[发明专利]基于混合高斯模型和隐马尔可夫模型的周界入侵识别方法

权利要求书

1.一种基于混合高斯模型和隐马尔可夫模型的周界入侵识别方法，其特征在于，包括以下步骤：

S1、分别在栅栏上和栅栏埋地处各铺设一根光栅阵列光缆，每根光栅阵列光缆上包括多个测区，每个测区的中心波长不同；

S2、实时采集每个测区的振动数据，并根据初始阈值判断测区是否发生异常振动，若是则进入事件识别判断；

S3、根据振动数据分析异常振动影响不同测区所呈现的高斯分布关系，选取该测区所在光栅阵列光缆的时序数据流中与高斯关系相对应的观测序列，对观测序列按时间帧进行处理，并提取处理后的振动数据的时频域混合特征，再进行时频域混合特征归一化，得到特征向量数据；

S4、将特征向量数据输入训练好的高斯-隐马尔可夫混合模型库，进行周界在线入侵事件识别，得到入侵识别结果；

其中，高斯-隐马尔可夫混合模型库的训练过程包括：

利用预先采集的实验数据样本，根据每个实验数据样本分别分析振动影响不同测区所呈现的高斯分布关系，得到与高斯关系相对应的该测区所在光栅阵列光缆的时序数据流生成的多个观测序列，对每一个观测序列按时间帧进行处理，并提取处理后的振动数据时频域混合特征，再进行归一化，得到对应实验数据样本的特征向量数据；

将对应实验数据样本的特征向量数据标记为训练样本和测试样本；

利用混合高斯模型特性将每一个事件所对应的训练样本进行聚类，并拟合估计多种事件各自对应的高斯-隐马尔可夫混合模型GMM-HMM的观测值概率；

将标记的多种事件训练样本分别输入不同的隐马尔可夫HMM模型分别计算出对应事件的隐马尔可夫HMM模型的初始状态概率以及状态转移概率，然后验证模型参数是否符合迭代条件，若是，得到高斯-隐马尔可夫混合模型，否则将计算得出的参数值作为初始值继续训练；

采用测试样本对得到的高斯-隐马尔可夫混合模型进行模型评估，若评估结果符合预期则得到最终的高斯-隐马尔可夫混合模型；

将获取到的最终的几种高斯-隐马尔可夫混合模型存入事件模型库。

2.根据权利要求1所述的基于混合高斯模型和隐马尔可夫模型的周界入侵识别方法，其特征在于，该方法还包括步骤：

S5、分析一定时间范围阈值内的栅栏和埋地光栅阵列的入侵识别结果，如果两者在阈值时间都出现有疑似入侵事件则标记为入侵，系统进行报警，提示人为进行处理；如果两者在阈值时间内只有一个或者没有疑似入侵事件则标记为正常，系统进行预警，但无需人为处理。

3.根据权利要求1所述的基于混合高斯模型和隐马尔可夫模型的周界入侵识别方法，其特征在于，步骤S3中，具体对观测序列按固定数据集长度进行分割，求数据集7维特征并进行均一化得到特征向量数据，7维特征具体包括重心频率、主频率、均方频率、过零率、峭度、脉冲因子、方差。

4.根据权利要求1所述的基于混合高斯模型和隐马尔可夫模型的周界入侵识别方法，其特征在于，光栅阵列光缆上每5米为一个测区，振动数据采集频率为1000HZ。

5.根据权利要求1所述的基于混合高斯模型和隐马尔可夫模型的周界入侵识别方法，其特征在于，入侵识别结果包括埋地扰动和栅栏扰动，其中埋地扰动包括：人为行走、大货车经过；栅栏扰动包括：人为攀爬栅栏，人为敲打栅栏，风吹栅栏。

6.根据权利要求1所述的基于混合高斯模型和隐马尔可夫模型的周界入侵识别方法，其特征在于，步骤S2中采集每个测区的振动数据是对t时间内产生的数据进行预处理，并打包成一个T*L的数据包存放在缓冲区，其中T为短时间内单个测区产生的数据量，L为沿线的测区数量。

7.根据权利要求6所述的基于混合高斯模型和隐马尔可夫模型的周界入侵识别方法，其特征在于，预处理采用差分去噪法对采集的振动数据进行去噪，排除测区自身偏振的影响。