[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

说明书

本发明公开了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，包括以下步骤：在栅栏上和栅栏埋地处各铺设一根光栅阵列光缆，每根上包括中心波长不同的多个测区；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；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；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。

技术领域

本发明涉及周界安防技术领域，尤其涉及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。

背景技术

周界安防技术作为维护人类生命和财产安全的重要技术手段之一，随着科学技术的迅速发展，探索扩展周界安防监测技术显得尤为重要。其中，光纤光栅传感技术作为一种新型监测技术，由于自身具有抗电磁干扰，测量精度高、响应速度快、定位准等突出优点在周界安防中有广泛的应用。其中，光栅阵列是一种新型的光纤光栅传感技术，在拥有光栅光纤传感技术优点的同时具有高空间分辨率和长传感距离的特性，对于周界安防领域有良好的应用前景。

由于周界往往处于复杂的环境，导致光纤感应的振动信号错综复杂，为了对振动信号识别进行准确识别以判断异常入侵，通常从信号特征提取以及模式识别两个方面进行研究。由于近些年来机器学习的兴起，对于信号进行模式识别方法研究日趋重要。

现有的入侵事件模式识别方法多采用对扰动采样信号进行时频域处理获得特征向量，然后进行学习分类。这些方法将入侵事件信号特征数据化，重在挖掘特征的数据性，只采用当前信号时间帧特征进行逐帧独立识别来表述事件类别。因此在不同环境中进行应用时，得到的效果无法保证准确性，从而导致方法准确率低，误报率高。

发明内容

本发明主要目的在于提供一种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。

本发明所采用的技术方案是：

提供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，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，进行在线入侵事件识别，得到入侵识别结果。

接上述技术方案，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；