一种具有自适应学习功能的光纤振动传感方法及系统与流程

本发明属于光纤周界防护领域，具体是一种具有自适应学习功能的光纤振动传感方法及系统。

背景技术：

随着我国经济和科学技术的不断发展，社会财富高速增长，公共安全的诉求快速升级。住宅小区、学校教育、办公园区等个人生活工作区域的安全防范成为人们越来越关心的问题；对于铁路、机场等公共交通运输区域的安全防范也逐渐升级为国家的安全战略目标；同时，对于司法监狱、能源管道、国防军事等关系国民安全的重要区域的安全防范更是重中之重；因此，一个安全有效的周界安防报警系统尤为重要。

在国内安防领域，目前存在着红外对射、微波对射、泄漏电缆、张力围栏、脉冲电网等各种周界安防报警系统，但其均属于较低安全级别的周界安防技术，存在着受地形气候电磁环境影响强、被突破几率较高、防误报技术低端等缺点，难以满足现代国防军事、司法监狱、交通航运等较高级别安防的需求。随着光纤传感技术的快速发展出现了以光纤作为传感单元的光纤周界安防系统，由于其具有长距离布防、抗电磁干扰能力强、适应恶劣的环境条件、传导传感光缆可复用性、智能算法识别误报率低、光纤易远传、结构简单安装隐蔽等优点，正逐渐替代传统的周界安防系统，开始占据市场主流。

光纤周界安防系统利用光纤传感技术，探测敷设在物理围界上的光缆感应到的振动信号，经过后端的数据处理和特征提取，学习不同行为产生的信号特征建立分类器，智能识别攀爬、割据等入侵行为和风、雨等干扰行为，提供可靠的入侵报警信息。光纤周界安防系统具有卓越的性能，但在实际使用过程中，因复杂的物理围界、地理环境、气候环境等因素的影响，仍存在着一定的误报率。产生误报的原因通常是前期建立的分类器不包含此类行为的信息，而这类行为又是动态变化的、无法模拟的，只能在误报发生后，通过专业人员人工识别筛选误报信号，然后将这些误报信号作为干扰行为样本加入分类器进行迭代，以降低此类行为产生的误报信息。分类器的优化迭代是一个维护工作量大、周期跨度长的过程，一定程度上影响了企业的工作效率和客户的满意度。

技术实现要素：

为了解决上述现有技术方案中的不足，本发明提供一种无需人工干预、具有自适应学习功能、降低系统误报率的光纤振动传感系统。具体技术方案如下：

一种具有自适应学习功能的光纤振动传感方法，包括：步骤(一)通过误报信号甄别算法周期性地自动分析提取误报信号，步骤(二)将误报信号进行训练学习以优化升级分类器。

进一步的，所述误报信号甄别算法从未知行为报警信号中周期性地自动分析提取误报信号，具体如下：根据预先设定的周期，自动提取存储器中被标志过的未知行为报警信号，然后基于包含已知样本数据信息的分类器，采用误报信号甄别算法对其进行分类处理以筛选出可靠的误报信号。

进一步的，所述误报信号甄别算法包括如下步骤：

1)在已知类别特征值划分区域之外，将未知行为报警信号类别的特征值的划分区域均分为n个区域，计算n个区域内所含报警数据的各个特征值的均值，将均值所描述的点分别作为各个类别的初始类别中心；

2)计算所有未知行为报警数据与各初始类别中心之间的距离，按照近邻规则将所有未知行为报警数据分到与之距离最近的类别中心所对应的类别中；

3)在步骤2)中按近邻规则划分好的类别，修正未知行为报警数据的类别中心，计算各个类别中报警数据的各个特征值均值所描述的点，作为新的各个类别中心；

4)计算各个类别中报警数据的各个特征值的标准差向量以及分类器中的入侵类别、干扰类别中样本的各特征值标准差向量，一个类别取其标准差向量中的最小分量，当这个最小分量大于入侵和干扰样本标准差向量中对应最大分量的1.5倍,对这个类别进行分裂处理，然后转到步骤2)，否则继续；

