周界安防系統(tǒng)的入侵信號分類識別方法研究

吳 國 超

(中石化重慶涪陵頁巖氣勘探開發(fā)有限公司， 重慶 涪陵 408000)

基于光纖傳感技術(shù)的周界安防技術(shù)，近年來得到了快速發(fā)展。光纖傳感具有能抗電磁干擾、易于遠傳等優(yōu)點，可以克服電類傳感器的不足。利用干涉技術(shù)制成的分布式光纖，在周界安防系統(tǒng)中已得到廣泛應(yīng)用。

對入侵事件的識別算法是周界安防系統(tǒng)的核心部分。目前，光纖周界安防系統(tǒng)中常用的信號特征提取方法，是提取入侵信號的時域、頻域特征[1-2]。實踐中，入侵信號源多變，且不同入侵事件的信號之間存在相似的部分，僅提取時域、頻域特征，往往不能完全區(qū)分真實入侵事件和環(huán)境干擾信號。為彌補光纖周界安防系統(tǒng)識別算法的不足，使系統(tǒng)能夠正確區(qū)分真實入侵事件和環(huán)境干擾信號，我們提出了一種基于小波分析與支持向量機的入侵事件分類方法。

1 入侵信號的小波特征提取

分布式光纖傳感器具有較強的魯棒性，能夠在惡劣環(huán)境下長時間工作，且保持性能穩(wěn)定。在周界安防系統(tǒng)中，分布式光纖傳感器的工作原理是：光源發(fā)出的光線通過耦合器C1后分成兩束光，沿著參考光路和測試光路傳播；當(dāng)光纖受外力作用(入侵事件或環(huán)境干擾)而振動時，兩束光的相位發(fā)生改變，產(chǎn)生相位差，在耦合器C2處發(fā)生干涉光；光電元件將干涉光強物理信號轉(zhuǎn)換為電信號，上位機通過采集此電信號而獲取入侵信息(見圖1)。

圖1 分布式光纖傳感器的工作原理

對上位機采集到的電信號進行預(yù)處理，一般是手動將入侵信號從背景信號中截取出來。截取出來的信號都為一個樣本，但每個入侵信號的長度不等，需對光纖信號進行分幀處理。

我們認為，應(yīng)該事先設(shè)置好幀長截取信號，并保證相鄰兩幀信號之間有一定的重疊率(通常幀移的長度為幀長的12～13)，這樣可以避免入侵事件信號丟失。分幀過程如圖2所示，其中，X為原始信號，Xn為分幀后得到的若干條信號。幀數(shù)的計算公式如式(1)。

n=(x-l+w)w

(1)

式中：n為幀數(shù)；x為信號長度；l和w分別為事先設(shè)置好的幀長和幀移。

1.2 小波分析

小波變化常用于提取信號的多分辨率特征。其基本思想是：通過一組由小波基函數(shù)C(t)經(jīng)伸縮和位移構(gòu)成的小波函數(shù)系C(a，τ)來逼近原始信號[3]。這些函數(shù)可定義為：

(2)

式中：a為尺度因子；τ為平移量；C(t)為小波基函數(shù)，t為伸縮因子。

圖2 分幀過程示意

當(dāng)a、τ連續(xù)變換時，小波變換包含的信息是冗余的。為了防止信息丟失并去除冗余信息，可離散小波變換。離散小波基函數(shù)如式(3)。

φj,k(t)=a0-j2φ(a0-j-kb0)

(3)

式中：a0為尺度因子；b0為平移因子；j為a離散化后的對數(shù)坐標；k為b離散化后的倍數(shù)；φ為離散小波函數(shù)。

在分析非平穩(wěn)信號時，為了使小波函數(shù)能夠具有可變的時間和頻率分辨率功能，需要對尺度因子和平移因子的大小進行調(diào)整。當(dāng)a0=2，b0=1，離散小波函數(shù)稱為二進小波基函數(shù)，如式(4)。

φj,k(t)=2-j2φ(a-j-k)

(4)

將信號表示為一個低頻部分和不同頻率下的高頻部分，低頻部分能夠表示信號整體信息，高頻部分能夠表示細節(jié)信息。按多分辨率分析的塔式算法，可得近似系數(shù)aj,k和細節(jié)系數(shù)dj,k。

(5)

