基于EMD-AWPP和HOSA-SVM算法的分布式光纖振動入侵信號的特征提取與識別

張燕君，劉文哲，付興虎*，畢衛(wèi)紅

1. 燕山大學(xué)信息科學(xué)與工程學(xué)院，河北 秦皇島 066004 2. 河北省特種光纖與光纖傳感重點(diǎn)實(shí)驗(yàn)室，河北 秦皇島 066004

基于EMD-AWPP和HOSA-SVM算法的分布式光纖振動入侵信號的特征提取與識別

張燕君1, 2，劉文哲1，付興虎1, 2*，畢衛(wèi)紅1, 2

1. 燕山大學(xué)信息科學(xué)與工程學(xué)院，河北 秦皇島 066004 2. 河北省特種光纖與光纖傳感重點(diǎn)實(shí)驗(yàn)室，河北 秦皇島 066004

針對傳統(tǒng)的信號處理方法無法有效區(qū)分不同振動入侵信號，提出一種基于EMD-AWPP和HOSA-SVM算法的振動信息特征提取與識別方法，用于解決分布式光纖振動入侵檢測系統(tǒng)的高精度信號識別問題。處理不同振動類型時，該方法首先利用基于經(jīng)驗(yàn)?zāi)B(tài)分解的自適應(yīng)小波包處理算法，不僅對信號的低頻部分進(jìn)行了分解，而且對高頻部分即信號的細(xì)節(jié)部分也進(jìn)行了更好的時頻局部化處理，改善了信號特征提取精度，減少傳感信號異常值的影響； 其次采用高階譜分析中的雙譜和雙相干譜，精確提取包含不同振動入侵信號類型的特征矢量； 最后在BPNN參比模型的基礎(chǔ)上，用粒子群算法優(yōu)化SVM的識別參數(shù)，使識別模型具有更強(qiáng)的自適應(yīng)和自學(xué)習(xí)能力，克服了神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)的不足之處，實(shí)現(xiàn)不同振動入侵信號的特征矢量識別。分析結(jié)果表明，針對不同類型的入侵源識別，該方法可以有效剔除隨機(jī)噪聲的影響，提取傳感信息的特征矢量，降低異常值的影響，算法的預(yù)測類別與輸出類別幾乎一致，振動識別的精確率達(dá)到95%以上，識別效果明顯強(qiáng)于BPNN網(wǎng)絡(luò)的檢測算法，提高了信息分析的準(zhǔn)確性。

分布式光纖傳感； 經(jīng)驗(yàn)?zāi)B(tài)分解； 自適應(yīng)小波包； 高階譜分析

引 言

近年來，分布式光纖振動入侵檢測以其測量精度高、傳感距離長、空間分辨率高等特點(diǎn)，在周界安防、管道運(yùn)輸和橋梁建筑等領(lǐng)域的識別檢測、安全報警方面，能夠精確識別出不同的振動入侵，且隱蔽性較強(qiáng)，克服了傳統(tǒng)電子安全監(jiān)測只有單一報警、缺乏危害識別的缺點(diǎn)[1-2]。而分布式光纖振動檢測的關(guān)鍵是在噪聲干擾的情況下能夠精確的區(qū)分不同的振動入侵事件。因此，相應(yīng)的光纖傳感振動入侵信號的高精度信息提取與識別方法逐漸成為研究熱點(diǎn)[3]。

在國外，Min等利用倒頻譜平均消去法和非線性規(guī)模濾波法在頻域上對入侵信號進(jìn)行了特征提取，準(zhǔn)確識別出了天然氣管道上的異常事件； Seeddahmed等[4]提出了一種基于Level Crossings和神經(jīng)網(wǎng)絡(luò)算法的信號提取與分類方法，識別出了傳感路徑上的大降雨事件。在國內(nèi)，饒云江等[5]利用小波分析法對信號進(jìn)行去噪，并基于信號的邊緣、峰值和功率譜對信號進(jìn)行了特征提取； 喻驍芒等[6]提出了一種基于頻帶能量的特征提取方法，并通過反向傳播神經(jīng)網(wǎng)絡(luò)識別出了常見的越境信號。然而，對于振動入侵傳感信號，小波分析等方法存在信號本質(zhì)特征的模糊提取和線性穩(wěn)態(tài)缺陷的不足之處，信號的峰值、功率譜和頻帶能量等特征提取也會淹沒在較強(qiáng)的高斯噪聲環(huán)境中。

