深度学习下光纤围栏入侵告警方法
发布时间：2021-02-06 04:48
针对传统安防系统中入侵信号识别速度缓慢、误报率较高等问题,提出一种深度学习下光纤围栏入侵告警方法。首先利用稀疏自编码器对信号的数据特征逐层提取,借此获取信号中的有效信息,同时将不同类别的信号进行正确归类;其次建立光纤围栏入侵告警系统,利用端点测量判断是否存在扰动信号,并将采集到的数据作为训练集进行训练,实现扰动信号位置的精准定位;最后运用相空间重构对入侵告警信号深层次识别,将相空间重构加入维数形成复小波包,进行转换数据,输入小波包维数长度并生成入侵信号识别的特征集,利用主成分分析对原本特征集降维,减少光纤围栏系统误报率。仿真结果表明,所提方法可显著提升入侵信号识别精度,且识别效率较高,具有较好的鲁棒性。
【文章来源】：激光杂志. 2020,41(10)北大核心
【文章页数】：5 页
【部分图文】：
稀疏自编码器结构示意图
光纤围栏入侵告警系统内的主机板块在系统中发挥了关键作用，拥有信号解析与分类的功能，详细的运作流程如图2所示。从图2中可知，该板块是一个5层数据模型。第一层是采集层，主要通过信号收集系统进行运作，收集到的模拟信号会通过采集处理编程包含常规或非常规的数字信号;第二层是处理层，处理层与其他层面的性能均使用中心控制计算机来实现。处理层将收集的数据实施初始解析，将信号内的特征信息进行提取及训练，同时设定临界值，对比特征值和临界值，推断发生的时间是否是入侵事件。如果是入侵事件，那么利用特征提取并判别出入侵类型，如攀爬、晃动、敲击等。第三层是控制层，其主要功能是储存信号的特征参数，并建立模式库。第四层是执行层，如果断定有入侵动作产生，则执行层马上开启告警模式，如果是非入侵的异常事件，那么就设定转变系统的有关参变量来解除误报。第五层是展示层，在计算机内使用图形来显示入侵动作的详细信息，例如所在方位与时间等[8]。
处理层的功效主要通过系统内的模式识别模块进行实现，实现原理图如图3所示。系统将收集的信号首先采取预加重处理，就是将信号采用滤波器过滤信号内的低频部分，剔除干扰变量。因为信号具备长时且不平稳特性，想要将其转变为接近短时的稳定信号，就要对其采取分帧。首先让信号经过一个矩形窗，并划分为数量众多的帧序列，再对信号实施去噪。对信号采取端点测量是为了判断干扰信号的存在，若存在干扰信号，就能迅速判断其具体方位，再利用特征提取区别不同时间的特征向量[9]。假设收集到的数据为初始数据，则预先把初始数据当作一个训练集进行训练，同时将其保存在模式库中，方便后面对数据进行比较，然后通过判断原则将最终结果进行输出，完成扰动信号位置决断。
【参考文献】：
期刊论文
[1]基于深度学习的ADS-B异常数据检测模型[J]. 丁建立,邹云开,王静,王怀超. 航空学报. 2019(12)
[2]基于傅里叶变换和CELM的光纤传感信号的识别研究[J]. 苗军,周建亭,袁睿思,宁润泽. 现代电子技术. 2019(16)
[3]一种基于两阶段深度学习的集成推荐模型[J]. 王瑞琴,吴宗大,蒋云良,楼俊钢. 计算机研究与发展. 2019(08)
[4]无线传感网络混合型数据高效存储方法仿真[J]. 王志虎. 计算机仿真. 2019(07)
[5]基于相位敏感型光时域反射仪的袋式除尘器漏袋检测技术[J]. 刘旭安,李俊,史博,丁国绅,汤玉泉,董凤忠,张志荣. 光子学报. 2019(08)
[6]一种基于Lasso回归与SVD融合的深度学习模型压缩方法[J]. 吴进,吴汉宁,刘安,李聪,李乔深. 电讯技术. 2019(05)
[7]软体气动驱动器弯曲变形光纤传感与形状重构[J]. 孙广开,曲道明,闫光,宋言明,祝连庆. 光学精密工程. 2019(05)
[8]基于光纤光栅的温度与压力柔性传感性能测试[J]. 王彦,秦楠,刘吉虹,梁大开,程竹明. 仪器仪表学报. 2019(03)
