一种改进型卷积神经网络光纤事件识别分类方法及分类器技术

本发明专利技术提出了一种改进型卷积神经网络光纤事件识别分类方法及分类器，属于数字信号处理技术领域。本发明专利技术针对光纤周界安防中的事件识别，基于DMZI光纤传感系统，采用改进型卷积神经网络分类器，解决了在光纤传感系统中事件识别种类少识别准确度不高的问题。本发明专利技术的分类器主要由改进型卷积神经网络和随机森林组成，其中改进型卷积神经网络可以自行对样本进行全面的特征提取，保证了准确度；随机森林基于集成学习，能够进一步对提取到的特征进行准确分类。本发明专利技术能够高效准确地对多类事件进行分类，能够满足实际需要。能够满足实际需要。能够满足实际需要。

【技术实现步骤摘要】
一种改进型卷积神经网络光纤事件识别分类方法及分类器


[0001]本专利技术属于数字信号处理
，特别是指一种基于DMZI光纤周界安防系统的对系统中各类扰动事件进行识别的分类方法及分类器。

技术介绍

[0002]随着社会的迅速发展，先进科学技术的推广和普及也使得犯罪分子的作案手段更加科技化。国家、企业以及个人对于生活、工作等各个方面的安全保障性提出了更高的要求。目前，周界安防系统在军事、航空航天、边境安全等多个领域发挥着不可替代的重要作用，而科技的迅速发展也对周界安防系统的性能不断提出更高的要求。
[0003]周界安防技术容易受周围环境的影响，所以对于实际应用来说，研发可靠并且稳定的周界安防系统是非常重要的。传统的周界安防技术主要有两种模式，第一种是基于视频实时传输进行识别，依赖于视频图像的分析与提取，这种方法比较麻烦，而且如果需要人工监控则准确性得不到保证，使用计算机处理，则实时视频图像提取、分析、识别，需要耗费漫长的时间从而造成预警延迟。另一种是基于传感器来实现的周界安防系统，比如红外线安防系统以及电子围栏安防系统，传感器能够较快地将信号采集并传输到相应的计算机，及时性得到大大提升，但这种方式极易受周围环境的影响，误报率比较大，同时它的检测范围比较小而维护成本相对来说比较高，已经无法满足社会发展的需要，急需做出有效的改进。
[0004]随着光纤发展逐渐成熟，光纤通信技术发展不断深入，光纤传感器的抗干扰能力、传输距离、敏感度以及成本等多个方面都优于传统传感器，这些特点给周界安防带来了新的发展方向，产生了基于光纤传感器的周界安防系统——光纤周界安防系统。如今，光纤周界安防系统正逐渐取代传统系统，在多个领域进行广泛应用，已经可以实现入侵识别、定位、报警等多个功能，随着光纤技术的不断发展，以后还有很大的提升空间和应用前景。
[0005]DMZI(Dual Mach
‑
Zehnder Interferometer)分布式光纤传感系统因具有检测范围广、响应速度快、损耗小以及能够进行准确定位等特点而在周界安防领域得到广泛应用与发展。目前，该系统在报警与定位方面的研究已经比较完善，然而在后续的模式识别方面，还有较大的提升空间，仍待进一步研究与发展。
[0006]在光纤周界安防系统中，对入侵信号进行实时、准确的识别以便采取后续措施是很重要的。而对信号进行识别一般分为特征提取和模式识别两个部分。特征提取方法主要有两类：固定结构特征提取器(如小波分解法)法以及数据驱动特征提取器(如基于EMD的方法)法。模式识别方法也主要包含两种类型：基于决策函数的方法(如支持向量机)和基于神经网络的方法。一般而言，前者的效率比较高，只需要确定决策函数的几个参数，但这种方法很难适用于样本量大样本种数多的情况。相比之下，基于神经网络的方法通常具有较高的精度。但是，现有的光纤传感周界安防系统对于入侵事件识别种类较少，存在识别准确率不够高的问题。

