基于BP信号识别的光纤油气管道监测系统

介绍了一种基于BP神经网络信号识别算法的分布式光纤管道安全预警系统,利用提取的现场振动信号时域、频域短时和长时特征,对基于BP神经网络分类器模型进行训练,模型实现了对人工挖掘和机械挖掘的智能分辨。其中BP分类器模型的最大误报率为3.3 %,平均误报率为1 %,最大漏报率为3.2 %,平均漏报率为1 %。将该BP模型应用在不同时长的现场信号识别测试中,实现了最低为5 %的漏报率,因此BP信号识别算法能够实现对管线入侵信号的有效识别及分类,提升传感系统可靠性。     

基于卷积神经网络的混叠光谱解调方法

研究了一种基于深度学习的光纤光栅混叠FBG光谱解调方法。利用卷积神经网络(Convolutional Neural Networks, CNN)模型处理混叠光谱非线性序列模型问题,通过一维卷积神经网络预测识别混叠光谱中心波长,并搭建了并联结构的混叠光谱数据自动采集实验系统,验证了混叠光谱的中心波长高精度解调。实验分析了训练样本、迭代次数对训练时间、测试时间、解调精度的影响,并对训练完成后的模型进行了解调时间测试。分别与其他解调算法进行了解调精度和测试时间对比,同时对同一组光谱数据使用解调模型算法及最高点寻峰算法进行中心波长值的对比并进行误差分析。实验结果表明:解调模型均方根误差结果为0.082 58 pm,使用Intel(R) Core(TM) i7-8550U CPU （Central Processing Unit）的解调计算时间为0.338 s。研究结果表明:采用卷积神经网络模型对于混叠光谱中心波长解调结果的准确性具有合理性,与其他算法相比,文中的解调算法在解调精度和时间上具有优势,模型大小在400 kB以下,所需算力较小,可部署在小型嵌入式设备中,在大规模机载传感网络,结构健康监测中有良好的应用前景。     

改进PSO SVM的光纤传感网络数据识别系统

为了增强光纤传感网络对相近扰动信号的识别能力，提高目标分类精度，提出了一种改进的粒子群优化-支持向量机(PSO-SVM)算法。该算法在分析回波信号谱形特征的基础上，设计了三个用于描述信号特征的判断指标。将主波信号能量、主波脉宽及波形变化率作为数据预处理的特征参量，改进了传统的数据分类模型。实验模拟了实际应用中的三种典型干扰形式，以机械、人工以及坠落物对测试区域地面进行冲击测试，并对比了不同距离和不同强度情况下的响应效果。结果显示，6种不同情况对应的谱形特征有3种，相同作用机制的谱形相似度很高。特征参量的响应值随着测试距离的增大而减小，随着冲击强度的增大而增强。对相同测试数据进行扰动信号分析，传统SVM算法平均识别概率为69.3%,而该算法平均识别概率为90.1%。可见，该算法在提高光纤传感网络扰动信号分类能力方面具有一定的优势。     

选择性平均的φ-OTDR分布式光纤扰动传感系统阈值算法

阈值的准确设定是有效降低-OTDR分布式光纤扰动传感系统误报和漏报率的关键。针对该问题,提出了一种基于选择性平均的-OTDR分布式光纤扰动传感系统阈值算法,采用相关差值预挑选的方式确定信号模板,进行阈值模板匹配。理论和实验研究表明:提出的选择性平均阈值算法,能够更有效设定阈值,提高信噪比,降低-OTDR分布式光纤扰动传感系统的误报和漏报率,与直接平均和移动平均阈值算法相比,所提出的选择性平均阈值算法将误报率分别降低了5%和3%,漏报率均降低了2%;信噪比分别提升了2.55 dB、1.1 dB。所提出的算法有助于提高-OTDR分布式光纤扰动传感系统在实际应用中可靠性。     

基于概率神经网络光纤周界传感信号处理研究

提出了一种光纤传感报警信号的处理技术,光纤传感具有高灵敏度、抗电磁干扰、耐高压抗腐蚀等优点,但报警信号的误报问题一直是光纤周界系统需要解决的问题,而传统的时域门限分析方法对信号的识别准确率不高,不利于降低安防系统报警信号的误报率。利用小波降噪技术,结合信号的时频域特征,构建基于概率的神经网络分类器,可以在很大程度上减少信号的误报。     

