張燕君，劉文哲，付興虎*，畢衛(wèi)紅

1. 燕山大學(xué)信息科學(xué)與工程學(xué)院，河北 秦皇島 066004 2. 河北省特種光纖與光纖傳感重點(diǎn)實(shí)驗(yàn)室，河北 秦皇島 066004

基于EMD-AWPP和HOSA-SVM算法的分布式光纖振動(dòng)入侵信號(hào)的特征提取與識(shí)別

張燕君1, 2，劉文哲1，付興虎1, 2*，畢衛(wèi)紅1, 2

1. 燕山大學(xué)信息科學(xué)與工程學(xué)院，河北 秦皇島 066004 2. 河北省特種光纖與光纖傳感重點(diǎn)實(shí)驗(yàn)室，河北 秦皇島 066004

針對(duì)傳統(tǒng)的信號(hào)處理方法無(wú)法有效區(qū)分不同振動(dòng)入侵信號(hào)，提出一種基于EMD-AWPP和HOSA-SVM算法的振動(dòng)信息特征提取與識(shí)別方法，用于解決分布式光纖振動(dòng)入侵檢測(cè)系統(tǒng)的高精度信號(hào)識(shí)別問(wèn)題。處理不同振動(dòng)類型時(shí)，該方法首先利用基于經(jīng)驗(yàn)?zāi)B(tài)分解的自適應(yīng)小波包處理算法，不僅對(duì)信號(hào)的低頻部分進(jìn)行了分解，而且對(duì)高頻部分即信號(hào)的細(xì)節(jié)部分也進(jìn)行了更好的時(shí)頻局部化處理，改善了信號(hào)特征提取精度，減少傳感信號(hào)異常值的影響； 其次采用高階譜分析中的雙譜和雙相干譜，精確提取包含不同振動(dòng)入侵信號(hào)類型的特征矢量； 最后在BPNN參比模型的基礎(chǔ)上，用粒子群算法優(yōu)化SVM的識(shí)別參數(shù)，使識(shí)別模型具有更強(qiáng)的自適應(yīng)和自學(xué)習(xí)能力，克服了神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)的不足之處，實(shí)現(xiàn)不同振動(dòng)入侵信號(hào)的特征矢量識(shí)別。分析結(jié)果表明，針對(duì)不同類型的入侵源識(shí)別，該方法可以有效剔除隨機(jī)噪聲的影響，提取傳感信息的特征矢量，降低異常值的影響，算法的預(yù)測(cè)類別與輸出類別幾乎一致，振動(dòng)識(shí)別的精確率達(dá)到95%以上，識(shí)別效果明顯強(qiáng)于BPNN網(wǎng)絡(luò)的檢測(cè)算法，提高了信息分析的準(zhǔn)確性。

分布式光纖傳感； 經(jīng)驗(yàn)?zāi)B(tài)分解； 自適應(yīng)小波包； 高階譜分析

引 言

近年來(lái)，分布式光纖振動(dòng)入侵檢測(cè)以其測(cè)量精度高、傳感距離長(zhǎng)、空間分辨率高等特點(diǎn)，在周界安防、管道運(yùn)輸和橋梁建筑等領(lǐng)域的識(shí)別檢測(cè)、安全報(bào)警方面，能夠精確識(shí)別出不同的振動(dòng)入侵，且隱蔽性較強(qiáng)，克服了傳統(tǒng)電子安全監(jiān)測(cè)只有單一報(bào)警、缺乏危害識(shí)別的缺點(diǎn)[1-2]。而分布式光纖振動(dòng)檢測(cè)的關(guān)鍵是在噪聲干擾的情況下能夠精確的區(qū)分不同的振動(dòng)入侵事件。因此，相應(yīng)的光纖傳感振動(dòng)入侵信號(hào)的高精度信息提取與識(shí)別方法逐漸成為研究熱點(diǎn)[3]。

