基于空域特征和机器学习的光纤预警模式识别方法与流程

1.本发明涉及光纤预警技术领域，具体涉及基于空域特征和机器学习的光纤预警模式识别方法。


背景技术：

2.基于相干瑞利散射技术的分布式光纤预警系统，通过检测从光纤各部分散射回来的后向散射光的光强来获得并定位外界振动信号。其中相位敏感光时域反射计光纤预警系统以普通单模光纤作为光传输和传感载体，可实现长距离实时监测和精确定位。该系统便于铺设，抗电磁干扰能力强，易于工程化，常应用在工程结构的安全检测、光纤周界防护、油气管道安全预警等领域。在光纤预警系统中，振动信号的分类识别至关重要。若产生误报，不但会造成人力物力的浪费，严重的还会延误处理时间甚至危及生命财产安全。因此如何准确识别入侵事件种类，及时报警，减少误报，避免不必要的资源浪费一直是光纤预警系统研究的重点问题。
3.传统的信号处理方法首先定位 事件信号在空域上的所在位置，然后提取该位置的时域信号，对一维时域信号进行特征提取，完成分类识别。由于这种方法需要先进行定位，如多点定位，不仅运算量极大，而且耗时很长。除此之外，它对定位精度的要求非常高，一旦定位错误，则不 能正确识别出事件种类，容易产生误报。因此光纤预警系统急需一种高效、准确的模式识别方法。


