光纤入侵信号的特征提取与识别算法 下载: 1279次
1 引言
光纤预警系统(OFPS)是一种应用光纤传感的预警系统。OFPS具有稳定性好、准确率高的特点,被广泛应用于检测管道泄漏、人为或机械等入侵行为[1-2]。目前普遍使用马赫-曾德尔光纤干涉(M-Z)和相位敏感光时域反射(
OFPS主要由检测和识别两部分组成。检测部分可以检测入侵信号并对其进行准确定位。目前研究人员已经研究出了很多成熟的检测算法[8-10]。在检测到入侵信号之后,识别部分可通过一定的算法判断入侵信号的类型,并依据信号的危险程度采取不同的措施。如何判断信号的类型是本系统的难点和重点。因此本文对入侵信号的识别算法重点展开研究,主要包括特征提取与分类两大部分。
针对光纤中入侵信号在时域上区分度不高的特点,通常选择频域方法提取光纤入侵信号的特征。小波多层分解和经验模态分解两种信号分解方式被广泛应用于信号的去噪与特征提取[11-12]。文献[ 13-14]中均使用小波函数分解重构的方法提取光纤中光信号的频域特征,但对于如何选择小波基函数的种类、分解层数等没有给出说明和解释。经验模态分解法(EMD)是一种没有基函数表达式、能够自适应地处理信号的方法,非常适合处理绝大多数非线性、非平稳的光纤入侵信号。文献[ 15]中使用EMD-AWPP (adaptive wavelet packet processing)的方法对数据进行时频局部化处理,提高了识别准确率。信号中可能存在间断信号、脉冲干扰和噪声,导致EMD分解后的本征模态函数(IMF)分量中包含不同时间尺度的特征成分,降低了特征提取的精度。集合经验模态分解法(EEMD)在EMD的基础上,引入了白噪声扰动并对信号作集合平均,从而避免了尺度混合问题,使得分解后的各分量在物理上保持唯一性。因此本文选择EEMD作为特征提取方法,将计算所得的各本征模态函数的能量比作为特征向量。随机向量函数链接(RVFL)神经网络是一种结构简单、可随机分配权重和偏置的随机神经网络。RVFL神经网络具有随机分配的特点,时间消耗极少,数据不易陷入局部极小值。相较于支持向量机(SVM),RVFL神经网络可实现多类样本的分类,非常适合多类小样本光纤入侵信号的识别[16]。
2 特征提取与识别
对光纤入侵信号特征的提取及识别算法的整体流程如
图 1. 光纤入侵信号特征提取及识别算法流程图
Fig. 1. Processing flow chart of feature extraction and recognition for fiber intrusion signals
2.1 EEMD分解与能量比提取特征
EEMD是对EMD的改进算法,该方法解决了EMD中出现的模态混叠问题。EEMD算法的分解过程以EMD为基础[13],EEMD的分解步骤如下:
1) 向原始信号
式中:
2) 对加噪信号
3) 重复以上两个步骤
4) 对
求得的
一般添加高斯白噪声的幅值为原信号标准差的10%~40%,分解次数可根据信号自行设定。以敲击信号为例,取信号标准差的10%,迭代100次,分解5层的结果如
图 2. 分解结果。(a) EMD分解;(b) EEMD分解
Fig. 2. Decomposition results. (a) EMD decomposition; (b) EEMD decomposition
能量是反映不同信号特征的重要物理量,因此可对光纤入侵信号进行频域分析后提取其能量占比作为信号特征。经过EEMD分解后,得到光纤入侵信号的5组IMF分量,每组分量的能量可表示为
式中:
因此,每组IMF分量的能量占比为
最后,特征样本
2.2 RVFL神经网络
RVFL神经网络结构简单、时间消耗少,非常适合小样本光纤入侵信号的分类与识别。与其他基于梯度下降的神经网络相比,RVFL神经网络建立了输入层与输出层之间的联系,输入层与隐层间的权值
网络的输出可表示为
式中:
网络训练的目的是得到隐层至输出层的输出权值
式中:
对目标函数求梯度,得到最终的权值
3 实验与分析
3.1 数据预处理
为了评估该算法的有效性,本课题组在北京市门头沟区上苇甸村试验田采集了敲击、过车和小跑3类光纤入侵信号,光缆埋敷在试验田地表下20 cm处。收集后截取实验样本,每类入侵信号共采集100个样本,每份样本采集时长为512 ms。为了减弱噪声和幅度干扰,对样本进行最小-最大规范化处理,并采用阶数为3的紧支集正交小波db3小波去除入侵信号的低频噪声,处理结果如
3.2 EEMD分解能量比结果与特征筛选
使用EEMD分解法分别处理敲击、过车和小跑3类光纤入侵信号,得到3种信号的5组IMF,并计算其各自的能量占比,结果如
图 4. 原始入侵信号预处理。(a1)(b1)敲击信号;(a2)(b2)过车信号;(a3)(b3)小跑信号
Fig. 4. Preprocessing for original intrusion signals. (a1)(b1) Tapping signal; (a2)(b2) vehicle signal; (a3)(b3) running signal
图 5. 能量比结果。(a)敲击信号;(b)过车信号;(c)小跑信号
