一種振動事件的模式識別方法技術

本發明專利技術公開了一種振動事件的模式識別方法，包括如下步驟：通過振動傳感器采集獲取原始振動信號，原始振動信號中包含振動信號與非振動信號；并將原始振動信號中的振動信號分割出來；對振動信號進行去噪處理；對去噪后的振動信號進行特征提取，獲得特征向量，包括三個方面特征：特征A、在時頻域上進行小波包分解，獲得能量特征向量；特征B、在進行倒頻譜分析，提取倒頻譜參數特征；特征C、在時域上提取信號特征；建立識別模型，由二級分類器組成；一級分類器是基于支持向量機SVM分類器，利用從振動信號中提取出的特征向量作為輸入，將振動事件分為非入侵事件和入侵事件；二級分類器是針對入侵事件，進行基于人工神經網絡的識別，獲得分類結果。

A method for pattern recognition of vibration events

The invention discloses a pattern recognition method of vibration events, which comprises the following steps: obtaining the original vibration signal by the vibration sensor, including vibration signal and vibration signal of original vibration signal; and separate the raw vibration signals of vibration signal of vibration; signal denoising; vibration signal denoising for feature extraction, feature vectors are obtained, including three aspects: the characteristic features of A in time-frequency domain, wavelet packet decomposition energy feature vector; characteristics of B, in the cepstrum analysis, extraction frequency spectrum parameter characteristics; characteristics of C, the signal features in time domain; identification model is established, consisting of two classifiers; the first classifier is a support vector machine classifier based on SVM, using the feature vector extracted from the vibration signal as the input, the vibration. It is divided into non intrusive events and intrusion events, and the two level classifier is based on artificial neural networks to identify the intrusion events, and obtains the classification results.