本研究提出了一種新的分布式光纖傳感振動入侵信號特征提取與識別方法。該算法首先利用經(jīng)驗(yàn)?zāi)B(tài)分解并結(jié)合自適應(yīng)小波包(empirical mode decomposition with adaptive wavelet packet processing, EMD-AWPP)對信號進(jìn)行異常值處理，降低噪聲影響； 然后采用高階譜分析(higher order spectral analysis, HOSA)對信號進(jìn)行特征提??； 最后分別使用了粒子群優(yōu)化后的支持向量機(jī)(support vector machine, SVM)和反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network, BPNN)進(jìn)行信號分類。結(jié)果表明，該方法可較好的提取振動入侵傳感信號的信號特征，采用支持向量機(jī)進(jìn)行振動入侵識別的精確率較神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的泛化能力。

1 基本原理

1.1 EMD-AWPP信號降噪原理

單模光纖中的傳感信號非常微弱，加之伴隨著光纖傳感距離的增加，光纖鏈路遠(yuǎn)端發(fā)出的散射光信號經(jīng)常會被噪聲所淹沒，變得難以檢測。同時，振動信號通常具有頻帶范圍寬和非線性、非平穩(wěn)等特性。對于此類信號，短時傅里葉變換、小波變換等方法都存在信號分析的不適應(yīng)、線性穩(wěn)態(tài)缺陷和信號本質(zhì)特征模糊提取等缺點(diǎn)。因此，提出了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解的自適應(yīng)小波包去噪方法。

經(jīng)驗(yàn)?zāi)B(tài)分解方法[7]根據(jù)信號的局部時變特性進(jìn)行自適應(yīng)處理，將信號分成不同的固有模態(tài)函數(shù)(intrinsic mode function，IMF)，IMF分量必須滿足兩個條件： 首先，分量的極值點(diǎn)個數(shù)和過零點(diǎn)個數(shù)最多相差一個或相同； 其次，分量的上下包絡(luò)線關(guān)于時間軸局部對稱。而相應(yīng)的IMF分量可依據(jù)以下方法進(jìn)行分解[8]。

(1) 確定信號的局部極值點(diǎn)，采用三次樣條函數(shù)求得上下包絡(luò)線m1(t)和m2(t)的均值。

λ1(t)=[m1(t)+m2(t)]/2

(1)

(2) 將信號x(t)減去上下包絡(luò)線均值λ1(t)得y1(t)=x(t)-λ1(t)。

(3) 判定y1(t)是否滿足IMF條件。如果不滿足，則將y1(t)視為新的x(t)，重復(fù)上述步驟(1)和(2)，直到滿足條件。

(4) 此時，可得到第一個IMF分量為c1(t)=y1(t)，余項(xiàng)為

r1(t)=x(t)-c1(t)

(2)

將r1(t)作為原始數(shù)據(jù)，進(jìn)行同樣的分解，依次得到IMF分量為c1(t)，c2(t)，…，直到ri(t)很小或成為一個單調(diào)函數(shù)時結(jié)束。因此，原信號可表示為

(3)

式中，余項(xiàng)rn(t)代表信號的平均趨勢，IMF分量分別包含了信號從低到高的不同頻段成分，且都是穩(wěn)定的。

對于不同IMF分量采用自適應(yīng)閾值的小波包算法進(jìn)行處理[9]： 首先依據(jù)最小熵對信號進(jìn)行分解，然后通過閾值函數(shù)對分解的高低頻系數(shù)進(jìn)行處理，最后對得到的估計小波包系數(shù)進(jìn)行重構(gòu)得到近似函數(shù)。常用的閾值函數(shù)包含軟閾值和硬閾值[10]。然而硬閾值函數(shù)在閾值處不連續(xù)，導(dǎo)致重構(gòu)信號振蕩； 軟閾值雖然連續(xù)性較好，可閾值前后小波包系數(shù)存在偏差，導(dǎo)致重構(gòu)信號的邊緣模糊，影響重構(gòu)信號和真實(shí)信號的逼近程度。因此，在EMD分解的基礎(chǔ)上，選擇了一種自適應(yīng)處理方法，如式(4)所示[11]。