Fig. 5. Results of energy ratio. (a) Tapping signal; (b) vehicle signal; (c) running signal
图 6. 方差分析结果。(a)敲击信号;(b)过车信号;(c)小跑信号
Fig. 6. Variance analysis results. (a) Tapping signal; (b) vehicle signal; (c) running signal
为特征向量的数值大小。因此选择第1,4,5维特征作为特征向量送入神经网络,
由
4 RVFL神经网络识别结果分析
4.1 模型参数选择
对于RVFL神经网络模型,通过大量实验研究发现,其隐层节点数为100时误差最低。网络中未确定的参数
表 1. 不同的λ,w,b对模型误差的分析
Table 1. Model error analysis under different λ, w, and b
|
由
4.2 识别结果分析
在使用RVFL神经网络进行训练时,设置输入层与隐层之间的权值
4.3 对比实验分析
将上述训练样本、测试样本输入常用的样本分类器BP(back propagation)神经网络,再次对3类光纤入侵信号进行分类识别。将BP神经网络所得结果与RVFL神经网络的结果进行对比,结果如
表 2. 识别结果对比
Table 2. Comparison of recognition results
|
由
5 结论
提出一种基于EEMD-RVFL神经网络的光纤入侵信号特征提取与识别算法,该算法通过
[3] 杨洋, 封皓, 王宗和, 等. 光纤传感技术在管道检测中的应用与发展[J]. 光电技术应用, 2016, 31(6): 1-9, 76.
[4] 安阳, 靳世久, 冯欣, 等. 基于相干瑞利散射的管道安全光纤预警系统[J]. 天津大学学报, 2015, 48(1): 70-75.
[5] 盛智勇, 张新燕, 王彦平, 等. 光纤振动信号特征提取及线性分类方法[J]. 光电子·激光, 2018, 29(7): 760-768.
[6] 尚盈, 王晨, 王昌, 等. 采用后向瑞利散射空间差分的周界安防分布式振动监测[J]. 红外与激光工程, 2018, 47(5): 0522001.
[7] 庞拂飞, 刘奂奂, 王廷云. 相位敏感光时域反射光纤传感技术的研究综述[J]. 南京信息工程大学学报(自然科学版), 2017, 9(2): 130-136.
[8] 曲洪权, 任学丛, 毕福昆, 等. 光纤振动信号的二维二级检测算法[J]. 光学学报, 2015, 35(10): 1006004.
[9] 曲洪权, 王天琦, 毕福昆, 等. 基于重构背景二维K-S检验的有害入侵光纤预警[J]. 吉首大学学报(自然科学版), 2017, 38(1): 19-23.
Qu H Q, Wang T Q, Bi F K, et al. Harmful intrusion detection method based on two-dimensional K-S test in reconfigured background for optical fiber pre-warning system[J]. Journal of Jishou University (Natural Science Edition), 2017, 38(1): 19-23.
[11] 沙宇洋, 席丽霞, 张晓光, 等. 基于小波阈值去噪的偏振模色散测量[J]. 中国激光, 2018, 45(11): 1106006.
[12] 潘潘, 席丽霞, 张晓光, 等. 基于经验模态分解的偏振模色散测量实验研究[J]. 中国激光, 2018, 45(1): 0106002.
[13] 曲洪权, 王笑笑, 毕福昆, 等. 基于小波重构与时空二维特征的光纤振动识别[J]. 吉首大学学报(自然科学版), 2017, 38(2): 36-41.
[14] 王建平, 郝钊, 朱程辉. 基于相空间重构的光纤周界信号识别算法研究[J]. 合肥工业大学学报(自然科学版), 2017, 40(5): 643-648.
[15] 张燕君, 刘文哲, 付兴虎, 等. 基于EMD-AWPP和HOSA-SVM算法的分布式光纤振动入侵信号的特征提取与识别[J]. 光谱学与光谱分析, 2016, 36(2): 577-582.
Article Outline
曲洪权, 宫殿君, 张常年, 王彦平. 光纤入侵信号的特征提取与识别算法[J]. 激光与光电子学进展, 2019, 56(13): 130601. Hongquan Qu, Dianjun Gong, Changnian Zhang, Yanping Wang. Feature Extraction and Recognition Algorithm for Fiber Intrusion Signals[J]. Laser & Optoelectronics Progress, 2019, 56(13): 130601.