基于時域特征的光纖安防系統信號識別算法

盧 娜， 安博文， 李玉漣， 盧學佳

(上海海事大學 信息工程學院，上海 201306)

基于時域特征的光纖安防系統信號識別算法

盧 娜， 安博文， 李玉漣， 盧學佳

(上海海事大學 信息工程學院，上海 201306)

在分布式光纖周界安防系統中，為實時有效分辨出系統所受的入侵事件和干擾事件，提出了一種基于時域特征的振動信號模式識別算法。對原始振動信號進行降噪處理，然后提取降噪后信號的短時能量和短時過閾值率兩類特征值，將提取的特征值作為特征向量輸入到支持向量機(SVM)中進行訓練和測試，建立分類模型，將分類模型應用于安防系統，實時識別出入侵和干擾事件。實驗結果可知：模式識別算法的分類效率高，誤差小，具有有效性和可行性。

分布式光纖周界； 時域特征； 模式識別； 支持向量機

0 引 言

目前，以光纖作為傳感器的光纖周界安防系統因其抗電磁干擾、低功耗、安全性高、分布式監測等特點在機場、炸藥庫、油氣管道、邊境等領域逐漸取代了傳統的周界安防解決方案。本系統采用的光纖周界安防系統基于相位敏感光時域反射原理，沿線各點都可以作為傳感器，可以實現分布式測量，測量范圍達幾十公里[1]。光纖周界振動信號識別中，特征提取是關鍵，識別效果的優劣主要由特征提取的好壞直接決定。如何通過光纖振動信號快速實時地判別出系統所受的擾動是入侵事件還是干擾事件，制約光纖周界安防系統的應用。

光纖周界安防系統對入侵報警響應時間和斷纖報警響應時間都有較高要求，時域處理的方法直接快速，因此,在對振動信號的模式識別中，在保證模式識別準確率的情況下，采用時域的方法對信號進行識別快速有效，更適合用于實際應用[2]。在實際的應用系統中，數據的采集頻率為10 kHz，每隔0.409 6 s將采集的數據進行時域特征提取，選擇基于支持向量機(SVM)的模式識別算法對提取的特征進行識別，數據處理時間小于0.409 6 s，達到實時在線監測的效果。同時,為了降低背景噪聲和非入侵事件對識別效果的影響，利用巴特沃斯濾波器對原始信號進行降噪，減少噪聲干擾，降低了誤報率。

1 光纖振動信號處理

1.1 光纖振動信號降噪

在光纖周界安防系統中，采集到的光纖振動信號因自然環境因素會含有一定的噪聲信號，而車輛經過是通過路面—光纖柵欄—光纖的方式作用在光纖上，產生的振動信號多分布在中低頻率段，風作用在光纖上的振動信號亦分布在中低頻率段。因此,為體現入侵信號的振動特征，減少噪聲干擾，降低非入侵事件對誤報率的影響，在提取特征向量前對原始信號進行降噪處理，采用的降噪方法為施加巴特沃斯濾波器[3,4]。

1.2 信號時域特征提取

在光纖周界安防系統中，系統所處的狀態分為正常、入侵、干擾3種情況。當系統未受到外界影響時，光纖振動信號幅度和波動都比較小，對應的短時能量和短時過閾值率也比較低；而當系統受到外界因素微弱干擾時，其振動信號的幅度變化不大，但振動頻率會顯著增加；當系統受到入侵時，其振動信號的幅度和波動都會顯著增加[5]。在信號的時域特征中，短時能量與信號的幅度有關，短時過閾值率與信號的振動頻率有關，因此，時域特征的短時能量和短時過閾值率的大小客觀反映出系統有無發生入侵行為。選取正常情況下光纖信號的短時能量和短時過閾值率作為參考值，當光纖振動信號的兩類時域特征值同時大于正常情況下的特征值，則判斷有入侵發生，否則判斷無入侵發生[6]。訓練樣本需要分幀處理，在線測試時，每隔0.409 6 s采集的數據相當于1幀數據，可以直接進行處理。

提取信號時域特征的步驟為：

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

2)對每幀信號進行降噪處理；

2 信號模式識別算法

SVM是一種快速判別兩類問題的分類器，其基本的思想是利用SVM算法在兩類問題數據尋找最優分類超平面，建立分類模型，然后通過分類超平面來對數據分類[7,8]。

采集的擾動類型包括敲擊、攀爬、車輛經過和微風，其中敲擊和攀爬為入侵事件，樣本標記為1，車輛經過和微風為干擾事件，樣本標記為0。首先對采集的原始振動信號進行降噪處理，然后提取降噪后信號的兩類時域特征值，短時能量和短時過閾值率，再將兩類時域特征值組成特征向量輸入SVM中，最后通過SVM分類器對數據樣本進行處理，尋找最優分類超平面，建立分類模型。在實際應用中，實時采集的信號，首先通過降噪預處理，然后提取時域特征值，組成特征向量，最后SVM通過建立的最優分類超平面對數據進行判別，確定振動信號的擾動類型，如果振動信號為入侵信號則判別結果為1，這時啟動報警裝置。其模式識別流程圖如圖1所示。

