基于光纤信号的周界安防区异常事件识别方法

本发明属于分布式光纤信号振动事件分类领域，具体涉及一种基于光纤信号的周界安防区异常事件识别方法。

背景技术：

1、如今随着信息化时代的高速发展，电缆、海底光缆、油气管道、火车铁轨等的铺设越来越多，随之带来的安全监测等问题也成了如今急需解决的一大问题。振动信息是各种安全危害事件发生的载体，如果能实时监控外界的振动信息，并能从振动信号中区分出不同事件的特征进而识别出来，那么其必然能在安全监测上发挥重要作用。例如识别电缆附近是否有大型机械器件的振动，从而防止电缆因为施工被破坏，识别铁路周边防护网是否有人攀爬翻越，达到安全警戒的目的等。

2、分布式光纤振动传感（distributed optical fiber vibration sensing，dvs）技术可以沿着传感光纤连续测量光纤四周的振动信号，是一种分布式光纤传感技术，这类技术相比传统传感器具有分布式、抗电磁干扰、耐腐蚀以及无需供电的特点。同时分布式光纤振动传感系统在此基础上还具有灵敏度高、结构简单以及检测距离长的特点。对外界的振动非常灵敏、监测的动态范围大，非常适用于在大范围中对振动事件的检测。其独特的应用场景使其成为了边境安防、油气管道泄漏检测和定位、建筑结构损坏监测、多环境下边境监控等领域的首选。相敏光时域反射计（φ-otdr）是分布式光纤传感系统的典型代表，广泛应用于国防边境、军事基地等安防监控领域。然而，高滋扰报警率（nar）是φ-otdr系统的主要缺点。由于传感光纤对环境敏感，以及一些入侵信号与非入侵信号的相似性，系统在振动信号识别过程中容易做出较差的判断，造成较高的滋扰报警率，浪费大量的人力和物力。

3、传统的浅层光纤事件分类方法，在特征提取的时候需要人为地从采集到的振动信号中提取特征，这些提取方法繁琐且复杂，判断提取的特征能否有助于分类器的识别需要一定的经验和知识积累。此外，提取的某些特征在其他场景中可能无效，导致模型的泛化能力不稳定，一旦环境发生改变，系统的误报率就显著提高。

技术实现思路

1、本发明的目的在于提供一种基于光纤信号的周界安防区异常事件识别方法，无需人工参与，能直接从原始光纤振动事件数据集中提取特征，并识别出振动事件的类型，提高了周界安防区异常事件的识别准确率，解决了光纤信号传统特征提取方法需要人为制造特征，严重依赖于专家知识，并且泛化能力弱以及现有模型利用光纤信号进行识别的过程中计算量大等问题。

2、为实现上述目的，本发明所采取的技术方案为：

3、一种基于光纤信号的周界安防区异常事件识别方法，所述基于光纤信号的周界安防区异常事件识别方法，包括：

4、通过相敏光时域反射计采集光纤振动事件数据集并进行预处理，形成训练集，训练集中的训练样本为预处理后的光纤振动事件数据；

5、将训练样本输入改进型1dcnn深度学习模型，所述改进型1dcnn深度学习模型包括四层卷积模块、长短期记忆网络、全局均值池化层、全连接层和利用灰狼优化算法优化后的svm分类器，其中每一层卷积模块包括卷积层、批量归一化层、relu激活函数层和最大池化层，并且第一层卷积模块与第二层卷积模块之间连接有注意力机制模块；

6、基于改进型1dcnn深度学习模型中的全连接层的输出，以及训练样本的标签计算第一损失函数，并根据第一损失函数更新改进型1dcnn深度学习模型中在利用灰狼优化算法优化后的svm分类器之前的权重参数，直至训练完成；

7、固定改进型1dcnn深度学习模型中在利用灰狼优化算法优化后的svm分类器之前的权重参数，根据利用灰狼优化算法优化后的svm分类器的输出，以及训练样本的标签计算第二损失函数，并根据第二损失函数调整利用灰狼优化算法优化后的svm分类器的参数，直至训练完成；

8、取训练完成的改进型1dcnn深度学习模型，针对待识别的光纤振动事件数据，输出异常事件识别结果。

9、以下还提供了若干可选方式，但并不作为对上述总体方案的额外限定，仅仅是进一步的增补或优选，在没有技术或逻辑矛盾的前提下，各可选方式可单独针对上述总体方案进行组合，还可以是多个可选方式之间进行组合。