在國(guó)外，Min等利用倒頻譜平均消去法和非線性規(guī)模濾波法在頻域上對(duì)入侵信號(hào)進(jìn)行了特征提取，準(zhǔn)確識(shí)別出了天然氣管道上的異常事件； Seeddahmed等[4]提出了一種基于Level Crossings和神經(jīng)網(wǎng)絡(luò)算法的信號(hào)提取與分類方法，識(shí)別出了傳感路徑上的大降雨事件。在國(guó)內(nèi)，饒?jiān)平萚5]利用小波分析法對(duì)信號(hào)進(jìn)行去噪，并基于信號(hào)的邊緣、峰值和功率譜對(duì)信號(hào)進(jìn)行了特征提?。?喻驍芒等[6]提出了一種基于頻帶能量的特征提取方法，并通過(guò)反向傳播神經(jīng)網(wǎng)絡(luò)識(shí)別出了常見(jiàn)的越境信號(hào)。然而，對(duì)于振動(dòng)入侵傳感信號(hào)，小波分析等方法存在信號(hào)本質(zhì)特征的模糊提取和線性穩(wěn)態(tài)缺陷的不足之處，信號(hào)的峰值、功率譜和頻帶能量等特征提取也會(huì)淹沒(méi)在較強(qiáng)的高斯噪聲環(huán)境中。

本研究提出了一種新的分布式光纖傳感振動(dòng)入侵信號(hào)特征提取與識(shí)別方法。該算法首先利用經(jīng)驗(yàn)?zāi)B(tài)分解并結(jié)合自適應(yīng)小波包(empirical mode decomposition with adaptive wavelet packet processing, EMD-AWPP)對(duì)信號(hào)進(jìn)行異常值處理，降低噪聲影響； 然后采用高階譜分析(higher order spectral analysis, HOSA)對(duì)信號(hào)進(jìn)行特征提??； 最后分別使用了粒子群優(yōu)化后的支持向量機(jī)(support vector machine, SVM)和反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network, BPNN)進(jìn)行信號(hào)分類。結(jié)果表明，該方法可較好的提取振動(dòng)入侵傳感信號(hào)的信號(hào)特征，采用支持向量機(jī)進(jìn)行振動(dòng)入侵識(shí)別的精確率較神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的泛化能力。

1 基本原理

1.1 EMD-AWPP信號(hào)降噪原理

單模光纖中的傳感信號(hào)非常微弱，加之伴隨著光纖傳感距離的增加，光纖鏈路遠(yuǎn)端發(fā)出的散射光信號(hào)經(jīng)常會(huì)被噪聲所淹沒(méi)，變得難以檢測(cè)。同時(shí)，振動(dòng)信號(hào)通常具有頻帶范圍寬和非線性、非平穩(wěn)等特性。對(duì)于此類信號(hào)，短時(shí)傅里葉變換、小波變換等方法都存在信號(hào)分析的不適應(yīng)、線性穩(wěn)態(tài)缺陷和信號(hào)本質(zhì)特征模糊提取等缺點(diǎn)。因此，提出了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解的自適應(yīng)小波包去噪方法。

經(jīng)驗(yàn)?zāi)B(tài)分解方法[7]根據(jù)信號(hào)的局部時(shí)變特性進(jìn)行自適應(yīng)處理，將信號(hào)分成不同的固有模態(tài)函數(shù)(intrinsic mode function，IMF)，IMF分量必須滿足兩個(gè)條件： 首先，分量的極值點(diǎn)個(gè)數(shù)和過(guò)零點(diǎn)個(gè)數(shù)最多相差一個(gè)或相同； 其次，分量的上下包絡(luò)線關(guān)于時(shí)間軸局部對(duì)稱。而相應(yīng)的IMF分量可依據(jù)以下方法進(jìn)行分解[8]。

