[发明专利]基于时频特性最大期望分类的光纤入侵振源识别方法

摘要

本发明针对光纤入侵预警系统提供了一种基于时频二维特征最大期望分类算法的光纤入侵识别方法，该方法包括计算经检测得到的振动数据的占空比，提取信号时域特征；将经过小波去噪处理后所得信号进行傅立叶变换，计算频率中心，提取信号频域特征；最后将以上述方法得到的时域、频域特征作为二维最大期望分类器的输入进行光纤振动信号振源识别。该方法在时频二维对入侵信号进行识别，能够有效地将手工信号与机械信号区别开，准确性较高。

主权项

基于时频二维特征最大期望分类算法的光纤入侵振源识别方法，其特征在于包括：A)计算经检测后得到的振动数据的占空比，提取信号时域特征；B)对振动信号进行傅立叶变换，计算频率中心，提取信号频域特征；C)将以上述方法得到的时域、频域特征作为二维最大期望分类器的输入进行光纤振动信号振源识别，所述步骤A)进一步包括：对振动信号进行检测，将检测出的振动位置的数据置1，其他位置数据置0，计算得到占空比：η=mm+n---(1)]]>其中，m为每帧数据中1的个数，n为每帧数据中0的个数。所述步骤B)包括：对振动信号进行小波去噪处理，之后进行快速傅立叶变换，并求出频率中心，其中所述求频率中心的操作包括：对振动信号求能量E=||s(t)||2=∫|s(t)|2dt=12π∫|S(jΩ)|2dΩ<∞---(2)]]>其中，t为时间，E为信号能量，s(t)为振动信号，S(jΩ)为s(t)的傅里叶变换；计算信号s(t)的频率中心ζ(Ω)=12πE∫Ω|S(jΩ)|2dΩ---(3)]]>其中，Ω为频率，ζ(Ω)为s(t)的频率中心，E为信号能量，S(jΩ)为s(t)的傅里叶变换，所述步骤C)包括：将从不同种类的信号中提取到的占空比和频率中心两特征生成二维特征向量并作为输入分类器的待分类样本，即采用最大期望算法分类器对特征向量进行识别，其中所述最大期望算法包括：D1)初始化分布参数θ及两类数据占比a，其中参数θ包括均值μ和协方差cov，即和设第一类振动的分布参数θ1为和第二类振动的分布参数θ2为和且设两类振动数据占比为其中k1+k2＝1；D2)根据参数初始值或上一次迭代的模型参数来计算出隐性变量的后验概率，即隐性变量的期望，作为隐藏变量的当前估计值：Qi(z(i)):＝p(z(i)|x(i)；θ)  (4)其中，x(i)为待分类样本数据，z(i)为每个样本x(i)对应的类别，Qi(z(i))为隐性变量的后验概率；D3)将似然函数最大化以获得包括均值μ和协方差cov的、新的参数值：θ:=argmaxθΣiΣz(i)Qi(z(i))logp(x(i),z(i);θ)Qi(z(i))---(5)]]>D4)判断包括均值μ和协方差cov的该新的参数值是否收敛，若不收敛则返回第D2)步，若收敛则算法结束。