论文部分内容阅读
基于分布式光纤传感器的周界安防系统是用于周界安防领域的智能检测系统。由于分布式光纤传感器具有精度和灵敏度高、抗电磁干扰特性好以及耐腐蚀特性等优点,可进行长距离检测。在其基础上结合鲁棒性更强的深度学习技术,对环境复杂的周界安防研究具有极大研究价值。本文的目的是提高基于分布式光纤传感器的周界安防系统中扰动信号的识别率,因此提出了一种基于深度学习和特征融合的扰动信号分类检测方法。该方法首先将信号进行时频化表示以突破一维信号的分析局限性,然后将信号进行时频化处理得到的信号时频图和伪彩色动态频谱图作为神经网络的输入进行模型训练,通过本文改进的MobileNet网络训练提取信号的深度特征,将其与传统方法提取的信号时频域特征相结合对光纤扰动信号进行分类检测。本文的主要研究内容及工作情况如下:一、对周界安防系统的重要性、系统构成组件和构成方式以及研究价值进行分析,并介绍了不同分布式光纤传感器的功能特性,对几种不同的光纤传感器特性进行对比。选择瑞利散射型分布式光纤传感器作为本文的基础传感器,并设计了基于该传感器的用于周界监测领域的周界安防系统架构。二、在进行扰动事件检测前,首先对光纤传感器采集到的扰动信号进行小波降噪处理,提出了一种新的小波降噪阈值函数使得降噪效果得到了有效提升。然后通过对降噪后的扰动信号进行时频域的手工特征提取,同时将SVM作为扰动信号分类器进行对比试验。三、对扰动信号进行特征图像提取构建。扰动信号作为一维振动信号仅仅可以通过时域表示,本文通过扰动信号的时频特性进行相应处理以突破信号一维时频域特征提取的局限性。首先对降噪后的信号进行7层小波包分解,计算每个子频带的小波包变换系数对应的能量大小,并绘制信号的时频图。同时采用快速傅立叶变换对原始一维信号进行处理,构建信号的伪彩色动态频谱图并将其作为网络的输入以得到信号的深度特征。四、在MobileNet网络的基础上对其进行改进,将特征图像分别作为Inception-V3网络、Xception网络、MobileNet网络模型以及改进后的MobileNet网络模型的输入,并在小样本条件下训练网络以得到信号的深度特征,最后将深度特征和时频域特征(也就是时域特征以及小波包能量特征)进行融合以对扰动信号进行分类识别实验。五、本文采用五种扰动事件进行相关实验验证。将传统机器学习和深度学习结合特征融合的方法应用于同一数据集进行实验。实验结果表明,将伪彩色动态频谱图作为改进后的MobileNet网络模型的输入,并将网络瓶颈层输出的深度特征与信号时频域特征进行特征融合处理,这样能更有效准确地对扰动信号进行分类检测,该算法平均准确率可以达到99.45%,本文通过对比实验验证了该方法的有效性和可靠性。