基于綜合特征的光纖周界安防系統(tǒng)高效入侵事件識別?

黃翔東 張皓杰 劉琨 馬春宇 劉鐵根

1)(天津大學(xué)電氣自動化與信息工程學(xué)院,天津 300072)

2)(天津大學(xué)精密儀器與光電子工程學(xué)院,天津 300072)

基于綜合特征的光纖周界安防系統(tǒng)高效入侵事件識別?

黃翔東1)張皓杰1)劉琨2)?馬春宇2)劉鐵根2)

1)(天津大學(xué)電氣自動化與信息工程學(xué)院,天津 300072)

2)(天津大學(xué)精密儀器與光電子工程學(xué)院,天津 300072)

(2016年12月24日收到;2017年3月29日收到修改稿)

在光纖周界安防系統(tǒng)中,急需對入侵事件實現(xiàn)準(zhǔn)確而高效的識別,對事件特征做簡練而恰當(dāng)?shù)拿枋鍪瞧潢P(guān)鍵所在.本文提出一種基于綜合特征的入侵事件識別方法,該方法引入全相位濾波器組將輸入信號并行分解為多個頻率通道,以提取這些通道的歸一化功率值;進(jìn)而與信號過零率相結(jié)合,構(gòu)成包含時域信息、頻域信息的綜合特征向量;最后將該特征向量饋入徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)即可準(zhǔn)確識別出攀爬、敲擊、晃動、剪切四種常見的入侵動作.實驗證明,本文方法相比于現(xiàn)有的經(jīng)驗?zāi)B(tài)分解方法,不僅提高了精度,而且顯著加快了識別速度.

光纖周界安防,入侵事件識別,綜合特征,濾波器組

1 引 言

光纖周界安防系統(tǒng)[1?3]利用光纖傳感元件對壓力及振動十分敏感的特點,非常適合于對直接觸及或間接傳遞給光纖的各類擾動進(jìn)行檢測.相比于傳統(tǒng)的周界安防系統(tǒng)(如紅外線安防系統(tǒng)[4]、電子圍欄安防系統(tǒng)[5]),光纖周界安防系統(tǒng)靈敏度更高,因而更具有實用價值.在各類光纖周界安防系統(tǒng)中,雙馬赫-曾德爾干涉儀(dual Mach-Zehnder interferometer,DMZI)分布式光纖傳感系統(tǒng)[6,7]采用相位調(diào)制型光纖傳感技術(shù),具有高靈敏度和響應(yīng)速度快等優(yōu)點,已經(jīng)廣泛應(yīng)用于海底電纜安防[8]、機(jī)場安防[9]、邊界安防[10,11]等各類安防領(lǐng)域.在這些安防應(yīng)用中,急需解決高效、精確地識別入侵事件的問題,該問題的解決關(guān)鍵在于信號處理算法的設(shè)計.具體而言,就是在完成入侵振動信號端點檢測[12]的基礎(chǔ)上,進(jìn)一步設(shè)計簡練、恰當(dāng)?shù)娜肭中盘柼卣髅枋龇椒?并結(jié)合相應(yīng)的模式分類措施,有效識別出各類入侵動作.

光纖擾動信號是非穩(wěn)定信號,該信號的特征提取方式一般有小波分解法[13]、電平檢測法[14]和經(jīng)驗?zāi)B(tài)分解(empirical mode decomposition,EMD)法[15]等,然而這些特征提取方法難以兼顧高效率和高精度.例如,文獻(xiàn)[13]提出的小波識別法雖然其特征向量可通過多級分解得到的不同頻帶的能量來表征[16],但是其計算量會隨小波分解層數(shù)的增加而變大,另外,該特征向量僅考慮了頻域特征,缺少足夠豐富的時域信息,故識別準(zhǔn)確率較低,僅能識別3類入侵事件;文獻(xiàn)[14]提出的電平檢測法首先需要確定高于某電平閾值的波形區(qū)域,進(jìn)一步依據(jù)該區(qū)域各種時域包絡(luò)特征(如區(qū)域?qū)挾取⑸仙甭?、下降斜率、最高點幅值等)識別各類侵犯動作,這類方法雖然復(fù)雜度降低,但因僅考慮了信號的時域特征,缺少足夠豐富的頻域特征,故識別精度仍不高;而文獻(xiàn)[15]提出的EMD方法需逐個求取分解過程中的固有模態(tài)函數(shù)(intrinsicmode function,IMF)的峭度值,對這些峭度值組合得到的特征向量進(jìn)行分類,即可高精度地識別4類常見動作,然而這些IMF需經(jīng)歷多次復(fù)雜的迭代才能獲得,故識別效率不高而影響了其實用性.

