基于概率神经网络光纤周界传感信号处理研究

吴 亮，谢 箭

(1.贵州师范大学 经管学院，贵阳 550002;2.四川九洲电器集团成都技术中心，成都 610041)

0 引言

为了防止敌人入侵或者保护特定范围内的重要设施，埋在地下的磁场探测器或同轴电缆监测器、地面红外探测器等被广泛应用。但是，红外探测器易受天气条件影响而给出错误信号;磁场探测器容易受到敌方的电磁攻击而失效。光纤探测器没有类似的弱点，正在成为周界探测防御系统的发展方向［1］。

光纤周界系统是基于光纤传感技术的安全技术防范系统。系统利用激光、光纤传感和光通信等技术构建警戒网络或者安全报警体系，是一种对威胁公众安全的突发事件进行监控和警报的现代防御架构。这一技术的发展既反映了现代反恐战争的需要，也满足了我国现阶段对周界报警的需求［2］。而且光纤本身无源供电，还可同时作为信号传输信道，非常适用于国境线等周界防卫，应用前景广阔。

传感光纤是铠装的多芯通信光缆，以保证在外界多变的气候和恶劣环境的影响下，仍能采集细小的振动。当光信号由激光器输送进光纤时，探测器把光信号转换为电信号，并传输到光信号处理单元进行相位分析。假设传感光缆没有受到任何干扰或光的传输没有变化，那么光信号的相位也将不发生变化;当传感光纤受到运动或振动的干扰时，光信号的传输模式就会发生变化［3］。运动、振动、压力都会导致形态被干扰而产生光信号相位的改变［4］。光电探测器对相位改变进行探测，探测干扰的强度和类型，然后对探测到的信号进行处理，判别它是否符合触发“事件”的条件。如果符合条件，触发一个“事件”，否则，忽略该信号。这里，判断探测到的信号是否符合触发“事件”的标准是用户在软件中对每个防区设置的参数依据。

现有的光纤周界系统的振动信号识别方法主要采用基于入侵振动信号的时域特征进行分析，比如振动幅度。由于进行模式识别的特征参数数量少，因此不能更准确的区分各种外界振动信号，误报率很高［5］。

为了克服现有的光纤周界系统的振动信号识别方法误报率高的缺点，本研究提出了一种光纤周界系统的振动信号识别方法，该方法具有更多的特征参数作为振动信号判断的阈值。

1 报警信号处理技术

当敌人入侵时，跨越周界围栏等行为会对埋在地下的传感光纤施加微弱的机械振动作用，当这种振动引起动态压力作用于光纤时，因为弹性变形使得光纤长度发生变化，同时光纤折射率发生变化，引起了光波传播相位变化，给出了报警信号［6］。报警信号处理流程如图1所示。

图1 报警信号处理流程图

本系统利用NI公司的PCI6220数据采集卡，采样频率Fs为8192 Hz，采集2 s的信号作为分析数据源。采集到的部分类型的入侵信号(脚步信号和挖掘信号时域波形图)如图2所示。

图2 入侵信号和挖掘信号时域波形图

1.1 加窗处理

由于对一个无限长的原始信号S(n)的数据进行突然截短，必然引起吉布斯现象［7］，为了消除吉布斯现象，故需要对原始信号进行加窗处理。为此采用窗长为2 s的Hamming窗对原始信号S(n)进行信号加窗处理。

1.2 信号降噪

由于光纤传感器的高度敏感性，所采集到的振动信号含有大量的环境噪声，这样的信号不能直接进行分析识别，故需要进行降噪处理。

1.2.1 带通滤波

采用巴特沃斯带通滤波器，Wp通带截止频率为［20，400］/(Fs/2)，阻带起始频率 Ws为［10，450］/(Fs/2)，通带内波动Rp为3 dB，阻带内最小衰减Rs为45 dB，Fs为信号采样率。

1.2.2 小波降噪

如果φ∈L2(R)满足

则称φ为一个母小波或基本小波，称

式中，a，b∈R，a≠0 为小波。当 x、a、b连续变化时，φa，b称为连续小波;当 a，b分别离散化为 am0和 nb0时，则称 φa，b为离散小波。

离散小波变换定义为

一个函数φ∈L2(R)称为一个正交小波，如果由

定义的函数族{φj，k}是L2(R)的规范正交基，即

式(6)中级数收敛是在L2(R)中的，即

式(7)的级数表示称为小波级数，其中小波系数为

则由小波变换的定义有

小波分解的过程可以用图3表示。

图3 小波分解示意图

将原始信号S(t)通过上述步骤小波分解后，则噪声部分通常包含在细节信号中;因而，可以以门限阈值等形式对小波系数进行处理，然后对信号进行重构即可达到降噪处理的目的。通过小波降噪过后振动信号如图4所示。

图4 小波降噪振动信号变化图

1.3 振动事件检测

将2秒信号段进行分帧，帧长Framelen为50 ms，帧重叠部分Framelnc为20 ms，分别对每帧数据进行加窗处理，再进行傅里叶(FFT)变换，计算每帧信号的短时能量E，若Max(E)大于阈值则认为有振动事件发生。频差检测振动事件结果示意图如图5所示。

图5 频差检测振动事件结果示意图

1.4 信号特征提取

模板事件信号包括报警事件和非报警事件。报警事件主要包括:攀爬围栏、剪切围栏、围栏下挖槽、梯子辅助攀爬围栏、埋地设防区域慢走、快跑、匍匐和埋地设防区域地下挖槽;非报警事件主要包括:风、雨、小动物和过往车辆等各种环境干扰。