[9]基于时/频域综合特征提取的分布式光纤入侵监测系统事件识别方法[J]. 彭宽,冯诚,王森懋,艾凡,李豪,刘德明,孙琪真. 光学学报. 2019(06)
[10]光纤入侵信号的特征提取与识别算法[J]. 曲洪权,宫殿君,张常年,王彦平. 激光与光电子学进展. 2019(13)
本文编号：3020178
【文章来源】：激光杂志. 2020,41(10)北大核心
【文章页数】：5 页
【部分图文】：
稀疏自编码器结构示意图
光纤围栏入侵告警系统内的主机板块在系统中发挥了关键作用，拥有信号解析与分类的功能，详细的运作流程如图2所示。从图2中可知，该板块是一个5层数据模型。第一层是采集层，主要通过信号收集系统进行运作，收集到的模拟信号会通过采集处理编程包含常规或非常规的数字信号;第二层是处理层，处理层与其他层面的性能均使用中心控制计算机来实现。处理层将收集的数据实施初始解析，将信号内的特征信息进行提取及训练，同时设定临界值，对比特征值和临界值，推断发生的时间是否是入侵事件。如果是入侵事件，那么利用特征提取并判别出入侵类型，如攀爬、晃动、敲击等。第三层是控制层，其主要功能是储存信号的特征参数，并建立模式库。第四层是执行层，如果断定有入侵动作产生，则执行层马上开启告警模式，如果是非入侵的异常事件，那么就设定转变系统的有关参变量来解除误报。第五层是展示层，在计算机内使用图形来显示入侵动作的详细信息，例如所在方位与时间等[8]。
处理层的功效主要通过系统内的模式识别模块进行实现，实现原理图如图3所示。系统将收集的信号首先采取预加重处理，就是将信号采用滤波器过滤信号内的低频部分，剔除干扰变量。因为信号具备长时且不平稳特性，想要将其转变为接近短时的稳定信号，就要对其采取分帧。首先让信号经过一个矩形窗，并划分为数量众多的帧序列，再对信号实施去噪。对信号采取端点测量是为了判断干扰信号的存在，若存在干扰信号，就能迅速判断其具体方位，再利用特征提取区别不同时间的特征向量[9]。假设收集到的数据为初始数据，则预先把初始数据当作一个训练集进行训练，同时将其保存在模式库中，方便后面对数据进行比较，然后通过判断原则将最终结果进行输出，完成扰动信号位置决断。
【参考文献】：
期刊论文
[1]基于深度学习的ADS-B异常数据检测模型[J]. 丁建立,邹云开,王静,王怀超. 航空学报. 2019(12)
[2]基于傅里叶变换和CELM的光纤传感信号的识别研究[J]. 苗军,周建亭,袁睿思,宁润泽. 现代电子技术. 2019(16)
[3]一种基于两阶段深度学习的集成推荐模型[J]. 王瑞琴,吴宗大,蒋云良,楼俊钢. 计算机研究与发展. 2019(08)
[4]无线传感网络混合型数据高效存储方法仿真[J]. 王志虎. 计算机仿真. 2019(07)
[5]基于相位敏感型光时域反射仪的袋式除尘器漏袋检测技术[J]. 刘旭安,李俊,史博,丁国绅,汤玉泉,董凤忠,张志荣. 光子学报. 2019(08)
[6]一种基于Lasso回归与SVD融合的深度学习模型压缩方法[J]. 吴进,吴汉宁,刘安,李聪,李乔深. 电讯技术. 2019(05)
[7]软体气动驱动器弯曲变形光纤传感与形状重构[J]. 孙广开,曲道明,闫光,宋言明,祝连庆. 光学精密工程. 2019(05)
[8]基于光纤光栅的温度与压力柔性传感性能测试[J]. 王彦,秦楠,刘吉虹,梁大开,程竹明. 仪器仪表学报. 2019(03)
[9]基于时/频域综合特征提取的分布式光纤入侵监测系统事件识别方法[J]. 彭宽,冯诚,王森懋,艾凡,李豪,刘德明,孙琪真. 光学学报. 2019(06)
[10]光纤入侵信号的特征提取与识别算法[J]. 曲洪权,宫殿君,张常年,王彦平. 激光与光电子学进展. 2019(13)
本文编号：3020178
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3020178.html
