基于时域特征提取的围栏入侵模式分类方法

发布时间：2019-11-23 17:22

【摘要】：基于无线传感网的防入侵应用领域中行为分类问题,提出一种基于时域特征提取的电子围栏入侵检测及异常入侵模式识别系统。由于频域处理方法计算量大、复杂度高、传感器采样率高,为减轻系统的传输负担并减少时延,首先对原始信号预处理提取时域特征,然后通过一个三层的BP神经网络对目标事件进行分类,最后对比了多种典型的分类器方法的准确率。仿真结果表明:相比于频域处理方法,该方法复杂度低、易于实现,多种分类器准确率达86%以上,其中BP神经网络测试集的准确率能够达到94%,并且训练集和测试集的准确率偏差较小。
【图文】：

，一般采用去均值，去相关性以及均方差均衡，归一化可以防止输入信号数据绝对值过大进入饱和区。一般采用合理的变换将输入的数据变换为[0，1]或[－1，1]之间。学习速率α影响分析：根据公式（14）可以发现，学习率α越大权值的变化越大，则BP学习收敛速度越快，当α过大时会引起网络的振荡，导致网络的不稳定性以及性能低下。当α过小时，能够避免网络的振荡，但是会导致学习收敛速度的下降。激活函数、代价函数、允许误差ε的选择等对神经网络的性能都有影响。4实验结果与分析4.1数据采集场景现场采集数据，如图4所示，实验场景为南水北调中线易县段。在常温及周围无干扰的环境下进行数据采集[15]，实验中的围栏为软质网状铁丝围栏，间隔2m将加速度传感器串联起来，采集数据时在节点的－0.5~0.5m范围内。本文采用三轴向模拟输出加速度传感器（MMA7360L），，采样率为1024Hz，实际安装使用中，芯片是贴着围栏竖直放置，而Z轴是垂直围栏方向，即水平面方向。如图5所示为实际节点安装情况中方位图，根据图可知当围栏振动的时候Z轴所受的加速度最大，Zout引脚的电压读数有较大波动，因而文中的数据以Z轴的振动情况为参考，其中加速度传感器的量程为2g（g表示重力加速度，其中1g=9.8m/s2）。4.2时域特征向量提取模拟拍、攀爬、尧倚靠围栏，每次事件发生时不仅附近2、3个传感器会有振动，相比较于背景噪声时，较远的节点也将采集到振动信号进行上传，通过设置合适的阈值将非邻近的振动节点过滤掉。原始数据经过预处理，当只有背景噪声时，数据传输模块以0.2Hz发送心跳包给后台处理模块，当有异常入侵行为时，后台处理模块以2Hz接收信号。实验中一次完整事件持续时间为5s，其中攀爬持续时间比较长，每次事件持续时间大概?

安装方位,加速度传感器

振荡，但是会导致学习收敛速度的下降。激活函数、代价函数、允许误差ε的选择等对神经网络的性能都有影响。4实验结果与分析4.1数据采集场景现场采集数据，如图4所示，实验场景为南水北调中线易县段。在常温及周围无干扰的环境下进行数据采集[15]，实验中的围栏为软质网状铁丝围栏，间隔2m将加速度传感器串联起来，采集数据时在节点的－0.5~0.5m范围内。本文采用三轴向模拟输出加速度传感器（MMA7360L），采样率为1024Hz，实际安装使用中，芯片是贴着围栏竖直放置，而Z轴是垂直围栏方向，即水平面方向。如图5所示为实际节点安装情况中方位图，根据图可知当围栏振动的时候Z轴所受的加速度最大，Zout引脚的电压读数有较大波动，因而文中的数据以Z轴的振动情况为参考，其中加速度传感器的量程为2g（g表示重力加速度，其中1g=9.8m/s2）。4.2时域特征向量提取模拟拍、攀爬、尧倚靠围栏，每次事件发生时不仅附近2、3个传感器会有振动，相比较于背景噪声时，较远的节点也将采集到振动信号进行上传，通过设置合适的阈值将非邻近的振动节点过滤掉。原始数据经过预处理，当只有背景噪声时，数据传输模块以0.2Hz发送心跳包给后台处理模块，当有异常入侵行为时，后台处理模块以2Hz接收信号。实验中一次完整事件持续时间为5s，其中攀爬持续时间比较长，每次事件持续时间大概为10s，从系统的实时性考虑，选取一次事件从开始后7.5s内后台接收的信号作为特征向量，共15个点，其中每个点包含峰峰值和能量值。实验中以攀爬为例，传感器采集的原始Z轴的振动情况如图6所示，横轴表示动作持续的时间，纵轴为传感器Z轴的原始振动幅值。图4实验现场的围栏DYNAMICACCELERATIONTopViewTpo+Y－X－Z6543218910111213714+X－

【相似文献】