(1) 確定信號(hào)的局部極值點(diǎn)，采用三次樣條函數(shù)求得上下包絡(luò)線m1(t)和m2(t)的均值。

λ1(t)=[m1(t)+m2(t)]/2

(1)

(2) 將信號(hào)x(t)減去上下包絡(luò)線均值λ1(t)得y1(t)=x(t)-λ1(t)。

(3) 判定y1(t)是否滿足IMF條件。如果不滿足，則將y1(t)視為新的x(t)，重復(fù)上述步驟(1)和(2)，直到滿足條件。

(4) 此時(shí)，可得到第一個(gè)IMF分量為c1(t)=y1(t)，余項(xiàng)為

r1(t)=x(t)-c1(t)

(2)

將r1(t)作為原始數(shù)據(jù)，進(jìn)行同樣的分解，依次得到IMF分量為c1(t)，c2(t)，…，直到ri(t)很小或成為一個(gè)單調(diào)函數(shù)時(shí)結(jié)束。因此，原信號(hào)可表示為

(3)

式中，余項(xiàng)rn(t)代表信號(hào)的平均趨勢(shì)，IMF分量分別包含了信號(hào)從低到高的不同頻段成分，且都是穩(wěn)定的。

對(duì)于不同IMF分量采用自適應(yīng)閾值的小波包算法進(jìn)行處理[9]： 首先依據(jù)最小熵對(duì)信號(hào)進(jìn)行分解，然后通過(guò)閾值函數(shù)對(duì)分解的高低頻系數(shù)進(jìn)行處理，最后對(duì)得到的估計(jì)小波包系數(shù)進(jìn)行重構(gòu)得到近似函數(shù)。常用的閾值函數(shù)包含軟閾值和硬閾值[10]。然而硬閾值函數(shù)在閾值處不連續(xù)，導(dǎo)致重構(gòu)信號(hào)振蕩； 軟閾值雖然連續(xù)性較好，可閾值前后小波包系數(shù)存在偏差，導(dǎo)致重構(gòu)信號(hào)的邊緣模糊，影響重構(gòu)信號(hào)和真實(shí)信號(hào)的逼近程度。因此，在EMD分解的基礎(chǔ)上，選擇了一種自適應(yīng)處理方法，如式(4)所示[11]。

(4)

Fig.1 The Class one signal processing

Fig.2 The Class two signal processing

由圖1和圖2可得，自適應(yīng)小波閾值去噪后的第一類和第二類信號(hào)雖能夠較好地保留信號(hào)信息，但信號(hào)的細(xì)節(jié)部分較為粗糙； 而基于EMD分解的自適應(yīng)小波包去噪方法不僅對(duì)信號(hào)的低頻部分進(jìn)行了分解，而且對(duì)高頻部分即信號(hào)的細(xì)節(jié)部分也進(jìn)行了更好的時(shí)頻局部化處理，改善了信號(hào)特征提取精度。

1.2 HOSA-SVM信號(hào)識(shí)別原理

振動(dòng)入侵檢測(cè)的光纖傳感信號(hào)是一種比較特殊的微弱信號(hào)，采用時(shí)頻分析和濾波為主的信號(hào)特征分析方法容易丟失高階的有用信息，很難達(dá)到令人滿意的特征分析結(jié)果。因此，采用高階譜分析方法對(duì)去噪后的傳感信號(hào)進(jìn)行信息提取。高階譜分析[12]從較高的階次上反映了不同的振動(dòng)信號(hào)，并且理論上高階譜完全能抑制高斯噪聲，具有很強(qiáng)的消噪能力。

在高階譜分析中，雙譜包含了高階譜的所有特性[13-14]，如雙周期性、對(duì)稱性等，并且雙譜分析對(duì)高斯噪聲不敏感，提高了傳感系統(tǒng)測(cè)得的振動(dòng)信號(hào)非線性特征提取的精確度。

