兼顾精度与效率的光纤周界安防事件识别方法研究

作     者：王碧瑶 

作者单位：天津大学 

学位级别：硕士

导师姓名：黄翔东;封晨

授予年度：2020年

学科分类：081405[工学-防灾减灾工程及防护工程] 080202[工学-机械电子工程] 08[工学] 0837[工学-安全科学与工程] 0802[工学-机械工程] 0814[工学-土木工程] 

主      题：光纤传感系统 双马赫-曾德干涉仪 信号分解 特征提取 模式识别 

摘      要：近年来,光纤周界安防技术飞速发展。其中,基于双马赫-曾德干涉仪(Dual Mach-Zehnder Interferometry,DMZI)的分布式光纤传感系统以其检测范围广、响应速度快、损耗小以及能够进行定位等特点得到广泛研究应用与发展。目前,该系统在报警与定位方面的研究已经比较完善,然而在后续的模式识别方面还有所欠缺,仍待进一步的研究与发展。开发一种识别精度好、效率高的事件识别方案一直是光纤周界安全系统中的难题。现在大多数识别方案分为信号分解、特征提取以及模式识别三个部分,我们针对光纤信号识别的研究也要从这三个方面进行考虑。首先在信号分解方面,本文采用全相位滤波器组对信号进行分频处理,该滤波器组有易于划分频带、带外衰减大、各子通带之间的耦合程度低以及能够进行并行处理等特点,相比于小波变换以及经验模态分解(Empirical Mode Decomposition,EMD),能够得到更加纯净的信号,且效率更高。其次关于特征提取,本文提出改进型综合特征提取方法,从信号的时域和频域两个方面入手,提取信号过零率以及不同频带的离散熵和包络起伏参数构成特征向量,对信号进行多方面描述,能够全面深刻地对不同信号进行区分。最后在模式识别分类器方面,本文分别从普通分类器以及神经网络两方面进行考虑,分别提出以集成学习算法和Bootstrap策略为基础的随机森林分类器与改进型卷积神经网络(Convolutional Neural Network,CNN)。其中随机森林能够通过自举重采样以及集成学习等行为有效提升识别精度,本文提出的改进型CNN模型能够通过训练原始信号经短时傅里叶变换后的时频图像进行稳定且高准确度的识别。实验表明,本文所提出的分解、特征提取以及模式识别算法均可以达到良好的效果,能够对6类(踢、攀爬、剪切、晃、敲击以及无干扰)常见信号进行高效与高准确度的识别。采用全相位改进型综合特征向量和随机森林进行模式识别,识别率可高达96.92%,采用改进型CNN来进行分类识别,也可以达到较高的94.36%的识别率;除此之外它们均能在2s内完成对新样本的整个识别流程。本文所提出的方法能够兼顾精度与效率,具有良好的应用和发展前景。