5)计算所有类别中心之间的距离，判断是否小于分类器的入侵类别中心与干扰类别中心距离的10％，当两个类别中心之间的距离小于分类器的入侵类别中心与干扰类别中心距离的10％，对这两个类别区域进行合并处理，类别数量n减去1；

6)当迭代次数等于预设的次数，未知行为报警数据分类完成，得到一个或多个未知类型；否则迭代次数加1，并转到步骤2)；

7)计算各个未知类型的标准差向量的最大分量，当某个未知类型的标准差最大分量小于已知类别样本的特征值标准差向量中的最小分量，该未知类型属于某一特定未知干扰行为引起的误报信号。

进一步的，步骤1)中，根据在分类器中不同类别的信号数据样本具有的持续时间、有效面积、主峰值、断续时间的时域特征和小波包分解系数的频域特征等特征值，进行各个特征的初次划分,已知类别特征值的划分区域由分类器决定。

进一步的，步骤4)中，把类别中心分裂为两个新的类别中心，类别数量加1，求这个类别各个特征值标准差中的最大值σmax，类别中心对应这个最大值的分量加上0.5σmax得到一个新的类别中心，类别中心对应这个最大值的分量减去0.5σmax得到另一个新的类别中心，即得到了两个新的类别中心。

进一步的，步骤5)中，新的类别中心由两个类别中心以其类别区域内的样本数加权平均得到。

进一步的，步骤(二)具体为将误报信号作为干扰样本集输入分类器中训练学习，完成分类器本轮迭代，然后等待下一个周期的到来。

进一步的，当迭代次数达到阈值时，分类器优化升级完成，自适应学习终止。

一种具有自适应学习功能的光纤振动传感系统，采用上述的具有自适应学习功能的光纤振动传感方法。

与现有技术相比，本发明具有的有益效果为：

1、通过具有自适应学习功能的光纤振动传感系统，无需人工干预，分类器优化升级过程自动完成，提高了维护工作效率。

2、通过误报信号甄别算法，从未知行为报警信号中筛选出具有特征相似、聚集度高、反复出现的干扰行为引起的误报信号，以优化升级分类器，抑制误报信号，降低误报率。

附图说明

图1是自适应学习流程图；

图2是误报信号甄别算法流程图。

具体实施方式

下面结合附图对本发明作进一步说明。

本发明的具有自适应学习功能的光纤振动传感系统，通过误报信号甄别算法周期性地自动分析提取误报信号，将误报信号进行训练学习以优化升级分类器，使系统无需人工干预，自动学习环境干扰行为，达到提高维护效率、降低误报率的目的。

所述光纤振动传感系统由信号采集装置、信号处理装置、报警显示装置组成。信号采集装置由信号采集器和传感光缆组成，信号采集器和传感光缆安装于户外物理围界上，用于采集物理围界产生的振动信号；采集到的振动信号通过传导光缆被传递给信号处理装置，由其进行光电转换、信号滤波、模数转换及信号处理；报警显示装置系由服务器与显示器组成，通过以太网接收信号处理装置发送的信号，进行复合特征提取与神经网络计算，模式识别判断信号类别，若是入侵行为，则通过信号处理装置与显示器产生报警指示。

光纤振动传感系统采用振动信号复合特征提取算法、神经网络模式识别技术判断入侵与干扰。振动信号复合特征提取算法提取振动信号多个特征量，包括持续时间、有效面积、主峰值、断续时间，形成特征矢量样本；多个训练样本序列构建基于神经网络的分类器，将所需识别的各种干扰和入侵事件进行预分类并确定对应的分类器目标输出；监测中的扰动信号特征量输入已经训练好的分类器，分类器的输出与各种事件的分类器目标输出做对比，根据预设的误差范围匹配判断数据类型。系统对判定为入侵类型的信号和未知行为信号都产生报警；对判定为干扰类型的信号不产生报警。

