技术领域
[0001] 本
发明涉及光纤传感信号识别领域，具体指一种基于BiLSTM
算法的光纤传感
扰动信号事件分类识别方法。
背景技术
[0002] 分布式光纤传感系统具有灵敏度高、结构简单、探测距离远、不易受干扰、无需电源的等优点，在周边安防、油气道检测等领域得到了广泛的应用。在周界安防领域，光纤传感系统以光纤作为传感元件，既可以缠绕在
围栏上，也可以做成地埋式，通过采集传感信号，运用
信号处理分析模
块对扰动信号进行分类识别，达到识别震动入侵信号类别的目的。目前典型的光纤周界防护传感系统有基于相敏光时域反射计 结构，双Mach-Zehnder干涉仪结构，Michelson干涉仪结构，Sagnac干涉仪结构和FBG光纤光栅传感技术，已经在实际中的得到应用。
[0003] 目前，扰动信号事件识别的研究仍急需进一步精确，现有的识别方法在识别准确率、算法实时性等方面存在不足。信号识别的传统方法主要有基于时域特征的短时平均过零率ZC、差分短时平均过零DZC、短时平均
能量E、差分短时平均能量DE、扰动持续时间等，通过对信号得时间-幅值信息进行分析，能够表征信号的部分局部特征，但无法提取到
波形变换等有用信息；有基于
频域特征分析的小波包分解法，将信号分解为子频带提取能量特征，提取
特征向量，可以解决非平稳信号的问题；基于经验模态分解EMD的方法，理论依据不足，且需要多次
迭代计算，效率不高。识别方法从各个
角度尝试提取尽可能全面的信号特征，分类器也从传统向量机方法不断延伸到
深度学习领域，使用神经网络等更好拟合非线性关系。
发明内容
[0004] 本发明提供一种基于BiLSTM算法的分布式光纤传感系统扰动信号识别方法，将深度学习的网络模型用于扰动信号分类识别，对各类事件的识别准确率有较大提升。本方法首先将采集到的分类事件信号进行预处理，并对各种信号打上标签，然后对信号提取特征向量，将三种特征连接成复合特征，将此数据集合送入搭建的BiLSTM模型中进行参数训练，最后得到适用于扰动信号事件识别的网络模型。技术方案如下：
[0005] 一种基于BiLSTM的复合特征光纤传感扰动信号模式识别方法，包括以下步骤：
[0006] 1)预处理单元：采集不同模式的包括光纤传感扰动信号在内的振动信号并存储数据，并加上类型标签；
[0007] 2)时域特征提取单元：对采集的振动信号计算短时能量和短时过电平率，设定短时能量及短时过电平率
阈值，根据判别条件初步判定入侵扰动信号；
[0008] 3)频域特征提取单元：对各个振动信号作4层小波包分解，求解16个子频带能量谱分布，拼接短时能量和短时过电平率构成复合特征向量，并将其归一化处理，归一化的特征向量作为输入特征向量，共18维归一化后的特征向量；
[0009] 4)分类识别单元：构建双向LSTM网络模型，归一化的特征向量作为输入，事件标签作为分类输出结果，利用测试样本训练分类器，实现光纤传感扰动信号模式识别，方法如下：
[0010] A.构建前向LSTM网络：由将18维归一化特征向量作为模型输入向量，隐藏单元为30个，利用正态分布初始化权重矩阵W和系数b；
[0011] B.构建反向LSTM网络：将18维归一化特征向量中元素反向排列，作为反向LSTM网络输入，网络结构与前向LSTM相同；
[0012] C.构建全连接分类层。将前向LSTM和后向LSTM输出组合，送入全连接层，使用softmax分类函数和分类交叉熵作为损失函数，
输出信号分类结果；
[0013] D.迭代训练分类器模型：使用交叉验证方法训练网络参数，观测分类识别成功率，实现光纤扰动信号分类识别。
[0014] 步骤3)中，各个振动信号经过4层小波包分解后，得到从低频到高频顺序排列的子频带，计算每个子频带的能量值得到能量谱分布；复合特征向量为16维小波能量谱加2维时域特征。
