基于時(shí)域特征的光纖安防系統(tǒng)信號(hào)識(shí)別算法

盧 娜， 安博文， 李玉漣， 盧學(xué)佳

(上海海事大學(xué) 信息工程學(xué)院，上海 201306)

基于時(shí)域特征的光纖安防系統(tǒng)信號(hào)識(shí)別算法

盧 娜， 安博文， 李玉漣， 盧學(xué)佳

(上海海事大學(xué) 信息工程學(xué)院，上海 201306)

在分布式光纖周界安防系統(tǒng)中，為實(shí)時(shí)有效分辨出系統(tǒng)所受的入侵事件和干擾事件，提出了一種基于時(shí)域特征的振動(dòng)信號(hào)模式識(shí)別算法。對(duì)原始振動(dòng)信號(hào)進(jìn)行降噪處理，然后提取降噪后信號(hào)的短時(shí)能量和短時(shí)過(guò)閾值率兩類(lèi)特征值，將提取的特征值作為特征向量輸入到支持向量機(jī)(SVM)中進(jìn)行訓(xùn)練和測(cè)試，建立分類(lèi)模型，將分類(lèi)模型應(yīng)用于安防系統(tǒng)，實(shí)時(shí)識(shí)別出入侵和干擾事件。實(shí)驗(yàn)結(jié)果可知：模式識(shí)別算法的分類(lèi)效率高，誤差小，具有有效性和可行性。

分布式光纖周界； 時(shí)域特征； 模式識(shí)別； 支持向量機(jī)

0 引 言

目前，以光纖作為傳感器的光纖周界安防系統(tǒng)因其抗電磁干擾、低功耗、安全性高、分布式監(jiān)測(cè)等特點(diǎn)在機(jī)場(chǎng)、炸藥庫(kù)、油氣管道、邊境等領(lǐng)域逐漸取代了傳統(tǒng)的周界安防解決方案。本系統(tǒng)采用的光纖周界安防系統(tǒng)基于相位敏感光時(shí)域反射原理，沿線各點(diǎn)都可以作為傳感器，可以實(shí)現(xiàn)分布式測(cè)量，測(cè)量范圍達(dá)幾十公里[1]。光纖周界振動(dòng)信號(hào)識(shí)別中，特征提取是關(guān)鍵，識(shí)別效果的優(yōu)劣主要由特征提取的好壞直接決定。如何通過(guò)光纖振動(dòng)信號(hào)快速實(shí)時(shí)地判別出系統(tǒng)所受的擾動(dòng)是入侵事件還是干擾事件，制約光纖周界安防系統(tǒng)的應(yīng)用。

光纖周界安防系統(tǒng)對(duì)入侵報(bào)警響應(yīng)時(shí)間和斷纖報(bào)警響應(yīng)時(shí)間都有較高要求，時(shí)域處理的方法直接快速，因此,在對(duì)振動(dòng)信號(hào)的模式識(shí)別中，在保證模式識(shí)別準(zhǔn)確率的情況下，采用時(shí)域的方法對(duì)信號(hào)進(jìn)行識(shí)別快速有效，更適合用于實(shí)際應(yīng)用[2]。在實(shí)際的應(yīng)用系統(tǒng)中，數(shù)據(jù)的采集頻率為10 kHz，每隔0.409 6 s將采集的數(shù)據(jù)進(jìn)行時(shí)域特征提取，選擇基于支持向量機(jī)(SVM)的模式識(shí)別算法對(duì)提取的特征進(jìn)行識(shí)別，數(shù)據(jù)處理時(shí)間小于0.409 6 s，達(dá)到實(shí)時(shí)在線監(jiān)測(cè)的效果。同時(shí),為了降低背景噪聲和非入侵事件對(duì)識(shí)別效果的影響，利用巴特沃斯濾波器對(duì)原始信號(hào)進(jìn)行降噪，減少噪聲干擾，降低了誤報(bào)率。

1 光纖振動(dòng)信號(hào)處理

1.1 光纖振動(dòng)信號(hào)降噪

在光纖周界安防系統(tǒng)中，采集到的光纖振動(dòng)信號(hào)因自然環(huán)境因素會(huì)含有一定的噪聲信號(hào)，而車(chē)輛經(jīng)過(guò)是通過(guò)路面—光纖柵欄—光纖的方式作用在光纖上，產(chǎn)生的振動(dòng)信號(hào)多分布在中低頻率段，風(fēng)作用在光纖上的振動(dòng)信號(hào)亦分布在中低頻率段。因此,為體現(xiàn)入侵信號(hào)的振動(dòng)特征，減少噪聲干擾，降低非入侵事件對(duì)誤報(bào)率的影響，在提取特征向量前對(duì)原始信號(hào)進(jìn)行降噪處理，采用的降噪方法為施加巴特沃斯濾波器[3,4]。

