploit），提升了分类过程中到概率分布空间的映射收敛效果，也就提升了所述分类器的训练效果。

继而，将所述优化多尺度上下文振动信号语义表达特征向量通过分类器以得到分类结果，所述分类结果用于表示外界入侵行为的标签。其中，所述外界入侵行为的标签包括但不限于：人跑步；车辆经过；下大雨；人工敲击挖掘；电钻破坏；大型机械敲击挖掘；大型机械电镐持续破坏。

优化多尺度上下文振动信号语义表达特征向量是通过对振动信号进行多尺度分析和特征提取得到的。在多尺度分析中，可以采用不同尺度的滤波器或小波变换等技术，将信号分解为不同频率范围的子信号。然后，对每个子信号进行特征提取，得到相应的特征向量。

这些特征向量可以包括振动信号的幅度、能量、频谱分布、时域统计特征等。通过将这些特征向量输入到分类器中，可以训练分类器来学习不同入侵行为的模式，并将振动信号与这些行为进行分类。分类器可以是常见的机器学习算法，如支持向量机（SVM）、随机森林（Random Forest）或神经网络等。

通过将优化多尺度上下文振动信号语义表达特征向量与分类器相结合，可以实现对外界入侵行为的标签识别。这样可以对不同类型的入侵行为进行分类，提供及时的预警和保护措施。同时，通过不断优化分类器的训练和参数调整，可以进一步提高分类的准确性和可靠性，提升系统的性能和效果。

进一步地，在本申请中，所述基于光纤系统的入侵信号识别方法，还包括训练步骤：对所述基于卷积神经网络模型的振动波形特征提取器、所述基于RNN模型的第一序列编码器、所述基于BiLSTM模型的第二序列编码器和所述分类器进行训练；图4为根据本申请实施例的基于光纤系统的入侵信号识别方法中步骤140的子步骤的流程图，如图4所示，所述训练步骤140，包括：141，获取训练数据，所述训练数据包括由光纤系统的采集端采集的训练振动信号，以及，外界入侵行为的标签的真实值；142，对所述训练振动信号进行基于采样窗的滑窗采样以得到多个训练局部振动信号采样窗；143，将所述多个训练局部振动信号采样窗分别通过所述基于卷积神经网络模型的振动波形特征提取器以得到多个训练局部振动采样窗波形特征向量；144，将所述多个训练局部振动采样窗波形特征向量输入所述基于RNN模型的第一序列编码器以得到训练第一尺度上下文振动信号语义表达特征向量；145，将所述多个训练局部振动采样窗波形特征向量输入所述基于BiLSTM模型的第二序列编码器以得到训练第二尺度上下文振动信号语义表达特征向量；146，融合所述训练第一尺度上下文振动信号语义表达特征向量和所述训练第二尺度上下文振动信号语义表达特征向量以得到训练多尺度上下文振动信号语义表达特征向量；147，将所述训练多尺度上下文振动信号语义表达特征向量通过所述分类器以得到分类损失函数值；以及，148，以所述分类损失函数值对所述基于卷积神经网络模型的振动波形特征提取器、所述基于RNN模型的第一序列编码器、所述基于BiLSTM模型的第二序列编码器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行基于跨域注意力的转移优化迭代。

在本申请的技术方案中，将所述多个局部振动信号采样窗分别通过基于卷积神经网络模型的振动波形特征提取器得到所述多个局部振动采样窗波形特征向量时，所述多个局部振动采样窗波形特征向量中的每个局部振动采样窗波形特征向量表达采样窗对应的信号波形图的图像语义特征，考虑到采样窗之间源图像语义在整体信号波形图像上的差异，所述多个局部振动采样窗波形特征向量的特征表示之间也会呈现多样化的特征分布。

并且，在融合所述第一尺度上下文振动信号语义表达特征向量和所述第二尺度上下文振动信号语义表达特征向量得到所述多尺度上下文振动信号语义表达特征向量时，为了充分利用不同尺度下的采样窗对应的信号波形图的图像语义特征的关联特征，优选地通过直接级联所述第一尺度上下文振动信号语义表达特征向量和所述第二尺度上下文振动信号语义表达特征向量来得到所述多尺度上下文振动信号语义表达特征向量，这也使得所述多尺度上下文振动信号语义表达特征向量呈现更加多样化的局部特征分布。