在計(jì)算雙譜估計(jì)的過(guò)程中，通過(guò)加窗函數(shù)對(duì)檢測(cè)數(shù)據(jù)進(jìn)行平滑處理，降低了估計(jì)誤差。在傳感信號(hào)處理中也可使用三階累積量譜中的雙相干譜進(jìn)行信息提取，而雙相干譜[15]可通過(guò)雙譜歸一化得到，

(5)

式中，B(w1,w2)為系統(tǒng)信號(hào)的雙譜，P(w1)，P(w2)，P(w1+w2)分別為x(n)的功率譜在w1，w2，w1+w2處的值。相對(duì)于表示兩個(gè)頻率的能量譜的雙譜，雙相干譜的物理意義在于，體現(xiàn)了頻率w1和w2相位耦合產(chǎn)生的能量在w1+w2處總能量中所占的比例。雙相干譜函數(shù)的平方值b2在0和1之間，客觀上描述了二次耦合的程度。若為0，即不存在相位耦合； 若為1，則w1+w2處的能量完全源于w1和w2的相位耦合。

基于上述特征提取后的結(jié)果，采用粒子群算法優(yōu)化后的支持向量機(jī)對(duì)振動(dòng)入侵信號(hào)進(jìn)行分類識(shí)別，其中SVM通過(guò)選擇某種非線性映射Γ將原空間中的輸入量X映射到高維特征空間[16]，即

f(X)=wT×Γ(X)+b

(6)

式中，w為超平面權(quán)值問(wèn)題，b為偏置項(xiàng)。在高維空間中，根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)的最小化原則，構(gòu)造最優(yōu)決策函數(shù)，以克服神經(jīng)網(wǎng)絡(luò)容易陷入局部最小的缺陷[17-18]。

在SVM模型中，徑向基函數(shù)是較常用的核函數(shù)，此時(shí)支持向量機(jī)的識(shí)別性能的準(zhǔn)確率與懲罰因子c和相應(yīng)的核函數(shù)參數(shù)g有關(guān)?；谏鲜龇治?，采用搜索能力較強(qiáng)的粒子群優(yōu)化算法進(jìn)行SVM參數(shù)選擇。

粒子群算法(particle swarm optimization，PSO)是一種模擬鳥(niǎo)類捕食行為的仿生算法，它不斷更新優(yōu)化初始群體中的兩個(gè)參數(shù)——個(gè)體最優(yōu)解和群體最優(yōu)解，以此得到整個(gè)空間的最優(yōu)解[19]。粒子群中每個(gè)粒子對(duì)個(gè)體最優(yōu)解Pbest和群體最優(yōu)解Gbest的速度和位置按式(7)和式(8)不斷的進(jìn)行動(dòng)態(tài)的調(diào)整和更新。

vij(t+1)=vij+c1r1(Pbesti(t)-xij(t))+

c2r2[Gbesti(t)-xij(t)]

(7)

xij(t+1)=xij(t)+vij(t+1)

(8)

式中，c1和c2為加速度常數(shù)(學(xué)習(xí)速率)；r1和r2為均勻分布的隨機(jī)數(shù)；vij為第i個(gè)粒子第j個(gè)參數(shù)的當(dāng)前速度；xij為第i個(gè)粒子第j個(gè)參數(shù)的當(dāng)前位置。因此，基于粒子群參數(shù)優(yōu)化SVM的振動(dòng)識(shí)別過(guò)程如圖3所示。

Fig.3 The detection process of SVM based on PSO algorithm

2 結(jié)果與討論

為了驗(yàn)證所提出的分布式光纖傳感振動(dòng)入侵檢測(cè)方法的有效性，設(shè)傳感光纖在某一位置處分別受到了3種振動(dòng)信號(hào)的影響。首先對(duì)振動(dòng)入侵源進(jìn)行分析，劃分風(fēng)險(xiǎn)類別，然后通過(guò)EMD-AWPP和HOSA-SVM方法對(duì)獲取的不同類型的訓(xùn)練樣本和測(cè)試信號(hào)進(jìn)行仿真識(shí)別。在不同振動(dòng)入侵條件下，所采集到的第一類信號(hào)及其功率譜圖、雙相干譜圖如圖4和圖5所示。

