基于光纤传感的多模态融合侵入识别方法技术

本发明专利技术公开了一种基于光纤传感的多模态融合侵入识别方法，采用以下步骤：1)采集光路信号；2)进行频域变换；3)对时域信号进行预处理；4)对频域信号进行预处理；5)对预处理后的时域信号进行两级分类识别；6)对预处理后的频域信号进行两级分类识别；7)设计多模态融合神经网络，主要包括多模态融合神经网络搭建、多模态融合神经网络学习库搭建、多模态融合神经网络学习和多模态融合神经网络使用，采用多模态融合神经网络识别侵入行为。本发明专利技术识别速度快、精度高，通过融合光纤数据时域算法和光纤数据频域算法，从不同角度、不同维度对侵入数据进行分析，相比于传统的侵入行为识别，误报率低，识别精度高，识别精确度可达95％以上。识别精确度可达95％以上。识别精确度可达95％以上。

【技术实现步骤摘要】
基于光纤传感的多模态融合侵入识别方法


[0001]本专利技术属于安防领域，特别是一种基于光纤传感与无人机视频数据的多模态融合侵入识别的方法。

技术介绍

[0002]传统光纤扰动监测系统中，侵入模式识别一直是一项重要的研究课题。光纤扰动监测系统一般采用双马赫
‑
曾德或原理进行数据采集，通过时域、频域信号进行判断，对不同振动模式下的信号进行分析、统计，从而判定侵入行为和位置。传统光纤扰动监测系统的不足主要体现在，侵入行为模式识别不准确，侵入位置定位不精确。当下安防系统应用环境中，普遍存在风雨干扰、车辆经过、周边机械干扰(例如变压器，空调外机等)，会造成大量的误报，而这些误报信号会带来大量的出警、巡查等人工费用。