这样，在所述多尺度上下文振动信号语义表达特征向量通过分类器进行分类时，考虑到在分类过程的特征域到分类目标域的域转移中，多样化的特征分布会存在分布可转移性差异，例如差异大的局部分布的可转移性要显著高于差异小的局部分布的可转移性，期望通过进一步针对所述分类器的权重矩阵对于所述多尺度上下文振动信号语义表达特征向量进行自适应优化，来提升所述多尺度上下文振动信号语义表达特征向量通过分类器进行分类训练的训练效果，即提升分类速度和得到的分类结果的准确性。

因此，本申请的在每次分类器的权重矩阵的迭代过程中，对于所述权重矩阵进行基于跨域注意力的转移优化，具体表示为：以如下优化公式对所述分类器的权重矩阵进行基于跨域注意力的转移优化迭代；其中，所述优化公式为：

其中，是所述分类器的权重矩阵，所述分类器的权重矩阵/>的尺度为/>，/>到/>是所述分类器的权重矩阵的/>个行向量，/>表示特征向量的二范数，/>是对所述分类器的权重矩阵的每个行向量的求和值排列得到的行向量，且/>和/>均表示单层卷积操作，/>表示向量或矩阵的转置向量或转置矩阵，/>是迭代后的所述分类器的权重矩阵，/>表示矩阵乘法。

这里，所述基于跨域注意力的转移优化针对所述多尺度上下文振动信号语义表达特征向量的特征分布在特征空间域和分类目标域内存在的不同表示，所述分类器的权重矩阵相对于待分类的特征向量的跨域多样性特征表示也会具有相应的结构化的行和列空间结构，由此，通过对所述权重矩阵/>的空间结构化特征分布以卷积操作来给予注意力，可以增强多样化特征分布中的良好转移特征分布的跨域间隙的可转移性，同时抑制不良转移特征分布的消极转移（negative transfer），从而基于所述权重矩阵/>自身相对于待分类的特征向量的分布结构来实现权重矩阵/>的无监督的域转移自适应优化，从而提升所述多尺度上下文振动信号语义表达特征向量通过分类器进行分类训练的训练效果。

综上，基于本申请实施例的基于光纤系统的入侵信号识别方法100被阐明，其为对由光纤系统的采集端采集的振动信号进行波形分析，从而实现对外界入侵行为的识别，通过对来自光纤的振动信号进行特征提取与多尺度分析，从而达到对入侵行为的识别预警，达到安防监控的目的。

在本申请的另一个实施例中，提供一种基于分布式光纤系统的入侵信号识别方法包括下列步骤：

S1、从分布式光纤振动系统的采集端读取信号；

S2、根据拉依达准则对采集到的信号进行错点剔除处理；

S3、设定能量的阈值，计算采集信号的能量，对大于能量阈值参数的信号进行截取，并判断为振动异常信号；

S4、对振动异常信号进行固有时间尺度分解；

S5、对信号固有时间尺度分解的结果进行特征值的计算；

S6、将计算得到的已知入侵行为的特征送入Softmax分类器，对入侵行为已知的特征参数进行训练学习，从而实现对未知安防入侵事件的光纤振动信号进行识别。

进一步地，所述的分布式光纤振动系统包括分布式光纤传感器、数据采集模块、计算机，其中，分布式光纤传感器利用M-Z干涉原理的分布式光纤作为传感器。

本发明相对于现有技术具有如下的优点及效果：

1、本发明对信号先进行剔除错点处理，在采集信号过程中，能有效降低因操作不当，或仪器临时故障，或外界干扰等原因导致的异常数据影响。确保有效的分析结果。

2、本发明使用了对异常信号进行固有时间尺度分解，能够在有外界干扰的情况下，对不同的外界运动物的入侵振动信号的振动特征进行识别分类，相较于传统的方法，增加了对原始信号的固有时间尺度分解，增加了更多的辨识度的特征，能识别出更多种类的外界入侵行为。

