基于光纖傳感的多模態融合侵入識別方法技術

本發明專利技術公開了一種基于光纖傳感的多模態融合侵入識別方法，采用以下步驟：1)采集光路信號；2)進行頻域變換；3)對時域信號進行預處理；4)對頻域信號進行預處理；5)對預處理后的時域信號進行兩級分類識別；6)對預處理后的頻域信號進行兩級分類識別；7)設計多模態融合神經網絡，主要包括多模態融合神經網絡搭建、多模態融合神經網絡學習庫搭建、多模態融合神經網絡學習和多模態融合神經網絡使用，采用多模態融合神經網絡識別侵入行為。本發明專利技術識別速度快、精度高，通過融合光纖數據時域算法和光纖數據頻域算法，從不同角度、不同維度對侵入數據進行分析，相比于傳統的侵入行為識別，誤報率低，識別精度高，識別精確度可達95％以上。識別精確度可達95％以上。識別精確度可達95％以上。

【技術實現步驟摘要】
基于光纖傳感的多模態融合侵入識別方法


[0001]本專利技術屬于安防領域，特別是一種基于光纖傳感與無人機視頻數據的多模態融合侵入識別的方法。

技術介紹

[0002]傳統光纖擾動監測系統中，侵入模式識別一直是一項重要的研究課題。光纖擾動監測系統一般采用雙馬赫
?
曾德或原理進行數據采集，通過時域、頻域信號進行判斷，對不同振動模式下的信號進行分析、統計，從而判定侵入行為和位置。傳統光纖擾動監測系統的不足主要體現在，侵入行為模式識別不準確，侵入位置定位不精確。當下安防系統應用環境中，普遍存在風雨干擾、車輛經過、周邊機械干擾(例如變壓器，空調外機等)，會造成大量的誤報，而這些誤報信號會帶來大量的出警、巡查等人工費用。