一种基于CAF的频谱混叠多信号检测算法

针对多源同频混叠信号检测问题,本文提出了一种基于互模糊函数(Cross Ambiguity Function,CAF)的空间域信号检测算法.该算法首先在二维时延-频移搜索范围内计算多信号情况下的CAF值数组,将频谱混叠的多信号映射在空间域上,然后在分析多信号CAF峰特征的基础上,借鉴图像分割中区域增长法的思想,将CAF峰逐一识别、分割,及迭代循环,以实现多信号的榆测.本文采用所提出的算法对同频多信号进行了仿真,给出了在不同信噪比下和不同信号功率比下的多信号检测概率,以及不同门限因子对检测概率和虚警概率的影响.仿真结果表明,该算法能够在低信噪比条件下,有效地对具有一定功率差别的同频多信号进行检测.     

改进的HHT变换在光纤振动模式识别中的应用

针对双马赫-曾德尔(M-Z)干涉型光纤振动传感系统输出信号非线性、非平稳特点,提出基于互补总体经验模态分解(CEEMD)的希尔伯特-黄变换(HHT)模式识别算法。该算法采用CEEMD将振动信号分解成多个本征模态函数(IMF),利用各阶IMF的归一化自相关函数筛选出噪声分量进行中值滤波;然后对各阶IMF分量做Hilbert变换,基于Hilbert边际能量谱构造特征向量;最后利用概率神经网络(PNN)实现振动信号的模式识别。对四种典型光纤振动信号的实验验证表明,算法的平均正确识别率最低可达85%。     

基于端点检测的光纤振动信号识别

利用光纤分布式传感系统对入侵事件进行识别主要难点在于对入侵事件的识别准确率低,为了提高对入侵事件的识别准确率,本文提出一种基于端点检测与信号重组的光纤振动信号的识别方法.该方法首先使用基于谱质心与短时能量的端点检测算法对振动信号的振动部分进行检测,然后将检测到的振动信号进行振动信号的重组,最后使用一个多尺度卷积神经网络结合随机森林树对重组后的信号进行识别.实验证明该识别方式能快速完成对识别模型的训练,并且能有效识别在实际环境中采集的入侵振动信号,对入侵信号的识别准确率可达97.4％.     

光纤传感系统振动信号模式识别的研究

提出了一种基于MFCC特征和SVDD训练的光纤传感系统振动信号的识别算法,该算法选择MFCC系数作为模式识别的特征量,利用SVDD算法实现对特征量的训练和模式匹配,同时对SVDD算法进行了扩展,使其能够利用单个事件进行模板库训练和多类别识别。实验证明,该算法在光纤传感系统应用中,能够准确识别常见扰动事件的类别,具有较高的识别率,并简化了模板库的建立过程。     

基于计算听觉场景分析的混叠语音分离算法

提出了一种改进的混叠语音信号分离算法,该算法采用改进的黑板模型计算听觉场景分析结构,快速准确计算混叠语音信号的特征参数;利用中频特性和人的听觉感知机理,模拟了听觉神经元的发放特性,分离出不同声源的语音信号和噪声信号.通过以上2个部分的处理将输入的混叠语音信号在时频域上分割为若干有听觉意义的语音段.再聚类和重构输出不同声源的纯净语音信号.     

光纤传感与红外视频的复合入侵监控系统设计

针对机场、油库等特定区域的高识别率、低误报率入侵事件监控需求,提出了一种基于光纤传感与红外视频的目标识别方法。其中,光纤传感部分采用基于MCSVM的非对称双马赫-曾德尔干涉仪（ADMZI）分布式光纤振动传感器,将EMD(经验模式分解)、将峰度特征与MCSVM相结合以提高识别率;红外识别部分将灰度差值图像通过小波变换提高清晰度。两者经过模式对比算法,实现入侵事件判定。搭建系统做现场实验,结果表明:该方法能够识别四种常见的入侵事件(爬越围栏、敲击电缆、剪断围栏、摇动围栏),平均识别率在92.5%以上,误报率0.9%,相对传统单一传感器方案,该方法在漏报率和虚警率等系统性能上都有较大的改善,能够满足实际应用要求。     