1.2 信號(hào)時(shí)域特征提取

在光纖周界安防系統(tǒng)中，系統(tǒng)所處的狀態(tài)分為正常、入侵、干擾3種情況。當(dāng)系統(tǒng)未受到外界影響時(shí)，光纖振動(dòng)信號(hào)幅度和波動(dòng)都比較小，對(duì)應(yīng)的短時(shí)能量和短時(shí)過(guò)閾值率也比較低；而當(dāng)系統(tǒng)受到外界因素微弱干擾時(shí)，其振動(dòng)信號(hào)的幅度變化不大，但振動(dòng)頻率會(huì)顯著增加；當(dāng)系統(tǒng)受到入侵時(shí)，其振動(dòng)信號(hào)的幅度和波動(dòng)都會(huì)顯著增加[5]。在信號(hào)的時(shí)域特征中，短時(shí)能量與信號(hào)的幅度有關(guān)，短時(shí)過(guò)閾值率與信號(hào)的振動(dòng)頻率有關(guān)，因此，時(shí)域特征的短時(shí)能量和短時(shí)過(guò)閾值率的大小客觀反映出系統(tǒng)有無(wú)發(fā)生入侵行為。選取正常情況下光纖信號(hào)的短時(shí)能量和短時(shí)過(guò)閾值率作為參考值，當(dāng)光纖振動(dòng)信號(hào)的兩類(lèi)時(shí)域特征值同時(shí)大于正常情況下的特征值，則判斷有入侵發(fā)生，否則判斷無(wú)入侵發(fā)生[6]。訓(xùn)練樣本需要分幀處理，在線測(cè)試時(shí)，每隔0.409 6 s采集的數(shù)據(jù)相當(dāng)于1幀數(shù)據(jù)，可以直接進(jìn)行處理。

提取信號(hào)時(shí)域特征的步驟為：

1)對(duì)采集到的信號(hào)x(n)作加窗分幀處理，將每一幀信號(hào)記為si(n)，幀長(zhǎng)N=409 6；

2)對(duì)每幀信號(hào)進(jìn)行降噪處理；

2 信號(hào)模式識(shí)別算法

SVM是一種快速判別兩類(lèi)問(wèn)題的分類(lèi)器，其基本的思想是利用SVM算法在兩類(lèi)問(wèn)題數(shù)據(jù)尋找最優(yōu)分類(lèi)超平面，建立分類(lèi)模型，然后通過(guò)分類(lèi)超平面來(lái)對(duì)數(shù)據(jù)分類(lèi)[7,8]。

采集的擾動(dòng)類(lèi)型包括敲擊、攀爬、車(chē)輛經(jīng)過(guò)和微風(fēng)，其中敲擊和攀爬為入侵事件，樣本標(biāo)記為1，車(chē)輛經(jīng)過(guò)和微風(fēng)為干擾事件，樣本標(biāo)記為0。首先對(duì)采集的原始振動(dòng)信號(hào)進(jìn)行降噪處理，然后提取降噪后信號(hào)的兩類(lèi)時(shí)域特征值，短時(shí)能量和短時(shí)過(guò)閾值率，再將兩類(lèi)時(shí)域特征值組成特征向量輸入SVM中，最后通過(guò)SVM分類(lèi)器對(duì)數(shù)據(jù)樣本進(jìn)行處理，尋找最優(yōu)分類(lèi)超平面，建立分類(lèi)模型。在實(shí)際應(yīng)用中，實(shí)時(shí)采集的信號(hào)，首先通過(guò)降噪預(yù)處理，然后提取時(shí)域特征值，組成特征向量，最后SVM通過(guò)建立的最優(yōu)分類(lèi)超平面對(duì)數(shù)據(jù)進(jìn)行判別，確定振動(dòng)信號(hào)的擾動(dòng)類(lèi)型，如果振動(dòng)信號(hào)為入侵信號(hào)則判別結(jié)果為1，這時(shí)啟動(dòng)報(bào)警裝置。其模式識(shí)別流程圖如圖1所示。

圖1 振動(dòng)信號(hào)模式識(shí)別流程圖

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證該算法的實(shí)際效果，該光纖周界安防系統(tǒng)所測(cè)試的光纖長(zhǎng)度為1 500 m，振動(dòng)信號(hào)的采樣頻率為10 kHz，空間分辨率為5 m/傳感點(diǎn)。