3、通过softmax分类器的设计，使本发明有人机交互的增量学习功能，在信号识别过程中，如果出现误判或新的外界入侵行为，可以对现有的信号识别分类进行修正，提高识别方法的通用性。

在本申请的一个实施例中，图5为根据本申请实施例的基于光纤系统的入侵信号识别系统的框图。如图5所示，根据本申请实施例的基于光纤系统的入侵信号识别系统200，包括：信号采集模块210，用于获取由光纤系统的采集端采集的振动信号；语义表达模块220，用于对所述振动信号进行振动波形语义表达以得到多尺度上下文振动信号语义表达特征向量；以及，外界入侵行为确定模块230，用于基于所述多尺度上下文振动信号语义表达特征向量，确定外界入侵行为。

这里，本领域技术人员可以理解，上述基于光纤系统的入侵信号识别系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的基于光纤系统的入侵信号识别方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的基于光纤系统的入侵信号识别系统200可以实现在各种终端设备中，例如用于基于光纤系统的入侵信号识别的服务器等。在一个示例中，根据本申请实施例的基于光纤系统的入侵信号识别系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于光纤系统的入侵信号识别系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于光纤系统的入侵信号识别系统200同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该基于光纤系统的入侵信号识别系统200与该终端设备也可以是分立的设备，并且基于光纤系统的入侵信号识别系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

在本申请的一个实施例中，提供一种振动光纤传感技术的预警系统，其使用光纤作为传感单元，利用计算机对数据进行采集和控制并实现长距离、大范围周界防区的探测，收到外界振动时，由于光纤的应变效应和光弹效应，传感光纤收到外界振动作用导致光纤自身长度、直径和折射率发生变化，使光纤中的光相位产生变化，从而使光纤中的光波产生不同的振动，不同的外界运动物对光纤造成的振动特征也各有不同，通过对不同的外界运动物对光纤造成的振动特征进行识别研究，从而达到对入侵行为的识别预警，达到安防监控的目的。

图6为根据本申请实施例的基于光纤系统的入侵信号识别方法的场景示意图。如图6所示，在该应用场景中，首先，获取由光纤系统的采集端采集的振动信号（例如，如图6中所示意的C）；然后，将获取的振动信号输入至部署有基于光纤系统的入侵信号识别算法的服务器（例如，如图6中所示意的S）中，其中所述服务器能够基于光纤系统的入侵信号识别算法对所述振动信号进行处理，以确定外界入侵行为。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (8)

1.一种基于光纤系统的入侵信号识别方法，其特征在于，包括：

获取由光纤系统的采集端采集的振动信号；

对所述振动信号进行振动波形语义表达以得到多尺度上下文振动信号语义表达特征向量；

以及基于所述多尺度上下文振动信号语义表达特征向量，确定外界入侵行为。

2.根据权利要求1所述的基于光纤系统的入侵信号识别方法，其特征在于，对所述振动信号进行振动波形语义表达以得到多尺度上下文振动信号语义表达特征向量，包括：

对所述振动信号进行信号采样和波形局部特征提取以得到多个局部振动采样窗波形特征向量；

以及对所述多个局部振动采样窗波形特征向量进行多尺度语义理解和融合表达以得到所述多尺度上下文振动信号语义表达特征向量。

3.根据权利要求2所述的基于光纤系统的入侵信号识别方法，其特征在于，对所述振动信号进行信号采样和波形局部特征提取以得到多个局部振动采样窗波形特征向量，包括：

对所述振动信号进行基于采样窗的滑窗采样以得到多个局部振动信号采样窗；

将所述多个局部振动信号采样窗分别通过基于卷积神经网络模型的振动波形特征提取器以得到所述多个局部振动采样窗波形特征向量。

4.根据权利要求3所述的基于光纤系统的入侵信号识别方法，其特征在于，对所述多个局部振动采样窗波形特征向量进行多尺度语义理解和融合表达以得到所述多尺度上下文振动信号语义表达特征向量，包括：