10、作为优选，所述光纤振动事件数据包含多个异常事件类别，每个异常事件类别下的每个训练样本由m个时域点和n个相邻空间点组成，即每个训练样本为一个m行n列的矩阵。

11、作为优选，所述将训练样本输入改进型1dcnn深度学习模型，包括：

12、将m行n列的矩阵中的数据点按行先后拼接，得到拼接信号；

13、将所述拼接信号输入改进型1dcnn深度学习模型。

14、作为优选，利用灰狼优化算法优化svm分类器的过程如下：

15、设定狼群规模与最大迭代次数，将svm分类器中的惩罚参数和核函数参数设定为狼群个体位置的二维坐标，随机初始化惩罚参数和核函数参数；

16、将训练集的训练样本输入svm分类器，根据svm分类器的输出计算适应度值，将狼的等级根据适应度值进行分类，所述狼的等级包括狼、狼、狼和狼，所述计算适应度值的公式如下：

17、

18、式中，为适应度值，是正确分类个数，是错误分类个数；

19、灰狼狩猎的数学模型如下所示：

20、

21、

22、式中，为灰狼与猎物之间的距离，为迭代次数，为猎物当前位置，表示当前搜索狼的位置，为搜索狼更新后的位置，为第一系数，为第二系数；用如下公式计算：

23、

24、

25、式中，为收敛因子，随着迭代次数更新，从2线性递减到0； 和为随机变量，范围为[0,1]；

26、狼与狼、狼、狼之间的距离如下所示：

27、

28、狼前进的步长和方向数学模型如下：

29、

30、式中，、、分别为狼、狼、狼与狼的距离，、、分别为狼、狼、狼对应的第一系数，、、分别为狼、狼、狼的当前位置，、、为分别为狼、狼、狼对应的第二系数，、、分别为狼针对狼、狼、狼更新后的位置；

31、狼最终更新位置的数学公式为：

32、

33、计算更新后的个体的适应度值，将当前迭代次数的最优适应度值记录为，如果 ，为狼的适应度值，则被更新为，并记录最优位置为狼的位置；如果，为狼的适应度值，则将赋值给狼，并记录最优位置为狼的位置；若，为狼的适应度值，则将赋值给狼，并记录最优位置为狼的位置；

34、判断迭代次数是否达到最大迭代次数，如果达到，则循环终止，并得到最佳惩罚参数和最佳核函数参数，并使用最佳惩罚参数和最佳核函数参数得到利用灰狼优化算法优化后的svm分类器；如果未达到，则返回继续迭代。

35、本发明提供的一种基于光纤信号的周界安防区异常事件识别方法，与现有技术相比，具有以下有益效果：

36、（1）本发明在1dcnn深度学习模型的卷积模块的卷积层和激活函数层之间插入了bn（批量归一化），加入批量归一化层可以使网络的训练速度加快，泛化能力增强。

37、（2）本发明在1dcnn深度学习模型的第一个卷积模块和第二个卷积模块之间插入cbam注意力机制模块，为每个通道数据赋予不同的权重，解决了1dcnn深度学习模型将每个通道数据视为同等重要的问题，强化了1dcnn深度学习模型的局部特征提取能力。

38、（3）由于光纤振动事件数据是时序数据，而1dcnn深度学习模型无法捕捉到数据的时序特征，所以本发明在1dcnn深度学习模型提取完数据间的空间特征后，使用能捕捉数据间的时间相关性的长短期记忆网络lstm，从而充分提取光纤振动数据的时空特征，解决了1dcnn深度学习模型不能捕捉光纤数据间的时间相关性的问题，从而大幅度提升振动事件识别的准确率，解决了目前光纤测振周界安防中的误报警率高的问题。

39、（4）1dcnn深度学习模型提取完特征后，传统的方法是直接输入到全连接层中，将这些特征图平铺，然后使用2到3层的全连接层进行降维，但光纤振动数据量太庞大，经过模型提取后的特征展平后数据量太多，导致模型参数过多、计算量大、过拟合等问题。而本发明改为使用全局均值池化来替代全连接层的前几层，只保留其最后一层，极大地减少网络中的参数，避免了全连接层导致的参数数量过多问题。

40、（5）由于softmax分类器计算速度慢、受噪声干扰影响较大，而且只是将全连接输出的数据进行符合概率学分布的简单归一化操作，无法进一步提升卷积神经网络的分类性能等问题最终导致分类效果不太理想，不适用于光纤振动数据集，因此本发明利用灰狼优化算法优化后的svm分类器代替1dcnn中常规softmax分类器对提取的特征进行振动事件识别，进一步提升了振动事件的识别准确率。其中使用灰狼优化算法来对svm分类器进行改进，寻找svm分类器的最优参数组合，相对于常规的svm分类器，提高了分类性能。

41、（6）本发明方法是端到端的识别方法，整个过程无需人工参与，能直接从原始光纤信号中提取特征，并识别出振动事件的类型，解决了传统特征提取方法需要人为制造特征，严重依赖于专家知识，并且泛化能力弱等问题。