為解決以上方法難以兼顧識別效率和識別精度的矛盾,本文提出一種基于綜合特征的入侵模式識別方法.該方法首先對輸入的擾動信號進(jìn)行端點檢測,判斷擾動起始點;然后將確定擾動起始點的信號饋入全相位濾波器組[17?19]的各個通道進(jìn)行頻域分離處理,并計算各通道輸出信號的歸一化功率值,再綜合整段擾動信號的時域過零率(zerocrossing rate,ZCR)便可生成特征向量;最后,將綜合特征向量饋入徑向基函數(shù)(radial basis function,RBF)神經(jīng)網(wǎng)絡(luò)[20,21]即可實現(xiàn)侵犯動作識別.由于基于全相位濾波器的特征提取以并行流水線的方式進(jìn)行,避開了小波多級分解和EMD多次迭代的方式,故其工作效率高;由于其特征向量蘊含了頻域信息(各頻帶功率值)和時域信息(ZCR),對侵犯動作描述得更全面,故可實現(xiàn)高精度識別.實驗表明,本文方法能夠快速有效區(qū)分4類入侵事件,平均識別準(zhǔn)確率接近90%,特征提取效率相比于EMD方法提高了4倍.

2 DMZI光纖傳感系統(tǒng)及入侵事件識別總體流程

2.1 DMZI光纖傳感系統(tǒng)

DMZI分布式光纖傳感系統(tǒng)的結(jié)構(gòu)如圖1所示.圖1中,P點為擾動點,傳感光纜總長度為L.激光源發(fā)出的光線通過隔離器后,經(jīng)由耦合器C1被平均分為兩束光線,隨后進(jìn)入由耦合器C2和C3組成的DMZI中.兩束光分別按照順時針和逆時針方向沿著傳感光纜傳播,之后進(jìn)入相應(yīng)的對端耦合器(C3,C2)中,并在其中發(fā)生干涉,干涉結(jié)果輸出到探測器PD1和PD2中.探測器將所探測到的光信號轉(zhuǎn)換為電信號,經(jīng)過隔直流處理后由對應(yīng)的高速采集卡(data acquisition,DAQ)采集.根據(jù)不同要求,可以對DAQ設(shè)定不同的采樣率.其中,DAQ1用于端點檢測和入侵事件分類[19],DAQ2用于入侵事件定位.為提高入侵事件的檢測敏感度,兩個DAQ選用的是量化位數(shù)為14 bit的NI系列的采集卡.最后,通過在工業(yè)計算機(jī)(industrial personal computer,IPC)中執(zhí)行特定算法,實現(xiàn)所需要的功能.

圖1 (網(wǎng)刊彩色)DMZI分布式光纖傳感系統(tǒng)原理圖Fig.1. (color online)Schematic diagram of DMZI disturbed optical fi ber sensing system.

2.2 入侵事件識別總體流程

DMZI分布式光纖傳感系統(tǒng)的入侵事件識別通常需經(jīng)歷如圖2所示的流程:首先,通過降噪、高通濾波等數(shù)據(jù)預(yù)處理措施來增強光纖振動信號的質(zhì)量并提取事件發(fā)生的時間端點位置[12,22];其次,運行特征提取算法,將龐大的預(yù)處理后的樣本恰當(dāng)?shù)孛枋龀珊喍叹珶挼奶卣飨蛄?最后,選擇合適的分類器對特征向量做訓(xùn)練及測試,輸出入侵動作的識別結(jié)果.在以上步驟中,特征提取算法是影響入侵動作識別性能的最主要因素.

圖2 入侵事件識別流程圖Fig.2. Data fl ow of intrusion event discrimination.

好的特征提取算法不僅需要具備高的準(zhǔn)確表達(dá)性,而且其處理過程應(yīng)盡量簡單.基于這兩方面的考慮,本文提出如圖3所示的事件識別流程(其特征提取流程如虛框所示),具體流程描述如下.