由圖4和圖5可得，在環(huán)境噪聲很強(qiáng)，即低信噪比的情況下，功率譜反映不出第一類信號(hào)的有用信息，而不受非線性高斯噪聲和加性高斯噪聲影響的雙相干譜分析可以準(zhǔn)確地提取信息特征，明顯提高了微弱信號(hào)的檢測(cè)效果。此外，雙譜分析在檢測(cè)微弱信號(hào)也比傳統(tǒng)的功率譜分析效果較好。下面對(duì)于經(jīng)EMD-AWPP處理后的三種振動(dòng)入侵信號(hào)分別進(jìn)行雙譜和雙相干譜分析，雙譜分析的二維結(jié)果如圖6所示，雙相干譜分析的三維結(jié)果如圖7所示。

Fig.4 Low signal-noise ratio signal and its power spectrum

Fig.5 The bicoherence spectrum of low signal-noise ratio signal

Fig.6 The bispectrum of different signal

Fig.7 The bicoherence spectrum of different signal

由圖6和圖7可知，三種入侵源的分析結(jié)果存在著較為明顯的差別。圖6雙譜分析的二維結(jié)果表明，第一類振動(dòng)傳感信號(hào)的非線性相位耦合現(xiàn)象主要集中在基頻附近，表明在出現(xiàn)第一類振動(dòng)前后，基帶信號(hào)中的諧波成分沒(méi)有出現(xiàn)變化，其他頻率處趨于高斯特性，而第二、三類信號(hào)的非線性相位耦合逐漸體現(xiàn)在諧波成分上，且范圍具有差異。圖7雙相干譜分析的三維結(jié)果表明，第一類信號(hào)只有一個(gè)波形極值點(diǎn)，即信號(hào)只在基頻w1和w2處產(chǎn)生非線性相位耦合，且其能量占信號(hào)在w1+w2處總能量的比例較大，而第二、三類信號(hào)在若干頻率分量處發(fā)生不同程度的相位耦合現(xiàn)象，峰值頻率范圍逐漸增大，非線性增強(qiáng)。通過(guò)高階譜分析提取出來(lái)的三類信號(hào)的信息特征彼此也存在較大的區(qū)別，即利用雙譜和雙相干譜分析可以很有效的提取出不同信號(hào)的特征信息，利于傳感信號(hào)的信息識(shí)別。

在每個(gè)振動(dòng)源下各采集15組傳感信號(hào)進(jìn)行分析，提取10組經(jīng)高階譜分析后的幅值矢量作為信號(hào)特征量，分別用矢量(-1, 0, 1)的元素表示第一類、第二類和第三類的輸出類型矢量，另外5組數(shù)據(jù)作為測(cè)試樣本。

構(gòu)建識(shí)別模型時(shí)，首先采用粒子群算法對(duì)SVM參數(shù)進(jìn)行優(yōu)化，其中PSO的粒子的種群數(shù)為25，最大迭代次數(shù)為200，學(xué)習(xí)因子分別為1.5和1.7。通過(guò)訓(xùn)練樣本數(shù)據(jù)，得到識(shí)別模型中粒子的平均適應(yīng)度和最佳適應(yīng)度如圖8所示，

Fig.8 The fitness curve of Particle Swarm

雖然PSO參數(shù)尋優(yōu)過(guò)程中利用了隨機(jī)函數(shù)，致使訓(xùn)練測(cè)試得到的SVM參數(shù)略有不同，但其并不嚴(yán)重影響SVM對(duì)測(cè)量的正確識(shí)別。同時(shí)，采用反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network, BPNN)作為優(yōu)化后的SVM識(shí)別的參比模型，其對(duì)比結(jié)果如圖9所示。

