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％.     

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。     

分布式光纤振动传感信号识别的研究

为了能够更好地识别入侵振动信号,通过研究分布式光纤振动传感器及振动信号的识别技术,根据振动信号的特点,借鉴语音信号的处理方法,对比原有基于快速傅里叶变换频谱分析算法,引入了基于Mel频率倒谱系数的识别算法。新算法从频域的角度对振动信号进行分析,提取不同环境状态下的Mel频率倒谱系数,并将其作为新的特征参量。通过实验对比分析两种算法,两者的误报率分别为27.5%和7.5%。结果表明,基于Mel频率倒谱系数的算法相比基于快速傅里叶变换的频谱分析算法,在误报率上可以降低20%甚至更多,在不漏报的前提下,显然误报率更低的基于Mel频率倒谱系数的算法更加适用于安防体系。     

基于时频特征的光纤周界入侵振动信号识别与定位

针对光纤周界安防系统入侵信号的非线性、非平稳性和间歇性等特点,提出了一种时域与频域特征相结合的方法,对光纤周界安防系统入侵振动信号进行识别与定位。采用计算嵌入维数方法,确定信号的最小分帧长度,因而能够较好地保留信号时间序列内在的动力学特性;提出了对入侵振动信号两级判定识别方法,利用短时能量和短时平均过零率特征来判断是否有振动信号产生,依据振动信号各层小波系数的能量分布特点来识别入侵信号,该方法有效地降低了周界安防系统的漏识率和误识率;为提高入侵信号定位的准确性,采用小波域贝叶斯自适应阈值对入侵信号作降噪处理,将重建的信号转换到频率域来确定入侵信号的位置。通过实验验证了所提方法的有效性。     

基于两级ＳＶＭ的Φ－ＯＴＤＲ系统振动事件识别算法

相位敏感光时域反射计(Phase-sensitive Optical Time Domain Reflectometer,φ-OTDR)对于振动信号能够实现高灵敏度的连续分布式测量,目前的振动事件识别算法常从一个或者两个维度来提取特征,如时域或频域等,未能实现多维度大样本特征参量的融合分析;现有的算法一般采用简单的单级识别算法,结构比较简单,导致最终的模型识别准确率不高、泛化能力较差。针对上述问题,本文对实验采集的振动信号从时域、频域和空间域的多参量特征进行提取和融合,针对具体的振动信号识别问题,构建了一种两级支持向量机(Support Vector Machine,SVM)识别算法,对振动事件进行了两级分类,能够实现对相似振动事件的精确识别,识别准确率达90%以上。     

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。     

激光外差振动谱提取分析的车辆标识技术

结合机械振动原理方程分析计算了不同结构参数下的3自由度的1/4汽车结构的振动响应理论曲线及振动频谱图;运用激光外差技术测量原理设计搭建了汽车振动信息实验测量方案;针对外形近似、发动机输出信息相同的情况,采用视频成像法对存在识别盲点的两车进行了振动信息采集实验。通过分析采集到的振动信号的时域、频谱曲线,成功地找到了甲乙两车频谱的标志特征点,很好地对两车进行了标志与区分,弥补了视频成像车型识别法的盲点,为基于激光检测汽车振动信号的车辆识别技术提供了理论和实验基础依据。     

用于光纤围栏入侵告警的频谱分析快速模式识别

相位敏感光时域反射计(Ф-OTDR)在光纤围栏等动态传感领域具有重要的应用,快速、有效地对入侵信号分类识别有着十分重要的意义。基于频谱分析提出了一种称为频谱欧氏距离法(EDFS)的快速模式识别方法。该方法通过短时平移差分和短时能量法对Ф-OTDR的解调信号进行提取,确定待分析数据段;对数据段进行归一化和快速傅里叶变换,获得信号的频谱特征;计算信号频谱与预先生成的模板之间的欧氏距离对入侵信号进行分类、识别。采用三种入侵信号对该方法的有效性和实时性进行了实验验证。结果表明,该模式识别方法可以有效识别扰动信号,识别时间小于传统的动态时域规划模式识别方法耗时的1/10。同时,该方法所需训练样本较少,对环境噪声有一定程度的抑制作用。     