【技術實現步驟摘要】
一種振動事件的模式識別方法
本專利技術涉及模式識別領域，尤其涉及一種振動事件的模式識別方法。
技術介紹
國境線、鐵路沿線、工業管道沿線、重要場所、住宅小區，到處都有著振動傳感器的身影，已經在安防監控等領域得到了廣泛的應用。如在鐵路沿線防范中，可以發現潛在的安全隱患，使工作人員能提前防范；再如周界防范，可用于家庭、學校、住宅、重要機關、金融重地等場所，即時發現外界入侵；此外，在地震和海嘯檢測方面，振動傳感器也得到了重要應用。但目前國內外已出現商用的周界入侵警戒系統，大都只能用于定位可能異常事件的位置，對入侵行為識別采用的方法通常是對振動信號的時間域和頻譜域進行分析，但此方法對于識別復雜的振動事件而言有些單一，局限性較大。對入侵行為的識別率較低，即無法有效地區分干擾事件與真正入侵事件，導致不能準確獲知入侵行為的方式，因而無法對入侵事件進行有效的管控和處置。
技術實現思路
有鑒于此，本專利技術提供了一種振動事件的模式識別方法，該方法可應用于周界入侵警戒系統中對振動事件的智能識別分類，使得系統對振動事件的正確識別率提高，從而提供更加詳細的報警信息，為加強周界入侵防范提供強有力的支持。為了達到上述目的，本專利技術的技術方案為：一種振動事件的模式識別方法，包括如下步驟：步驟一、通過振動傳感器采集獲取原始振動信號，原始振動信號中包含振動信號與非振動信號；并將原始振動信號中的振動信號分割出來。步驟二、對振動信號進行去噪處理。步驟三、對去噪后的振動信號進行特征提取，獲得特征向量，包括三個方面特征：特征A、在時頻域上進行小波包分解，獲得能量特征向量。特征B、在進行倒頻譜分析，提取倒頻譜參數特征。特征C、在時域上提取信號特征。步驟四、建立識別模型，由二級分類器組成。一級分類器是基于支持向量機SVM分類器，利用從振動信號中提取出的特征向量作為輸入，將振動事件分為非入侵事件和入侵事件。二級分類器是針對入侵事件，進行基于人工神經網絡的識別，采用入侵事件樣本及其人工分類結果作為人工神經網絡的訓練樣本對該人工神經網絡進行訓練，則將入侵事件作為人工神經網絡的輸入，獲得分類結果。進一步地，還包括步驟五：通過人機交互機制，對二級分類器的分類結果進行判斷，當出現分類結果錯誤后進行人工修訂，修訂結果存入數據庫，當分類錯誤結果累計到一定數目后，重新訓練二級分類器中的人工神經網絡，更新分類器的神經網絡參數。進一步地，步驟一中，將原始振動信號中的振動信號分割出來采用的分割方法具體為：步驟101：以設定長度的窗口為單位，將原始振動信號f(t)根據窗口長度劃分為多段窗口信號x(t)，t為時間變量；計算每一段窗口信號中N個采樣點的平均能量，對于平均能量大于自適應閾值value的窗口，則該窗口信號為備選振動片段s(t)；如果兩備選振動片段間隔范圍在設定個數個窗口范圍內，則將該兩備選振動片段合并作為一個備選振動片段，否則，作為不同的備選振動片段；閾值value的初始值為Max(N)×0.025，Max(N)代表窗口內N個采樣點中的最大值；步驟102：針對每個備選振動片段，如果備選振動片段長度小于一個閾值Length，則認為是噪聲，將其舍棄；然后對備選振動片段進行小波分解，對分解后的信號進行濾波，得到濾波后重構信號；步驟103：判斷是否存在至少一個備選振動片段的重構信號滿足預設振動信號標準，若存在，將重構信號滿足預設振動信號要求的備選振動片段作為振動信號從原始振動信號中分割出來；若不存在，將閾值value增加一個增量Δ，重復步驟101至步驟103，直至分割出振動信號為止；其中增量Δ公式如下所示：其中Mean為重構信號的均值。進一步地，特征A的獲取方法為：對去噪后的振動信號做小波包分解，通過對一個設定尺度上各頻帶內的分解系數重構，在每個分解節點上構成新的時間序列，對這些時間序列分別做能量特征提取，獲得能量特征向量。進一步地，在特征A的獲取方法中，對去噪后的振動信號進行三層小波包能量特征提取，具體方法為：步驟301.對去噪后的振動信號進行三層小波包分解，獲得分解樹，以(i,j)表示第i層的第j個節點，每個節點對應一個小波包系數；步驟303.將分解樹中的每一個節點分別進行重構，得到對應每個節點的重構信號，每個小波包系統的權重為Wij，針對200Hz以下的分解頻帶的小波包系數賦予相對其它頻帶高的權重；計算各頻帶信號的對數能量，其中節點(i,j)對應的頻帶信號的對數能量為Lij，有式中，cij表示節點(i,j)對應的重構信號的離散值的幅值，n表示p(t)的采樣點數，Δt為采樣時間間隔；k為節點(i,j)對應的重構信號的采樣點數；則所有節點的對數能量組成能量特征向量。進一步地，步驟二中采用小波閾值去噪算法。進一步地，步驟三、對去噪后的振動信號進行特征提取，獲得A、B和C三方面的特征組成的特征向量后，采用主成分分析法PCA降維。有益效果：1、本專利技術的目的是為了克服已有技術的缺陷，為了解決目前周界入侵警戒系統對入侵行為的識別率較低的問題，提出一種振動事件的模式識別方法，該方法可應用于周界入侵警戒系統中對振動事件的智能識別分類，使得系統對振動事件的正確識別率提高，從而提供更加詳細的報警信息，為加強周界入侵防范提供強有力的支持。2、本專利技術中在進行振動信號分割時，采用了自適應閾值的方法，能夠使得分割更加精確。3、振動信號來自各種不同的環境，外界環境如耕作、車輛、生活噪聲、工廠噪聲、水的流動等背景噪聲非常復雜，采集到的信號中含有大量的噪聲，對于在時域上提取出的振動信號，這些信號中有用的信息淹沒在大量的噪聲中。本專利技術中使用小波閾值去噪算法，能實現信號與噪聲頻帶相互疊加情況下的去噪。4、本專利技術在進行特征提取時，通過對原始信號數據進行變換，提取具有高度的代表性、典型性和穩定性的特征量，最終能有效地反映目標本質特征。另外，特征的維數直接關系后續分類的計算量和精度，所以特征提取后需要進行降維，使得最后得到的特征向量相互獨立、正交。本專利技術中建立的識別模型，具備自適應學習的能力，形成一個閉合反饋系統，該功能通過一個人機交互機制來實現，當出現分類錯誤后進行人工修訂，修訂結果將會存入數據庫，當分類錯誤結果累計到一定數目后自適應學習模塊將自動運行，重新訓練神經網絡，訓練后將更新分類器的神經網絡參數，從而提高下一次神經網絡的事件識別率。附圖說明圖1為一種振動事件的模式識別方法的實現流程；圖2為自適應分割算法流程圖；圖3為小波包三層分解樹結構。具體實施方式下面結合附圖并舉實施例，對本專利技術進行詳細描述。實施例1、本振動事件的模式識別方法是這樣實現的：一種振動事件的模式識別方法，其基本實施過程如圖1所示：步驟一、原始信號中振動與非振動信號的分割當無振動事件發生情況下，振動傳感器所采集的原始信號不含有振動信息。當振動事件發生時，采集的一段原始信號中會包含振動信號與非振動信號，二者交替出現，其中只有振動信號才是有用信息。因此，把振動信號從原始信號中切分出來，只讓振動信號進入后續處理可以大大降低系統資源消耗、提高系統實時性。本專利技術中使用了希爾伯特變換求包絡原理，進行振動信號增強與噪聲抑制，從而達到簡單、快速地對振動信號分割。步驟二、振動信號的去噪振動信號來自各種不同的環境，外界環境如耕作、車輛、生活噪聲、工廠噪聲、水的本文檔來自技高網...