首先選擇處理圍欄前端處的四類(lèi)不同的事件，處理結(jié)果如圖2所示，其中攀爬的作用時(shí)間大約出現(xiàn)在5～10s范圍內(nèi)。每一類(lèi)圖中橫坐標(biāo)表示時(shí)間，縱坐標(biāo)表示幅度，自上而下分別表示該類(lèi)事件的原始信號(hào)、降噪后信號(hào)、短時(shí)能量、短時(shí)過(guò)閾值率。

圖2 圍欄前端4種不同事件的時(shí)域特征圖

圖2(c)和(d)中車(chē)輛經(jīng)過(guò)和微風(fēng)的原始信號(hào)的幅度上較大，但經(jīng)過(guò)降噪之后，信號(hào)相對(duì)比較干凈，噪聲較少。圖2(a)和(b)中后敲擊和攀爬的原始信號(hào)經(jīng)過(guò)降噪處理后，振動(dòng)信號(hào)的主要特征保留下來(lái)，特征信號(hào)更為明顯。這主要源于車(chē)輛和微風(fēng)對(duì)光纖的擾動(dòng)信號(hào)頻率段集中在中低頻段，而巴特沃斯濾波器為高通濾波器，通過(guò)濾波器可對(duì)車(chē)輛移動(dòng)和風(fēng)等中低頻的干擾信號(hào)進(jìn)行抑制，降低了誤報(bào)率。因此,對(duì)降噪后的信號(hào)再進(jìn)行短時(shí)能量和短時(shí)過(guò)閾值率的時(shí)域特征提取更有利于表示信號(hào)的特征。選擇短時(shí)能量的閾值為3×107，短時(shí)過(guò)閾值率的閾值為30，從圖中可以看出，入侵信號(hào)的時(shí)域特征值都大于設(shè)定的閾值，而干擾信號(hào)的時(shí)域特征值則遠(yuǎn)小于設(shè)定的閾值。

為進(jìn)一步驗(yàn)證算法的有效性，選擇光纖圍欄的后端位置，同樣對(duì)該位置進(jìn)行四類(lèi)不同事件的作用，其事件的時(shí)域特征圖如圖3所示。在圖3(a)中每1.5 s敲擊一次圍欄，圖3(b)中，攀爬圍欄作用在2～10 s，從原始信號(hào)中不能直接觀察出信號(hào)特征，但經(jīng)過(guò)降噪后，信號(hào)的特征比較明顯，對(duì)應(yīng)的短時(shí)能量和短時(shí)過(guò)閾值率充分體現(xiàn)了振動(dòng)信號(hào)的特征。圖3(c)和圖3(d)分別表示車(chē)輛經(jīng)過(guò)和微風(fēng)的信號(hào)特征，從圖中可以看出干擾信號(hào)經(jīng)過(guò)降噪處理后，能去除大部分噪聲，這樣對(duì)信號(hào)的分析才有價(jià)值，選擇短時(shí)能量的閾值為3×107，短時(shí)過(guò)閾值率的閾值為30，從圖3可以看出，入侵事件的時(shí)域特征值全部大于設(shè)定的閾值，而干擾事件則未超過(guò)閾值，從而可以區(qū)分入侵事件和干擾事件，實(shí)驗(yàn)證明，該算法具有可行性。

圖3 圍欄后端4種不同事件的時(shí)域特征圖

為驗(yàn)證分類(lèi)效果的準(zhǔn)確率，實(shí)驗(yàn)共處理3 542組數(shù)據(jù)樣本，其中入侵事件包括1 038組，干擾事件包括2 504組，選擇其中500組含入侵的信號(hào)與1 262組干擾信號(hào)，作為SVM分類(lèi)器的訓(xùn)練集，對(duì)訓(xùn)練集進(jìn)行訓(xùn)練獲得分類(lèi)超平面，建立分類(lèi)模型。然后通過(guò)建立的分類(lèi)模型分別對(duì)訓(xùn)練集和剩下的所有樣本組成的測(cè)試集進(jìn)行測(cè)試，該模型的事件樣本識(shí)別結(jié)果見(jiàn)表1所示。