光纤入侵信号检测及识别算法的嵌入式实现

提出了一种光纤入侵信号检测及识别算法,并根据 算法的处理时间及运算特点分解映射在现场 可编程逻辑门阵列(FPGA)和数字信号处理(DSP)组成的嵌入式处理器上进行实现。处理 流程分为3部分:首先对原始信号进行3Hz高通滤波,将经过高通滤波后的信号平均分成两部分分别由 两块DSP板并行处理以节省时间开销,且后续所有操作均采用并行方式,将滤波后数据进行 标准化并与检测阈值进 行比较,大于阈值则判为振动并置1,否则置0,从而得到单路检测结果;然后根据上述检测 结果提取用于 识别的数据;最后将数据输入识别模块进行机械、走路和镐刨信号的特征提取并得出识别结 果。实验结果表明, 本文算法可以有效检测和识别光纤入侵信号,且提高了运算速度,满足了光纤预警系统(OFPS )对检测及识别信号类型的实时性要求。     

基于Φ-OTDR+BP神经网络分类器的海缆防锚害系统模式识别

基于相位敏感光时域反射计（Φ-OTDR）的分布式光纤振动探测是海缆锚害预警的重要防护手段。针对探测海缆锚害的入侵事件类型判别需求，提出将反向传播（BP）神经网络分类器应用于基于Φ-OTDR的海缆防锚害系统中，介绍了基于Φ-OTDR+BP神经网络分类器的海缆防锚害系统原理，采用信号时域特征和时频域特征作为特征向量，构建基于BP神经网络的分类器，实现了对入侵事件类型的判别。试验结果表明，分类器的模式识别准确率达到100%。     

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TSVD-SCN的光纤入侵信号识别算法研究

采用随机配置网络(SCN,Stochastic configurat ion network)对光纤振动信号进行识别,常由于光 纤预警系统的背景噪声问题使得网络的隐含层输出接近奇异,直接影响了SCN对光纤数据的 识别准确率。 因此本文提出了一种基于截断奇异值分解(Truncated singular value decomposition,TS VD)的SCN 方法(TSVD-SCN) 对光纤入侵信号进行识别。TSVD-SCN通过对网络的隐含层输出进行SVD分解并设置阈值去 除其中较小的 奇异值,以减少隐含层输出矩阵的条件数,提升网络识别率。本文利用占空比,平均幅差函 数,FFT求能 量占比的方法进行特征提取,采用基于TSVD-SCN算法对不同入侵振动特征矢量进行分类识 别。实验证明, 本文所提算法模型精度比SCN的模型精度更高,可以准确识别光纤入侵信号类型,对SCN网 络在实际应用中对分类精度的提高有着重要意义。     

基于深度神经网络的光纤传感识别算法

为解决光纤传感过程中不同类型事件信号混叠造成识别概率降低的问题,搭建了一种采用差分相关计算的双光纤传感结构,并在此基础上提出了基于深度神经网络的信号识别算法。首先利用双光纤回波信号计算相关系数,再通过不同事件类型信号特征设置阈值范围,从而通过相关计算与阈值滤波提高信噪比。设计了包含三个隐藏层的深度神经网络模型,以分离输入层与相关运算层的形式完成低频噪声抑制与信号混叠解调的目的。实验分别对三种常见入侵事件进行测试,并在此基础上分析了不同算法对组合事件的识别概率。结果显示三种事件的回波谱形具有显著特征。三种算法对单一触发事件的识别概率均在95%以上,该算法的识别均值为98.5%。当两个事件同时触发时,三种算法的平均识别概率分别为73.4%、 84.5%和96.4%。当三个事件同时触发时,三种算法的平均识别概率分别为65.2%、78.3%和93.5%。可见,该算法在光纤传感中信号存在干扰及混叠时具有更好的识别效果。     

