【技術實現步驟摘要】
本專利技術屬于分布式光纖信號振動事件分類領域，具體涉及一種基于光纖信號的周界安防區異常事件識別方法。
技術介紹
1、如今隨著信息化時代的高速發展，電纜、海底光纜、油氣管道、火車鐵軌等的鋪設越來越多，隨之帶來的安全監測等問題也成了如今急需解決的一大問題。振動信息是各種安全危害事件發生的載體，如果能實時監控外界的振動信息，并能從振動信號中區分出不同事件的特征進而識別出來，那么其必然能在安全監測上發揮重要作用。例如識別電纜附近是否有大型機械器件的振動，從而防止電纜因為施工被破壞，識別鐵路周邊防護網是否有人攀爬翻越，達到安全警戒的目的等。
2、分布式光纖振動傳感（distributed?optical?fiber?vibration?sensing，dvs）技術可以沿著傳感光纖連續測量光纖四周的振動信號，是一種分布式光纖傳感技術，這類技術相比傳統傳感器具有分布式、抗電磁干擾、耐腐蝕以及無需供電的特點。同時分布式光纖振動傳感系統在此基礎上還具有靈敏度高、結構簡單以及檢測距離長的特點。對外界的振動非常靈敏、監測的動態范圍大，非常適用于在大范圍中對振動事件的檢測。其獨特的應用場景使其成為了邊境安防、油氣管道泄漏檢測和定位、建筑結構損壞監測、多環境下邊境監控等領域的首選。相敏光時域反射計（φ-otdr）是分布式光纖傳感系統的典型代表，廣泛應用于國防邊境、軍事基地等安防監控領域。然而，高滋擾報警率（nar）是φ-otdr系統的主要缺點。由于傳感光纖對環境敏感，以及一些入侵信號與非入侵信號的相似性，系統在振動信號識別過程中容易做出較差的
3、傳統的淺層光纖事件分類方法，在特征提取的時候需要人為地從采集到的振動信號中提取特征，這些提取方法繁瑣且復雜，判斷提取的特征能否有助于分類器的識別需要一定的經驗和知識積累。此外，提取的某些特征在其他場景中可能無效，導致模型的泛化能力不穩定，一旦環境發生改變，系統的誤報率就顯著提高。
技術實現思路
1、本專利技術的目的在于提供一種基于光纖信號的周界安防區異常事件識別方法，無需人工參與，能直接從原始光纖振動事件數據集中提取特征，并識別出振動事件的類型，提高了周界安防區異常事件的識別準確率，解決了光纖信號傳統特征提取方法需要人為制造特征，嚴重依賴于專家知識，并且泛化能力弱以及現有模型利用光纖信號進行識別的過程中計算量大等問題。
2、為實現上述目的，本專利技術所采取的技術方案為：
3、一種基于光纖信號的周界安防區異常事件識別方法，所述基于光纖信號的周界安防區異常事件識別方法，包括：
4、通過相敏光時域反射計采集光纖振動事件數據集并進行預處理，形成訓練集，訓練集中的訓練樣本為預處理后的光纖振動事件數據；
5、將訓練樣本輸入改進型1dcnn深度學習模型，所述改進型1dcnn深度學習模型包括四層卷積模塊、長短期記憶網絡、全局均值池化層、全連接層和利用灰狼優化算法優化后的svm分類器，其中每一層卷積模塊包括卷積層、批量歸一化層、relu激活函數層和最大池化層，并且第一層卷積模塊與第二層卷積模塊之間連接有注意力機制模塊；
6、基于改進型1dcnn深度學習模型中的全連接層的輸出，以及訓練樣本的標簽計算第一損失函數，并根據第一損失函數更新改進型1dcnn深度學習模型中在利用灰狼優化算法優化后的svm分類器之前的權重參數，直至訓練完成；
7、固定改進型1dcnn深度學習模型中在利用灰狼優化算法優化后的svm分類器之前的權重參數，根據利用灰狼優化算法優化后的svm分類器的輸出，以及訓練樣本的標簽計算第二損失函數，并根據第二損失函數調整利用灰狼優化算法優化后的svm分類器的參數，直至訓練完成；
8、取訓練完成的改進型1dcnn深度學習模型，針對待識別的光纖振動事件數據，輸出異常事件識別結果。
9、以下還提供了若干可選方式，但并不作為對上述總體方案的額外限定，僅僅是進一步的增補或優選，在沒有技術或邏輯矛盾的前提下，各可選方式可單獨針對上述總體方案進行組合，還可以是多個可選方式之間進行組合。