圖1 振動信號模式識別流程圖

3 實驗結果與分析

為了驗證該算法的實際效果，該光纖周界安防系統所測試的光纖長度為1 500 m，振動信號的采樣頻率為10 kHz，空間分辨率為5 m/傳感點。

首先選擇處理圍欄前端處的四類不同的事件，處理結果如圖2所示，其中攀爬的作用時間大約出現在5～10s范圍內。每一類圖中橫坐標表示時間，縱坐標表示幅度，自上而下分別表示該類事件的原始信號、降噪后信號、短時能量、短時過閾值率。

圖2 圍欄前端4種不同事件的時域特征圖

圖2(c)和(d)中車輛經過和微風的原始信號的幅度上較大，但經過降噪之后，信號相對比較干凈，噪聲較少。圖2(a)和(b)中后敲擊和攀爬的原始信號經過降噪處理后，振動信號的主要特征保留下來，特征信號更為明顯。這主要源于車輛和微風對光纖的擾動信號頻率段集中在中低頻段，而巴特沃斯濾波器為高通濾波器，通過濾波器可對車輛移動和風等中低頻的干擾信號進行抑制，降低了誤報率。因此,對降噪后的信號再進行短時能量和短時過閾值率的時域特征提取更有利于表示信號的特征。選擇短時能量的閾值為3×107，短時過閾值率的閾值為30，從圖中可以看出，入侵信號的時域特征值都大于設定的閾值，而干擾信號的時域特征值則遠小于設定的閾值。

為進一步驗證算法的有效性，選擇光纖圍欄的后端位置，同樣對該位置進行四類不同事件的作用，其事件的時域特征圖如圖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，從原始信號中不能直接觀察出信號特征，但經過降噪后，信號的特征比較明顯，對應的短時能量和短時過閾值率充分體現了振動信號的特征。圖3(c)和圖3(d)分別表示車輛經過和微風的信號特征，從圖中可以看出干擾信號經過降噪處理后，能去除大部分噪聲，這樣對信號的分析才有價值，選擇短時能量的閾值為3×107，短時過閾值率的閾值為30，從圖3可以看出，入侵事件的時域特征值全部大于設定的閾值，而干擾事件則未超過閾值，從而可以區分入侵事件和干擾事件，實驗證明，該算法具有可行性。

圖3 圍欄后端4種不同事件的時域特征圖

為驗證分類效果的準確率，實驗共處理3 542組數據樣本，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組含入侵的信號與1 262組干擾信號，作為SVM分類器的訓練集，對訓練集進行訓練獲得分類超平面，建立分類模型。然后通過建立的分類模型分別對訓練集和剩下的所有樣本組成的測試集進行測試，該模型的事件樣本識別結果見表1所示。

對訓練集進行訓練獲得分類超平面的過程中，為了去掉偏離正常位置很遠的數據點對尋優超平面的影響[9]，本文設定了松弛變量，因此,訓練集建立的超平面對訓練集本身進行分類時，出現了3 %的誤差。該模型測試的效果在95 %以上，說明以振動信號的短時能量和短時過閾值率作為SVM的輸入特征向量具有良好的分類效果，實際運行結果證明了該算法具有較高的準確率，具有有效性和可行性。

表1 事件樣本識別結果

4 結束語

在分布式光纖振動信號模式識別中，利用巴特沃斯濾波器可以有效地對原始信號進行降噪，減少噪聲干擾，突出信號特征，同時對車輛移動和風等中低頻的干擾信號進行了抑制，降低了誤報率；降噪信號的短時能量和短時過閾值率作為入侵信號和干擾信號的分類特征，將該兩種時域特征值作為SVM的輸入向量進行分類，可以有效區分出入侵事件和干擾事件，識別率較高，該方法在信號處理效率上有顯著優勢，可以達到實時監測的效果。

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

[2] 張 嵩.光纖周界安防系統的振動信號識別研究[D].西安：西安電子科技大學,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識別[J].傳感器與微系統,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系統設計[J].傳感器與微系統,2013,32(3):110-112.

[5] 朱程輝,瞿永中,王建平.基于時頻特征的光纖周界振動信號識別[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] 劉學謙,于宏毅.SVM在通信信號處理中的研究與應用[J].信息工程大學學報,2013(6):713-718.

[8] 陳中杰,蔣 剛,蔡 勇.基于SVM一對一多分類算法的二次細分法研究[J].傳感器與微系統,2013,32(4):44-47.

[9] 張學工.模式識別[M].北京：清華大學出版社，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，主要研究方向為光通信與光纖振動信號模式識別。