多径信道下多载波调制信号盲识别算法

该文针对多径衰落信道下,基于IFFT实现的多载波调制信号类内盲识别问题,提出了一种基于对构造数据矩阵进行奇异值分解的算法。在无需知道任何数据信息和扩频码类型及其长度等先验知识的条件下,根据构造数据矩阵的较大非零奇异值个数,按照简单的判定准则,即可准确判断多载波信号的类型,取得了良好的效果。无需传统识别算法中特征提取之后复杂的分类器设计,简化了识别流程。理论分析和仿真均验证了算法的正确性和有效性,证明算法具有一定的理论和实际参考价值。     

基于PSO-GWO-SVM的周界安防信号识别研究

针对支持向量机(SVM)在大规模入侵信号分类时存在的局限性,提出了一种改进的SVM信号识别方法。该方法首先采用粒子群优化算法(PSO)来生成多样化的初始位置,然后利用灰狼优化算法(GWO)更新离散搜索空间中样本的当前位置,获得最优特征子集;最后基于最优特征子集用SVM对待测样本进行分类识别。实验结果显明,在识别周界入侵信号时,基于PSO-GWO-SVM算法的分类器获得了96.86%的准确率、95.82%的灵敏度(SE)和96.31%的特异性。与传统的信号识别方法相比,具有更优异的识别精度、适应性和时效性。     

同频段混合信号中的无人机信号盲检测识别

无人机信号的探测识别技术是应对无人机黑飞滥用的关键技术之一。在实际信号监测环境中，经常会接收到多个信号的混合信号，它们在时域和频域上混叠且各信号分量调制样式相同。为解决在同频段混合信号中检测识别出无人机信号的问题，提出了一种通过谱特征分析判断无人机信号存在性的方法。分别采用基于二次方谱特征的无人机图传和WiFi混合信号检测识别算法以及基于频谱带宽特征的多无人机混合信号检测识别算法，通过对射频电路采集的信号进行仿真验证，实现了从同频段混合信号中检测识别出无人机信号分量。理论分析和实验测试结果证实了所提检测识别算法的有效性。     

基于子空间对齐与自适应CSP算法的运动想象脑电信号分类

在脑机接口中,让分类器从一个用户适应到另一个用户是具有挑战性的,但对于减少新用户的训练时间是必要的。但由于每个个体的神经信号存在着差异,常用的特征提取方法训练的分类器,应用于不同的用户时,准确率很低。因此本文提出了一种新的自适应共空间模式的特征提取方法,该算法通过选择合适的候选试验更新协方差矩阵,然后对提取的特征进行子空间对齐,最后用于训练分类器进行分类。由实验结果得出该方法的分类准确率优于传统的CSP算法和传统的自适应CSP算法,最后通过对提取特征的可视化可以看出改进的子空间对齐可以降低源域与目标域的域方差,减小源域与目标域之间的差异。     

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。     

基于时频能量谱特征的跳频电台个体识别

针对于跳频电台的细微特征分类识别问题,提出基于跳频信号时频能量谱的细微特征提取算法。首先,利用跳频信号在时频域的稀疏特性,通过稀疏重构方法得到跳频信号时频能量谱;然后,在不同尺度条件下对时频能量谱进行分割,分别提取时频能量谱瑞利熵、多重分形维数和差分盒维数三种特征;最后,通过支持向量机分类器对提取特征集进行训练、分类和识别,实现跳频电台个体识别。利用四部电台的跳频信号,验证对比了本文算法与另外两种算法的识别性能。实验结果表明,本文方法所提取的细微特征集具有较强的分辨能力,避免了由单一特征的相似性而引起的误判问题,能够在少量训练样本条件下,保持较高的识别正确率。