技術實現思路

[0003]本專利技術為解決公知技術中存在的技術問題而提供一種基于光纖傳感的多模態融合侵入識別方法，該方法識別速度快、誤報率低、識別精度高。
[0004]本專利技術為解決公知技術中存在的技術問題所采取的技術方案是：一種基于光纖傳感的多模態融合侵入識別方法，采用以下步驟：
[0005]1)利用光纖擾動監測系統對光路信號進行采集；
[0006]2)調取步驟1)的信號進行頻域變換，獲得頻域信號；
[0007]3)調取步驟1)的信號進行數據消減和去噪預處理，獲得預處理后的時域信號；
[0008]4)采用帶通濾波器對步驟2)獲得的頻域信號進行預處理，獲得預處理后的頻域信號；
[0009]5)調取步驟3)預處理后的時域信號，采用兩級SVM模型對該信號進行分類，第一級SVM模型采用二值分類將數據粗分為擾動數據與平靜數據；第二級SVM模型采用回歸模型多值分類對第一級得到的擾動數據進行分類，將擾動數據細分為侵入行為；
[0010]6)調取步驟4)預處理后的頻域信號，采用兩級SVM模型對該信號進行分類，第一級SVM模型采用二值分類將數據粗分為擾動數據與平靜數據；第二級SVM模型采用回歸模型多值分類對第一級得到的擾動數據進行分類，將擾動數據細分為侵入行為；
[0011]7)設計多模態融合神經網絡，主要包括多模態融合神經網絡搭建、多模態融合神經網絡學習庫搭建、多模態融合神經網絡學習和多模態融合神經網絡使用，方法如下：
[0012]首先，搭建多模態融合神經網絡，神經網絡共有2個模態輸入和1個模態輸出，2個模態輸入分別是input1
?
步驟5)中光纖擾動檢測數據時域SVM分類結果和input2
?
步驟6)中光纖擾動檢測數據頻域SVM分類結果，2個模態輸入對應的權重值分別為w1和w2；
[0013]然后通過人工搭建包含多種侵入行為的多模態融合神經網絡學習庫，該學習庫包括2個子學習庫，分別是：庫1
?
步驟5)中光纖擾動檢測數據時域SVM分類結果、庫2
?
步驟6)中光纖擾動檢測數據頻域SVM分類結果；
[0014]接著進行多模態融合神經網絡學習，將包含多種侵入行為的多模態融合神經網絡學習庫，不斷的輸入已搭建好的多模態融合神經網絡學習，其中庫1輸入input1，庫2輸入input2，當多模態融合神經網絡識別效果達到最佳時，學習完成，保存w1、w2兩個權重值；
[0015]最后進行多模態融合神經網絡的使用，將w1和w2兩個權重值配置到多模態融合神經網絡，將步驟5)中光纖擾動檢測數據時域SVM分類結果輸入input1，將步驟6)中光纖擾動檢測數據頻域SVM分類結果輸入input2，多模態融合神經網絡識別侵入行為，并將傳輸至下一級。
[0016]所述步驟4)，采用40
?
200hz帶通濾波器對步驟2)獲得的頻域信號進行預處理。
[0017]本專利技術具有的優點和積極效果是：該方法在對頻域數據與時域數據識別時，采用兩級SVM識別，第一級初步識別，第二級精確識別，降低了識別數據量，提高識別速度和精度；另外，該方法融合了光纖數據時域算法和光纖數據頻域算法從不同角度、不同維度對侵入數據進行分析，相比于傳統的侵入行為識別，誤報率低，識別精度高，識別精確度可達95％以上。
附圖說明
[0018]圖1為本專利技術的流程框圖；
[0019]圖2為本專利技術步驟4)所用帶通濾波器的原型；
[0020]圖3為本專利技術步驟5)和步驟6)的流程圖；
[0021]圖4為本專利技術步驟7)的流程圖。
具體實施方式
[0022]為能進一步了解本專利技術的
技術實現思路
、特點及功效，茲例舉以下實施例，并配合附圖詳細說明如下：
[0023]請參閱圖1～圖4，一種基于光纖傳感的多模態融合侵入識別方法，采用以下步驟：
[0024]1)利用光纖擾動監測系統對光路信號進行采集，在本實施例中，光纖擾動監測系統采用雙馬赫
?
曾德分布式光纖振動傳感技術，對長距離光纖振動信號進行采集，并將得到的時域信號進行緩存，以便后續處理。
[0025]2)調取步驟1)的信號進行頻域變換，獲得頻域信號，在本實施例中，對步驟1)緩存的時域信號進行傅里葉變換，將得到的頻域信號進行緩存，以便后續處理。
[0026]3)調取步驟1)的信號進行數據消減和去噪預處理，獲得預處理后的時域信號，在本實施例中，為減小數據量，提高識別速度，同時濾除噪聲，時間上，對1000幀/S的采樣數據，進行1000幀求和平均濾波，濾除高頻噪聲；然后，在空間上，進行滑動平均，濾除范圍過小的擾動；經過處理的數據作為時域特征值。
[0027]4)采用帶通濾波器對步驟2)獲得的頻域信號進行預處理，獲得預處理后的頻域信號。由于高頻部分有效信號能量很低，信噪比過高，不利于分析；低頻信號雖然能量很大，信號噪聲也比較大，同樣不利于分析，在本實施例中，采用40
?
200hz的帶通濾波器濾除頻域信號。
[0028]5)調取步驟3)預處理后的時域信號，采用兩級SVM模型對該信號進行分類，第一級SVM模型采用二值分類將數據粗分為擾動數據與平靜數據；第二級SVM模型采用回歸模型多
值分類對第一級得到的擾動數據進行分類，將擾動數據細分為多種侵入行為，例如人為敲擊、人為晃動、人為攀爬和行走侵入等。傳統的SVM模型采用單級分類，無法排除噪聲點和孤立點的影響，導致分類不穩定。本實施例采用兩級SVM模型，第一級采用二值分類將數據粗分為擾動數據與平靜數據；第二級采用回歸模型多值分類，然后將兩級分類結果分別記錄至日志文件，作為以后數據分類參數；隨著系統運行時間的增加，兩級分類數據越來越豐富，參數越來越準確，模態分類精度會進一步提高。
[0029]6)調取步驟4)預處理后的頻域信號，采用兩級SVM模型對該信號進行分類，第一級SVM模型采用二值分類將數據粗分為擾動數據與平靜數據；第二級SVM模型采用回歸模型多值分類對第一級得到的擾動數據進行分類，將擾動數據細分為多種人為侵入行為，例如人為敲擊、人為晃動、人為攀爬和行走侵入等。步驟6)與步驟5)類似。
[003本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于光纖傳感的多模態融合侵入識別方法，其特征在于，采用以下步驟：1)利用光纖擾動監測系統對光路信號進行采集；2)調取步驟1)的信號進行頻域變換，獲得頻域信號；3)調取步驟1)的信號進行數據消減和去噪預處理，獲得預處理后的時域信號；4)采用帶通濾波器對步驟2)獲得的頻域信號進行預處理，獲得預處理后的頻域信號；5)調取步驟3)預處理后的時域信號，采用兩級SVM模型對該信號進行分類，第一級SVM模型采用二值分類將數據粗分為擾動數據與平靜數據；第二級SVM模型采用回歸模型多值分類對第一級得到的擾動數據進行分類，將擾動數據細分為侵入行為；6)調取步驟4)預處理后的頻域信號，采用兩級SVM模型對該信號進行分類，第一級SVM模型采用二值分類將數據粗分為擾動數據與平靜數據；第二級SVM模型采用回歸模型多值分類對第一級得到的擾動數據進行分類，將擾動數據細分為侵入行為；7)設計多模態融合神經網絡，主要包括多模態融合神經網絡搭建、多模態融合神經網絡學習庫搭建、多模態融合神經網絡學習和多模態融合神經網絡使用，方法如下：首先，搭建多模態融合神經網絡，神經網絡共有2個模態輸入和1個模態輸出，2個模態輸入分別是input1
?
步驟5)中光纖擾動檢測數據時域SVM分類結...

【專利技術屬性】
技術研發人員：劉柯，
申請(專利權)人：天津求實飛博科技有限公司，
類型：發明
國別省市：