一种基于GPU的光纤振动信号特征提取及分类的方法及系统技术方案

本发明专利技术提供了一种基于GPU的光纤振动信号特征提取及分类的方法，包括：步骤M1：接收光纤振动信号数据，并进行入侵和非入侵数据提取，得到提取特征数据集合S；步骤M2：对提取特征数据集合S进行预处理，再利用高通滤波器去除低频干扰得到数据S1；步骤M3：提取出数据S1归一化特征X；步骤M4：对特征X进行训练得到训练模型m,再对测试数据进行分类；所述训练模型m是输入数据训练得到的对应参数；把测试数据输入到训练模型中能得到测试数据的入侵或非入侵特征标签；所述测试数据为待利用训练模型测得到入侵或非入侵特征标签的光纤振动信号。本发明专利技术结合语音、音频等特征选取算法提取光纤振动信号特征，解决了传统光纤振动信号特征提取效果不佳的弊病。

【技术实现步骤摘要】
一种基于GPU的光纤振动信号特征提取及分类的方法及系统
本专利技术涉及光纤振动信号处理
，具体地，涉及一种基于GPU的光纤振动信号特征提取及分类的方法及系统。
技术介绍
目前在世界范围研发的光纤振动信号特征主要集中在时域，CUDA是一种支持GPU多线程并行化加速的计算工具，因其能通过GPC(图形处理器簇，缩写：GPC)、SM(流多处理器，缩写：SM)、Warp(GPU执行程序时的调度单位，缩写：Warp)、SP(流式处理器，缩写：SP)对超大数据量实现SIMD(单指令多数据流，缩写：SIMD)处理方式，已经成为数据处理必不可少的高性能计算统一计算设备架构，它利用NVIDIACUDAC编译器生成每个内核特定于体系结构的cubin文件来前向兼容PTX(并行线程执行，缩写：PTX)版本。另外，国内外相关的光纤振动信号特征提取研究包括，天津大学利用小波变换技术提取信号特征向量，并结合ICA(独立成分分析，缩写：ICA)求出源信号估计值进而得到的相关系数确定入侵类型。印度理工学院从信号中提取出共振频率、归一化振幅和共振频率下的归一化面积三个特征输入本文档来自技高网...

【技术保护点】
1.一种基于GPU的光纤振动信号特征提取及分类的方法，其特征在于，包括：/n步骤M1：接收光纤振动信号数据，并进行入侵和非入侵数据提取，得到提取特征数据集合S；/n步骤M2：对提取特征数据集合S进行预处理，再利用高通滤波器去除低频干扰得到数据S1；/n步骤M3：提取出数据S1归一化特征X；/n步骤M4：对特征X进行训练得到训练模型m,再对测试数据进行分类；/n所述训练模型m是输入数据训练得到的对应参数；把测试数据输入到训练模型中能得到测试数据的入侵或非入侵特征标签；/n所述测试数据为待利用训练模型测得入侵或非入侵特征标签的光纤振动信号。/n

【技术特征摘要】
1.一种基于GPU的光纤振动信号特征提取及分类的方法，其特征在于，包括：
步骤M1：接收光纤振动信号数据，并进行入侵和非入侵数据提取，得到提取特征数据集合S；
步骤M2：对提取特征数据集合S进行预处理，再利用高通滤波器去除低频干扰得到数据S1；
步骤M3：提取出数据S1归一化特征X；
步骤M4：对特征X进行训练得到训练模型m,再对测试数据进行分类；
所述训练模型m是输入数据训练得到的对应参数；把测试数据输入到训练模型中能得到测试数据的入侵或非入侵特征标签；
所述测试数据为待利用训练模型测得入侵或非入侵特征标签的光纤振动信号。


2.根据权利要求1所述的一种基于GPU的光纤振动信号特征提取及分类的方法，其特征在于，所述步骤M1提取特征数据集合S包括：
步骤M1.1：利用短时过阈值率寻找光纤振动信号数据的非干扰点起始位置；
步骤M1.2：再利用时域幅度图对光纤振动信号数据进行目标起始、终止位置确定；
步骤M1.3：目标起始、终止位置确定后，利用离散差分绝对均值及振幅平均值为阈值提取出原始数据在起始、终止位置间经过入侵和非入侵的非干扰点的一维时域数据，再通过步长为预设值大小矩形窗口截取为待提取特征的信号集合S；
所述短时过阈值率为预设时间内信号超过阈值Am的次数Fm，表达式为：



其中，λ表示时域中单个位置点的连续时间变化值；m表示位置点索引、n表示离散时间索引，diff表示微分运算，sgn表示符号函数，y(n,m)表示第m个位置点、第n个离散时间索引的时域信号。


