[发明专利]一种基于LMD-ICA-PNN的Φ-OTDR振动信号分类算法

说明书

本发明涉及基于LMD‑ICA‑PNN的Φ‑OTDR振动信号分类算法，是一种对振动信号进行识别分类的方法，属于信号处理与机器学习领域，其特征在于采用如下步骤：(1)确定相邻极值点的平均值和包络估计值；(2)确定剩余信号；(3)确定调频信号和包络信号；(4)进行LMD分解，确定第一个PF分量；(5)建立ICA数学模型；(6)构建PNN神经网络；(7)确定输出变量的判别函数。本发明克服了小波分解自适应较差和EMD分解的模态混叠与端点效应问题，利用PNN神经网络可以用线性学习算法完成非线性学习算法的优势，与LMD相结合，取得了较高的分类准确率。为振动信号识别分类领域提供了一种拥有较高分类准确率的方法。

技术领域

本发明涉及信号处理与机器学习领域，主要是一种对Φ-OTDR振动信号进行识别分类的方法。

背景技术

目前，针对Φ-OTDR振动信号分类问题，主要是利用传统的机器学习算法实现，一般的处理流程是先对信号进行去噪，分解，提取有用特征，最后根据提取的特征训练模型实现分类。对于振动信号分解问题，常用的方法有小波分解、EMD分解等分解方法，小波分解适用性较差，而EMD分解过程中又容易出现模态混叠和端点效应的情况。此外，由于信号复杂多变，在提取信号特征的过程中，可能出现时频精度低、虚假成分干扰的情况，从而影响到后续信号分类的准确率。对于振动信号分类问题，传统的依靠梯度下降法的神经网络虽然具有很好的泛化能力，但是在模型训练过程中收敛速度太慢，导致训练时间过长，此外还存在容易陷入局部极小值、收敛速度慢、对初始设置的参数依赖性很强等问题。特别是对于一些深度的神经网络，有可能出现梯度爆炸或者梯度消失等情况。

关于Φ-OTDR振动信号分类的应用，在很多领域的发展都相对成熟。例如，利用决策树、SCN以及各种神经网络算法在建筑结构监测、周界安防报警、智能交通等方面都实现了较好的振动信号识别分类。随着人们安全意识的提高以及分布式光纤传感技术在石油化工、土木工程、隧道交通等领域的广泛应用，在振动信号的分类精度和速度方面，都提出了相对较高的要求。因此，要实时准确地实现振动信号分类，达到振动信号分类的要求，必须要建立一种高效、准确的Φ-OTDR振动信号分类方法，有效的减少识别时间，提高Φ-OTDR振动信号的分类准确率，为分布式光纤传感技术的众多应用领域提供实时、准确的异常信号分类，以便于工作人员及时发现问题，提前做出决策。

发明内容

针对上述现有技术中存在的问题，本发明要解决的技术问题是提供一种基于LMD-ICA-PNN的Φ-OTDR振动信号分类算法，其具体流程如图1所示。

技术方案实施步骤如下：

(1)确定原始振动信号x(t)的相邻极值点的平均值m_i和包络估计值a_i：

式中，m_i表示相邻极值点的平均值，a_i表示包络估计值，n_i和n_i+1分别表示第i个和第i+1个局部极值点。

(2)确定剩余信号h₁₁(t)：

将m_i和a_i用折线连接起来，再利用滑动平均法对其进行平滑处理，从而得到局部均值函数m₁₁(t)和局部包络估计函数a₁₁(t)。将局部均值函数m₁₁(t)从原始振动信号x(t)中分离出来，得到剩余信号h₁₁(t)，即：

h₁₁(t)＝x(t)-m₁₁(t)

式中，h₁₁(t)表示剩余信号，x(t)表示原始振动信号，m₁₁(t)表示局部均值函数。