[发明专利]基于ARMA建模的光纤安防入侵事件识别方法及装置

说明书

本发明公开了一种基于ARMA建模的光纤安防入侵事件识别方法及装置，方法包括：使用ARMA建模拟合光纤信号波形预测出信号的变化趋势，建模之后得到的ARMA系数代表光纤信号的频域特征；采用过零率反映信号变化的时域特征，不同的光纤信号变化强度不同；将频域特征和时域特征输入基于sigmoid函数拟合的向量机进行事件识别，降低了模式识别过程的计算量，通过sigmoid拟合可将SVM的决策值转换为发生概率，从而实现最终的概率输出。装置包括：模数转化器以及DSP器件。

技术领域

本发明涉及数字信号处理技术领域，尤其涉及在DMZI光纤周界安防系统中对入侵事件进行准确而高效的分类。

背景技术

近年来，分布式光纤技术被广泛应用于周界安防领域，因其具有对压力及振动敏感的特点，使得其对于直接或是间接传递给光纤的各类扰动检测精准。光纤周届安防系统^[1][2][3]中，以采用相位调制型光纤传感技术的双马赫-曾德干涉仪(dual Mach-Zehnderinterferometer,DMZI)分布式光纤传感系统^[4][5]为代表，具有高灵敏度和响应速度快等优点，相比于传统的周界安防系统(如红外线安防系统^[6]、电子围栏安防系统^[7])，因此，已经广泛应用于海底电缆安防^[8]、机场安防^[9]、边界安防^[10][11]等各类安防领域。然而随着入侵事件多样化，现有的入侵事件方案的识别精度会降低。客观上，需要研发出既可实现高精度入侵事件识别，又可实现对各类事件发生可能性做全面评估的方案。

提高入侵事件识别精度的关键在于，在完成入侵振动信号端点检测的基础上^[12]，对光纤振动信号做有效的特征描述。现有的光纤扰动信号的特征提取方式一般有小波分解法^[13]、阈值判断法^[14]和经验模态分解法^[15](Empirical Mode Decomposition，EMD)等，然而这些方法最多只能识别4类入侵事件，并且难以兼顾高效率和高精度。例如，文献[13]提出的基于小波分解和支持向量机(support vector machine，SVM)相结合的方法，其特征向量由多级分解得到的不同频带的能量来表征^[16]，正是由于频带严格划分带来的限制使得该方法往往伴随着巨大的计算量，且识别效率较低，文献[14]提出的基于多特征值阈值判断的方法，虽然很好的利用了信号的不同特征，但有限范围的划分使得其仅能识别3类事件(车辆、机器及行人)，而这无法满足对于多类人为事件的识别，而文献[15]提出基于经验模式分解(Empirical Mode Decomposition，EMD)和径向基函数(Radial basis function，RBF)神经网络^[17][18]相结合的方法，该方法对信号进行分解，并计算分解过程中的固有模态函数(Intrinsic Mode Function，IMF)的峭度值构成特征向量，特征的精确描述使得其可高精度地识别4类常见动作，然而该方法必须要经历多次迭代，故计算量过大，识别效率不高。

发明内容

本发明为实现多类入侵事件的高精确识别，提供了一种光纤安防入侵事件识别方法及装置，详见下文描述：

一种基于ARMA建模的光纤安防入侵事件识别方法，所述方法包括以下步骤：

使用ARMA建模拟合光纤信号波形预测出信号的变化趋势，建模之后得到的ARMA系数代表光纤信号的频域特征；

采用过零率反映信号变化的时域特征，不同的光纤信号变化强度不同；

将频域特征和时域特征输入基于sigmoid函数拟合的向量机进行事件识别，降低了模式识别过程的计算量，通过sigmoid拟合可将SVM的决策值转换为发生概率，从而实现最终的概率输出。