10、作為優選，所述光纖振動事件數據包含多個異常事件類別，每個異常事件類別下的每個訓練樣本由m個時域點和n個相鄰空間點組成，即每個訓練樣本為一個m行n列的矩陣。
11、作為優選，所述將訓練樣本輸入改進型1dcnn深度學習模型，包括：
12、將m行n列的矩陣中的數據點按行先后拼接，得到拼接信號；
13、將所述拼接信號輸入改進型1dcnn深度學習模型。
14、作為優選，利用灰狼優化算法優化svm分類器的過程如下：
15、設定狼群規模與最大迭代次數，將svm分類器中的懲罰參數和核函數參數設定為狼群個體位置的二維坐標，隨機初始化懲罰參數和核函數參數；
16、將訓練集的訓練樣本輸入svm分類器，根據svm分類器的輸出計算適應度值，將狼的等級根據適應度值進行分類，所述狼的等級包括狼、狼、狼和狼，所述計算適應度值的公式如下：
17、
18、式中，為適應度值，是正確分類個數，是錯誤分類個數；
19、灰狼狩獵的數學模型如下所示：
20、
21、
22、式中，為灰狼與獵物之間的距離，為迭代次數，為獵物當前位置，表示當前搜索狼的位置，為搜索狼更新后的位置，為第一系數，為第二系數；用如下公式計算：
23、
24、
25、式中，為收斂因子，隨著迭代次數更新，從2線性遞減到0；?和為隨機變量，范圍為[0,1]；
26、狼與狼、狼、狼之間的距離如下所示：
27、
28、狼前進的步長和方向數學模型如下：
29、
30、式中，、、分別為狼、狼、狼與狼的距離，、、分別為狼、狼、狼對應的第一系數，、、分別為狼、狼、狼的當前位置，、、為分別為狼、狼、狼對應的第二系數，、、分別為狼針對狼、狼、狼更新后的位置；
31、狼最終更新位置的數學公式為：
32、
33、計算更新后的個體的適應度值，將當前迭代次數的最優適應度值記錄為，如果?，為狼的適應度值，則被更新為，并記錄最優位置為狼的位置；如果，為狼的適應度值，則將賦值給狼，并記錄最優位置為狼的位置；若，為狼的適應度值，則將賦值給狼，并記錄最優位置為狼的位置；
34、判斷迭代次數是否達到最大迭代次數，如果達到，則循環終止，并得到最佳懲罰參數和最佳核函數參數，并使用最佳懲罰參數和最佳核函數參數得到利用灰狼優化算法優化后的svm分類器；如果未達到，則返回繼續迭代。
35、本專利技術提供的一種基于光纖信號的周界安防區異常事件識別方法，與現有技術相比，具有以下有益效果：
36、（1）本專利技術在1dcnn深度學習模型的卷積模塊的卷積層和激活函數層之間插入了bn（批量歸一化），加本文檔來自技高網...
【技術保護點】
1.一種基于光纖信號的周界安防區異常事件識別方法，其特征在于，所述基于光纖信號的周界安防區異常事件識別方法，包括：
2.根據權利要求1所述的基于光纖信號的周界安防區異常事件識別方法，其特征在于，所述光纖振動事件數據包含多個異常事件類別，每個異常事件類別下的每個訓練樣本由m個時域點和n個相鄰空間點組成，即每個訓練樣本為一個m行n列的矩陣。
3.根據權利要求2所述的基于光纖信號的周界安防區異常事件識別方法，其特征在于，所述將訓練樣本輸入改進型1DCNN深度學習模型，包括：
4.根據權利要求1所述的基于光纖信號的周界安防區異常事件識別方法，其特征在于，利用灰狼優化算法優化SVM分類器的過程如下：
【技術特征摘要】
1.一種基于光纖信號的周界安防區異常事件識別方法，其特征在于，所述基于光纖信號的周界安防區異常事件識別方法，包括：
2.根據權利要求1所述的基于光纖信號的周界安防區異常事件識別方法，其特征在于，所述光纖振動事件數據包含多個異常事件類別，每個異常事件類別下的每個訓練樣本由m個時域點和n個相鄰空間點組成，即...
【專利技術屬性】
技術研發人員：郭方洪，卿恩港，李生煒，溫震宇，吳祥，董輝，張文安，
申請(專利權)人：浙江工業大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。