[发明专利]一种交通干线周边环境扰动信号的智能识别方法

说明书

技术领域

本发明涉及一种信号监测筛选识别技术，尤其涉及一种交通干线周边环境扰动信号的智能识别方法。

背景技术

为了能够准确地检测出扰动事件中事件的属性(有害还是无害)和位置,在交通干线周边环境扰动信号智能识别技术中,模式识别是其中最为关键的技术,许多种识别方法由于其自身独特的优势，成为了研究热点。20世纪80年代Back-propagation(BP)算法的重新发现和成功应用推动了人工神经网络研究和应用热潮。神经网络方法与统计方法相比具有不依赖概率模型、参数自学习、泛化性能良好等优点，至今仍在模式识别中广泛应用。然而，神经网络的设计和实现依赖于经验，泛化性能不能确保最优。

20世纪90年代以来，支持向量机(SVM)的提出吸引了模式识别界对统计学习理论和核方法(Kernel methods)的极大兴趣。与神经网络相比，支持向量机的优点是通过优化一个泛化误差界限自动确定一个最优的分类器结构，从而具有更好的泛化性能。

发明内容

本发明克服了现有技术的不足，提供一种交通干线周边环境扰动信号的智能识别方法。

为达到上述目的，本发明采用的技术方案为：一种交通干线周边环境扰动信号的智能识别方法，感测光缆布设在交通干线的监测目标上，通过感测光缆感测监测目标并分析干扰信号源，采集干扰信号源后的识别分析步骤如下：

S1建立向量池：拟定数字信号的采样率为2f，将所述采样率进行k层小波包分解，进而得到2^k个频宽为等宽的频带，其中，第k层的小波包系数为其中i为对应层分解节点序号，i＝0,1,2···,2^k-1，m为小波包空间位置标识；

由帕塞瓦尔能量积分公式可知，小波包系数具有能量量纲，用来进行信号的频带能量分析，则第k层的第i个频带的能量E_k,i为：

将其归一化，得到所需的频带能量百分比：

k层小波包分解，得到2^k个频带能量百分比参数，用来组成特征向量；

得到了2^k维小波包参数组成的特征向量池；

S2建立向量池：采用特征筛选的方式，从所述特征向量池中筛选出最终的特征向量组合。

本发明一个较佳实施例中，所述干扰信号源包括能够干扰检测目标的车辆经过、异物侵限、机器作业和落石碰撞。

本发明一个较佳实施例中，在步骤S2中，去掉区分能力最弱的特征，以及去掉导致混淆发生的特征，得到一个低维的特征向量。

本发明一个较佳实施例中，S2步骤中，使用一对一的方式来构建多分类支持向量机，针对每一个信号对来进行特征向量的筛选。

本发明一个较佳实施例中，以时域参数、功率谱参数、小波包参数为顺序排列特征值。

本发明一个较佳实施例中，所述感测光缆安装在检测主机上，所述检测主机通过数据线连接操作终端。

本发明一个较佳实施例中，所述监测目标为路径设备或轮轨。

本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：

(1)小波包将随尺度曾大而变宽的频率窗口进一步分割变细，可找到最适于待分析信号的时频最优基。

(2)针对不同的信号组合，使用时域参数、功率谱参数、小波包参数为顺序排列特征值，这样可以实现智能识别，识别率也由于兼收三者的优势，保证识别的智能化。

具体实施方式

现在结合实施例对本发明作进一步详细的说明。

一种交通干线周边环境扰动信号的智能识别方法，扰动信号主要由人员、过往车辆和落石泥石流等构成，基于光纤感应信号目标探测非常适用于这类扰动物体的探测。另外，这些振动信号往往包含着一些特有的特征属性，这就为进一步的识别提供了方法。从信号处理的观点来看，特征提取可以从时频域来进行。

由于感测光缆布设在交通干线的特定监测目标上，如路基设备、轮轨，感测光缆几乎无时不刻受到各种信号的扰动并且会被系统所采集，因此信号识别的重要性不言而喻。

时频分析的基本思想是设计时间和频率的联合函数，用该函数同时描述信号在不同时间和频率时间内的能量密度和强度，旨在揭示信号中有多少频率分量，以及每一分量随着时间是怎么变的。对于时频域，采用小波分析。小波包是小波变换、多分辨率分析和子带分解的推广，具有任意多尺度分解特性。小波包将随尺度曾大而变宽的频率窗口进一步分割变细，可找到最适于待分析信号的时频最优基。