1)初始化及預(yù)處理:對多組非入侵動作樣本進(jìn)行快速傅里葉分析(fast Fourier transform,FFT)得到空閑環(huán)境的下限截止頻率fe,進(jìn)一步用截止頻率為fe的高通濾波器(high pass fi lter,HPF)檢測出光纖振動信號中與入侵事件對應(yīng)的端點位置(其具體操做詳見文獻(xiàn)[12,22],本文不再做具體介紹);另外,用fe和動作上限截止頻率fu(可事先對常見的入侵振動信號做統(tǒng)計譜分析得到)對Q個子濾波器g0,···,gQ?1的系數(shù)進(jìn)行配置.

圖3 本文所提入侵事件識別方法流程圖Fig.3. Data fl ow of the proposed intrusion discrimination scheme.

2)特征提取:將預(yù)處理后的信號x(n)并行饋入到全相位濾波器組(包含Q個子有限沖擊響應(yīng)(FIR)濾波器g0,···,gQ?1), 計算出其濾波輸出yq(n)(q=0,···,Q?1)的Q個歸一化功率值Eq;另外,直接計算信號x(n)的整體ZCR,將該值與Eq做綜合得到長度為Q+1的綜合特征向量F=[E0,E1,···,EQ?1,ZCR].

3)RBF神經(jīng)網(wǎng)絡(luò)模式識別:將特征提取得到的綜合特征向量以及對應(yīng)標(biāo)簽饋入RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,再將未知種類入侵信號的特征向量饋入該網(wǎng)絡(luò)做測試,并輸出入侵動作的模式識別結(jié)果.

3 綜合特征向量構(gòu)造原理

3.1 構(gòu)造特征向量的考慮

如前所述,特征的提取及描述對于后續(xù)的識別工作具有深遠(yuǎn)的影響.為提高識別的精度與效率,本文方法在構(gòu)造特征向量時做了以下考慮:

1)為保證識別的準(zhǔn)確度,特征向量應(yīng)盡可能完整地描述信號特征;

2)為消除主要位于低頻的環(huán)境噪聲的影響,特征提取應(yīng)在較高頻段進(jìn)行;

3)為提高識別的速度,特征提取的復(fù)雜度盡量低,其提取過程應(yīng)簡單高效;

4)為體現(xiàn)各子通道信號特征的獨立性,其各部分之間的耦合性應(yīng)盡可能小,特征向量長度應(yīng)盡可能短.

從圖3可看出,本文構(gòu)造的特征向量 F=[E0,E1,···,EQ?1,ZCR],其中,E0,E1,···,EQ?1反映了信號各頻段的能量分布,而ZCR則反映了整段信號的時域統(tǒng)計特性,故特征向量F綜合凝練了信號的時、頻域兩方面特征,符合第1個要求;而在特征提取之前,對光纖振動信號做了高通濾波處理,因而消除了環(huán)境干擾,符合第2個要求;從圖3可看出,借助全相位FIR濾波器組,E0,E1,···,EQ?1是對x(n)做并行流水線濾波獲得的,繞開了文獻(xiàn)[15]的EMD處理的反復(fù)迭代求IMF的過程,故計算復(fù)雜度更低,效率更高,符合第3個要求;而第4個要求,由各全相位子濾波器的性能決定,下節(jié)做詳細(xì)分析.

3.2 全相位濾波器組的系數(shù)配置及性能分析

3.2.1 全相位濾波器組的系數(shù)配置

如圖3所示,借助全相位濾波器組,可將輸入信號x(n)并行分解成不同頻率通道的Q個子信號y0(n),···,yQ?1(n), 進(jìn)而方便于從中提取具體特征,作為后續(xù)動作模式識別的依據(jù).全相位濾波器組應(yīng)具備靈活配置的特性,以滿足DMZI系統(tǒng)適應(yīng)于不同環(huán)境的需求.

我們在文獻(xiàn)[18]中指出:全相位設(shè)計法是直接在頻率域進(jìn)行濾波器設(shè)計的方法.文獻(xiàn)[17]指出:全相位FIR濾波器系數(shù)可由下列3個簡單步驟得到.

步驟1對某個長度為N滿足H(k)=H(N?k)的頻率向量H做廣義離散傅里葉逆變換(inverse discrete Fourier transform,IDFT),從而得到向量h=[h(?N+1),···,h(?1),h(0),h(1),···,h(N ? 1)],即

步驟2將某個長度為N的窗f(n),與自身的翻轉(zhuǎn)窗f(?n)進(jìn)行卷積,生成長度為2N?1的雙窗卷積窗wc(n)[18],即

步驟3將h(n)與wc(n)對應(yīng)元素相乘,即得最終的長度為2N?1的濾波器系數(shù)g(n).