报警事件通过以人的走动、攀爬、挖掘为例予以说明;非报警事件通过风、过往车辆为例予以说明。

1.4.1 短时能量En

对于信号{x(n)}，短时能量定义为

式中，h(n)=w2(n);En表示在信号的第n个点开始加窗函数时的短时能量。可以看出，短时能量可以看作脚步振动信号的平方经过一个线性滤波器的输出，该线性滤波器的单位冲击响应为h(n)。

1.4.2 短时平均幅度Mn

式中，xw(m)是x(n)经过加窗处理后的信号。

1.4.3 短时平均过零率Zn

短时平均过零率是指每帧内信号通过零值的次数，其实质就是信号采样点符号变化的次数。数学表达式为

式中，sgn［·］是符号函数，即

用式(12)计算短时平均过零率容易受到低频的干扰，为此设定一个门限T1，将过零率的含义修改为跨过正负门限的次数，于是，得到修改后的表达式为

表1 人员与车辆振动信号过零率对比

1.4.4 小波分解各尺度细节信号能量特征E

采用小波变换方法进行目标特征提取，可按图3进行小波分解得到信号在各级逼近空间和细节空间上的信号表示。小波分解能量特征的提取步骤如下。

(1)利用信号的多尺度分解及其快速算法对测试的信号进行小波变换;

(3)对样本信号进行N级小波分解;

(4)在第N级逼近空间和第一级到第N级细节空间上，分别计算这N个空间中的信号能量，把它们作为分类的特征。

将模板脚步、风信号进行8尺度的小波分解，各个尺度的能量特征如图6、图7所示。脚步信号能量主要集中在5、6尺度，而风振动信号能量主要集中在7、8尺度。

1.4.5 振动信号功率谱特征P

这里采用welch法，即把数据分成若干段，分别求每一段的功率谱，然后加以平均。这里以功率谱的主峰值与次峰值作为特征值。风引起的振动信号与脚步信号，其功率谱集中的频率范围有明显的不同，如图8所示。

图8 风和脚步信号的功率谱对比

2 分类器设计

2.1 消除量纲

由于特征参数的量纲不同，若直接进行识别会影响识别精度，故需要消除量纲的影响。这里采用归一化处理式(15)，将数据处理为区间［0，1］之间的数据。

2.2 PNN 分类器

概率神经网络是径向基函数RBF神经网络的一种扩展结构，由径向基神经元和竞争神经元共同组成。在模式分类中，它的优势在于可以利用线性学习算法来完成非线性算法所做的工作，同时又可以保持非线性算法高精度的特性。其分类识别的步骤如下。

(1)径向基层计算该输入向量同样本输入向量之间的距离;

(2)竞争层接受距离向量为输入向量，计算每个模式出现的概率;

(3)通过竞争传递函数将概率最大的元素对应输出为1，这就是一类模式;否则输出0，作为其他模式。

其中:隐含层的第i个神经元的输入为

式中，w1为输入层神经元与隐含层相连的权值向量;xq为表示第q个输入向量;b1i为径向基函数的阈值。隐含层的第i个神经元的输出为

输出层的输入为各隐含层神经元输出的加权求和。

式中，w2为隐含层与输出层间的权值向量。

将人的脚步信号、挖槽信号、攀爬、车辆过往信号所提取出来的特征参数各15组样本作为PNN的输入向量P，然后按照式(16)～式(18)计算误警率和漏警率，结果见表2。其中1—脚步标识;2—挖槽标识;3—攀爬;4—车辆信号标识;将1、2、3、4作为目标向量T。

表2 分类结果

从以上识别结果可以看出，使用该方法后系统的误报率得到了有效的控制。

3 结语

综上所述，本文在时域上提取过零数作为特征参数，其能有效区分连续振动和间隔振动;在频域上，应用常用的信号处理方法，如短时傅里叶变换、FFT变换、功率谱估计提取了信号的频谱特征参数;在时－频域中应用小波分解各尺度细节信号的能量分布特征。最后，通过构建基于概率的神经网络作为分类识别器，对时域、时－频域所提取的各种特征参数进行评价对比，结果表明过零率，短时能量、短时平均幅度、以及小波分解后的能量特征等具有更好的可分性，且具有更好的抗噪能力。

［1］ 彭龙，邹琪琳，张敏，等.光纤周界探测技术原理及研究现状［J］.激光杂志，2007，28(4):1-3.

［2］ 王惠文.光纤传感技术与应用［M］.北京:国防工业出版社，2001:265-257.

［3］ 张贤达.现代信号处理［M］.北京:清华大学出版社，2004:78-92.

［4］ 左炜，王殊，刘富明.分布式光纤传感器的数据处理系统［J］.计算机测量与控制，2005，13(12):1440-1442.

［5］ GERD KEISER.Optical Fiber Communications［M］.Third Edition.Beijing:Publishing House of Electronics Industry，2002.

［6］ PLEROS N，BINTJAS C，KALYVAS M，et al.Multiwavelength and Power Equalized SOA Laser Sources［J］.IEEE Phontonics Technology Letters，2002，14(5):693-695.

［7］ NAGISKI D H，BOYD J T，JACKSON H E，et al.Distributed Disturbance Sensor Based on a Novel Mach-Zehnder Interferometer with no Electrodes for Sensing Electric field［J］.Lightwave Technology，1994，12(6):1092-1098.