[发明专利]一种基于空域特征和机器学习的分布式光纤入侵识别方法

说明书

一种基于空域特征和机器学习的分布式光纤入侵识别方法，包括以下步骤：步骤1：通过一分布式光纤振动传感系统，感应光纤周围的振动信号，产生多条后向瑞利散射曲线，多条后向瑞利散射曲线构成二维时空信号；步骤2：对图像数据f(x,y)进行图像预处理，以达到图像去噪和增强的目的，去噪预处理后的图像为f₁(x,y)，增强后的图像为f₂(x,y)；步骤3：获取f₂(x,y)二值化阈值k^*后将图像f₂(x,y)二值化；步骤4：二值化后的图像g(x,y)利用图像降噪方法消去噪点；步骤5：计算曲线中每个点的一阶导数F¹和二阶导数F²，及高阶导数Fⁿ；步骤6：将获得的空域特征作为特征向量并结合机器学习算法对入侵扰动事件进行模式识别。本发明能够有效的提高入侵事件的识别准确率，降低误报率，计算量小，复杂度低。

技术领域

本发明涉及光缆入侵检测,周边安防技术领域，具体涉及一种基于空域特征和机器学习的分布式光纤入侵识别方法。

背景技术

基于相位敏感光时域反射仪的分布式光纤传感系统是一种新型的分布式光纤传感系统，系统可以实现长距离、分布式扰动传感与信号传输，通过检测光纤各部分后向瑞利散射干涉光的光强变化，实现对外部入侵活动的检测。与其他传统的传感器相比，分布式光纤传感使用光纤本身作为传感器，成本低，如果光缆受到破坏的话，也可以用相关的技术进行定位和维修，而且具有抗电磁干扰、测量精度高、响应速度快、测量范围广等优点，可以在恶劣的环境中长期稳定运行，在周边安防、石油管道、轨道交通、建筑结构健康等领域具有广泛的应用。

但是由于作用于光纤上的扰动信号种类繁多，光纤所处环境存在较大差异，为对扰动信号进行准确判别，仅改进系统结构和解调方法以达到对扰动信号进行准确判别是远远不够的，因此，对分布式光纤扰动传感系统进行信号的模式识别方法的研究日趋重要。

现阶段的入侵事件检测模式识别方法，主要通过提取信号时域和频域特征作为分类器输入特征向量，或者采用一些计算复杂的神经网络算法。如专利CN201510134694.2“一种分布式光纤振动传感中的扰动类型识别方法”，采用DB4小波基将降噪处理后的扰动信号分解为5-7层小波子带，利用分解后各层小波子带中的低频系数计算信号的质心，子带能量作为特征参数，将计算的特征参数送入神经网络分类器，识别出扰动类型，但是神经网络需要大量的训练，具有一定的复杂度，分布式光纤传感数据量大，这种方法不利于节约时间。如专利CN201510031246.X“一种分布式光纤振动传感系统扰动事件识别及定位方法”，利用EN算法求解区域内包含背景的事件峰的混合高斯分布各参数，包括各高斯成分的比重、期望、协方差矩阵，矩形区域的长宽，矩形区域内事件峰的总数，将这些参数和背景事件概率密度函数的各参数以及区域内事件峰的总数送入分类器，对扰动类型判别，但是所述特征提取起来并不方便，而且提取的特征用来分类识别的准确率并不高。现有方法的准确率低，误报率高，所以一些简单准确的方法亟待提出。

发明内容

针对现有技术存在的问题，本发明提出了一种基于空域特征和机器学习的分布式光纤入侵识别方法，能够有效的提高入侵事件的识别准确率，降低误报率，计算量小，复杂度低。

本发明采用的技术方案是：

一种基于空域特征和机器学习的分布式光纤入侵识别方法，包括以下步骤：

步骤1：通过一分布式光纤振动传感系统，感应光纤周围的振动信号，产生多条后向瑞利散射曲线，多条后向瑞利散射曲线构成二维时空信号，横轴对应光纤长度L，范围是L＝[L₁,L₂,L₃…L_P],纵轴对应时间t，时间t的范围是t＝[t₁,t₂,t₃…t_Q]，多条散射曲线按照时间排列构成二维时空信号为：