技术实现思路

[0007]本专利技术的目的是提供一种适用于DMZI分布式光纤传感系统的事件识别分类方法及分类器，其采用改进型CNN和随机森林相结合的方法，实现了对DMZI系统入侵事件多种类高准确度的识别。
[0008]为了实现上述目的，本专利技术采用的技术方案为：
[0009]一种改进型卷积神经网络光纤事件识别分类方法，其特征在于，基于LeNet标准模型改进的改进型卷积神经网络实现，包括以下步骤：
[0010]将采集到的信号经过STFT短时傅里叶变换，得到大小为220
×
220的三通道时频图像，输入到输入层；
[0011]将输入层的输出结果传给第一卷积层，第一卷积层使用64个大小为3
×3×
3的卷积核，步长为1，得到220
×
220
×
64的卷积结果，接着使用ReLu函数对结果进行激活，得到激活结果；
[0012]将第一卷积层的输出结果传给第一池化层，第一池化层使用窗口为3
×
3，步长为2个像素重叠的窗口对上层结果进行最大池化，从而得到110
×
110
×
64的池化结果，之后对池化结果进行局部响应归一化，得到110
×
110
×
64的归一化结果；
[0013]将第一池化层的输出结果传给第二卷积层，第二卷积层使用32个大小为3
×3×
64的卷积核，步长为1，得到110
×
110
×
32的卷积结果，接着使用ReLu函数对结果进行激活，得到激活结果；
[0014]将第二卷积层的输出结果传给第二池化层，第二池化层使用窗口为3
×
3，步长为2个像素重叠的窗口对上层结果进行最大池化，得到55
×
55
×
32的池化结果，池化后进行局部响应归一化，得到55
×
55
×
32的归一化结果；
[0015]将第二池化层的输出结果传给第三卷积层，第三卷积层使用16个大小为3
×3×
32的卷积核，步长为1，得到27
×
27
×
16的卷积结果，接着使用ReLu函数对结果进行激活，得到激活结果；
[0016]将第三卷积层的输出结果传给第三池化层，第三池化层使用窗口为3
×
3，步长为2个像素重叠的窗口对上层结果进行最大池化，得到13
×
13
×
16的池化结果，池化后进行局部响应归一化，得到13
×
13
×
16的归一化结果；
[0017]将第三池化层的输出结果传给第一全连接层，第一全连接层使用128个神经元，对上一层的池化结果采用全连接操作，然后对处理结果使用ReLU激活函数进行处理得到激活结果；
[0018]将第一全连接层的输出结果传给第二全连接层，第二全连接层使用128个神经元，对上一层结果进行全连接处理，然后对全连接处理结果使用ReLU激活函数，得到激活结果；接着，对激活结果使用概率为0.5的dropout操作，得到dropout结果；
[0019]将第二全连接层的输出结果传给输出层，输出层采用随机森林对事件进行分类。
[0020]进一步地，所述随机森林由500个决策树构成，随机森林的训练方式为：
[0021]在原始样本中使用Bootstrap，即从原来的N个样本中有放回地抽取N个样本，得到多个样本集；
[0022]根据得到的多个样本集，分别生成决策树，其中，每次从候选特征中随机抽取m个特征，作为当下决策备选特征，生成决策树；
[0023]得到规定数量的决策树后，构成随机森林，对所有决策树的输出结果进行统计，得票最多的种类即为识别结果。
[0024]一种改进型卷积神经网络光纤事件识别分类器，包括基于LeNet标准模型改进的改进型卷积神经网络，所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进型卷积神经网络光纤事件识别分类方法，其特征在于，基于LeNet标准模型改进的改进型卷积神经网络实现，包括以下步骤：将采集到的信号经过STFT短时傅里叶变换，得到大小为220
×
220的三通道时频图像，输入到输入层；将输入层的输出结果传给第一卷积层，第一卷积层使用64个大小为3
×3×
3的卷积核，步长为1，得到220
×
220
×
64的卷积结果，接着使用ReLu函数对结果进行激活，得到激活结果；将第一卷积层的输出结果传给第一池化层，第一池化层使用窗口为3
×
3，步长为2个像素重叠的窗口对上层结果进行最大池化，从而得到110
×
110
×
64的池化结果，之后对池化结果进行局部响应归一化，得到110
×
110
×
64的归一化结果；将第一池化层的输出结果传给第二卷积层，第二卷积层使用32个大小为3
×3×
64的卷积核，步长为1，得到110
×
110
×
32的卷积结果，接着使用ReLu函数对结果进行激活，得到激活结果；将第二卷积层的输出结果传给第二池化层，第二池化层使用窗口为3
×
3，步长为2个像素重叠的窗口对上层结果进行最大池化，得到55
×
55
×
32的池化结果，池化后进行局部响应归一化，得到55
×
55
×
32的归一化结果；将第二池化层的输出结果传给第三卷积层，第三卷积层使用16个大小为3
×3×
32的卷积核，步长为1，得到27
×
27
×
16的卷积结果，接着使用ReLu函数对结果进行激活，得到激活结果；将第三卷积层的输出结果传给第三池化层，第三池化层使用窗口为3
×
3，步长为2个像素重叠的窗口对上层结果进行最大池化，得到13
×
13
×
16的池化结果，池化后进行局部响应归一化，得到13
×
13
×
16的归一化结果；将第三池化层的输出结果传给第一全连接层，第一全连接层使用128个神经元，对上一层的池化结果采用全连接操作，然后对处理结果使用ReLU激活函数进行处理得到激活结果；将第一全连接层的输出结果传给第二全连接层，第二全连接层使用128个神经元，对上一层结果进行全连接处理，然后对全连接处理结果使用ReLU激活函数，得到激活结果；接着，对激活结果使用概率为0.5的dropout操作，得到dropout结果；将第二全连接层的输出结果传给输出层，输出层采用随机森林对事件进行分类。2.如权利要求1所述的一种适用于DMZI光纤传感系统的光纤事件识别分类方法，其特征在于，所述随机森林由500个决策树构成，随机森林的训练方式为：在原始样本中使用Bootstrap，即从原来的N个样本中有放回地抽取N个样本，得到多个样本集；根据得到的多个样本集，分别生成决策树，其中，每次从候选特征中随机抽取m个特征，作为当下决策...

【专利技术属性】
技术研发人员：王碧瑶，谭晓川，李少波，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：