一种基于递归图的光纤周界入侵检测方法及系统技术方案

本发明专利技术公开一种基于递归图的光纤周界入侵检测方法及系统，所述方法包括：分别获取不同事件类型下的光纤形变信号，并进行预处理，得到不同事件类型下的扰动信号；分别对不同事件类型下的扰动信号进行相空间重构，得到对应的事件类型下的递归图；根据递归图制作数据集，根据数据集训练基于注意力机制的卷积神经网络模型；通过基于注意力机制的卷积神经网络模型对入侵事件进行识别。本发明专利技术将递归图与卷积神经网络结合进行入侵事件识别，可以较准确分辨出入侵事件类别，提高识别准确率。提高识别准确率。提高识别准确率。

【技术实现步骤摘要】
一种基于递归图的光纤周界入侵检测方法及系统


[0001]本专利技术属于光纤周界安防领域，具体涉及一种基于递归图的光纤周界入侵检测方法及系统。

技术介绍

[0002]光纤周界以光纤形变作为传感对象，具有监测范围广、灵敏度高、环境适应性好、抗干扰能力强等多方面优势，在安防领域有着广泛地应用。
[0003]随着光纤传感技术的飞速发展，光纤传感应用于周界安防系统的形式也越来越多样化，主要包括入侵事件的识别与分类、入侵扰动点的精准定位、入侵预警以及入侵事件发生后的无人机视频联动等。
[0004]光纤周界安防是基于光纤传感干涉仪的原理，光纤的灵敏特性使得安防系统受外界环境的影响较大，如：环境噪声、地形、恶劣天气等。研发出高效、准确、稳定的安防系统是一个重要的课题。目前大部分的周界安防系统容易产生误报以及漏报，并且对外界入侵事件及行为的识别准确率也不够高，很难满足实际应用需求。