技术实现要素：

4.为了解决上述技术问题，本发明提出了一种基于空域特征和机器学习的光纤预警模式识别方法，包括如下步骤：s1、通过分布式光纤振动传感系统，感应光纤周围的二维振动信号，构成二维时空图像，提取特征信号；s2、对特征信号进行预处理得到多个目标特征信号序列；s3、计算多个目标特征信号序列在空域上的距离；s4、采用平均幅度差函数提取具有最小距离的目标特征信号的异常特征，计算最小距离的目标特征信号的平均幅度差函数，预测异常特征信号周期；s5、根据预测得到的异常特征信号周期判断异常特征信号类型，确定光纤预警模式。
5.进一步地，步骤s2中，对特征信号进行预处理，具体步骤如下:s21、计算t个特征信号序列x（i）的累积差作为一个新的信号序列y(t)：；式中, 是特征信号序列x(i)的平均值；
s22、将得到的新的信号序列y(t)等分为m个信号序列区间；s23、采用最小二乘法对每个信号序列区间进行线性拟合,得到每个信号序列区间的局部趋势yn(t)；s24、从新的信号序列y(t)中减去yn(t),并计算均方根误差xm：；s25、改变区间长度的大小,重复步骤s22~ s24,直到得到目标特征信号序列。
6.进一步地，所述步骤s3中采用最小距离法计算目标特征信号序列在空域上的距离，具体包括：s31、获取各个目标特征信号序列的中心特征信号，得到中心特征信号序列，用ｃ＝［c1，
…
，ci，
…
，cm］表示，其中m表示中心特征信号的个数；s32、针对每个中心特征信号计算与它相邻的目标特征信号序列的中心特征信号的最小距离d
min1
：。
7.进一步地，所述步骤s4中：设周期为np，样点相距为周期的k倍，k为周期间隔，将幅值差值d(n)定义为极小值，用公式表示如下：；短时能量平均幅度差函数fn(k)：。
8.进一步地，所述步骤s5包括：首先定义向量r为异常特征信号周期的模式输入，t为包括b个类别目标向量，rvm的分类模型y(r,w)为：；式中：b是类别个数；w为权值向量，；为b
×
（b＋１）的矩阵，，是核函数，整个数据集的似然函数为：；ti为第i个类别，用稀疏贝叶斯方法对权值向量ｗ赋予零均值高斯先验分布：；通过求概率参数的最大后验概率来预测最大后验权值，从而输出rvm模型y(r,w)。
9.相比于现有技术，本发明具有如下有益技术效果：通过分布式光纤振动传感系统，感应光纤周围的二维振动信号，构成二维时空图像，提取特征信号；对特征信号进行预处理得到多个目标特征信号序列；计算多个目标特征信号序列在空域上的距离；采用平均幅度差函数提取具有最小距离的目标特征信号的异常特征，计算异常特征信号的平均幅度差函数，预测异常特征信号周期；根据预测得到的异常特征信号周期判断异常特征信号类型。提高了光纤预警模式的识别准确度。
附图说明
10.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
11.图1为本发明的基于空域特征和机器学习的光纤预警模式识别方法流程图。
具体实施方式
12.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
13.在本发明的具体实施例附图中，为了更好、更清楚的描述系统中的各元件的工作原理，表现所述装置中各部分的连接关系，只是明显区分了各元件之间的相对位置关系，并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
14.图1为本发明的基于空域特征和机器学习的光纤预警模式识别方法流程图，构建方法包括如下步骤：步骤1：通过分布式光纤振动传感系统，感应光纤周围的二维振动信号，构成二维时空图像，提取特征信号。
15.不同的工况需要设定不同的空域和时域采样率，空域和时域采样信号构成时空图像，时空图像中显示的事件区域个数及特征各有不同。
16.因为事件的作用力不同，获得的二维振动信号的振幅不同，因此将不同事件区域的原始振动信号幅度作为特征信号进行提取。为了便于统一处理，针对每个图像中各个事件区域进行特征信号提取，得到特征信号。
17.步骤2：对特征信号进行预处理得到多个目标特征信号序列。
18.由于光纤传感器的漂移现象会使光纤信号产生较大的光路变化,实际采集到的特征信号常常出现抖动和不稳定,这会影响后续的识别效果。因此对特征信号进行预处理,这种预处理就是在原始特征信号的基础上减去一条最佳拟合曲线,使得特征信号的均值为零,可以有效地滤除特征信号的抖动现象。
19.对于长度为n的特征信号序列x（t）,其预处理的具体步骤如下:(1)计算该特征信号序列x（i）的累积差作为一个新的信号序列y(t)：
；式中,是特征信号序列x(i)的平均值。
20.(2)将得到的新的信号序列y(t)等分为m个信号序列区间。
21.(3)采用最小二乘法对每个信号序列区间进行线性拟合,得到每个信号序列区间的局部趋势yn(t)。
22.(4) 从新的信号序列y(t)中减去yn(t),并计算均方根误差xm：；(5)改变区间长度的大小,重复步骤(2)-(4),直到得到目标特征信号序列。
23.步骤3：计算多个目标特征信号序列在空域上的距离。
24.计算目标特征信号序列在空域上的距离能够很好地表征不同目标特征信号序列之间的差异。
25.具体地采用最小距离法计算目标特征信号序列在空域上的距离。
26.首先，获取各个目标特征信号序列的中心特征信号，得到中心特征信号序列，用ｃ＝［c1，
…
，ci，
…
，cm］表示，其中m表示中心特征信号的个数。