将所述多个局部振动采样窗波形特征向量输入基于RNN模型的第一序列编码器以得到第一尺度上下文振动信号语义表达特征向量；

将所述多个局部振动采样窗波形特征向量输入基于BiLSTM模型的第二序列编码器以得到第二尺度上下文振动信号语义表达特征向量；

以及融合所述第一尺度上下文振动信号语义表达特征向量和所述第二尺度上下文振动信号语义表达特征向量以得到所述多尺度上下文振动信号语义表达特征向量。

5.根据权利要求4所述的基于光纤系统的入侵信号识别方法，其特征在于，基于所述多尺度上下文振动信号语义表达特征向量，确定外界入侵行为，包括：

将所述多尺度上下文振动信号语义表达特征向量进行基于类度矩阵正则化的权重空间探索约束以得到优化多尺度上下文振动信号语义表达特征向量；

将所述优化多尺度上下文振动信号语义表达特征向量通过分类器以得到分类结果，所述分类结果用于表示外界入侵行为的标签。

6.根据权利要求5所述的基于光纤系统的入侵信号识别方法，其特征在于，将所述多尺度上下文振动信号语义表达特征向量进行基于类度矩阵正则化的权重空间探索约束以得到优化多尺度上下文振动信号语义表达特征向量，包括：以如下约束公式将所述多尺度上下文振动信号语义表达特征向量进行基于类度矩阵正则化的权重空间探索约束以得到所述优化多尺度上下文振动信号语义表达特征向量；

其中，所述约束公式为：

；

；

其中，是所述多尺度上下文振动信号语义表达特征向量，/>是所述优化多尺度上下文振动信号语义表达特征向量，/>为可学习的域转移矩阵，/>表示实数域，/>表示所述多尺度上下文振动信号语义表达特征向量的长度，且/>为可学习的权重矩阵，/>为域映射后的权重矩阵，/>表示向量的转置，/>表示矩阵乘法。

7.根据权利要求6所述的基于光纤系统的入侵信号识别方法，其特征在于，还包括训练步骤：对所述基于卷积神经网络模型的振动波形特征提取器、所述基于RNN模型的第一序列编码器、所述基于BiLSTM模型的第二序列编码器和所述分类器进行训练；

其中，所述训练步骤，包括：

获取训练数据，所述训练数据包括由光纤系统的采集端采集的训练振动信号，以及，外界入侵行为的标签的真实值；

对所述训练振动信号进行基于采样窗的滑窗采样以得到多个训练局部振动信号采样窗；

将所述多个训练局部振动信号采样窗分别通过所述基于卷积神经网络模型的振动波形特征提取器以得到多个训练局部振动采样窗波形特征向量；

将所述多个训练局部振动采样窗波形特征向量输入所述基于RNN模型的第一序列编码器以得到训练第一尺度上下文振动信号语义表达特征向量；

将所述多个训练局部振动采样窗波形特征向量输入所述基于BiLSTM模型的第二序列编码器以得到训练第二尺度上下文振动信号语义表达特征向量；

融合所述训练第一尺度上下文振动信号语义表达特征向量和所述训练第二尺度上下文振动信号语义表达特征向量以得到训练多尺度上下文振动信号语义表达特征向量；

将所述训练多尺度上下文振动信号语义表达特征向量通过所述分类器以得到分类损失函数值；

以及以所述分类损失函数值对所述基于卷积神经网络模型的振动波形特征提取器、所述基于RNN模型的第一序列编码器、所述基于BiLSTM模型的第二序列编码器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行基于跨域注意力的转移优化迭代。

8.根据权利要求7所述的基于光纤系统的入侵信号识别方法，其特征在于，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行基于跨域注意力的转移优化迭代，包括：以如下优化公式对所述分类器的权重矩阵进行基于跨域注意力的转移优化迭代；

其中，所述优化公式为：

；

其中，是所述分类器的权重矩阵，所述分类器的权重矩阵/>的尺度为/>，/>到/>是所述分类器的权重矩阵的/>个行向量，/>表示特征向量的二范数，/>是对所述分类器的权重矩阵的每个行向量的求和值排列得到的行向量，且/>和/>均表示单层卷积操作，/>表示向量或矩阵的转置向量或转置矩阵，/>是迭代后的所述分类器的权重矩阵，/>表示矩阵乘法。