以上步驟中,濾波器的通帶范圍是在步驟1中通過改變頻率向量H來實現(xiàn).為獲得Q個通帶位于不同范圍的子濾波器,不妨將其頻率向量Hq(q=0,···,Q?1)的期望通帶的元素值設(shè)置為1,其他元素值設(shè)置為0.頻率向量Hq的格式如下:

(3)式中,e為環(huán)境干擾參數(shù),m為通帶參數(shù).文獻(xiàn)[12]指出,無入侵時DMZI系統(tǒng)的周邊環(huán)境干擾以低頻成分為主(該干擾的截止頻率fe可通過對多組入侵樣本做FFT統(tǒng)計分析得到).顯然,f∈(0,fe)內(nèi)的環(huán)境干擾不應(yīng)作為動作特征,故(3)式的Hq在低頻段設(shè)置了e個0對其進(jìn)行抑制.令DAQ1的采樣速率為fs,則頻率向量Hq的每個元素占據(jù)的模擬帶寬為?f=fs/N,故整數(shù)參數(shù)e應(yīng)配置如下:

其中“[·]”表示四舍五入操作.從而(3)式所對應(yīng)的子濾波器gq的理想通帶范圍為

從(3)和(5)式可看出,每個子濾波器的通帶寬度為m?f,假定常見入侵事件的上限頻率為fu(可提前對多組動作進(jìn)行FFT統(tǒng)計分析得到),則整個濾波器組的通帶帶寬為B=fu?fe,每個子濾波器通帶寬度則為B/Q,故參數(shù)m配置如下：

進(jìn)一步地,把(1)式中的H(k)替換為(3)式的Hq(k),可得到其廣義IDFT的計算結(jié)果hq(n),

最后,根據(jù)步驟3,可得所有Q個全相位子FIR濾波器的系數(shù)為

從以上推導(dǎo)可以看出,只需分別用(4)和(6)式確定環(huán)境干擾參數(shù)e和通帶參數(shù)m,將之代入(7)和(8)式即可直接得到全相位FIR濾波器組的所有系數(shù) g0(n),···,gQ?1(n),即將三步驟全相位濾波器設(shè)計法簡化為代入解析公式一步實現(xiàn),故本文提出的針對DMZI系統(tǒng)的全相位濾波器的參數(shù)配置方法兼顧了高靈活性和高效性.

眾所周知,FIR濾波是前饋的連續(xù)卷積過程,圖3的Q個子濾波器實際上是以并行流水線方式工作,故本文提出的基于全相位濾波器組的特征提取無需任何迭代處理,相比于EMD分解方法,大大提高了工作效率.

3.2.2 全相位濾波器組的性能分析

如前所述,事件識別的準(zhǔn)確度由全相位濾波器的傳輸性能決定.具體而言,對某個子濾波器,在相鄰子濾波器頻帶內(nèi)衰減應(yīng)盡量大,才能降低特征向量各元素之間的耦合;反過來,在事件識別精度一定的情況下,濾波器的帶外衰減越大,所要求的子濾波器數(shù)目就越少,對應(yīng)的特征向量長度就越短.文獻(xiàn)[17]指出,全相位濾波器頻率響應(yīng)的內(nèi)插函數(shù)用卷積窗傅里葉譜替代了傳統(tǒng)的矩形窗傅里葉譜,故可以保證很大的帶外衰減,以下用一具體實例說明該問題.

令頻率向量長度N=256,數(shù)據(jù)采集卡DAQ1的采樣率fs=10 kHz,濾波器組的子濾波器個數(shù)Q=5.借助現(xiàn)場統(tǒng)計分析,推算出環(huán)境干擾的截止頻率fe=250 Hz,一般入侵事件上限頻率fu=3500 Hz,根據(jù)(4)和(6)式可確定濾波器參數(shù)e=6,m=17,窗函數(shù)f(n)選用Hamming窗.根據(jù)(7)和(8)式得到5個子濾波器 g0(n),···,g4(n),相應(yīng)的衰減曲線為20lg|Gq(j2πf)|,q=0,···,4, 如圖4(a)所示;為進(jìn)行比較,給出采用經(jīng)典頻率采樣法得到的衰減曲線20lg|Hq(j2πf)|,q=0,···,4,如圖4(b)所示.