(4)

Fig.1 The Class one signal processing

Fig.2 The Class two signal processing

由圖1和圖2可得，自適應(yīng)小波閾值去噪后的第一類和第二類信號雖能夠較好地保留信號信息，但信號的細(xì)節(jié)部分較為粗糙； 而基于EMD分解的自適應(yīng)小波包去噪方法不僅對信號的低頻部分進(jìn)行了分解，而且對高頻部分即信號的細(xì)節(jié)部分也進(jìn)行了更好的時頻局部化處理，改善了信號特征提取精度。

1.2 HOSA-SVM信號識別原理

振動入侵檢測的光纖傳感信號是一種比較特殊的微弱信號，采用時頻分析和濾波為主的信號特征分析方法容易丟失高階的有用信息，很難達(dá)到令人滿意的特征分析結(jié)果。因此，采用高階譜分析方法對去噪后的傳感信號進(jìn)行信息提取。高階譜分析[12]從較高的階次上反映了不同的振動信號，并且理論上高階譜完全能抑制高斯噪聲，具有很強(qiáng)的消噪能力。

在高階譜分析中，雙譜包含了高階譜的所有特性[13-14]，如雙周期性、對稱性等，并且雙譜分析對高斯噪聲不敏感，提高了傳感系統(tǒng)測得的振動信號非線性特征提取的精確度。

在計算雙譜估計的過程中，通過加窗函數(shù)對檢測數(shù)據(jù)進(jìn)行平滑處理，降低了估計誤差。在傳感信號處理中也可使用三階累積量譜中的雙相干譜進(jìn)行信息提取，而雙相干譜[15]可通過雙譜歸一化得到，

(5)

式中，B(w1,w2)為系統(tǒng)信號的雙譜，P(w1)，P(w2)，P(w1+w2)分別為x(n)的功率譜在w1，w2，w1+w2處的值。相對于表示兩個頻率的能量譜的雙譜，雙相干譜的物理意義在于，體現(xiàn)了頻率w1和w2相位耦合產(chǎn)生的能量在w1+w2處總能量中所占的比例。雙相干譜函數(shù)的平方值b2在0和1之間，客觀上描述了二次耦合的程度。若為0，即不存在相位耦合； 若為1，則w1+w2處的能量完全源于w1和w2的相位耦合。

基于上述特征提取后的結(jié)果，采用粒子群算法優(yōu)化后的支持向量機(jī)對振動入侵信號進(jìn)行分類識別，其中SVM通過選擇某種非線性映射Γ將原空間中的輸入量X映射到高維特征空間[16]，即

f(X)=wT×Γ(X)+b

(6)

式中，w為超平面權(quán)值問題，b為偏置項(xiàng)。在高維空間中，根據(jù)結(jié)構(gòu)風(fēng)險的最小化原則，構(gòu)造最優(yōu)決策函數(shù)，以克服神經(jīng)網(wǎng)絡(luò)容易陷入局部最小的缺陷[17-18]。

在SVM模型中，徑向基函數(shù)是較常用的核函數(shù)，此時支持向量機(jī)的識別性能的準(zhǔn)確率與懲罰因子c和相應(yīng)的核函數(shù)參數(shù)g有關(guān)?；谏鲜龇治?，采用搜索能力較強(qiáng)的粒子群優(yōu)化算法進(jìn)行SVM參數(shù)選擇。