由式(5)可以看出，近似系數(shù)和細節(jié)系數(shù)是由上一級近似系數(shù)經(jīng)過濾波器h(低通)和g(高通)得到。塔式算法多級分解框圖如圖3所示。

圖3 塔式算法多級分解框圖

小波重構(gòu)的過程是分解的逆向過程，下一級分解結(jié)果的近似系數(shù)和細節(jié)系數(shù)經(jīng)過h′和g′后進行求和，得到本級的分解近似級數(shù)。計算公式如式(6)，其中，aj′和dj′表示分解得到的系數(shù)，經(jīng)過h′和g′得到上一級近似系數(shù)aj+1。

aj+1,k=aj′*h(k)+dj′*g(k)

(6)

2 支持向量機

基于統(tǒng)計學(xué)習(xí)理論的支持向量機(SVM)已被廣泛應(yīng)用于模式分類問題。按SVM的方法，能夠通過非線性變化將線性不可分的原始特征x映射到高維空間，z=φ(x)，實現(xiàn)線性可分。在這個新空間中構(gòu)造最優(yōu)線性超平面，使兩個類別的分離度最大化[4]。這種映射通?？梢酝ㄟ^核函數(shù)實現(xiàn)。

(7)

式中：W表示最大間距，是關(guān)于拉格朗日乘子α的函數(shù)；n為支持向量的數(shù)目；αi為拉格朗日乘子；y是不同類別的標簽；K為核函數(shù)；C為懲罰因子。

3 入侵信號識別

現(xiàn)場采集得到的實驗數(shù)據(jù)，每組信號長度不同。為了使輸入信號滿足SVM等長的條件，需要根據(jù)1.1中描述的方法，對原始數(shù)據(jù)進行分幀操作。本次實驗設(shè)置的幀長為512，幀移的長度為256。這樣的參數(shù)設(shè)置可保證每一條信號的幀信號有一定的重復(fù)率，不會造成數(shù)據(jù)信息的丟失。分幀完成之后，可得所有信號的樣本矩陣。然后對樣本矩陣的每一幀信號進行小波特征提取，得到其小波域信息。小波特征提取包含了信號的多分辨率信息，能夠?qū)r域信號中的隱藏信息挖掘出來，為分類入侵信號打下基礎(chǔ)。最終將小波處理的數(shù)據(jù)分為測試集和訓(xùn)練集。訓(xùn)練數(shù)據(jù)輸入SVM進行訓(xùn)練，使用測試數(shù)據(jù)對訓(xùn)練好的SVM模型進行測試?；谛〔ǚ治雠c支持向量機(WT-SVM)的入侵信號識別系統(tǒng)框圖如圖4所示。

原始信號經(jīng)過數(shù)據(jù)處理，得到總體樣本。將總體樣本分為訓(xùn)練樣本和測試樣本，數(shù)據(jù)處理包括分幀和小波變換。在訓(xùn)練階段包括訓(xùn)練數(shù)據(jù)不斷輸入SVM模型和檢測模型內(nèi)部參數(shù)的預(yù)測輸出；而反向傳播則根據(jù)正向傳播的效果，不斷更新內(nèi)部參數(shù)，使其達到最優(yōu)。然后SVM模型參數(shù)保留，使用測試數(shù)據(jù)對SVM進行測試。根據(jù)測試集效果對模型的超參數(shù)進行調(diào)節(jié)，例如訓(xùn)練樣本與總體樣本的比例、核函數(shù)的選取。

圖4 WT-SVM入侵信號識別系統(tǒng)框圖

4 算法實驗及結(jié)果分析

4.1 數(shù)據(jù)采集及預(yù)處理

為了驗證上述方法的有效性，以重慶涪陵頁巖氣井場的分布式光纖入侵檢測系統(tǒng)為例，進行了實驗研究。涪陵頁巖氣井場的周界安防系統(tǒng)中，圍欄上安裝有U形分布式振動光纖(見圖5)。實驗中，在圍欄上制造落石、攀爬、擊打3種入侵情況，采集相應(yīng)的入侵信號。

圖5 涪陵頁巖氣井場的周界安防系統(tǒng)現(xiàn)場

采集到的信號中包含背景信號和入侵信號。將入侵信號從背景信號里截取出來，獲得入侵信號樣本。

如圖6所示，每一次導(dǎo)出的數(shù)據(jù)含有大量的背景信號，需要將入侵信號從背景信號中分離出來。圖中虛線為入侵信號的起點和終點。所有信號截取操作完成之后，得到3種入侵信號的樣本數(shù)據(jù)，包括110個落石入侵事件樣本，119個攀爬入侵事件樣本和109個擊打入侵事件樣本。