從圖4可看出,采用經(jīng)典頻率采樣法得到的濾波器組傳輸曲線圖在通帶內(nèi)有明顯的波紋,每個子濾波器的第1旁瓣衰減只有?22 dB(對應(yīng)通帶幅值的7.94%);相比之下,本文采用的全相位濾波器組幾乎不存在通帶波紋,每個子濾波器的第1旁瓣衰減接近?70 dB(對應(yīng)通帶幅值的0.0316%),這意味著相比于頻率采樣法,全相位濾波器組的各子濾波器之間的耦合程度大幅度降低;另外,在頻率低于f∈(0,250)Hz的區(qū)域,全相位濾波器組的衰減曲線仍接近?70 dB,這意味著環(huán)境干擾可較徹底地得以消除.全相位濾波器組的這些良好性能保證了后續(xù)動作識別的高準(zhǔn)確性.

圖4 (網(wǎng)刊彩色)(a)本文濾波器組的衰減曲線;(b)經(jīng)典頻率采樣法所得濾波器組的衰減曲線Fig.4. (color online)(a)Attenuation curves of the proposed fi lter bank;(b)attenuation curves of classical frequency sampling method based fi lter bank.

3.3 綜合特征提取

不難理解,全相位濾波器組并行輸出子信號y0(n),···,yQ?1(n)的Q個功率值反映了輸入信號x(n)在各頻段的能量分布,若這些功率值與原整段輸入x(n)的ZCR結(jié)合,即可構(gòu)造出蘊含時、頻域兩方面信息的綜合特征向量.

1)功率:假定輸出樣本長度為L,則全相位濾波器組的第q個輸出信號yq(n)的平均功率?Eq可由下式算出

2)ZCR:ZCR是在時域內(nèi)整體統(tǒng)計的性能指標(biāo),反映的是信號變化快慢程度.ZCR可由下式算出:

其中,“sign”表示取符號操作,由下式算出:

將以上兩種特征進(jìn)行組合,即可構(gòu)造出綜合特征向量F=[E0,E1,···,EQ?1,ZCR], 用于饋入RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行動作模式識別.

4 RBF神經(jīng)網(wǎng)絡(luò)

近年來,人工神經(jīng)網(wǎng)絡(luò)因具有強大的自學(xué)習(xí)能力以及易于硬件實現(xiàn)等優(yōu)點受到廣泛關(guān)注.RBF神經(jīng)網(wǎng)絡(luò)作為一種前饋神經(jīng)網(wǎng)絡(luò),具有學(xué)習(xí)算法收斂速度快的優(yōu)點.本文方法采用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行入侵動作模式識別.

最基本的RBF神經(jīng)網(wǎng)絡(luò)主要由輸入層、單隱層和輸出層三部分組成.輸入層作為特征向量的輸入端,其神經(jīng)元數(shù)目應(yīng)與訓(xùn)練樣本的維數(shù)相同;隱層采用RBF作為神經(jīng)元激活函數(shù),并與輸出層之間以一定的權(quán)值實行全連接;輸出層則是對隱層神經(jīng)元輸出的線性組合,輸出神經(jīng)元數(shù)目由所需要區(qū)分的模式數(shù)目決定.對于DMZI系統(tǒng)的動作識別情況而言,如圖5所示,需饋入(Q+1)維向量F=[E0,E1,···,EQ?1,ZCR],輸出為P 個動作的判決值Z1,···,ZP,這些判決值由下式算出

其中,h為隱層神經(jīng)元數(shù)目,ci和ωi,p分別是第i個隱層神經(jīng)元所對應(yīng)的中心和權(quán)重,ρ(F,ci)為RBF,通常定義為樣本數(shù)據(jù)F到數(shù)據(jù)中心ci之間歐氏距離的單調(diào)減函數(shù),本文選用高斯函數(shù)作為RBF.按照(13)式算出Z1,···,ZP后,取其最大值來判斷入侵動作的類別(一共可識別P種入侵動作).

