周界安防系统的入侵信号分类识别方法研究

吴 国 超

(中石化重庆涪陵页岩气勘探开发有限公司， 重庆 涪陵 408000)

基于光纤传感技术的周界安防技术，近年来得到了快速发展。光纤传感具有能抗电磁干扰、易于远传等优点，可以克服电类传感器的不足。利用干涉技术制成的分布式光纤，在周界安防系统中已得到广泛应用。

对入侵事件的识别算法是周界安防系统的核心部分。目前，光纤周界安防系统中常用的信号特征提取方法，是提取入侵信号的时域、频域特征[1-2]。实践中，入侵信号源多变，且不同入侵事件的信号之间存在相似的部分，仅提取时域、频域特征，往往不能完全区分真实入侵事件和环境干扰信号。为弥补光纤周界安防系统识别算法的不足，使系统能够正确区分真实入侵事件和环境干扰信号，我们提出了一种基于小波分析与支持向量机的入侵事件分类方法。

1 入侵信号的小波特征提取

分布式光纤传感器具有较强的鲁棒性，能够在恶劣环境下长时间工作，且保持性能稳定。在周界安防系统中，分布式光纤传感器的工作原理是：光源发出的光线通过耦合器C1后分成两束光，沿着参考光路和测试光路传播；当光纤受外力作用(入侵事件或环境干扰)而振动时，两束光的相位发生改变，产生相位差，在耦合器C2处发生干涉光；光电元件将干涉光强物理信号转换为电信号，上位机通过采集此电信号而获取入侵信息(见图1)。

图1 分布式光纤传感器的工作原理

对上位机采集到的电信号进行预处理，一般是手动将入侵信号从背景信号中截取出来。截取出来的信号都为一个样本，但每个入侵信号的长度不等，需对光纤信号进行分帧处理。

我们认为，应该事先设置好帧长截取信号，并保证相邻两帧信号之间有一定的重叠率(通常帧移的长度为帧长的12～13)，这样可以避免入侵事件信号丢失。分帧过程如图2所示，其中，X为原始信号，Xn为分帧后得到的若干条信号。帧数的计算公式如式(1)。

n=(x-l+w)w

(1)

式中：n为帧数；x为信号长度；l和w分别为事先设置好的帧长和帧移。

1.2 小波分析

小波变化常用于提取信号的多分辨率特征。其基本思想是：通过一组由小波基函数C(t)经伸缩和位移构成的小波函数系C(a，τ)来逼近原始信号[3]。这些函数可定义为：

(2)

式中：a为尺度因子；τ为平移量；C(t)为小波基函数，t为伸缩因子。

图2 分帧过程示意

当a、τ连续变换时，小波变换包含的信息是冗余的。为了防止信息丢失并去除冗余信息，可离散小波变换。离散小波基函数如式(3)。

φj,k(t)=a0-j2φ(a0-j-kb0)

(3)

式中：a0为尺度因子；b0为平移因子；j为a离散化后的对数坐标；k为b离散化后的倍数；φ为离散小波函数。

在分析非平稳信号时，为了使小波函数能够具有可变的时间和频率分辨率功能，需要对尺度因子和平移因子的大小进行调整。当a0=2，b0=1，离散小波函数称为二进小波基函数，如式(4)。

φj,k(t)=2-j2φ(a-j-k)

(4)

将信号表示为一个低频部分和不同频率下的高频部分，低频部分能够表示信号整体信息，高频部分能够表示细节信息。按多分辨率分析的塔式算法，可得近似系数aj,k和细节系数dj,k。

(5)

由式(5)可以看出，近似系数和细节系数是由上一级近似系数经过滤波器h(低通)和g(高通)得到。塔式算法多级分解框图如图3所示。

图3 塔式算法多级分解框图

小波重构的过程是分解的逆向过程，下一级分解结果的近似系数和细节系数经过h′和g′后进行求和，得到本级的分解近似级数。计算公式如式(6)，其中，aj′和dj′表示分解得到的系数，经过h′和g′得到上一级近似系数aj+1。

aj+1,k=aj′*h(k)+dj′*g(k)

(6)

2 支持向量机

基于统计学习理论的支持向量机(SVM)已被广泛应用于模式分类问题。按SVM的方法，能够通过非线性变化将线性不可分的原始特征x映射到高维空间，z=φ(x)，实现线性可分。在这个新空间中构造最优线性超平面，使两个类别的分离度最大化[4]。这种映射通常可以通过核函数实现。

(7)

式中：W表示最大间距，是关于拉格朗日乘子α的函数；n为支持向量的数目；αi为拉格朗日乘子；y是不同类别的标签；K为核函数；C为惩罚因子。

3 入侵信号识别

现场采集得到的实验数据，每组信号长度不同。为了使输入信号满足SVM等长的条件，需要根据1.1中描述的方法，对原始数据进行分帧操作。本次实验设置的帧长为512，帧移的长度为256。这样的参数设置可保证每一条信号的帧信号有一定的重复率，不会造成数据信息的丢失。分帧完成之后，可得所有信号的样本矩阵。然后对样本矩阵的每一帧信号进行小波特征提取，得到其小波域信息。小波特征提取包含了信号的多分辨率信息，能够将时域信号中的隐藏信息挖掘出来，为分类入侵信号打下基础。最终将小波处理的数据分为测试集和训练集。训练数据输入SVM进行训练，使用测试数据对训练好的SVM模型进行测试。基于小波分析与支持向量机(WT-SVM)的入侵信号识别系统框图如图4所示。