粒子群算法(particle swarm optimization，PSO)是一種模擬鳥類捕食行為的仿生算法，它不斷更新優(yōu)化初始群體中的兩個參數(shù)——個體最優(yōu)解和群體最優(yōu)解，以此得到整個空間的最優(yōu)解[19]。粒子群中每個粒子對個體最優(yōu)解Pbest和群體最優(yōu)解Gbest的速度和位置按式(7)和式(8)不斷的進(jìn)行動態(tài)的調(diào)整和更新。

vij(t+1)=vij+c1r1(Pbesti(t)-xij(t))+

c2r2[Gbesti(t)-xij(t)]

(7)

xij(t+1)=xij(t)+vij(t+1)

(8)

式中，c1和c2為加速度常數(shù)(學(xué)習(xí)速率)；r1和r2為均勻分布的隨機(jī)數(shù)；vij為第i個粒子第j個參數(shù)的當(dāng)前速度；xij為第i個粒子第j個參數(shù)的當(dāng)前位置。因此，基于粒子群參數(shù)優(yōu)化SVM的振動識別過程如圖3所示。

Fig.3 The detection process of SVM based on PSO algorithm

2 結(jié)果與討論

為了驗(yàn)證所提出的分布式光纖傳感振動入侵檢測方法的有效性，設(shè)傳感光纖在某一位置處分別受到了3種振動信號的影響。首先對振動入侵源進(jìn)行分析，劃分風(fēng)險類別，然后通過EMD-AWPP和HOSA-SVM方法對獲取的不同類型的訓(xùn)練樣本和測試信號進(jìn)行仿真識別。在不同振動入侵條件下，所采集到的第一類信號及其功率譜圖、雙相干譜圖如圖4和圖5所示。

由圖4和圖5可得，在環(huán)境噪聲很強(qiáng)，即低信噪比的情況下，功率譜反映不出第一類信號的有用信息，而不受非線性高斯噪聲和加性高斯噪聲影響的雙相干譜分析可以準(zhǔn)確地提取信息特征，明顯提高了微弱信號的檢測效果。此外，雙譜分析在檢測微弱信號也比傳統(tǒng)的功率譜分析效果較好。下面對于經(jīng)EMD-AWPP處理后的三種振動入侵信號分別進(jìn)行雙譜和雙相干譜分析，雙譜分析的二維結(jié)果如圖6所示，雙相干譜分析的三維結(jié)果如圖7所示。

Fig.4 Low signal-noise ratio signal and its power spectrum

Fig.5 The bicoherence spectrum of low signal-noise ratio signal

Fig.6 The bispectrum of different signal

Fig.7 The bicoherence spectrum of different signal

由圖6和圖7可知，三種入侵源的分析結(jié)果存在著較為明顯的差別。圖6雙譜分析的二維結(jié)果表明，第一類振動傳感信號的非線性相位耦合現(xiàn)象主要集中在基頻附近，表明在出現(xiàn)第一類振動前后，基帶信號中的諧波成分沒有出現(xiàn)變化，其他頻率處趨于高斯特性，而第二、三類信號的非線性相位耦合逐漸體現(xiàn)在諧波成分上，且范圍具有差異。圖7雙相干譜分析的三維結(jié)果表明，第一類信號只有一個波形極值點(diǎn)，即信號只在基頻w1和w2處產(chǎn)生非線性相位耦合，且其能量占信號在w1+w2處總能量的比例較大，而第二、三類信號在若干頻率分量處發(fā)生不同程度的相位耦合現(xiàn)象，峰值頻率范圍逐漸增大，非線性增強(qiáng)。通過高階譜分析提取出來的三類信號的信息特征彼此也存在較大的區(qū)別，即利用雙譜和雙相干譜分析可以很有效的提取出不同信號的特征信息，利于傳感信號的信息識別。

在每個振動源下各采集15組傳感信號進(jìn)行分析，提取10組經(jīng)高階譜分析后的幅值矢量作為信號特征量，分別用矢量(-1, 0, 1)的元素表示第一類、第二類和第三類的輸出類型矢量，另外5組數(shù)據(jù)作為測試樣本。