圖5的RBF網(wǎng)絡(luò)的訓(xùn)練過程如下:對于已知入侵事件類別(假設(shè)為第p種,p=1,···,P)的特征向量,將對應(yīng)輸出ZP標(biāo)記為1,其余標(biāo)記為0,以訓(xùn)練過程中實際ZP值和標(biāo)記值的均方誤差(mean square error,MSE)為向?qū)?對多個用于訓(xùn)練的特征向量做處理,不斷地優(yōu)化隱層的RBF的各參數(shù)(包括平均值c1,···,ch、方差σ1,···,σh) 以及隱層和輸出層之間的權(quán)值ωi,p(i∈[1,h],p∈[1,P]).

圖5 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.5. RBF neural network architecture.

圖5的RBF網(wǎng)絡(luò)的測試過程如下:將未標(biāo)記分類的特征向量饋入訓(xùn)練好的網(wǎng)絡(luò),借助已優(yōu)化后的網(wǎng)絡(luò)參數(shù),算出輸出值Z1,···,ZP,取其最大值來確定當(dāng)前輸入特征向量的所屬分類.

5 實驗結(jié)果與分析

5.1 綜合特征提取

實驗在激光源為1550 nm的分布式反饋激光、光強為3.5 mV的DMZI分布式光纖傳感系統(tǒng)上進(jìn)行.為提高識別精度，將總長度為2.25 km的傳感光纜上下環(huán)繞固定于圍欄上.DAQ1采樣率fs=10 kHz,記錄時間為3 s.對4類常見入侵事件:攀爬圍欄、敲擊光纜、晃動和盜剪進(jìn)行480次數(shù)據(jù)采集,每類入侵事件重復(fù)次數(shù)為120次.

特征向量長度的選取主要出于以下兩方面的考慮:一方面,考慮到要識別P=4類入侵事件,為保證模式識別分類的準(zhǔn)確度,特征向量長度Q+1應(yīng)大于或等于所要識別的事件數(shù)目4;另一方面,因為采用過長的特征向量會使得特征提取的計算復(fù)雜度增加,所以Q值又不宜過大.基于以上考慮,本實驗將全相位子濾波器數(shù)目設(shè)置為Q=3,從而特征向量F長度為4(文獻(xiàn)[15]的特征向量長度為6).

圖6 濾波器組處理結(jié)果 (a)攀爬;(b)敲擊;(c)晃動;(d)剪切Fig.6. The results of fi lter bank based processing:(a)Climbing;(b)knocking;(c)waggling;(d)cutting.

設(shè)定濾波器頻率向量長度N=256,則頻率分辨率?f=fs/N=39.0625 Hz.分別對非入侵樣本以及入侵樣本做FFT統(tǒng)計分析,得到濾波器的截止頻率fe=220 Hz,fu=4000 Hz.因此,全相位濾波器組的通帶寬度為B=fu?fe=3780 Hz,由(4)和(6)式可確定參數(shù)e=6,m=32,由(5)式可估算出子濾波器的通帶范圍分別為f∈[234.375,1484.375]Hz,f∈[1484.375,2734.375]Hz,f∈[2734.375,3984.375]Hz.4類入侵信號以及經(jīng)過全相位濾波器組處理后的各路子信號波形如圖6所示.

從圖6可看出,4類動作的原始信號x(n)波形差別不明顯;經(jīng)過全相位濾波器組處理后,其輸出信號y0(n)—y2(n)呈現(xiàn)出很明顯的差異,這保證了后續(xù)模式識別的準(zhǔn)確度.

依據(jù)(9)—(12)式,可算出綜合特征向量F=[E0,E1,E2,ZCR].為更突出地表達(dá)各類入侵事件特征向量的特征,對每類事件包含的所有樣本的綜合特征向量取平均,得到如圖7所示的平均綜合特征向量.

從圖7可看出,各類事件的綜合特征向量具有明顯區(qū)別:攀爬信號變化最快,具有最大的ZCR;晃動信號的功率值E0最大,E1,E2則遠(yuǎn)小得多,即E0—E2變化最為劇烈;剪切信號E0值高于敲擊信號的E0值,E0—E2的變化更劇烈些,且ZCR最小.

圖7 四種入侵事件的平均特征向量 (a)攀爬;(b)敲擊;(c)晃動;(d)剪切Fig.7. Averaged feature vectors of four intrusions:(a)Climbing;(b)knocking;(c)waggling;(d)cutting.