基于VMD与MFE的光纤周界安防入侵事件识别北大核心CSCD

为了提高周界入侵事件的识别率,本文提出一种基于超弱光纤光栅(UWFBG)阵列的光纤周界入侵事件识别方法。该方法通过变分模态分解(VMD)将入侵信号进行分解,然后选择最佳分量并提取其多尺度模糊熵(MFE),与信号过零率(ZCR)相结合构造特征向量,将其输入到Sigmoid函数拟合的支持向量机(SVM),实现对晃动、剪切、刮风、下雨和无入侵5种不同的事件的识别。实验表明,该方法可以准确识别5种常见的事件信号,平均识别率达到98%。此外,该方法可以在输出各入侵事件类别的同时输出各类事件发生的概率值。     

基于贝叶斯分区数据挖掘的光纤网络异常分析算法

光纤网络通信中异常信息的快速、准确识别是保证通信稳定的关键,随着光纤网络通信数据的激增,也成为了近年来的一个研究热点。文中结合异常信息识别算法的精度与收敛速度之间的制约机理,提出了基于贝叶斯分区数据挖掘的异常信息识别算法。首先,采用贝叶斯定量完成数据样本的特征分类,通过极大化分析修正先验概率;然后,依据异常信息的不同类型设置挖掘特征参数及概率化系数;最后,依据贝叶斯分区分别对样本数据进行具有针对性的数据挖掘。实验以光纤局域网的通信状态数据为样本,将该算法与人工神经网络算法和遗传算法的识别结果进行对比,计算了三种算法的识别正确率、收敛速度以及算法稳定性。该算法的识别正确率均值为93.83%,在数据量增大时未发生明显的降低。收敛速度与遗传算法相近,均值为3.25 s。漏检率和误检率均值分别为0.10%和0.54%。结果表明:该算法识别正确率与收敛速度均得到了提高,稳定性好,并能够在漏检率与误检率之间通过参数控制进行微调,具有较好的应用价值。     

M-Z干涉仪型光纤分布式扰动传感系统模式识别方法

针对M-Z干涉仪型光纤分布式扰动传感系统输出信号短时频率随外界扰动变化的特征,提出了基于短时频率-时间特性的模式识别算法。采用提取短时过电平率来描述传感信号的短时平均频率-时间特性,并将提取出来的时频特性分段后建立相应的特征元素模型,通过动态规划算法（DTW）筛选出最优特征元素模型,将信号所有最优模型的参数作为信号特征输入到人工神经网络（ANN）进行学习和判决,降低了ANN的训练难度以及对时间的敏感性,提高了系统的环境适应能力。实验结果表明:该方法可以有效区分瞬时作用、长时作用、径向作用和不规则作用等多种不同扰动事件,平均识别速度在0.26 s之内,平均识别准确度在97%以上。     

基于SVM算法的分布式光纤扰动传感系统快速检偏技术研究

针对基于双马赫-曾德尔干涉的分布式光纤扰动传 感系统对传感光信号的偏振状态需要进行实时监测以便及时进行偏振控制的问题,本文提出 一种基于支持向量机(SVM)的偏振状态快速判别算法。该方法对采集到的两路干涉信号进 行做差处理,得到原始数据。提取原始数据中的过零率与峰值的绝对和作为分类器的输入特 征向量,使用Verilog HDL语言编写支持向量机(SVM)分类识别算法,借助现场可编程门阵 列(FPGA)的硬件并行结构和流水线技术实现分类器权系数的快速迭代求解。通过提取未知 偏振状态信号的特征向量,并将其输入到训练好的支持向量机模型中可以实现高效率的偏振 状态识别。实验结果表明:本方法可以快速并准确的实现对系统偏振状态的识别判断,平均 识别率达到93.25%,分类模型训练时间在100 ms以内,平均识别响应时间在8ms以内。     

基于双波长解调的光纤干涉型传声器研究

提出了一种基于双波长解调的光纤法布里-珀罗(Fabry-Perot,FP)干涉型传声器,采用归一化算法和微分交叉相乘处理(DCM)算法,实现了声信号的准确还原.在归一化算法中,利用椭圆拟合,实现了两路波长光信号的归一化,减小了激光器输出波动对光纤FP干涉型传声器输出特性的影响;在DCM算法中,通过信号处理及滤波,实现了声信号的准确输出,减小了温度等环境因素对光纤FP干涉型传声器输出特性的影响.在实验中,采用对比法,测试了基于双波长解调的光纤FP干涉型传声器的特性,结果显示器件实现了灵敏度为210 mV/Pa、频率响应为100～3 15 0 H z的声信号测量,能够很好地应用于语音识别、噪声测量、空气声探测等领域.     