如图1和2所示，本发明的光纤振动传感系统采用误报信号甄别算法从未知行为报警信号中周期性地自动分析提取误报信号。系统根据预先设定的周期，自动提取存储器中被标志过的未知行为报警信号，然后基于包含已知样本数据信息的分类器，采用误报信号甄别算法对其进行分类处理以筛选出可靠的误报信号。具体如下：

1)根据在分类器中不同类别的信号数据样本具有的持续时间、有效面积、主峰值、断续时间的时域特征和小波包分解系数的频域特征等特征值，进行各个特征的初次划分。已知类别特征值的划分区域由分类器决定，在已知类别特征值划分区域之外，将未知行为报警信号类别的特征值的划分区域均分为n个区域。计算n个区域内所含报警数据的各个特征值的均值，将均值所描述的点分别作为各个类别的初始类别中心。

2)计算所有未知行为报警数据与各初始类别中心之间的距离，按照近邻规则将所有未知行为报警数据分到与之距离最近的类别中心所对应的类别中。

3)在第(2)步中按近邻规则划分好的类别，修正未知行为报警数据的类别中心，计算各个类别中报警数据的各个特征值均值所描述的点，作为新的各个类别中心。

4)计算各个类别中报警数据的各个特征值的标准差向量以及分类器中的入侵类别、干扰类别中样本的各特征值标准差向量，一个类别取其标准差向量中的最小分量，当这个最小分量大于入侵和干扰样本标准差向量中对应最大分量的1.5倍,对这个类别进行分裂处理。把类别中心分裂为两个新的类别中心，类别数量加1，求这个类别各个特征值标准差中的最大值σmax，类别中心对应这个最大值的分量加上0.5σmax得到一个新的类别中心，类别中心对应这个最大值的分量减去0.5σmax得到另一个新的类别中心，即得到了两个新的类别中心。然后转到第(2)步，否则继续。

5)计算所有类别中心之间的距离，判断是否小于分类器的入侵类别中心与干扰类别中心距离的10％。当两个类别中心之间的距离小于分类器的入侵类别中心与干扰类别中心距离的10％，对这两个类别区域进行合并处理，类别数量n减去1。新的类别中心由两个类别中心以其类别区域内的样本数加权平均得到。

6)当迭代次数等于预设的次数，未知行为报警数据分类完成，得到一个或多个未知类型；否则迭代次数加1，并转到第(2)步。

7)计算各个未知类型的标准差向量的最大分量，当某个未知类型的标准差最大分量小于入侵和干扰样本的特征值标准差向量中的最小分量，该未知类型属于某一特定未知干扰行为引起的误报信号，其具有特征相似、聚集度高、反复出现的行为属性。

成功分类的未知干扰类型报警数据，是由季节性气候、地理环境的变化和其他未知干扰行为引起的误报信号，是误报信号甄别算法成功筛选得到的一个或多个特定未知干扰行为引起的误报信号。将误报信号作为干扰样本集输入分类器中训练学习，完成分类器本轮迭代，然后等待下一个周期的到来。当迭代次数达到阈值时，分类器优化升级完成，自适应学习终止。

本发明的光纤振动传感系统具有自适应学习功能，无需人工干预，自动周期学习环境干扰行为，降低误报率。通过误报信号甄别算法周期性地自动分析提取误报信号，将误报信号进行训练学习以优化升级分类器，使系统无需人工干预，自动学习环境干扰行为，达到提高维护效率、降低误报率的目的。

具有自适应学习功能的光纤振动传感系统，根据预先设定的周期，自动提取存储器中被标志过的未知行为报警信号，由误报信号甄别算法从未知行为报警信号中筛选出具有特征相似、聚集度高、反复出现的干扰行为引起的误报信号，然后将此类误报信号作为干扰样本集输入分类器中训练学习，完成分类器本轮迭代，然后等待下一个周期的到来，当迭代次数达到阈值时，分类器优化升级完成，自适应学习终止。