【技術保護點】
一種振動事件的模式識別方法，其特征在于，包括如下步驟：步驟一、通過振動傳感器采集獲取原始振動信號，所述原始振動信號中包含振動信號與非振動信號；并將原始振動信號中的振動信號分割出來；步驟二、對所述振動信號進行去噪處理；步驟三、對去噪后的振動信號進行特征提取，獲得特征向量，包括三個方面特征：特征A、在時頻域上進行小波包分解，獲得能量特征向量；特征B、在進行倒頻譜分析，提取倒頻譜參數特征；特征C、在時域上提取信號特征；步驟四、建立識別模型，由二級分類器組成；一級分類器是基于支持向量機SVM分類器，利用從振動信號中提取出的特征向量作為輸入，將振動事件分為非入侵事件和入侵事件；二級分類器是針對入侵事件，進行基于人工神經網絡的識別，采用入侵事件樣本及其人工分類結果作為所述人工神經網絡的訓練樣本對該人工神經網絡進行訓練，則將入侵事件作為人工神經網絡的輸入，獲得分類結果。

【技術特征摘要】
1.一種振動事件的模式識別方法，其特征在于，包括如下步驟：步驟一、通過振動傳感器采集獲取原始振動信號，所述原始振動信號中包含振動信號與非振動信號；并將原始振動信號中的振動信號分割出來；步驟二、對所述振動信號進行去噪處理；步驟三、對去噪后的振動信號進行特征提取，獲得特征向量，包括三個方面特征：特征A、在時頻域上進行小波包分解，獲得能量特征向量；特征B、在進行倒頻譜分析，提取倒頻譜參數特征；特征C、在時域上提取信號特征；步驟四、建立識別模型，由二級分類器組成；一級分類器是基于支持向量機SVM分類器，利用從振動信號中提取出的特征向量作為輸入，將振動事件分為非入侵事件和入侵事件；二級分類器是針對入侵事件，進行基于人工神經網絡的識別，采用入侵事件樣本及其人工分類結果作為所述人工神經網絡的訓練樣本對該人工神經網絡進行訓練，則將入侵事件作為人工神經網絡的輸入，獲得分類結果。2.如權利要求1所述的一種振動事件的模式識別方法，其特征在于，還包括步驟五：通過人機交互機制，對二級分類器的分類結果進行判斷，當出現分類結果錯誤后進行人工修訂，修訂結果存入數據庫，當分類錯誤結果累計到一定數目后，重新訓練二級分類器中的人工神經網絡，更新分類器的神經網絡參數。3.如權利要求1所述的一種振動事件的模式識別方法，其特征在于，所述步驟一中，將原始振動信號中的振動信號分割出來采用的分割方法具體為：步驟101：以設定長度的窗口為單位，將原始振動信號f(t)根據窗口長度劃分為多段窗口信號x(t)，t為時間變量；計算每一段窗口信號中N個采樣點的平均能量，對于平均能量大于自適應閾值value的窗口，則該窗口信號為備選振動片段s(t)；如果兩備選振動片段間隔范圍在設定個數個窗口范圍內，則將該兩備選振動片段合并作為一個備選振動片段，否則，作為不同的備選振動片段；閾值value的初始值為Max(N)×0.025，Max(N)代表窗口內N個采樣點中的最大值；步驟102：針對每個備選振動片段，如果備選振動片段長度小于一個閾值Length，則認為是噪聲，將其舍棄；然后對備選振動片段進行小波分解，對分解后的信號進行濾波，得到濾波...

【專利技術屬性】
技術研發人員：孫誠，趙卓，張吟，李莉，壽麗莉，
申請(專利權)人：中國船舶重工集團公司第七一零研究所，
類型：發明
國別省市：湖北,42