基于VMD与MFE的光纤周界安防入侵事件识别

为了提高周界入侵事件的识别率,本文提出一种基于超弱光纤光栅(UWFBG)阵列的光纤周界入侵事件识别方法。该方法通过变分模态分解(VMD)将入侵信号进行分解,然后选择最佳分量并提取其多尺度模糊熵(MFE),与信号过零率(ZCR)相结合构造特征向量,将其输入到Sigmoid函数拟合的支持向量机(SVM),实现对晃动、剪切、刮风、下雨和无入侵5种不同的事件的识别。实验表明,该方法可以准确识别5种常见的事件信号,平均识别率达到98%。此外,该方法可以在输出各入侵事件类别的同时输出各类事件发生的概率值。

基于综合特征的光纤周界安防系统高效入侵事件识别

在光纤周界安防系统中,急需对入侵事件实现准确而高效的识别,对事件特征做简练而恰当的描述是其关键所在.本文提出一种基于综合特征的入侵事件识别方法,该方法引入全相位滤波器组将输入信号并行分解为多个频率通道,以提取这些通道的归一化功率值;进而与信号过零率相结合,构成包含时域信息、频域信息的综合特征向量;最后将该特征向量馈入径向基函数神经网络即可准确识别出攀爬、敲击、晃动、剪切四种常见的入侵动作.实验证明,本文方法相比于现有的经验模态分解方法,不仅提高了精度,而且显著加快了识别速度.

基于深度迁移学习的复杂环境下油气管道周界入侵事件识别

长输油气管道沿途运行环境复杂,传统方法中假设的标准样本与实际样本分布一致的前提遭到破坏,导致单一的识别模型在不同环境下对入侵事件识别准确率降低。为了改善识别模型偏差问题,提出一种基于域不变特征深度迁移学习的管道入侵事件识别方法,通过堆叠稀疏自编码网络实现不同环境条件下的入侵事件自适应特征提取,并引入迁移学习实现复杂环境中入侵事件的准确识别。该方法通过场景差异性评测,缩小复杂真实场景与典型场景间分布差异,获得有效的域不变模型。实验结果表明,所提方法能明显改善复杂环境下油气管道入侵事件识别效果,提高识别准确率。

基于Richer子波神经网络的入侵事件识别方法

针对入侵事件中的挖掘事件和人步行事件的识别,文章设计了一种Richer子波神经网络模型,用来识别由挖掘和人步行事件引起的震动信号的种类。实验中一共采用200个样本,其中120个作训练,80个作测试,通过分析网络训练输出数据的降维可视化散点分布,可以得到该模型训练输出的数据具有不同类间间隔大,同类间间隔小的特点,且该模型网络分类识别准确率最高可达96.25%,平均识别准确率约为95%。

基于时频能量比的入侵事件识别方法

针对挖掘入侵事件与人步行等干扰事件的识别问题,提出一种基于时频能量比的识别方法.利用时域的节律特征以及信号包络的时域冲击特征,剔除如车辆路过、自然环境干扰等事件.留下挖掘和人步行事件.对于挖掘和人步行事件的识别,首先,对事件信号进行时域窗分割;其次,将时域分割后的每个子信号输入到一组窄带滤波器中,并计算每个滤波器输出信号与输入的时域子信号的能量比值,得到信号的时频能量比特征.最后,利用SVM作为分类器,进行分类实验.实验表明,该方法提取的时频特征所包含的冗余特征数据量小,分类所需的时间短,分类识别的准确率约为94%.

基于ARMA建模与Sigmoid拟合的光纤周界安防入侵事件识别

在实际的光纤周界安防系统中,既要求判断入侵事件类别,又要求对各类事件发生的可能性做出全面评估。对此提出一种基于自回归滑动平均(ARMA)建模与Sigmoid概率拟合的入侵事件识别方法。在判断入侵事件类别方面,将光纤振动信号的ARMA建模系数与信号自身过零率相结合,构造特征向量,并将其馈入支持向量机(SVM),实现对攀爬、敲击、晃动、剪切、脚踢和撞击6种常见的入侵动作的识别;在评估各类事件的发生可能性方面,引入Sigmoid模型,对训练模式的SVM的各输出值作参数拟合,进而将测试样本的SVM值代入各自Sigmoid模型中完成评估。现场实验表明,该方法对6类常见入侵事件的平均识别率达到87.14%,且可提供各类事件的发生概率参考值,因而具有较高的实用价值。