5.2 模式識別結(jié)果

本實驗采用圖5的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識別,具體參數(shù)設(shè)置如下:最小MSE值預(yù)設(shè)為0.0442289;最大神經(jīng)元數(shù)目h為30.神經(jīng)元數(shù)目將會逐漸增加,直到MSE滿足預(yù)設(shè)要求.將神經(jīng)網(wǎng)絡(luò)的4個輸出Z=[Z1,Z2,Z3,Z4]分別表示攀爬、敲擊、晃動、剪切入侵事件.盡管采用較多的訓(xùn)練樣本會提高識別的精度,但這會增加處理時間,為權(quán)衡以上兩點,本實驗共采集480組數(shù)據(jù),其中,每種入侵信號的訓(xùn)練樣本數(shù)設(shè)為50,測試樣本數(shù)設(shè)為70.表1列出了最終的識別成功率,并與EMD方法進(jìn)行了比較.

表1 兩種方法的模式識別率Table 1.Pattern recognition rates of two methods.

從表1可以看出,本文方法平均識別率為88.5725%,EMD方法的平均識別率為85.75%,故本文方法總體識別精度高于EMD方法.具體而言,本文方法的識別精度最高可達(dá)100%(晃動事件),攀爬事件和剪切事件的識別率均高于EMD方法,敲擊事件的識別率接近于EMD方法.其主要原因在于:1)本文方法采用了綜合特征向量(EMD方法只用了單一的峭度特征向量)對入侵事件做了更全面的描述;2)本文引入了各子通道的耦合程度非常小的全相位濾波器組(EMD方法各次迭代得到的IMF之間耦合仍較大).

從表2可以看出:在特征提取階段,本文方法的提取速度明顯快于EMD方法,處理時間僅約為EMD方法的1/4.其主要原因在于:1)本文方法采用的全相位濾波器組以流水線方式工作,避開了EMD方法的復(fù)雜迭代過程;2)本文方法的特征向量長度僅為4,比EMD方法更短(其長度為6).在模式識別階段,雖然兩種方法都采用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行識別,但同樣因為饋入更短的特征向量的緣故,本文方法的識別時間仍低于EMD方法.

表2 兩種方法的處理時間Table 2.Time cost of two methods.

6 結(jié) 論

本文提出的基于綜合特征向量的DMZI入侵事件識別方法,由于有機(jī)地融合了全相位濾波理論、神經(jīng)網(wǎng)絡(luò)分類技術(shù)、時頻域聯(lián)合特征表達(dá)技術(shù),因而兼顧了高識別精度和高效率.實驗結(jié)果驗證了本文方法相比于現(xiàn)有的EMD方法的這兩大優(yōu)勢.因所采用的傳感光纜長達(dá)2.25 km,可識別范圍達(dá)到近2 km.鑒于光纖周界安防系統(tǒng)對識別精度和效率的突出需求,本文方法具有廣泛的應(yīng)用前景.

[1]Rangaswamy S,van Doorn E 2012 US Patent 8 232 878

[2]Girao P M B S,Postolache O A,Faria J A B,Pereira J M C D 2001 IEEE Sens.J.1 322

[3]Gong H,Song H,Zhang S 2014 IEEE Sens.J.14 777

[4]Yu S Y,Sun S L 2008 Laser&Infrared 34 345(in Chinese)[于勝云,孫勝利 2008激光與紅外 34 345]

[5]Fan Z M 2008 China Security&Protection 3 42(in Chinese)[樊治敏 2008中國安防3 42]

[6]Sun Q Z,Liu D M,Liu H R,He Y,Yuan J G 2006 Proc.SPIE 6344 63440K

[7]Sun Q Z,Liu D M,Liu H R,Shum P 2007 Proc.SPIE 6781 67814D

[8]Xie S R,Zhang M,Lai S R,Liao Y B 2010 Proc.SPIE 7677 76770A

[9]Jiang L H,Yang R Y 2012 J.Comput.7 1453

[10]Juarez J C,Maier E W,Choi K N,Taylor H F 2005 IEEE J.Lightw.Technol.23 2081

[11]Xie S R,Zou Q L,Wang L W,Zhang M,Li Y H,Liao Y B 2011 IEEE J.Lightw.Technol.29 362

[12]Huang X D,Yu J,Liu K,Liu T G,Chen Q N 2014 IEEE Photon.Technol.Lett.26 1956

[13]Liu L,Sun W,Zhou Y,Li Y,Zheng J,Ren B T 2014 Pattern Recognition(Berlin Heidelberg:Springer)pp595–603