圖6 入侵信號波形圖和截取波段

支持向量機的模型為本次實驗設(shè)置的分類器。為找出最優(yōu)的支持向量機結(jié)構(gòu)，分別以常見的多項式核函數(shù)(POL)、高斯徑向基核函數(shù)(RBF)和sigmoid函數(shù)(G)進行實驗。實驗結(jié)果顯示，高斯徑向基核函數(shù)的識別率較高。高斯徑向基核函數(shù)能夠較好地構(gòu)造最優(yōu)超平面，將各類入侵事件的特征向量以最大間隔分隔開。高斯徑向基核函數(shù)對應(yīng)的高維特征空間是無限的，因此有限分類問題必然在其特征空間中線性可分。后續(xù)實驗，均采用高斯徑向基核函數(shù)。

4.3 識別效果比較

實驗比較了3種特征提取方法與2種分類器的組合對入侵信號分類的效果。3種特征即信號的時域特征(TD)、頻域特征(DFT)和小波域特征(WT)；2種分類器即支持向量機(SVM)與最近零分類器(NNC)。

（4）在原鐵液S含量較低的情況下，即使是厚大球墨鑄鐵件，也沒必要必須保證較高的殘余Mg含量，對于球墨鑄鐵而言，低S情況下殘余Mg衰退并不嚴重。

從各種入侵信號樣本中，都隨機選取①40%、②60%、③80%作為訓(xùn)練集，樣本的剩余部分作為測試集。每組進行10次實驗，將10次實驗結(jié)果平均后統(tǒng)計識別率，統(tǒng)計數(shù)據(jù)見表1。

表1 對入侵信號的正確識別率 %

從表1可以看出，在訓(xùn)練樣本較少的情況下，難以通過特征提取進行正確識別，分類器算法內(nèi)部的參數(shù)沒有達到最優(yōu)值，算法的優(yōu)勢不能體現(xiàn)，因此所有方法的正確識別率都較低。隨著訓(xùn)練樣本數(shù)量的增加，每種方法的正確識別率都有明顯提升。從分類器角度來看，SVM的分類正確率明顯高于NNC的分類正確率。從提取特征角度來看，無論在哪種情況下，通過提取小波域特征所獲得的正確識別率都是最高的。

4.4 多重指標比較

單從識別正確率來評估模型，不能完全反映算法的優(yōu)越性。下面，對預(yù)測結(jié)果的Precision(準確率)、Recall(召回率)、TPR、F-score、FPR、TNR、FNR等指標進行比較。

根據(jù)上述實驗結(jié)果，從各種入侵信號樣本中隨機選取80%作為訓(xùn)練集，剩余部分作為測試集。在MATLAB編程環(huán)境下進行測試，測試10次，取均值進行比較。最后計算總體正確率(Accuracy)，以此衡量模型對所有入侵信號數(shù)據(jù)的分類能力。

(8)

式中：TPi為對每種入侵信號樣本預(yù)測正確的數(shù)量；m為測試樣本總數(shù)。

測試結(jié)果(見表2)表明，小波分析與支持向量機相結(jié)合的入侵事件分類方法，能夠?qū)θ肭中盘栠M行識別，并且能夠區(qū)分真實入侵信號(攀爬、擊打)和干擾信號(落石)。整體測試樣本的識別正確率達94.2%，對于危險程度較高的入侵事件(攀爬)能夠100%識別。

表2 多重指標比較

5 結(jié) 語

對入侵信號特征的分類識別方法，直接影響到光纖周界安防系統(tǒng)的性能。先將傳感器采集得到的信號進行分幀處理，然后根據(jù)小波變換得到其特征向量，最后利用支持向量機建立分類模型，實現(xiàn)對入侵事件的分類，這種方法可以改善光纖周界安防系統(tǒng)的性能?，F(xiàn)場測試結(jié)果表明，采用基于小波分析與支持向量機的入侵事件分類方法，能夠?qū)θ肭中盘柼卣鬟M行正確識別，對落石、攀爬、擊打3種入侵信號的正確識別率都在90%以上，并且能夠區(qū)分真實入侵信號和環(huán)境干擾信號，可以有效降低系統(tǒng)的虛假報警率。