深度學習下光纖圍欄入侵告警方法
發(fā)布時間：2021-02-06 04:48
針對傳統(tǒng)安防系統(tǒng)中入侵信號識別速度緩慢、誤報率較高等問題,提出一種深度學習下光纖圍欄入侵告警方法。首先利用稀疏自編碼器對信號的數(shù)據(jù)特征逐層提取,借此獲取信號中的有效信息,同時將不同類別的信號進行正確歸類;其次建立光纖圍欄入侵告警系統(tǒng),利用端點測量判斷是否存在擾動信號,并將采集到的數(shù)據(jù)作為訓練集進行訓練,實現(xiàn)擾動信號位置的精準定位;最后運用相空間重構對入侵告警信號深層次識別,將相空間重構加入維數(shù)形成復小波包,進行轉換數(shù)據(jù),輸入小波包維數(shù)長度并生成入侵信號識別的特征集,利用主成分分析對原本特征集降維,減少光纖圍欄系統(tǒng)誤報率。仿真結果表明,所提方法可顯著提升入侵信號識別精度,且識別效率較高,具有較好的魯棒性。
【文章來源】：激光雜志. 2020,41(10)北大核心
【文章頁數(shù)】：5 頁
【部分圖文】：
稀疏自編碼器結構示意圖
光纖圍欄入侵告警系統(tǒng)內(nèi)的主機板塊在系統(tǒng)中發(fā)揮了關鍵作用，擁有信號解析與分類的功能，詳細的運作流程如圖2所示。從圖2中可知，該板塊是一個5層數(shù)據(jù)模型。第一層是采集層，主要通過信號收集系統(tǒng)進行運作，收集到的模擬信號會通過采集處理編程包含常規(guī)或非常規(guī)的數(shù)字信號;第二層是處理層，處理層與其他層面的性能均使用中心控制計算機來實現(xiàn)。處理層將收集的數(shù)據(jù)實施初始解析，將信號內(nèi)的特征信息進行提取及訓練，同時設定臨界值，對比特征值和臨界值，推斷發(fā)生的時間是否是入侵事件。如果是入侵事件，那么利用特征提取并判別出入侵類型，如攀爬、晃動、敲擊等。第三層是控制層，其主要功能是儲存信號的特征參數(shù)，并建立模式庫。第四層是執(zhí)行層，如果斷定有入侵動作產(chǎn)生，則執(zhí)行層馬上開啟告警模式，如果是非入侵的異常事件，那么就設定轉變系統(tǒng)的有關參變量來解除誤報。第五層是展示層，在計算機內(nèi)使用圖形來顯示入侵動作的詳細信息，例如所在方位與時間等[8]。
處理層的功效主要通過系統(tǒng)內(nèi)的模式識別模塊進行實現(xiàn)，實現(xiàn)原理圖如圖3所示。系統(tǒng)將收集的信號首先采取預加重處理，就是將信號采用濾波器過濾信號內(nèi)的低頻部分，剔除干擾變量。因為信號具備長時且不平穩(wěn)特性，想要將其轉變?yōu)榻咏虝r的穩(wěn)定信號，就要對其采取分幀。首先讓信號經(jīng)過一個矩形窗，并劃分為數(shù)量眾多的幀序列，再對信號實施去噪。對信號采取端點測量是為了判斷干擾信號的存在，若存在干擾信號，就能迅速判斷其具體方位，再利用特征提取區(qū)別不同時間的特征向量[9]。假設收集到的數(shù)據(jù)為初始數(shù)據(jù)，則預先把初始數(shù)據(jù)當作一個訓練集進行訓練，同時將其保存在模式庫中，方便后面對數(shù)據(jù)進行比較，然后通過判斷原則將最終結果進行輸出，完成擾動信號位置決斷。
【參考文獻】：
期刊論文
[1]基于深度學習的ADS-B異常數(shù)據(jù)檢測模型[J]. 丁建立,鄒云開,王靜,王懷超. 航空學報. 2019(12)
[2]基于傅里葉變換和CELM的光纖傳感信號的識別研究[J]. 苗軍,周建亭,袁睿思,寧潤澤. 現(xiàn)代電子技術. 2019(16)
[3]一種基于兩階段深度學習的集成推薦模型[J]. 王瑞琴,吳宗大,蔣云良,樓俊鋼. 計算機研究與發(fā)展. 2019(08)
[4]無線傳感網(wǎng)絡混合型數(shù)據(jù)高效存儲方法仿真[J]. 王志虎. 計算機仿真. 2019(07)
[5]基于相位敏感型光時域反射儀的袋式除塵器漏袋檢測技術[J]. 劉旭安,李俊,史博,丁國紳,湯玉泉,董鳳忠,張志榮. 光子學報. 2019(08)
[6]一種基于Lasso回歸與SVD融合的深度學習模型壓縮方法[J]. 吳進,吳漢寧,劉安,李聰,李喬深. 電訊技術. 2019(05)
[7]軟體氣動驅(qū)動器彎曲變形光纖傳感與形狀重構[J]. 孫廣開,曲道明,閆光,宋言明,祝連慶. 光學精密工程. 2019(05)
[8]基于光纖光柵的溫度與壓力柔性傳感性能測試[J]. 王彥,秦楠,劉吉虹,梁大開,程竹明. 儀器儀表學報. 2019(03)