[14]Mahmoud S S,Visagathilagar Y,Katsifolis 2012 Photon.Sens.2 225

[15]Liu K,Tian M,Liu T G,Jiang J F,Ding Z Y,Chen Q N,Ma C Y,He C,Hu H F,Zhang X Z 2015 IEEE J.Lightw.Technol.33 4885

[16]Li K Y,Zhao X Q,Sun X H,Wan S R 2015 Acta Phys.Sin.64 054304(in Chinese)[李凱彥,趙興群,孫小菡,萬遂人2015物理學(xué)報64 054304]

[17]Huang X D,Jing S X,Wang Z H,Xu Y,Zheng Y Q 2015 IEEE Trans.Signal Process.64 1173

[18]Wang Z H,Huang X D 2009 All Phase Spectrum Analysis and Filtering Technology of Digital Signal(Beijing:Publishing House of Electronics Industry)pp14–31(in Chinese)[王兆華,黃翔東 2009數(shù)字信號全相位譜分析與濾波技術(shù)(北京:電子工業(yè)出版社)第14—31頁]

[19]Huang X D,Wang Y D,Liu K,Liu T G,Ma C Y,Chen Q N 2016 IEEE Photon.J.8 1

[20]Huan H X,Hien T T H,Tue H H 2011 IEEE Trans.Neural Netw.22 982

[21]Lyons W B,Ewald H,Lewis E 2002 J.Mater.Process.Technol.127 23

[22]Huang X D,Wang Y D,Liu K,Liu T G,Ma C Y,Tian M 2016 IEEE J.Lightw.Technol.34 5049

PACS:42.81.Pa,42.79.Ci,45.70.QjDOI:10.7498/aps.66.124206

High-efficiency intrusion recognition by using synthesized features in optical fi ber perimeter security system?

Huang Xiang-Dong1)Zhang Hao-Jie1)Liu Kun2)?Ma Chun-Yu2)Liu Tie-Gen2)

1)(School of Electrical and Information Engineering,Tianjin University,Tianjin 300072,China)
2)(College of Precision Instrument and Opto-electronics Engineering,Tianjin University,Tianjin 300072,China)

24 December 2016;revised manuscript

29 March 2017)

In an optical fi ber perimeter security system,due to the fact that a large quantity of samples are collected in the process of data acquisition,this heavy data burden inevitably degrades the efficiency and accuracy of intrusion recognition.Hence,it is urgent to remove the redundancy of the collected data records,which essentially requires to describe event features in a concise and proper way.In this paper,we propose a synthesized feature based intrusion recognition method,which is especially suitable to describing the fi ber intrusion vibration signals with both wide bandwidth and high nonstationarity.Firstly,the all-phase fi lter bank characterized by large sidelobe attenuation and high fl exibility of coefficient con fi guration,is employed to parallelly divide the input signal into multiple frequency channels,from which the power values can be accurately calculated.Secondly,the crossing rate of the input signal is combined with these power values to construct a synthetical feature vector,in which both the time-domain information and frequency-domain information are incorporated together.Finally,these synthetical feature vectors are fed into a radial-basis-function network based classi fi er to recognize 4 common intrusions(climbing,knocking,waggling and cutting).Essentially,the high efficiency of our proposed scheme lies in the parallel pipeline mode of the con fi gurable fi lter bank and simple calculation of features,which facilitates speeding up the intrusion recognition.The high accuracy of our proposed scheme lies in two aspects:1)the all-phase fi lter bank possesses small inter-channel interference,which helps to reduce the inter-coupling between output power values;2)the synthesis of both frequency-domain information and time-domain information ensures the completeness of feature description.Experiments show that the sensing range of the proposed scheme can reach 2.25 km.Moreover,compared with the empirical mode decomposition based method,the proposed method not only improves the precision,but also signi fi cantly speeds up the recognition.

optical fi ber perimeter security,intrusion recognition,synthesized features, fi lter bank

10.7498/aps.66.124206

?國家自然科學(xué)基金(批準(zhǔn)號:61671012,61475114)資助的課題.

?通信作者.E-mail:beiyangkl@tju.edu.cn

?2017中國物理學(xué)會Chinese Physical Society

http://wulixb.iphy.ac.cn

*Project supported by the National Natural Science Foundation of China(Grant Nos.61671012,61475114).

?Corresponding author.E-mail:beiyangkl@tju.edu.cn