Fig.9 The result of testing recognition

由圖9可以看出，針對(duì)不同類型的入侵源識(shí)別，采用SVM檢測(cè)算法的預(yù)測(cè)類別與輸出類別幾乎一致，振動(dòng)識(shí)別的精確率達(dá)到95%以上，識(shí)別效果明顯強(qiáng)于BPNN網(wǎng)絡(luò)的檢測(cè)算法，并且SVM克服了神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)的不足之處，更適用于振動(dòng)入侵信號(hào)高識(shí)別率的要求。

3 結(jié) 論

以光纖為媒介對(duì)周?chē)顒?dòng)目標(biāo)進(jìn)行識(shí)別檢測(cè)是基于分布式光纖傳感的振動(dòng)入侵檢測(cè)系統(tǒng)的主要特點(diǎn)。該系統(tǒng)的傳感信號(hào)為非平穩(wěn)信號(hào)，采用傳統(tǒng)的信號(hào)處理方法如小波分析和功率譜分析均不能有效區(qū)分不同振動(dòng)入侵信號(hào)，且易淹沒(méi)在噪聲環(huán)境中。而本工作提出的基于EMD-AWPP和HOSA-SVM的振動(dòng)信息的提取與識(shí)別方法，可很好地解決非平穩(wěn)信號(hào)處理方法的不足。結(jié)果表明，該算法通過(guò)EMD自適應(yīng)小波包算法解決了傳統(tǒng)信號(hào)去噪精確度低的問(wèn)題，而且使用高階譜分析算法準(zhǔn)確地提取出了包含傳感信息的特征矢量，并在BPNN參比模型的基礎(chǔ)上，用粒子群算法優(yōu)化SVM的識(shí)別參數(shù)，使識(shí)別模型具有更強(qiáng)的自適應(yīng)和自學(xué)習(xí)能力。因此，本算法可有效剔除隨機(jī)噪聲的影響，提取傳感信息的特征矢量，同時(shí)高精確識(shí)別不同類型的振動(dòng)入侵信號(hào)，提高了信息分析的準(zhǔn)確性。

[1] Wu Huijuan, Rao Yunjiang, Tang Cheng, et al. Sensors and Actuators A: Physical, 2011, 167(2): 548.

[2] Zhou Zhengxian, Zhuang Songlin. Optics Communications, 2014, 33: 1.

[3] Wei Pu, Shan Xuekang, Sun Xiaohan. Optical Fiber Technology, 2013, 19(1): 47.

[4] Mahmoud S S, Visagathilagar Y, Katsifolis J. Photonic Sensors, 2012, 2(3): 225.

[5] RAO Yun-jiang, WU Min, RAN Zeng-ling, et al(饒?jiān)平?，?敏，冉曾令，等). Chinese Journal of Sensors and Actuators(傳感技術(shù)學(xué)報(bào)), 2007, 20(5): 45.

[6] YU Xiao-mang, LUO Guang-ming, ZHU Zhen-min, et al(喻驍芒，羅光明，朱珍民，等). Opto-Electronic Engineering(光電工程), 2014, 41(1): 36.

[7] Marco Leo, David Looney, Tiziana D’Orazio et al. IEEE Transactions on Instrumentation and Measurement，2012, 61(1): 221.

[8] David Looney, Danilo P. IEEE Transactions on Signal Processing. 2009, 57(4): 1626.

[9] Shao Renping, Hu Wentao, Wang Yayun，et al. Measurement, 2014, 54: 118.

[10] Hu Qiao, He Zhengjia, Zhang Zhousuo et al. Mechanical Systems and Signal Processing, 2007, 21: 688.

[11] LIU Heng-bing, HAN Shi-qin, LIU Jing(劉恒冰，韓世勤，劉 晶). Computer Engineering and Applications(計(jì)算機(jī)工程與應(yīng)用), 2007, 43(24): 72.