技术实现思路

[0005]有鉴于此，本专利技术提出了一种基于递归图的光纤周界入侵检测方法及系统，用于解决现有周界安防系统容易产生误报以及漏报的问题。
[0006]本专利技术第一方面，提出一种基于递归图的基于递归图的光纤周界入侵检测方法，所述方法包括：
[0007]分别获取不同事件类型下的光纤形变信号，并进行预处理，得到不同事件类型下的扰动信号；
[0008]分别对不同事件类型下的扰动信号进行相空间重构，得到对应的事件类型下的递归图；
[0009]根据递归图制作数据集，根据数据集训练基于注意力机制的卷积神经网络模型；
[0010]通过基于注意力机制的卷积神经网络模型对入侵事件进行识别。
[0011]在以上技术方案的基础上，优选的，所述分别获取不同事件类型下的光纤形变信号通过分布式光纤传感技术实现，采用分布在不同监测点的Michelson光纤干涉仪采集光纤形变信号。
[0012]在以上技术方案的基础上，优选的，所述不同事件类型包括入侵事件和非入侵事件，所述入侵事件的类别包括剪切、晃动、敲击和攀爬，非入侵事件的类别包括天气良好情况下的正常事件和恶劣天气下的正常事件。
[0013]在以上技术方案的基础上，优选的，所述分别对不同事件类型下的扰动信号进行相空间重构，得到对应的事件类型下的递归图具体包括：
[0014]对于同一事件类型下的不同监测点的传感器获取的扰动信号，通过滑动窗口的方式进行采样，采样长度为N；
[0015]通过递归图算法对采样的扰动信号进行相空间重构，得到相空间S，表达式为：
[0016]S＝{S1,S2,
…
,S
i
,
…
,S
N
|S
i
＝(s
i
(1),s
i
(2),
…
,s
i
(j),
…
,s
i
(n))}
[0017]其中，S
i
为相空间时间点i处的相点，n为传感器数量，s
i
(j)表示第j个传感器在时间点i处采集的数据，j＝1,2,
…
,n。
[0018]构建相应事件类型下的递归图，递归图的表达式为：
[0019]R(i,j)＝Θ(ε
‑
||S
i
‑
S
j
||)
[0020]其中，R(i,j)指递归图中(i,j)位置处的递归值，i,j＝1,2,
…
,N，||
·
||代表范数，算子Θ为Heaviside函数，ε为阈值。
[0021]在以上技术方案的基础上，优选的，所述基于注意力机制的卷积神经网络模型包括依次连接的第一卷积层、第一联合注意力模块层、第二卷积层、第二联合注意力模块层、第三卷积层、第三联合注意力模块层、全局平均池化层、Softmax层；
[0022]所述第一联合注意力模块层、第二联合注意力模块层、第三联合注意力模块层均包括依次连接的第一通道注意力模块和第二通道注意力模块；
[0023]所述基于注意力机制的卷积神经网络模型在训练过程中，分别以入侵事件和非入侵事件的类别为标签。
[0024]在以上技术方案的基础上，优选的，所述通过基于注意力机制的卷积神经网络模型对入侵事件进行识别具体包括：
[0025]获取未知事件类型下的待测光纤形变信号，进行预处理，得到待测扰动信号；
[0026]对待测扰动信号进行相空间重构，得到待测递归图；
[0027]将待测递归图输入训练好的基于注意力机制的卷积神经网络模型，输出事件类别识别结果。
[0028]在以上技术方案的基础上，优选的，所述方法还包括：
[0029]若事件类型为入侵事件，发出与入侵事件的类别相应的驱赶或者告警信息。
[0030]本专利技术第二方面，公开一种光纤周界入侵检测系统，所述系统包括：
[0031]信号获取模块：用于分别获取不同事件类型下的光纤形变信号，并进行数字化处理，得到不同事件类型下的扰动信号；
[0032]递归图建立模块：用于分别对不同事件类型下的扰动信号进行相空间重构，得到对应的事件类型下的递归图；
[0033]模型训练模块：用于根据递归图训练基于注意力机制的卷积神经网络模型；
[0034]入侵识别模块：用于通过基于注意力机制的卷积神经网络模型对入侵事件进行识别。
[0035]本专利技术一种电子设备，其特征在于，包括：至少一个处理器、至少一个存储器、通信接口和总线；
[0036]其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
[0037]所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如本专利技术第一方面所述的方法。
[0038]本专利技术第四方面，公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如本专利技术第一方面所述的方法。
[0039]本专利技术相对于现有技术具有以下有益效果：
[0040]1)本专利技术分别对不同事件类型下的扰动信号进行相空间重构，得到对应的事件类型下的递归图，根据递归图训练基于注意力机制的卷积神经网络模型，并进性周界入侵检测，可以利用递归图可以揭示时间序列的内部结构的优势来得到入侵事件的相似性、关联性和预测性的先验知识，进一步结合基于注意力机制的卷积神经网络模型进行特征提取和分类，可以较准确分辨出入侵事件类别，提高识别准确率；
[0041]2)本专利技术不仅考虑了剪切、晃动、敲击和攀爬等入侵事件，还考虑了天气良好情况下和恶劣天气下非入侵事件，不仅能识别入侵事件的类别，还能避免天气状况等环境因素的干扰，减少误判；
[0042]3)本专利技术通过引入注意力机制，使卷积神经网络所提取的特征能够自适应优化，从而增强模型对判别性特征和入侵信号的学习，并抑制无关噪声，提高故障诊断性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于递归图的光纤周界入侵检测方法，其特征在于，所述方法包括：分别获取不同事件类型下的光纤形变信号，并进行预处理，得到不同事件类型下的扰动信号；分别对不同事件类型下的扰动信号进行相空间重构，得到对应的事件类型下的递归图；根据递归图制作数据集，根据数据集训练基于注意力机制的卷积神经网络模型；通过基于注意力机制的卷积神经网络模型对入侵事件进行识别。2.根据权利要求1所述的基于递归图的光纤周界入侵检测方法，其特征在于，所述分别获取不同事件类型下的光纤形变信号通过分布式光纤传感技术实现，采用分布在不同监测点的Michelson光纤干涉仪采集光纤形变信号。3.根据权利要求2所述的基于递归图的光纤周界入侵检测方法，其特征在于，所述不同事件类型包括入侵事件和非入侵事件，所述入侵事件的类别包括剪切、晃动、敲击和攀爬，非入侵事件的类别包括天气良好情况下的正常事件和恶劣天气下的正常事件。4.根据权利要求3所述的基于递归图的光纤周界入侵检测方法，其特征在于，所述分别对不同事件类型下的扰动信号进行相空间重构，得到对应的事件类型下的递归图具体包括：对于同一事件类型下的不同监测点的传感器获取的扰动信号，通过滑动窗口的方式进行采样，采样长度为N；通过递归图算法对采样的扰动信号进行相空间重构，得到相空间S，表达式为：S＝{S1,S2,
…
,S
i
,
…
,S
N
|S
i
＝(s
i
(1),s
i
(2),
…
,s
i
(j),
…
,s
i
(n))}其中，S
i
为相空间时间点i处的相点，n为传感器数量，s
i
(j)表示第j个传感器在时间点i处采集的数据，j＝1,2,
…
,n。构建相应事件类型下的递归图，递归图的表达式为：R(i,j)＝Θ(ε
‑
||S
i
‑
S
j
||)其中，R(i,j)指递归图中(i,j)位置处的递归值，i,j＝1,2,
...

【专利技术属性】
技术研发人员：熊文锋，何梦莹，
申请(专利权)人：武汉迪信达科技有限公司，
类型：发明
国别省市：