针对持续入侵事件的分级识别算法

提出了一种基于应激反应过程的光纤预警分级 识别算法。该 算法受启发于人体受到外界刺激时机体分阶段调用组织系统和能量进行抵抗的机制,针对持 续振动的光纤 信号设计了分级识别算法。对于持续入侵事件引起的光纤振动信号,首先用高识别精度、高 时间消耗的算 法进行短时间的识别,以确定当前入侵事件类型;后续振动信号用低识别率、低时间消耗的 算法进行识别, 以监测是否新入侵事件产生。当发现新入侵事件后,需用高识别率的算法再次识别以查正。 实验结果表明,本算法能在一定识别精度下识别速度提升为原来的3.67倍,保证了保证了系统实时性监测的要求。     

相位敏感光时域反射系统模式识别方法综述

基于相位敏感的光时域反射系统（Ф-OTDR）是一种新型的分布式光纤扰动传感系统。随着应用需求的不断细化,单纯对外部侵扰活动的检测及定位已无法满足实际需要,亟待对检测到的信号进行准确的分类识别。在检测到侵扰信号的同时,如何能准确判别入侵事件的类别,减少误报率和漏报率是分布式光纤扰动传感系统研究的关键问题。文中主要针对分布式光纤扰动传感系统的原理进行了简要的介绍,将现有的扰动信号特征提取的方法和分类器设计的方法进行归纳和分类,并对识别结果进行总结和对比以方便研究人员根据应用环境的差异以及待测信号的特征,准确选择适合的信号模式识别方法,促进研究人员对分布式光纤扰动传感系统模式识别方法进行更为深入的研究。     

基于自适应波束形成的鱼雷对潜目标识别技术

通过鱼雷对潜目标准确识别,实现对目标的精确打击。当前的目标识别算法采用时频特征提取算法,随着海洋背景噪声强度的增大,准确识别概率不高。提出一种采用亮点回波信号自适应波束形成的鱼雷对潜目标识别算法,首先进行了鱼雷对潜攻击声探测亮点回波模型构建,采用级联滤波器进行回波信号降噪处理,对滤波后的输出信号进行自适应波束形成处理,实现信号的特征提取和指向性聚焦,提高目标亮点回波信号的检测性能,实现目标准确识别。仿真结果表明,采用该算法进行鱼雷对潜目标检测识别,准确检测概率高于传统算法,在低信混比下仍具有较好的准确识别率,抗干扰性能较好。     

基于MEEMD-HHT的分布式光纤振动传感系统信号特征提取方法

实际应用中,分布式光纤振动传感系统所测信号多为非平稳随机信号,对其进行模式识别的关键是准确获取信号的幅值-时间-频率瞬时特征。现有的相关研究表明,经验模态分解EMD方法结合希尔伯特变换可获得所测信号中固有模态分量的瞬时能量和瞬时频率,但存在模态混叠问题,后续改进的总体经验模态分解EEMD方法存在伪分量,重构误差大,互补经验模态分解CEEMD方法减小了重构误差的同时增加了运算量,无法保证特征提取与分类的效率与准确性。文中基于改进型经验模态分解方法结合希尔伯特变换MEEMD-HHT方法实现分布式光纤振动传感系统的特征提取,引入的排列熵的评价机制优化了分解过程中随机噪声迭代次数,通过仿真分析与实验对比,验证了该方法可有效解决上述方法中存在的问题,使系统在处理时间、特征准确度等性能皆有提高。实验结果表明,所提出的方法对于单频振动信号平均特征提取准确率达99.2%;对于混频振动信号平均特征提取准确率达98.1%,相对于EMD和CEEMD分别提高15.6%和7%,算法平均耗时最短,为3.8259 s,为分布式光纤振动传感系统的信号特征提取提供了一种可靠、高效的方法。