[12] Jia Xiaoning, Yang Hang, Ma Siliang，et al. Optics and Lasers in Engineering, 2014, 57: 28.

[13] Kuang Chua Chuaa, Vinod Chandran, U Rajendra Acharyaa，et al. Medical Engineering & Physics, 2010, 32: 679.

[14] Liang B, Iwnicki S D, Zhao Y. Mechanical Systems and Signal Processing, 2013, 39: 342.

[15] QIU Su, JIN Wei-qi, SONG Zheng(裘 溯，金偉其，宋 錚). Optical Technique(光學(xué)技術(shù)), 2011, 37(3): 351.

[16] Helena G Ramos, Tiago Rocha, Jakub Král，et al. Measurement, 2014, 54: 201.

[17] Cheng Weifei, Guang Chenbai. Mechanical Systems and Signal Processing，2014, 49: 196.

[18] Sun Jiedi, Xiao Qiyang, Wenb Jiangtao，et al. Measurement, 2014, 55: 434.

[19] Behrang M A, Assareh E, Noghrehabadi A R，et al. Energy, 2011, 36: 3036.

*Corresponding author

An Extraction and Recognition Method of the Distributed Optical Fiber Vibration Signal Based on EMD-AWPP and HOSA-SVM Algorithm

ZHANG Yan-jun1, 2, LIU Wen-zhe1, FU Xing-hu1, 2*, BI Wei-hong1, 2

1. School of Information Science and Engineering, Yanshan University, Qinhuangdao 066004, China 2. The Key Laboratory for Special Fiber and Fiber Sensor of Hebei Province, Qinhuangdao 066004, China

Given that the traditional signal processing methods can not effectively distinguish the different vibration intrusion signal, a feature extraction and recognition method of the vibration information is proposed based on EMD-AWPP and HOSA-SVM, using for high precision signal recognition of distributed fiber optic intrusion detection system. When dealing with different types of vibration, the method firstly utilizes the adaptive wavelet processing algorithm based on empirical mode decomposition effect to reduce the abnormal value influence of sensing signal and improve the accuracy of signal feature extraction. Not only the low frequency part of the signal is decomposed, but also the high frequency part the details of the signal disposed better by time-frequency localization process. Secondly, it uses the bispectrum and bicoherence spectrum to accurately extract the feature vector which contains different types of intrusion vibration. Finally, based on the BPNN reference model, the recognition parameters of SVM after the implementation of the particle swarm optimization can distinguish signals of different intrusion vibration, which endows the identification model stronger adaptive and self-learning ability. It overcomes the shortcomings, such as easy to fall into local optimum. The simulation experiment results showed that this new method can effectively extract the feature vector of sensing information, eliminate the influence of random noise and reduce the effects of outliers for different types of invasion source. The predicted category identifies with the output category and the accurate rate of vibration identification can reach above 95%. So it is better than BPNN recognition algorithm and improves the accuracy of the information analysis effectively.

Distributed optical fiber sensing; Empirical mode decomposition; Adaptive wavelet packet; Higher order spectral analysis

Nov. 25, 2014; accepted Mar. 21, 2015)

2014-11-25，

2015-03-21

國(guó)家自然科學(xué)基金項(xiàng)目(61205068)，中國(guó)博士后科學(xué)基金項(xiàng)目(2013M541200)，河北省自然科學(xué)基金項(xiàng)目(F2014203125)，燕山大學(xué)“新銳工程”人才支持計(jì)劃項(xiàng)目資助

張燕君，女，1973年生，燕山大學(xué)信息科學(xué)與工程學(xué)院教授 e-mail： yjzhang@ysu.edu.cn *通訊聯(lián)系人 e-mail: fuxinghu@ysu.edu.cn

TN247

A

10.3964/j.issn.1000-0593(2016)02-0577-06