27.然后针对每个中心特征信号计算与它相邻的目标特征信号序列的中心特征信号的最小距离d
min1
。
28.。
29.步骤4：采用平均幅度差函数提取具有最小距离的目标特征信号的短时能量的平均幅度差函数，预测异常特征信号周期。
30.对最小距离的目标特征信号进行分帧处理,每帧截取时长为512ms，计算各帧n的短时能量e(n),根据短时能量大小确定异常特征信号所在分帧。
31.如果短时能量e(n)是完全的周期信号，设周期为n
p
，那么相距为周期的k倍的样点上的幅值是相近的，k为周期间隔，将幅值差值d(n)定义为极小值，用公式表示如下：；这些极小值d(n)将出现在k倍周期的位置上，即每一个对应的峰值的位置上，因此短时能量平均幅度差函数fn(k)：；对于周期性的短时能量e(n)，它的短时能量平均幅度差函数fn(k)也呈周期性。
32.采用平均幅度差函数法计算异常特征信号的平均幅度差函数，根据计算所得平均幅度差函数预测异常特征信号周期。
33.预测方法为:计算平均幅度差函数最小值f
min
及最大值f
max
设定门限阈值,寻找低于门限阈值的局部极小值点,计算极小值点的距离差,若有多个极小值点距离差相等,那么该距离差可作为异常特征信号周期。
34.设定门限阈值th如下：；其中，为阈值参数。
35.步骤5：根据预测得到的异常特征信号周期判断异常特征信号类型，确定光纤预警模式。
36.将获得的异常特征信号周期作为特征向量并结合机器学习算法对异常事件进行模式识别。
37.首先定义向量r为异常特征信号周期的模式输入，t为包括b个类别目标向量。rvm的分类模型y(r,w)为：；式中：b是类别个数；w为权值向量，；为b
×
（b＋１）的矩阵，，是核函数。整个数据集的似然函数为：；ti为第i个类别，为避免过拟合，确保模型的稀疏性，用稀疏贝叶斯方法对权值向量ｗ赋予零均值高斯先验分布，即：；通过求概率参数的最大后验概率来预测最大后验权值，从而输出rvm模型y(r,w)。
38.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如，固态硬盘(solid state disk，ssd))等。
39.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种基于空域特征和机器学习的光纤预警模式识别方法，其特征在于，包括如下步骤：s1、通过分布式光纤振动传感系统，感应光纤周围的二维振动信号，构成二维时空图像，提取特征信号；s2、对特征信号进行预处理得到多个目标特征信号序列；s3、计算多个目标特征信号序列在空域上的距离；s4、采用平均幅度差函数提取具有最小距离的目标特征信号的异常特征，计算最小距离的目标特征信号的平均幅度差函数，预测异常特征信号周期；s5、根据预测得到的异常特征信号周期判断异常特征信号类型，确定光纤预警模式。2.根据权利要求1所述的光纤预警模式识别方法，其特征在于，步骤s2中，对特征信号进行预处理，具体步骤如下:s21、计算t个特征信号序列x（i）的累积差作为一个新的信号序列y(t)：；式中,是特征信号序列x(i)的平均值；s22、将得到的新的信号序列y(t)等分为m个信号序列区间；s23、采用最小二乘法对每个信号序列区间进行线性拟合,得到每个信号序列区间的局部趋势y
n
(t)；s24、从新的信号序列y(t)中减去y
n
(t),并计算均方根误差x
m
：；s25、改变区间长度的大小,重复步骤s22~ s24,直到得到目标特征信号序列。3.根据权利要求1所述的光纤预警模式识别方法，其特征在于，所述步骤s3中采用最小距离法计算目标特征信号序列在空域上的距离，具体包括：s31、获取各个目标特征信号序列的中心特征信号，得到中心特征信号序列，用ｃ＝［c1，
…
，c
i
，
…
，c
m
］表示，其中m表示中心特征信号的个数；s32、针对每个中心特征信号计算与它相邻的目标特征信号序列的中心特征信号的最小距离d
min1
：：4.根据权利要求1所述的光纤预警模式识别方法，其特征在于，所述步骤s4中：设周期为np，样点相距为周期的k倍，k为周期间隔，将幅值差值d(n)定义为极小值，用公式表示如下：；短时能量平均幅度差函数f
n
(k)：
5.根据权利要求1所述的光纤预警模式识别方法，其特征在于，所述步骤s5包括：首先定义向量r为异常特征信号周期的模式输入，t为包括b个类别目标向量，rvm的分类模型y(r,w)为：；式中：b是类别个数；w为权值向量，；为b
×
（b＋1）的矩阵，，是核函数，整个数据集的似然函数为：；t
i
为第i个类别，用稀疏贝叶斯方法对权值向量ｗ赋予零均值高斯先验分布：；通过求概率参数的最大后验概率来预测最大后验权值，从而输出rvm模型y(r,w)。

技术总结
本发明提出了一种基于空域特征和机器学习的光纤预警模式识别方法，涉及光纤预警技术领域，通过分布式光纤振动传感系统，感应光纤周围的二维振动信号，构成二维时空图像，提取特征信号；对特征信号进行预处理得到多个目标特征信号序列；计算多个目标特征信号序列在空域上的距离；采用平均幅度差函数提取具有最小距离的目标特征信号的异常特征，计算异常特征信号的平均幅度差函数，预测异常特征信号周期；根据预测得到的异常特征信号周期判断异常特征信号类型，确定光纤预警模式。提高了光纤预警模式的识别准确度。预警模式的识别准确度。预警模式的识别准确度。


技术研发人员：孙茜
受保护的技术使用者：天津精仪精测科技有限公司
技术研发日：2023.06.13
技术公布日：2023/7/17