構(gòu)建識別模型時，首先采用粒子群算法對SVM參數(shù)進(jìn)行優(yōu)化，其中PSO的粒子的種群數(shù)為25，最大迭代次數(shù)為200，學(xué)習(xí)因子分別為1.5和1.7。通過訓(xùn)練樣本數(shù)據(jù)，得到識別模型中粒子的平均適應(yīng)度和最佳適應(yīng)度如圖8所示，

Fig.8 The fitness curve of Particle Swarm

雖然PSO參數(shù)尋優(yōu)過程中利用了隨機(jī)函數(shù)，致使訓(xùn)練測試得到的SVM參數(shù)略有不同，但其并不嚴(yán)重影響SVM對測量的正確識別。同時，采用反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network, BPNN)作為優(yōu)化后的SVM識別的參比模型，其對比結(jié)果如圖9所示。

Fig.9 The result of testing recognition

由圖9可以看出，針對不同類型的入侵源識別，采用SVM檢測算法的預(yù)測類別與輸出類別幾乎一致，振動識別的精確率達(dá)到95%以上，識別效果明顯強(qiáng)于BPNN網(wǎng)絡(luò)的檢測算法，并且SVM克服了神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)的不足之處，更適用于振動入侵信號高識別率的要求。

3 結(jié) 論

以光纖為媒介對周圍活動目標(biāo)進(jìn)行識別檢測是基于分布式光纖傳感的振動入侵檢測系統(tǒng)的主要特點(diǎn)。該系統(tǒng)的傳感信號為非平穩(wěn)信號，采用傳統(tǒng)的信號處理方法如小波分析和功率譜分析均不能有效區(qū)分不同振動入侵信號，且易淹沒在噪聲環(huán)境中。而本工作提出的基于EMD-AWPP和HOSA-SVM的振動信息的提取與識別方法，可很好地解決非平穩(wěn)信號處理方法的不足。結(jié)果表明，該算法通過EMD自適應(yīng)小波包算法解決了傳統(tǒng)信號去噪精確度低的問題，而且使用高階譜分析算法準(zhǔn)確地提取出了包含傳感信息的特征矢量，并在BPNN參比模型的基礎(chǔ)上，用粒子群算法優(yōu)化SVM的識別參數(shù)，使識別模型具有更強(qiáng)的自適應(yīng)和自學(xué)習(xí)能力。因此，本算法可有效剔除隨機(jī)噪聲的影響，提取傳感信息的特征矢量，同時高精確識別不同類型的振動入侵信號，提高了信息分析的準(zhǔn)確性。

[1] Wu Huijuan, Rao Yunjiang, Tang Cheng, et al. Sensors and Actuators A: Physical, 2011, 167(2): 548.

[2] Zhou Zhengxian, Zhuang Songlin. Optics Communications, 2014, 33: 1.

[3] Wei Pu, Shan Xuekang, Sun Xiaohan. Optical Fiber Technology, 2013, 19(1): 47.

[4] Mahmoud S S, Visagathilagar Y, Katsifolis J. Photonic Sensors, 2012, 2(3): 225.

[5] RAO Yun-jiang, WU Min, RAN Zeng-ling, et al(饒云江，吳 敏，冉曾令，等). Chinese Journal of Sensors and Actuators(傳感技術(shù)學(xué)報), 2007, 20(5): 45.

[6] YU Xiao-mang, LUO Guang-ming, ZHU Zhen-min, et al(喻驍芒，羅光明，朱珍民，等). Opto-Electronic Engineering(光電工程), 2014, 41(1): 36.

[7] Marco Leo, David Looney, Tiziana D’Orazio et al. IEEE Transactions on Instrumentation and Measurement，2012, 61(1): 221.

[8] David Looney, Danilo P. IEEE Transactions on Signal Processing. 2009, 57(4): 1626.

[9] Shao Renping, Hu Wentao, Wang Yayun，et al. Measurement, 2014, 54: 118.

[10] Hu Qiao, He Zhengjia, Zhang Zhousuo et al. Mechanical Systems and Signal Processing, 2007, 21: 688.