原始信号经过数据处理，得到总体样本。将总体样本分为训练样本和测试样本，数据处理包括分帧和小波变换。在训练阶段包括训练数据不断输入SVM模型和检测模型内部参数的预测输出；而反向传播则根据正向传播的效果，不断更新内部参数，使其达到最优。然后SVM模型参数保留，使用测试数据对SVM进行测试。根据测试集效果对模型的超参数进行调节，例如训练样本与总体样本的比例、核函数的选取。

图4 WT-SVM入侵信号识别系统框图

4 算法实验及结果分析

4.1 数据采集及预处理

为了验证上述方法的有效性，以重庆涪陵页岩气井场的分布式光纤入侵检测系统为例，进行了实验研究。涪陵页岩气井场的周界安防系统中，围栏上安装有U形分布式振动光纤(见图5)。实验中，在围栏上制造落石、攀爬、击打3种入侵情况，采集相应的入侵信号。

图5 涪陵页岩气井场的周界安防系统现场

采集到的信号中包含背景信号和入侵信号。将入侵信号从背景信号里截取出来，获得入侵信号样本。

如图6所示，每一次导出的数据含有大量的背景信号，需要将入侵信号从背景信号中分离出来。图中虚线为入侵信号的起点和终点。所有信号截取操作完成之后，得到3种入侵信号的样本数据，包括110个落石入侵事件样本，119个攀爬入侵事件样本和109个击打入侵事件样本。

图6 入侵信号波形图和截取波段

支持向量机的模型为本次实验设置的分类器。为找出最优的支持向量机结构，分别以常见的多项式核函数(POL)、高斯径向基核函数(RBF)和sigmoid函数(G)进行实验。实验结果显示，高斯径向基核函数的识别率较高。高斯径向基核函数能够较好地构造最优超平面，将各类入侵事件的特征向量以最大间隔分隔开。高斯径向基核函数对应的高维特征空间是无限的，因此有限分类问题必然在其特征空间中线性可分。后续实验，均采用高斯径向基核函数。

4.3 识别效果比较

实验比较了3种特征提取方法与2种分类器的组合对入侵信号分类的效果。3种特征即信号的时域特征(TD)、频域特征(DFT)和小波域特征(WT)；2种分类器即支持向量机(SVM)与最近零分类器(NNC)。

（4）在原铁液S含量较低的情况下，即使是厚大球墨铸铁件，也没必要必须保证较高的残余Mg含量，对于球墨铸铁而言，低S情况下残余Mg衰退并不严重。

从各种入侵信号样本中，都随机选取①40%、②60%、③80%作为训练集，样本的剩余部分作为测试集。每组进行10次实验，将10次实验结果平均后统计识别率，统计数据见表1。

表1 对入侵信号的正确识别率 %

从表1可以看出，在训练样本较少的情况下，难以通过特征提取进行正确识别，分类器算法内部的参数没有达到最优值，算法的优势不能体现，因此所有方法的正确识别率都较低。随着训练样本数量的增加，每种方法的正确识别率都有明显提升。从分类器角度来看，SVM的分类正确率明显高于NNC的分类正确率。从提取特征角度来看，无论在哪种情况下，通过提取小波域特征所获得的正确识别率都是最高的。

4.4 多重指标比较

单从识别正确率来评估模型，不能完全反映算法的优越性。下面，对预测结果的Precision(准确率)、Recall(召回率)、TPR、F-score、FPR、TNR、FNR等指标进行比较。

根据上述实验结果，从各种入侵信号样本中随机选取80%作为训练集，剩余部分作为测试集。在MATLAB编程环境下进行测试，测试10次，取均值进行比较。最后计算总体正确率(Accuracy)，以此衡量模型对所有入侵信号数据的分类能力。

(8)

式中：TPi为对每种入侵信号样本预测正确的数量；m为测试样本总数。

测试结果(见表2)表明，小波分析与支持向量机相结合的入侵事件分类方法，能够对入侵信号进行识别，并且能够区分真实入侵信号(攀爬、击打)和干扰信号(落石)。整体测试样本的识别正确率达94.2%，对于危险程度较高的入侵事件(攀爬)能够100%识别。

表2 多重指标比较

5 结 语

对入侵信号特征的分类识别方法，直接影响到光纤周界安防系统的性能。先将传感器采集得到的信号进行分帧处理，然后根据小波变换得到其特征向量，最后利用支持向量机建立分类模型，实现对入侵事件的分类，这种方法可以改善光纤周界安防系统的性能。现场测试结果表明，采用基于小波分析与支持向量机的入侵事件分类方法，能够对入侵信号特征进行正确识别，对落石、攀爬、击打3种入侵信号的正确识别率都在90%以上，并且能够区分真实入侵信号和环境干扰信号，可以有效降低系统的虚假报警率。