系统根据预先设定的周期，自动提取存储器中被标志过的未知行为报警信号，然后基于包含已知样本数据信息的分类器，采用误报信号甄别算法对其进行分类处理以筛选出可靠的误报信号。

实施例一

传感光缆采集到产生在物理围界上的敲击行为和风雨产生的振动信号，信号通过传导光缆传递到信号处理装置，处理后的信号进行复合特征提取和神经网络计算，获得敲击a为入侵、风雨b为干扰的分类器。系统对敲击行为信号和未知行为信号产生报警；对风雨信号不产生报警。

系统预设提取周期为一个月，到分类器运行一个月时，自动提取存储器中被标志过的m个未知行为报警信号，然后基于包含分类器中敲击入侵、风雨干扰的数据信息，对m个未知行为报警信号进行分类处理以筛选出可靠的误报信号。

1)根据分类器中敲击入侵、风雨干扰样本的持续时间、有效面积、主峰值、断续时间的时域特征和小波包分解系数频域特征5个特征值信息，在敲击、风雨样本数据的特征值所在区域之外，将m个未知行为报警数据所有特征值区域均分为n个类别区域，n是(m/10)整数位的数值。计算n个类别区域内所含报警数据的各个特征值的均值，它们所描述的点分别作为n个类别的初始类别中心。

2)计算所有未知行为报警数据与各类别中心之间的距离，按照近邻规则将m个未知行为报警数据分到与之距离最近的类别中心所对应的类别中。

3)在第(2)步中按近邻规则划分好的类别，修正它们的类别中心，计算各个类别中报警数据的各个特征值均值所描述的点j＝1,…,n，作为各个类别中心。

4)计算各个类别中报警数据的各个特征值的标准差向量σj(σ1j,…,σ5j)，j＝1,…,n，与分类器中的敲击a、风雨b类别中样本的各个特征值标准差向量σa(σ1a,…,σ5a)、σb(σ1b,…,σ5b)进行比较。当一个类别xj标准差向量的最小分量min{σij}＞1.5*max{σia,σib},i＝1,…,5，该类别包含的报警数据离散程度大，不应该归于一个类别，对这个类别进行分裂处理。类别中心分裂为两个新的类别中心和类别数量n加1，类别xj的特征值标准差向量中有其最大分量σjmax，σjmax＝max{σij，i＝1,…,5}，类别中心中对应σjmax的均值分量加上0.5σjmax得到新的类别中心类别中心中对应σjmax的均值分量减去0.5σjmax得到新的类别中心然后转到第(2)步，否则继续。

5)计算所有类别中心之间的距离，与分类器中敲击类别中心和风雨类别中心之间距离dab的10％比较，当两个类别中心之间的距离dij小于dab的10％，对这两个类别中心进行合并处理，类别数量n减去1。新的类别中心由两个类别中心以其类别区域内的样本数加权平均得到，即

6)当迭代次数等于预设次数k，未知行为报警数据分类完成，得到未知类型y1、…、yn；否则迭代次数加1，并转到第(2)步。

7)计算各个未知类型yn(n＝1,…,n)的标准差向量σn(σ1n,…,σ5n)的最大分量σnmax＝max{σin，i＝1,…,5}，当σnmax＜min{σia,σib}，i＝1,…,5，且yn所含报警数据个数大于10，则该未知类型yn属于未知干扰，该未知类型属于某一特定未知干扰行为引起的误报信号，其具有特征相似、聚集度高、反复出现的行为属性。

成功分类的未知干扰类型报警数据，是由季节性气候、地理环境的变化和其他未知干扰行为引起的误报信号，是误报信号甄别算法成功筛选得到的一个或多个特定未知干扰行为引起的误报信号。将误报信号作为干扰样本集输入分类器中训练学习，完成分类器本轮迭代，然后等待下一个周期的到来。当迭代次数达到阈值时，分类器优化升级完成，自适应学习终止。