[9]基于時/頻域綜合特征提取的分布式光纖入侵監(jiān)測系統(tǒng)事件識別方法[J]. 彭寬,馮誠,王森懋,艾凡,李豪,劉德明,孫琪真. 光學學報. 2019(06)
[10]光纖入侵信號的特征提取與識別算法[J]. 曲洪權,宮殿君,張常年,王彥平. 激光與光電子學進展. 2019(13)
本文編號：3020178
【文章來源】：激光雜志. 2020,41(10)北大核心
【文章頁數(shù)】：5 頁
【部分圖文】：
稀疏自編碼器結構示意圖
光纖圍欄入侵告警系統(tǒng)內(nèi)的主機板塊在系統(tǒng)中發(fā)揮了關鍵作用，擁有信號解析與分類的功能，詳細的運作流程如圖2所示。從圖2中可知，該板塊是一個5層數(shù)據(jù)模型。第一層是采集層，主要通過信號收集系統(tǒng)進行運作，收集到的模擬信號會通過采集處理編程包含常規(guī)或非常規(guī)的數(shù)字信號;第二層是處理層，處理層與其他層面的性能均使用中心控制計算機來實現(xiàn)。處理層將收集的數(shù)據(jù)實施初始解析，將信號內(nèi)的特征信息進行提取及訓練，同時設定臨界值，對比特征值和臨界值，推斷發(fā)生的時間是否是入侵事件。如果是入侵事件，那么利用特征提取并判別出入侵類型，如攀爬、晃動、敲擊等。第三層是控制層，其主要功能是儲存信號的特征參數(shù)，并建立模式庫。第四層是執(zhí)行層，如果斷定有入侵動作產(chǎn)生，則執(zhí)行層馬上開啟告警模式，如果是非入侵的異常事件，那么就設定轉變系統(tǒng)的有關參變量來解除誤報。第五層是展示層，在計算機內(nèi)使用圖形來顯示入侵動作的詳細信息，例如所在方位與時間等[8]。
處理層的功效主要通過系統(tǒng)內(nèi)的模式識別模塊進行實現(xiàn)，實現(xiàn)原理圖如圖3所示。系統(tǒng)將收集的信號首先采取預加重處理，就是將信號采用濾波器過濾信號內(nèi)的低頻部分，剔除干擾變量。因為信號具備長時且不平穩(wěn)特性，想要將其轉變?yōu)榻咏虝r的穩(wěn)定信號，就要對其采取分幀。首先讓信號經(jīng)過一個矩形窗，并劃分為數(shù)量眾多的幀序列，再對信號實施去噪。對信號采取端點測量是為了判斷干擾信號的存在，若存在干擾信號，就能迅速判斷其具體方位，再利用特征提取區(qū)別不同時間的特征向量[9]。假設收集到的數(shù)據(jù)為初始數(shù)據(jù)，則預先把初始數(shù)據(jù)當作一個訓練集進行訓練，同時將其保存在模式庫中，方便后面對數(shù)據(jù)進行比較，然后通過判斷原則將最終結果進行輸出，完成擾動信號位置決斷。
【參考文獻】：
期刊論文
[1]基于深度學習的ADS-B異常數(shù)據(jù)檢測模型[J]. 丁建立,鄒云開,王靜,王懷超. 航空學報. 2019(12)
[2]基于傅里葉變換和CELM的光纖傳感信號的識別研究[J]. 苗軍,周建亭,袁睿思,寧潤澤. 現(xiàn)代電子技術. 2019(16)
[3]一種基于兩階段深度學習的集成推薦模型[J]. 王瑞琴,吳宗大,蔣云良,樓俊鋼. 計算機研究與發(fā)展. 2019(08)
[4]無線傳感網(wǎng)絡混合型數(shù)據(jù)高效存儲方法仿真[J]. 王志虎. 計算機仿真. 2019(07)
[5]基于相位敏感型光時域反射儀的袋式除塵器漏袋檢測技術[J]. 劉旭安,李俊,史博,丁國紳,湯玉泉,董鳳忠,張志榮. 光子學報. 2019(08)
[6]一種基于Lasso回歸與SVD融合的深度學習模型壓縮方法[J]. 吳進,吳漢寧,劉安,李聰,李喬深. 電訊技術. 2019(05)
[7]軟體氣動驅(qū)動器彎曲變形光纖傳感與形狀重構[J]. 孫廣開,曲道明,閆光,宋言明,祝連慶. 光學精密工程. 2019(05)
[8]基于光纖光柵的溫度與壓力柔性傳感性能測試[J]. 王彥,秦楠,劉吉虹,梁大開,程竹明. 儀器儀表學報. 2019(03)
[9]基于時/頻域綜合特征提取的分布式光纖入侵監(jiān)測系統(tǒng)事件識別方法[J]. 彭寬,馮誠,王森懋,艾凡,李豪,劉德明,孫琪真. 光學學報. 2019(06)
[10]光纖入侵信號的特征提取與識別算法[J]. 曲洪權,宮殿君,張常年,王彥平. 激光與光電子學進展. 2019(13)
本文編號：3020178
本文鏈接：http://sikaile.net/kejilunwen/dianzigongchenglunwen/3020178.html
教材專著
