[发明专利]一种光纤分布式扰动传感器模式识别的方法

说明书

技术领域

本发明涉及光纤分布式扰动传感器技术领域，尤其涉及一种光纤分布式扰动传感器模式识别的方法。

背景技术

光纤分布式扰动传感器能够对传感光纤上任意一点的扰动进行探测、识别和定位，凭借其监测距离长、可定位、无需外场供电等重要技术优势，可以广泛应用于周界安防、油气管线预警、通信线路监测以及大型结构监测。

光纤分布式扰动传感器的工作流程为探测外界扰动信号，对扰动信号进行模式识别，确定是否做出报警判断。光纤分布式扰动传感器的工作性能可以由三个概率指标进行描述：光纤分布式扰动传感器探测外界扰动的概率为探测率，对报警事件没有做出报警判断的概率为漏警率，对非报警事件进行报警判断的概率为误警率。

目前限制光纤分布式扰动传感器进一步推广应用的关键问题是尚不能实现对外界扰动的快速准确的模式识别，导致实际应用中误警率偏高。

发明人在进行发明创造中发现现有技术主要存在以下缺陷：

1）基于谱分析的模式识别算法。基于谱分析的模式识别算法主要是将信号进行傅里叶变换（或小波变换），在频域（或小波域）对信号特征进行分辨。这种算法存计算量较大，响应时间长，同时需要在不同环境下对传感器进行标定，实用性不高。

2）动态时间规划算法（DTW）。该算法基于动态规划（DP）的思想，用于解决传感信号长短不一或者信号与模板不对应的匹配问题，是语音识别中出现较早、较为经典的一种算法。但是，为了得到较好的模式识别率，DTW算法需要一个庞大的模板库，具有运算量大，运算速度慢的缺点；且主要应用于语音信号识别，不适合于光纤分布式扰动传感器的模式识别。

3）隐性马尔科夫模型（HMM）模式识别算法。隐性马尔可夫模型（HMM）是马尔可夫链的一种，它的状态不能直接观察到，只能通过观测向量序列观察到。HMM是一种基于概率统计的模型，需要大量的数据进行模型学习，而实际过程中，多种信号采集可能会出现困难，造成模型建立失误，从而影响到信号识别；且主要应用于语音信号识别，不适合于光纤分布式扰动传感器的模式识别。

4）基于人工神经网络（ANN）的模式识别方法。ANN的模式识别方法是以数学模型模拟神经元活动，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。但是，基于ANN的模式识别方法，对信号时间信息不够敏感，即使只有相应的延时的同样的信号，有时也会产生不同结果，造成识别失败。

5）基于分类的算法。这种算法通常是将输入信号看作是一个多维向量，通过训练实现对多维空间进行划分，从而达到分类的目的。最常见的分类方法是SVM，然而SVM方法和ANN识别具有相同的缺点，都是不能对时间延展进行很好的判决。

现有的模式识别方法并不是专门针对光纤分布式扰动传感器进行设计和优化，对传感信号进行模式识别的效果并不理想。因此，迫切需要一种效率高、准确度高的模式识别算法来对光纤传感信号进行模式识别。

发明内容

本发明的目的是提供一种光纤分布式扰动传感器模式识别的方法，提高了识别效率高及准确度，降低了误警率。

本发明的目的是通过以下技术方案实现的：

一种光纤分布式扰动传感器模式识别的方法，该方法包括：

按照时间段对光纤分布式扰动传感器的输出信号I₁(t)进行M次采样，获得根据时间段划分的N个采样点，其中，N≧M；

计算第i个时间段内采样点的过零率F(i)，并根据所述过零率F(i)计算当前时间段内的等效频率f(i)，获得当前时间段内该传感器输出信号的频率和时间分布特性；

根据所述传感器输出信号的频率和时间分布特性进行模式识别。

由上述本发明提供的技术方案可以看出，通过将传感器输出信号进行时间划分，并利用每一个时间段的过零率表征该时间段内的等效频率，从而得到传感器输出信号的频率和时间分布特性；将频率和时间分布特性作为模式识别的关键依据，做出模式判断，具有运算简单、效率高、准确度高及误警率低的特点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的一种光纤分布式扰动传感器模式识别的方法的流程图；

图2为本发明实施例提供的扰动事件频率和时间分布特性的示意图；