3.根据权利要求1所述的一种基于GPU的光纤振动信号特征提取及分类的方法，其特征在于，所述步骤M2包括：
步骤M2.1：对提取特征数据集合S进行预处理，预处理包括对振动信号数据进行拉平得到Sf，表达式为：
Sam＝mean(Sn,m)(2)
Sbm＝Sam+B(3)



Sdm＝1/Scm(5)
Sen,m＝Sn,m+B(6)
Sfn,m＝Sen,m×Sdm(7)
其中，首先对信号集合S沿时间维度求平均得到每个位置点均值Sam，再对Sam加上偏置B得到Sbm，再对Sbm前M后N位置点求平均得到Scm，再对Scm每个值求导数得到Sdm，再对信号集合S每个值加上偏置B得到Sen,m，最后对Sen,m每列与Sdm对应相乘得到拉平信号Sf；
步骤M2.2：对拉平信号Sf利用高通滤波器去除低频干扰得到数据S1，其过程表达如下：
S1n＝b0Sfn+b1Sfn-1+b2Sfn-2-a1S1n-1-a2S1n-2(8)
其中：其中b0,b1,b2,a1,a2均为滤波系数，由采样率和截止频率决定，下标n表示时间索引。


4.根据权利要求1所述的一种基于GPU的光纤振动信号特征提取及分类的方法，其特征在于，所述步骤M3包括：利用包括峭度因子、裕度因子、LFBEs算法、TEE算法和HZCRR算法提取出数据S1归一化特征X；并且利用Numba编译器对算法函数进行封装加速运算；
所述LFBEs算法利用非线性频谱灵敏度提高了噪声鲁棒性识别，LFBEs中的加权距离测量使矢量量化器将重点转移到向量部分；
所述TEE算法由Teager能量算子和香农熵构成，Teager能量算子在增强振动信号脉冲特性中具有良好的瞬时能量跟踪特点，熵能反映信号的稀疏性；
一维离散信号s(n)的Teager能量算子计算方法为：
Ψ[s(n)]＝[s(n)]2-s(n+1)s(n-1)(9)
其中，n表示时间索引值；
TEE表达式的计算方法为：






其中，pn、Q(n)表示求取TEE的中间变量；N表示时间索引最大值；abs()表示求绝对值；
原始信号随着脉冲冲击的变多，信号的稀疏性变高，TEE值变小；
所述HZCRR算法是指过零率大于片段中预设值倍平均过零率的帧数比，HZCRR表达式的计算方法为：



其中，N是总帧数，n是帧索引，ZCR(n)是第n帧过零率，是片段中的平均过零率，sgn[]是符号函数。


5.根据权利要求1所述的一种基于GPU的光纤振动信号特征提取及分类的方法，其特征在于，所述步骤M4包括：
步骤M4.1：利用随机森林T结合入侵与非入侵特征标签对特征X进行训练得到训练模型m；
随机森林T中每个决策树包括：一个根节点、分裂节点和叶节点；每棵树的输入数据的输入位置是对应输入特征X；根节点的输入(x,X)基于分裂标准函数分类到一个子节点，其中fn(·)表示在节点n提取一个学习特征，即输入特征X得到的对应参数；节点n的分裂标准函数表示如下：



其中，ωi表示决策树权重；nf表示计算每个特征的数据点数；Xx表示输入数据的输入位置；处对应的输入特征X；
树的深度越深，其包含越多分支，且获取越多数据信息；当树的当前深度大于最大深度，或者训练模型预测得到入侵或非入侵特征标签在一类中节点概率可信度高，或者剩余太少特征X，将产生叶节点；后代节点的分类终止于输入数据到达一个叶节点；当叶节点形成时，在推断过程中存储条件概率；每一类的叶节点条件概率p使用叶节点h的数据点数量计算，条件概率公式如下：



其中，nc表示每一类数据点个数，c表示一类的索引；n(h,c)表示在叶节点h每类数据点数量，叶节点的形成基于树的最大深度、概率分布p(c|h)和节点训练数据x个数；条件概率在训练阶段学习，且在推断阶段使用；叶节点也在训练过程中学习；
步骤M4.2：根据得到的训练模型m，对测试数据进行分类；
训练过的随机森林T,即训练模型m,利用每棵树将特征X上的每个数据点划分为子节点直到它到达叶节点；平均整棵树Ti∈T的条件概率分布来计算一类c的数据点x推断概率pc(c|x),公式如下：



其中，nt是随机森林树T的个数；
推断概率pc(c|x)表示作为入侵与非入侵的概率，概率越高，可能性越大。

【专利技术属性】
技术研发人员：杨啸宇，桂小刚，王静，臧元章，江兆凤，
申请(专利权)人：上海微波技术研究所中国电子科技集团公司第五十研究所，
类型：发明
国别省市：上海;31