[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

说明书

本发明公开了一种基于改进集成经验模态分解与XGBoost模型的光纤周界入侵振动信号特征分类识别方法。解决现有光纤周界系统中入侵信号特征提取复杂、分类识别耗时以及样本特征数量少导致识别准确率低的问题。本发明对获取到的典型入侵事件进行时间维度截取，得到单个空间点的一维时间序列，构建典型入侵信号样本集；提出一种基于改进的集成式经验模态分解的光纤振动信号特征提取方法，获得入侵事件信号的本征模态分量，将其作为特征训练集；构建XGBoost模型，利用入侵信号特征训练集对模型的权重参数进行迭代更新，获得最佳分类模型。最后，在XGBoost模型中输入样本测试集，得到入侵事件分类结果。

技术领域

本发明属于信号处理及工程应用领域，主要涉及光纤周界安防系统中关于入侵信号的分 类识别方法，具体是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。

背景技术

基于迈克逊干涉的光纤传感入侵检测技术，是实现环境安防监测的一项关键技术手段， 能够感应并监测光纤分布环境中的入侵振动信号。与传统电子安全检测相比具有高灵敏度、 抗电磁干扰强、全距离无源、耐腐蚀、结构简单等优点，广泛应用于军事机要安防、通信安 全、能源管道传输、桥梁隧道监测等领域。但是在大范围复杂监测环境以及光缆不同布设方 式下，现有的光纤传感周界系统无法准确捕捉不同空间点感测的入侵干扰事件，系统自适应、 泛化能力有待提高。此外，现有光纤周界系统的识别分类模型无法有效提取小样本入侵事件 特征参数向量，振动信号识别耗时、准确率低，出现较高的虚报、误报、漏报，无法满足实 际行业应用要求。

发明内容

本发明的目的在于：解决现有光纤传感周界系统无法完成复杂监测环境、多样光缆布设、 小样本入侵事件情况下入侵信号特征提取复杂耗时、识别准确率低的问题，而提供一种基于 改进集成经验模态分解与XGBoost(Extreme Gradient Boosting)模型的光纤周界信号特征识 别方法，适用于铁路轨道、能源管道、桥梁隧道、光电线缆等安全监测领域。该方法能够抑 制非线性非平稳信号中的噪声分量，提取有效的最优特征向量，解决传统经验模态分解方法 自适应性差的问题；采用XGBoost模型分类算法，弥补传统分类算法在多维特征空间的缺点， 具有更高的事件识别精度、更快的分类速度、更好的样本泛化能力。

本发明的目的是通过如下技术方案来完成的。

一种基于改进集成经验模态分解及XGBoost模型的光纤周界信号特征识别方法，该方法 如下步骤：

步骤1、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2、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3、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4、在XGBoost模型中输入样本测试集进行分类，得到事件分类结果。

进一步，所述步骤1的具体步骤如下：

步骤11、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12、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。

进一步，所述步骤2的具体步骤为：

步骤21、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(Intrinsic Mode Functions,IMF)的能量熵；

步骤22、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；