[11] LIU Heng-bing, HAN Shi-qin, LIU Jing(劉恒冰，韓世勤，劉 晶). Computer Engineering and Applications(計算機(jī)工程與應(yīng)用), 2007, 43(24): 72.

[12] Jia Xiaoning, Yang Hang, Ma Siliang，et al. Optics and Lasers in Engineering, 2014, 57: 28.

[13] Kuang Chua Chuaa, Vinod Chandran, U Rajendra Acharyaa，et al. Medical Engineering & Physics, 2010, 32: 679.

[14] Liang B, Iwnicki S D, Zhao Y. Mechanical Systems and Signal Processing, 2013, 39: 342.

[15] QIU Su, JIN Wei-qi, SONG Zheng(裘 溯，金偉其，宋 錚). Optical Technique(光學(xué)技術(shù)), 2011, 37(3): 351.

[16] Helena G Ramos, Tiago Rocha, Jakub Král，et al. Measurement, 2014, 54: 201.

[17] Cheng Weifei, Guang Chenbai. Mechanical Systems and Signal Processing，2014, 49: 196.

[18] Sun Jiedi, Xiao Qiyang, Wenb Jiangtao，et al. Measurement, 2014, 55: 434.

[19] Behrang M A, Assareh E, Noghrehabadi A R，et al. Energy, 2011, 36: 3036.

*Corresponding author

An Extraction and Recognition Method of the Distributed Optical Fiber Vibration Signal Based on EMD-AWPP and HOSA-SVM Algorithm

ZHANG Yan-jun1, 2, LIU Wen-zhe1, FU Xing-hu1, 2*, BI Wei-hong1, 2

1. School of Information Science and Engineering, Yanshan University, Qinhuangdao 066004, China 2. The Key Laboratory for Special Fiber and Fiber Sensor of Hebei Province, Qinhuangdao 066004, China

Given that the traditional signal processing methods can not effectively distinguish the different vibration intrusion signal, a feature extraction and recognition method of the vibration information is proposed based on EMD-AWPP and HOSA-SVM, using for high precision signal recognition of distributed fiber optic intrusion detection system. When dealing with different types of vibration, the method firstly utilizes the adaptive wavelet processing algorithm based on empirical mode decomposition effect to reduce the abnormal value influence of sensing signal and improve the accuracy of signal feature extraction. Not only the low frequency part of the signal is decomposed, but also the high frequency part the details of the signal disposed better by time-frequency localization process. Secondly, it uses the bispectrum and bicoherence spectrum to accurately extract the feature vector which contains different types of intrusion vibration. Finally, based on the BPNN reference model, the recognition parameters of SVM after the implementation of the particle swarm optimization can distinguish signals of different intrusion vibration, which endows the identification model stronger adaptive and self-learning ability. It overcomes the shortcomings, such as easy to fall into local optimum. The simulation experiment results showed that this new method can effectively extract the feature vector of sensing information, eliminate the influence of random noise and reduce the effects of outliers for different types of invasion source. The predicted category identifies with the output category and the accurate rate of vibration identification can reach above 95%. So it is better than BPNN recognition algorithm and improves the accuracy of the information analysis effectively.

Distributed optical fiber sensing; Empirical mode decomposition; Adaptive wavelet packet; Higher order spectral analysis

Nov. 25, 2014; accepted Mar. 21, 2015)

2014-11-25，

2015-03-21

國家自然科學(xué)基金項(xiàng)目(61205068)，中國博士后科學(xué)基金項(xiàng)目(2013M541200)，河北省自然科學(xué)基金項(xiàng)目(F2014203125)，燕山大學(xué)“新銳工程”人才支持計劃項(xiàng)目資助

張燕君，女，1973年生，燕山大學(xué)信息科學(xué)與工程學(xué)院教授 e-mail： yjzhang@ysu.edu.cn *通訊聯(lián)系人 e-mail: fuxinghu@ysu.edu.cn

TN247

A

10.3964/j.issn.1000-0593(2016)02-0577-06