[发明专利]一种基于机器学习的光纤入侵检测方法

说明书

本发明公开了一种基于机器学习的光纤入侵检测方法，其特征在于，包括如下步骤：1）信号预处理；2）信号特征提取；3）分类模型。这种方法可以快速分辨出正常数据和入侵数据，具有较高的分辨准确率。

技术领域

本发明涉及周界安防、神经网络以及机器学习技术领域，具体是一种基于机器学习的光纤入侵检测方法。

背景技术

随着经济的快速发展，各行各业对安全的需求也日益旺盛，传统的安防方法有人工巡视、视频监控，电网等方法。然而人工巡视需要大量的人力资源，这也带来了巨大的成本，并且在自然环境较为恶劣的情况下也难以保证巡视人员的安全；视频监控覆盖面积较小，同时也需要安保人员持续观察监控屏幕；电网则需要长时间进行保持供电状态，稳定性较差，同时也具有较高的使用风险。如今光通信现代化的快速发展使得光纤传感技术也随之迅速发展。由于光信号在传输的过程中容易受到外界压力、移动和温度等因素所影响，因此通过光信号的变化来感知入侵事件。基于光纤传感器探测技术的周界安防系统也成为了安防的热点，被广泛的应用于输油、供水、电气和通讯等各个基础设施。

人工神经网络，简称神经网络，是一种模仿动物神经网络进行信息处理的数学模型。神经网络由大量的神经元组成，通过不同的连接方式和连接神经元之间的权重值拟合数据之间的线性与非线性关系。

机器学习是一种基于数据集进行模型训练，最后完成分类和回归的方法。机器学习涉及了包括计算机、统计学、概率论等多个学科，如今已经被广泛的应用于医疗、教育以及军事等各个领域。

发明内容

本发明的目的是针对周界安防中光纤传感器所采集的数据量大、数据维度高、分类困难问题，提供一种基于机器学习的光纤入侵检测方法。这种方法可以快速分辨出正常数据和入侵数据，具有较高的分辨准确率。

实现本发明目的的技术方案是：

一种基于机器学习的光纤入侵检测方法，包括如下步骤：

1)信号预处理：假设光纤检测信号为共n×m个数据，其中表示第i组光纤检测信号,检测时长为m时刻，检测信号对应的标签是one-hot编码矩阵，由于采集到的信号x_i不免存在一些随机噪声，如系统噪声和环境干扰等，因此x_i可以由公式(1)表达为：

在公式(1)中，表示原始信号，ε表示噪声，因此有必要对x_i进行去噪处理，以提高x_i信噪比，首先对信号x_i进行小波分解，得到小波系数，分解公式如公式(2)所示：

在公式(2)中，j＝0,1,2,…,J,其中J表示最佳分解尺度，u(j,k)表示尺度函数对应的低通滤波器，v(j,k)表示小波函数Ψ(t)所对应的高通滤波器，H_s(j,k)表示尺度系数，其中H_s(0,k)＝x_i，W_s(j,k)表示小波系数，并且ω_i＝[W_s(1,k),W_s(2,k),…,W_s(J+1,k)]表示分解得到的小波系数，然后选取合适的阈值对小波系数进行修正，阈值选取函数主要分为硬阈值和软阈值函数两种，此处选择软阈值函数，表达式如公式(3)所示：

在公式(3)中，sgn(·)表示符号函数，λ表示估计的阈值，表示阈值处理后的小波系数，最后进行信号重构得到去噪后的信号如公式(4)所示：

在公式(4)中，和分别表示u(j,k)和v(j,k)的共轭，最后得到即为去除噪声后的信号