[发明专利]基于改进集成经验模态分解与XGBoost模型的光纤周界信号特征识别方法

权利要求书

1.一种基于改进集成经验模态分解与XGBoost模型的光纤周界信号特征识别方法，其特征在于：该方法包括如下步骤：

步骤一、采集光纤沿线布设环境中各空间距离点的事件信号，对其进行时间分割，构建入侵事件信号样本集；

步骤二、利用改进的集成经验模态分解方法提取样本集中入侵事件信号的特征向量，构成特征矩阵训练样本；

步骤三、构建预训练XGBoost分类模型，输入入侵信号特征训练样本对模型的权重参数进行迭代更新，生成最佳分类模型；

步骤四、在XGBoost模型中输入样本测试集进行分类，得到事件分类结果。

2.根据权利要求1所述的基于改进集成经验模态分解与XGBoost模型的光纤周界信号特征识别方法，其特征在于：所述步骤一的具体步骤如下：

步骤2.1、基于迈克尔逊干涉技术的光纤传感器获取各个距离点的时间序列信号矩阵；

步骤2.2、将时间序列信号矩阵进行时间维度的入侵事件切分操作，得到包含入侵振动信号训练样本的入侵振动样本集。

3.根据权利要求1所述的基于改进集成经验模态分解与XGBoost模型的光纤周界信号特征识别方法，其特征在于：所述步骤二的具体步骤如下：

步骤3.1、对入侵振动样本集中的训练样本进行经验模态分解，获得本征模态分量的能量熵；

步骤3.2、计算相邻模态分量之间的互信息熵，求得信号分量中高频与低频的转折临界点，根据该临界点，重构原始信号获得高频信息，并计算高频信息的幅值标准差；

步骤3.3、计算原始信号与其高频信息的幅值标准差比值，根据该比值，确定添加的白噪声幅值系数以及对应的总体平均次数；

步骤3.4、对样本训练集进行改进的集成经验模态分解，完成信号样本特征向量矩阵。

4.根据权利要求1所述的基于改进集成经验模态分解与XGBoost模型的光纤周界信号特征识别方法，其特征在于：所述步骤三的具体步骤如下：

步骤4.1、定义XGBoost模型目标函数，衡量模型与训练数据的关联程度，目标函数一般由损失函数E和正则化函数Φ组成：

Γ＝E(θ)+Φ(θ) (1)

其中，选择均方根误差作为误差函数计算公式，L是分类树总数，f是特征向量F中的单个特征，y_i是实际样本值，是依据分类树得分获得的预测值，E(θ)是样本训练集中实际值与预测值的均方根误差和；

步骤4.2、将损失函数进行二阶泰勒公式展开，此时目标函数为：

其中，Φ(f)是自定义模型复杂度函数，g_if_t(x_i)表示样本集的一阶导数，表示样本集的二阶导数，A是常量；

步骤4.3、利用贪婪算法，遍历所有的特征，对分类树进行分割计算增益，即每次对叶子节点进行分割获得目标函数的最大增益值，同时为了限制分类树生长过深，设置增益阈值，只有当增益大于该阈值才进行分裂，保存得到当前最大目标函数值时的模型权重参数。

5.根据权利要求1所述的基于改进集成经验模态分解与XGBoost模型的光纤周界信号特征识别方法，其特征在于：所述步骤四的具体步骤如下：

步骤5.1、将各空间距离点实时获取得到的时间序列信号，依照样本集切割规则进行长度划分，得到入侵振动信号测试集；

步骤5.2、将样本测试集进行改进集成经验模态分解，获得最优特征向量矩阵；

步骤5.3、将特征向量矩阵输入XGBoost模型最优分类器，获得入侵事件识别结果。