[0015] 本发明具有的有益效果：本发明是一种基于LSTM算法的光纤传感信号复合特征的识别方法，能够对光纤传感扰动信号实现精准、快速的识别分类，解决周界安防人为限制、报警分类误差、识别效率低等问题。本发明通过分析信号的时域特征，将短时能量和短时过电平率作为一级判断条件，超过阈值时继续在频域作小波包分解，
叠加三种特征构成复合特征向量，最后运用LSTM算法构建分类器，实现了对光纤传感扰动信号的分类识别，兼顾了信号的全局特征和细节特征，可用于其他各类光纤传感的识别系统中，有较强的普适性和可移植性，提高识别率。
附图说明
[0016] 图1是本发明提供的基于双向LSTM算法的复合特征光纤信号识别方法流程示意图[0017] 图2是本发明光纤传感扰动信号识别系统结构示意图
[0018] 图3是本发明双向LSTM算法网络模型图
具体实施方式
[0019] 以下结合具体实施实例和附图对本发明的技术方案作进一步阐述。
[0020] 图1是本发明提供的基于LSTM算法的复合特征光纤信号识别方法流程示意图，一种使用时频域复合特征的光纤传感扰动信号识别方法，包括四个单元：预处理单元、时域特征提取单元、频域特征提取单元、分类器训练单元。
[0021] 本发明设计的基于BiLSTM算法的分布式光纤传感系统扰动信号识别方法，其特征在于包括如下步骤：
[0022] S1：采集光纤中的振动信号并存储信号数据，并加上类型标签；
[0023] 其中包括搭建分布式光纤传感系统，模拟四种类型的入侵动作，使用光纤传感单元检测扰动信号，对信号类型设置标签编码，根据事件实际持续时间设定
采样率，分析振动信号
频谱分布在0-200hz。
[0024] S2：对采集的振动信号计算短时能量和短时过电平率，初步判定扰动信号，若短时能量及短时过电平率均超过阈值，则提取异常端点信号，进入S3，否则继续监控；
[0025] 其中信号短时能量为 入侵信号短时能量一般大于噪声信号和非入侵状态；
[0026] 其中短时过电平率为
[0027] δ为电平阈值，噪声
电压一般在δ之下，入侵信号电压大于阈值δ，短时过阈值率反映信号振动变化；
[0028] 根据实际工况设定短时能量阈值E*和短时过电平率阈值Z*，为降低系统的虚警率和漏检率，阈值设置应保留所有类型信号数据，当产生扰动事件时一定要被检测到。满足条件(1)(E-E*)>0||(Z-Z*)>0则为扰动信号，满足条件(2)(E-E*)<0&&(Z-Z*)<0则为非扰动信号。
[0029] S3：对截取的异常扰动信号进行频域分析，将信号作四层小波分解成16个子频带，求解各个子频带内的信号能量分布，将16个能量值按顺序列为特征向量，并添加S2中的短时能量和短时过阈值率两个特征值，组合成18维复合特征向量，并将其归一化处理；
[0030] S4：构建BiLSTM网络模型用于光纤传感扰动信号分类识别，将处理好的特征向量和分类标签作为网络输入和输出，经过训练迭代后形成光纤信号分类器。
[0031] 其中包括双向多层LSTM构建的特征提取层和softmax分类器。LSTM模型细胞结构包括输入
门、遗忘门、细胞状态、输出门，以及各层之间的权重矩阵、激活函数。定义18维输入向量，制定隐含单元的双向LSTM层，将前向LSTM最后输出向量和后向LSTM最后输出向量拼接成输出向量，全连接层后跟softmax层和分类层，输出类别数目为采集数据时定义的4个类别。
[0033] S1：采集4种扰动事件的典型信号，并对事件类型打上标签，作为原始数据集；
[0034] 搭建分布式光纤光栅传感系统，采用980nm激光
二极管发射
泵浦激光，通过980/1550nm波分复用器后进入到掺铒光纤激光
传感器中，连接传感光纤，1550nm波经可调谐滤光器后经过波分复用器，光隔离器，回路到传感光纤，1550出口经光电探测器连接示波器显示输出信号，由计算机采集存储。设定4种类型入侵事件，如行走，敲打等类型事件。根据事件实际特征基本分布在0-200hz的
频率范围内，因此设定采样率为2khz，采取10ms每
帧的信号