對(duì)訓(xùn)練集進(jìn)行訓(xùn)練獲得分類(lèi)超平面的過(guò)程中，為了去掉偏離正常位置很遠(yuǎn)的數(shù)據(jù)點(diǎn)對(duì)尋優(yōu)超平面的影響[9]，本文設(shè)定了松弛變量，因此,訓(xùn)練集建立的超平面對(duì)訓(xùn)練集本身進(jìn)行分類(lèi)時(shí)，出現(xiàn)了3 %的誤差。該模型測(cè)試的效果在95 %以上，說(shuō)明以振動(dòng)信號(hào)的短時(shí)能量和短時(shí)過(guò)閾值率作為SVM的輸入特征向量具有良好的分類(lèi)效果，實(shí)際運(yùn)行結(jié)果證明了該算法具有較高的準(zhǔn)確率，具有有效性和可行性。

表1 事件樣本識(shí)別結(jié)果

4 結(jié)束語(yǔ)

在分布式光纖振動(dòng)信號(hào)模式識(shí)別中，利用巴特沃斯濾波器可以有效地對(duì)原始信號(hào)進(jìn)行降噪，減少噪聲干擾，突出信號(hào)特征，同時(shí)對(duì)車(chē)輛移動(dòng)和風(fēng)等中低頻的干擾信號(hào)進(jìn)行了抑制，降低了誤報(bào)率；降噪信號(hào)的短時(shí)能量和短時(shí)過(guò)閾值率作為入侵信號(hào)和干擾信號(hào)的分類(lèi)特征，將該兩種時(shí)域特征值作為SVM的輸入向量進(jìn)行分類(lèi)，可以有效區(qū)分出入侵事件和干擾事件，識(shí)別率較高，該方法在信號(hào)處理效率上有顯著優(yōu)勢(shì)，可以達(dá)到實(shí)時(shí)監(jiān)測(cè)的效果。

[1] 謝孔利.基于φ-OTDR的分布式光纖傳感系統(tǒng)[D].成都：電子科技大學(xué),2008.

[2] 張 嵩.光纖周界安防系統(tǒng)的振動(dòng)信號(hào)識(shí)別研究[D].西安：西安電子科技大學(xué),2014.

[3] 朱程輝,左冬森,王建平.基于Sagnac傳感器的周界安防入侵信號(hào)識(shí)別[J].傳感器與微系統(tǒng),2016,35(1):19-21.

[4] 章 巍,劉志勤,胡東平,等.一種可靠的人體入侵探測(cè)系統(tǒng)設(shè)計(jì)[J].傳感器與微系統(tǒng),2013,32(3):110-112.

[5] 朱程輝,瞿永中,王建平.基于時(shí)頻特征的光纖周界振動(dòng)信號(hào)識(shí)別[J].光電工程,2014(1):16-22.

[6] Udd Eric,Du Henry H,Wang Anbo.Elimination of rain-induced nuisance alarms in distributed fiber-optic perimeter intrusion detection systems[C].Proceedings of SPIE,Fiber-Optic Sensors and Application International Society for Optics and photonics,2009:1-11.

[7] 劉學(xué)謙,于宏毅.SVM在通信信號(hào)處理中的研究與應(yīng)用[J].信息工程大學(xué)學(xué)報(bào),2013(6):713-718.

[8] 陳中杰,蔣 剛,蔡 勇.基于SVM一對(duì)一多分類(lèi)算法的二次細(xì)分法研究[J].傳感器與微系統(tǒng),2013,32(4):44-47.

[9] 張學(xué)工.模式識(shí)別[M].北京：清華大學(xué)出版社，2010.

Signal recognition algorithm of fiber-optic security system based on time-domain features

LU Na, AN Bo-wen, LI Yu-lian, LU Xue-jia

(College of Information Engineering，Shanghai Maritime University，Shanghai 201306，China)

In distributed optical fiber perimeter security system,in order to recognize intrusion and interference events effectively in realtime,a vibration signal pattern recognition algorithm based on time-domain features in actual optical fiber perimeter security system is proposed.Original vibration signal is processed to reduce the noise,short-term energy and short-term threshold rate are extracted and formed feature vector.Next,the feature vector is input into support vector machine(SVM)for training and test and establish classification model,which is used to security system and recognize intrusion and interference event.Experimental results show that the pattern recognition algorithm classification is high-efficiency,high-accurate,effectiveness and feasibility.

distributed optical fiber perimeter; time-domain features; pattern recognition; support vector machine(SVM)

10.13873/J.1000—9787(2017)04—0150—03

2016—04—22

TN 929.1

A

1000—9787(2017)04—0150—03

盧 娜(1990-)，女，碩士研究生，主要研究方向?yàn)楣馔ㄐ排c光纖振動(dòng)信號(hào)模式識(shí)別。