技术实现思路

[0003]本专利技术为解决公知技术中存在的技术问题而提供一种基于光纤传感的多模态融合侵入识别方法，该方法识别速度快、误报率低、识别精度高。
[0004]本专利技术为解决公知技术中存在的技术问题所采取的技术方案是：一种基于光纤传感的多模态融合侵入识别方法，采用以下步骤：
[0005]1)利用光纤扰动监测系统对光路信号进行采集；
[0006]2)调取步骤1)的信号进行频域变换，获得频域信号；
[0007]3)调取步骤1)的信号进行数据消减和去噪预处理，获得预处理后的时域信号；
[0008]4)采用带通滤波器对步骤2)获得的频域信号进行预处理，获得预处理后的频域信号；
[0009]5)调取步骤3)预处理后的时域信号，采用两级SVM模型对该信号进行分类，第一级SVM模型采用二值分类将数据粗分为扰动数据与平静数据；第二级SVM模型采用回归模型多值分类对第一级得到的扰动数据进行分类，将扰动数据细分为侵入行为；
[0010]6)调取步骤4)预处理后的频域信号，采用两级SVM模型对该信号进行分类，第一级SVM模型采用二值分类将数据粗分为扰动数据与平静数据；第二级SVM模型采用回归模型多值分类对第一级得到的扰动数据进行分类，将扰动数据细分为侵入行为；
[0011]7)设计多模态融合神经网络，主要包括多模态融合神经网络搭建、多模态融合神经网络学习库搭建、多模态融合神经网络学习和多模态融合神经网络使用，方法如下：
[0012]首先，搭建多模态融合神经网络，神经网络共有2个模态输入和1个模态输出，2个模态输入分别是input1
‑
步骤5)中光纤扰动检测数据时域SVM分类结果和input2
‑
步骤6)中光纤扰动检测数据频域SVM分类结果，2个模态输入对应的权重值分别为w1和w2；
[0013]然后通过人工搭建包含多种侵入行为的多模态融合神经网络学习库，该学习库包括2个子学习库，分别是：库1
‑
步骤5)中光纤扰动检测数据时域SVM分类结果、库2
‑
步骤6)中光纤扰动检测数据频域SVM分类结果；
[0014]接着进行多模态融合神经网络学习，将包含多种侵入行为的多模态融合神经网络学习库，不断的输入已搭建好的多模态融合神经网络学习，其中库1输入input1，库2输入input2，当多模态融合神经网络识别效果达到最佳时，学习完成，保存w1、w2两个权重值；
[0015]最后进行多模态融合神经网络的使用，将w1和w2两个权重值配置到多模态融合神经网络，将步骤5)中光纤扰动检测数据时域SVM分类结果输入input1，将步骤6)中光纤扰动检测数据频域SVM分类结果输入input2，多模态融合神经网络识别侵入行为，并将传输至下一级。
[0016]所述步骤4)，采用40
‑
200hz带通滤波器对步骤2)获得的频域信号进行预处理。
[0017]本专利技术具有的优点和积极效果是：该方法在对频域数据与时域数据识别时，采用两级SVM识别，第一级初步识别，第二级精确识别，降低了识别数据量，提高识别速度和精度；另外，该方法融合了光纤数据时域算法和光纤数据频域算法从不同角度、不同维度对侵入数据进行分析，相比于传统的侵入行为识别，误报率低，识别精度高，识别精确度可达95％以上。
附图说明
[0018]图1为本专利技术的流程框图；
[0019]图2为本专利技术步骤4)所用带通滤波器的原型；
[0020]图3为本专利技术步骤5)和步骤6)的流程图；
[0021]图4为本专利技术步骤7)的流程图。
具体实施方式
[0022]为能进一步了解本专利技术的
技术实现思路
、特点及功效，兹例举以下实施例，并配合附图详细说明如下：
[0023]请参阅图1～图4，一种基于光纤传感的多模态融合侵入识别方法，采用以下步骤：
[0024]1)利用光纤扰动监测系统对光路信号进行采集，在本实施例中，光纤扰动监测系统采用双马赫
‑
曾德分布式光纤振动传感技术，对长距离光纤振动信号进行采集，并将得到的时域信号进行缓存，以便后续处理。
[0025]2)调取步骤1)的信号进行频域变换，获得频域信号，在本实施例中，对步骤1)缓存的时域信号进行傅里叶变换，将得到的频域信号进行缓存，以便后续处理。
[0026]3)调取步骤1)的信号进行数据消减和去噪预处理，获得预处理后的时域信号，在本实施例中，为减小数据量，提高识别速度，同时滤除噪声，时间上，对1000帧/S的采样数据，进行1000帧求和平均滤波，滤除高频噪声；然后，在空间上，进行滑动平均，滤除范围过小的扰动；经过处理的数据作为时域特征值。
[0027]4)采用带通滤波器对步骤2)获得的频域信号进行预处理，获得预处理后的频域信号。由于高频部分有效信号能量很低，信噪比过高，不利于分析；低频信号虽然能量很大，信号噪声也比较大，同样不利于分析，在本实施例中，采用40
‑
200hz的带通滤波器滤除频域信号。
[0028]5)调取步骤3)预处理后的时域信号，采用两级SVM模型对该信号进行分类，第一级SVM模型采用二值分类将数据粗分为扰动数据与平静数据；第二级SVM模型采用回归模型多
值分类对第一级得到的扰动数据进行分类，将扰动数据细分为多种侵入行为，例如人为敲击、人为晃动、人为攀爬和行走侵入等。传统的SVM模型采用单级分类，无法排除噪声点和孤立点的影响，导致分类不稳定。本实施例采用两级SVM模型，第一级采用二值分类将数据粗分为扰动数据与平静数据；第二级采用回归模型多值分类，然后将两级分类结果分别记录至日志文件，作为以后数据分类参数；随着系统运行时间的增加，两级分类数据越来越丰富，参数越来越准确，模态分类精度会进一步提高。
[0029]6)调取步骤4)预处理后的频域信号，采用两级SVM模型对该信号进行分类，第一级SVM模型采用二值分类将数据粗分为扰动数据与平静数据；第二级SVM模型采用回归模型多值分类对第一级得到的扰动数据进行分类，将扰动数据细分为多种人为侵入行为，例如人为敲击、人为晃动、人为攀爬和行走侵入等。步骤6)与步骤5)类似。
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于光纤传感的多模态融合侵入识别方法，其特征在于，采用以下步骤：1)利用光纤扰动监测系统对光路信号进行采集；2)调取步骤1)的信号进行频域变换，获得频域信号；3)调取步骤1)的信号进行数据消减和去噪预处理，获得预处理后的时域信号；4)采用带通滤波器对步骤2)获得的频域信号进行预处理，获得预处理后的频域信号；5)调取步骤3)预处理后的时域信号，采用两级SVM模型对该信号进行分类，第一级SVM模型采用二值分类将数据粗分为扰动数据与平静数据；第二级SVM模型采用回归模型多值分类对第一级得到的扰动数据进行分类，将扰动数据细分为侵入行为；6)调取步骤4)预处理后的频域信号，采用两级SVM模型对该信号进行分类，第一级SVM模型采用二值分类将数据粗分为扰动数据与平静数据；第二级SVM模型采用回归模型多值分类对第一级得到的扰动数据进行分类，将扰动数据细分为侵入行为；7)设计多模态融合神经网络，主要包括多模态融合神经网络搭建、多模态融合神经网络学习库搭建、多模态融合神经网络学习和多模态融合神经网络使用，方法如下：首先，搭建多模态融合神经网络，神经网络共有2个模态输入和1个模态输出，2个模态输入分别是input1
‑
步骤5)中光纤扰动检测数据时域SVM分类结...

【专利技术属性】
技术研发人员：刘柯，
申请(专利权)人：天津求实飞博科技有限公司，
类型：发明
国别省市：