片段，将4种事件类型做标签编码，如0001，0010等，每种事件采集1000个数据片段。
[0035] S2：计算信号短时能量和短时过电平率，与设定阈值对比。
[0036] 对每段信号计算短时能量 及短时过电平率为δ为电平阈值，噪声电压一般在δ之下，入侵信号电压大
于阈值δ，短时过阈值率反映信号振动变化，对不同事件类型的信号强度进行统计分析，得到δ，可根据实际调整取值200左右。根据实际工况设定短时能量阈值E*和短时过电平率阈值Z*，为降低系统的虚警率和漏检率，阈值设置应保留所有类型信号数据，当产生扰动事件* 8 *
时一定要被检测到。设定短时能量阈值E＝2×10 ，设定短时过电平率阈值为Z＝100，当满足条件(E-E*)>0或者(Z-Z*)>0时预判为扰动信号，保存两个时域特征并进入S3。
[0037] S3：对信号进行4层小波包分解为16个子频带，计算子频带内能量谱，叠加时域特征构成18维特征向量并归一化。
[0038] 小波包分解过程为将第一层信号分解为高频细节分量和低频细节分量2个子频带，第2层在将每个子频带分解成2个子频带，以此类推，将信号作4层分解得到16个子频带。
[0039] 使用多
分辨率分析理论构造
正交小波基，信号f(t)多分辨率分析的表达式为：其中aj,k，dj,k为近似系数和细节系数，经过低通滤波
器和高通滤波前
下采样后可得到下一层的近似系数aj-1,k和细节系数dj-1,k。经过4层小波包分解后，信号别分解到16个不同的子频带，不同模式扰动信号对应的频带内能量分布存在较大差异。
[0040] 求解计算频带内能量为Ej＝∑n|dj,n|2,即所有频带内小波包变换系数的平方和，将子频带的能量值按顺序组合构成频域特征，即信号的能量谱分布EF＝[E1,E2,E3,...,Ej][0041] 将信号小波包分解得到的16维频域特征EF＝[E1,E2,E3,...,Ej]与2维时域特征组合，构成18维复合特征向量X＝[EF E Z]
[0042] 由于不同特征之间存在差异，需对特征向量做无量纲化处理，本发明采取归一化方法，将特征向量转换为单位向量， 归一化后的单位特征向量为特征提取单元最终输出的特征向量。
[0043] S4：构建双向多层LSTM分类器，将特征向量和事件标签作为输入输出迭代训练，直至达到识别目标；
[0044] RNN网络模型由于梯度消失的问题，而LSTM算法可以避免梯度消失问题，另外LSTM最大的优点是可以记忆上一次状态，学习序列前后之间的关系。双向LSTM网络模型是由前向LSTM和后向LSTM组成，可以较好捕捉由S3部分小波包分解的能量谱分布信息，而不仅仅只关注能量值大小，每个子频带之间的大小关系也反映了模式的代表信息。
[0045] 如图3所示双向LSTM分类器构建步骤如下：
[0046] 步骤1，构建前向LSTM：由S3求解得到18维特征向量X＝[EFE Z]作为模型输入向量，设置输入维度为18，隐藏单元hidden dimension＝30个，太少则拟合效果不好，太多则会过拟合，可根据变化调节，batch_size＝10000，epoch＝100；利用正态分布初始化权重矩阵W和系数b，；
[0047] 步骤2，构建反向LSTM，将输入向量反向排列，即X＝即X18,X17,...,X1],其他与前向LSTM类似，即使用反向LSTM学习特征向量中能量谱的后序分布关系；
[0048] 步骤3，构建全连接层和
输出层：将前向LSTM输出与后向LSTM输出拼接成输出向量，送入softmax全连接层作分类，最后输出事件分类结果，损失函数为分类交叉熵categorical_crossentropy；
[0049] 步骤4，数据迭代训练分类器：S1中打好的类型标签作为网络输出，选用600条数据训练迭代，200条数据测试分类器准确性。
[0050] 经过训练迭代后的双向LSTM网络模型能够
自学习事件特征，实现对光纤传感信号事件分类，具有良好的应用效果。
