[发明专利]一种基于改进CDIL-Bi-LSTM的周界安防入侵信号识别方法

说明书

本发明涉及周界安防技术领域具体涉及基于改进CDIL‑Bi‑LSTM的周界安防入侵信号识别方法，包括以下步骤：S1、选择基于相位敏感光时域反射技术的光纤分布式振动或声波传感系统进行系统搭建；S2、采用单模光纤作为探测光缆随着周界围栏敷设，通过人员对事件进行数据采集；S3、对数据降噪处理后分别打标签，各类事件分别对应相应的标签，构建数据集；S4、将单道时域数据输入CDIL层，并融合Bi‑LSTM层输出的结果与CDIL层输出的结果，通过支持向量机对待测事件进行识别分类。本发明预处理操作简单，只需要对数据进行小波去噪与数据切分，不需要进行大量的预处理操作，保证了数据的有效性和真实性，且保证了识别效果的准确性。

技术领域

本发明涉及周界安防技术领域，具体涉及一种基于改进CDIL-Bi-LSTM的周界安防入侵信号识别方法。

背景技术

传统的周界安防系统主要通过视频监控、红外线对射、电子围栏等方式对入侵行为进行监测，但是这些传统的安防解决策略存在抗电磁干扰能力差、检测范围小、维护成本高等缺点。光纤分布式振动传感技术以其连续性、经济性和安全性等特点，在长距离、大范围，对安全性、维护性要求高的领域，具有独特的优势，已经广泛应用于长距离管线、边境线等周界安防监测项目。

在深度学习发展之前，最初业内学者和专家通过机器学习算法进行光纤分布式振动传感信号模式识别，支持向量机(SVM)算法应用最为广泛，误差反向传播(BP)算法、决策树、随机森林(RF)、极限学习机(ELM)、随机向量函数链(RVFL)、最近邻分类网络(KNN)等机器学习算法均实现了一定的分类效果。在中国发明专利授权说明书CN111649817B中公开了一种分布式光纤振动传感器系统及其模式识别方法，对分布式光纤振动传感器采用相干探测方法检测获得震动点处的振动信号后，通过SVM分类器对入侵事件进行分类，实现了分布式光纤传感器的智能模式识别。但是，传统的机器学习算法需要事先人为地定义一些特征，需要专业知识又耗费时间。深度学习出现之后，国内外相关专家将深度学习和分布式光纤传感器相结合，对多种事件的发生进行模式识别，并且得到很好的识别效果。在中国发明专利申请公开说明书CN115687994A中公开了一种基于卷积神经网络(CNN)的光纤事件识别分类方法，该方法采用改进的CNN模型作为分类器，自动地提取数据特征，一次性、端到端地解决了光纤周界安防中的事件识别问题。但是传统的CNN存在着不能提取全局特征、学习到的信息量较少、没有记忆功能的缺点，导致模型容易拟合训练数据，事件识别过程中忽略了真实情况，从而影响模型的泛化能力。

在深度学习发展之前，基于特征提取的机器学习方法被广泛用于识别各种入侵信号，尽管这种方法可以采用一种高效的特征提取方法来改善识别率，但人工提取的特征具有很强的针对性，一旦外部环境发生改变，它们可能就不再有效。而通过深度学习的神经网络结构可以自动学习到更多的特征信息，其强大的学习能力也使得它可以通过多个神经网络层来表达复杂的函数，扩展出新的计算空间，从而解决一系列复杂的问题。因此，采用CNN的深度学习，可以有效地进行入侵信号分类，有许多研究已经聚焦于利用神经网络的技术进行光纤分布式传感器中的事件识别。然而，大多数神经网络会使用二维(2-D)卷积核来构建卷积层，因此，为了处理一维(1-D)传感信号，学者们总是把原始信号通过时频分析转换成二维图像或数据矩阵，但是这会导致计算成本变得较高。为了提高算法效率，研究者们采用一种基于一维卷积神经网络(1-D CNN)的实时分布式深度学习网络模型，可以捕获更多一维时间序列的特征，具有比传统的二维卷积神经网络更好的实时处理能力和更高的计算效率。然而，浅层的1-D CNN仍无法有效抓取1-D时间序列的全部信息，因此还需要对其进行进一步优化，以提高信号识别的准确率，同时降低误报率(FAR)。

发明内容

针对现有技术的不足，本发明提供一种基于改进CDIL-Bi-LSTM的周界安防入侵信号识别方法。

本发明是通过如下技术方案实现的：

提供一种基于改进CDIL–Bi-LSTM的周界安防入侵信号识别方法，包括以下步骤：