帥 師，王 翦，吳紅艷，賈 波，艾 鑫

(1.復(fù)旦大學(xué) 材料科學(xué)系，上海 200433； 2.上海復(fù)旦智能監(jiān)控成套設(shè)備有限公司，上海 201906)

隨著光纖技術(shù)的發(fā)展，光纖傳感系統(tǒng)在通信、醫(yī)療、航空、軍事、能源和安防等方面得到了高度的重視和廣泛的應(yīng)用[1-5]．光纖傳感系統(tǒng)是集光學(xué)技術(shù)、電學(xué)技術(shù)、信號(hào)處理技術(shù)于一體的綜合性系統(tǒng)，可用于測(cè)量應(yīng)力、溫度、聲音等多種物理量，具有抗電磁干擾、耐腐蝕、靈敏度高、結(jié)構(gòu)簡單、安全可靠等優(yōu)點(diǎn)，能夠應(yīng)用于一些傳統(tǒng)傳感器無法使用的環(huán)境，比如核磁共振室、長距離野外管道以及海洋等極端環(huán)境[6-8]．

分布式光纖傳感技術(shù)是光纖傳感技術(shù)中的一個(gè)重要分支，該技術(shù)利用光纖的一維空間特性對(duì)環(huán)境中的物理量進(jìn)行測(cè)量，光纖既作傳感元件，又作傳輸介質(zhì)．目前，常用的分布式光纖傳感技術(shù)有光時(shí)域反射技術(shù)(Optical Time Domain Reflection, OTDR)、光纖雙光束干涉技術(shù)和準(zhǔn)分布式光纖布拉格光柵復(fù)用技術(shù)[9-11]，其中OTDR技術(shù)存在盲區(qū)且儀器體積較大，布拉格光柵復(fù)用結(jié)構(gòu)比較復(fù)雜，而光纖雙光束干涉法構(gòu)造簡單、精度高[12-14]，故本文采用這種方法．

將該系統(tǒng)布設(shè)在所需環(huán)境中，可以對(duì)各種入侵信號(hào)進(jìn)行監(jiān)測(cè)和報(bào)警．目前，入侵信號(hào)定位技術(shù)已很成熟，以往的算法通常是將采集到的信號(hào)直接進(jìn)行定位[5]．在實(shí)際應(yīng)用中，系統(tǒng)因其極高的靈敏度可能對(duì)入侵信號(hào)和非入侵信號(hào)均進(jìn)行定位計(jì)算和報(bào)警，既浪費(fèi)系統(tǒng)內(nèi)存，又因誤報(bào)對(duì)使用單位造成困擾．因此，對(duì)光纖傳感系統(tǒng)所采集的信號(hào)預(yù)先進(jìn)行模式識(shí)別，準(zhǔn)確區(qū)分入侵信號(hào)與非入侵信號(hào)是一個(gè)亟待解決的問題．目前，關(guān)于分布式光纖傳感系統(tǒng)模式識(shí)別的研究較少，常見的方法是提取出時(shí)域或頻域信號(hào)中的某一特征參量，如強(qiáng)度、方差、短時(shí)平均能量、短時(shí)過電平率等，然后利用統(tǒng)計(jì)學(xué)方法進(jìn)行分類[7,15-18]．這些方法的實(shí)現(xiàn)步驟較為復(fù)雜，識(shí)別準(zhǔn)確率較低，容易受到外界干擾，在復(fù)雜環(huán)境中的可靠性較低．

本文將語音信號(hào)模式識(shí)別中常用的Mel頻率倒譜系數(shù)(Mel Frequency Cepstrum Coefficient, MFCC)特征提取法應(yīng)用于分布式光纖傳感系統(tǒng)的信號(hào)特征提取，并用支撐向量機(jī)(Support Vector Machine, SVM)分類器進(jìn)行模式識(shí)別．對(duì)實(shí)際應(yīng)用中的敲擊、剪切等入侵信號(hào)和吹風(fēng)(用電風(fēng)扇模擬)、下雨(用澆水模擬)等非入侵信號(hào)進(jìn)行了分析，達(dá)到了良好的識(shí)別效果，實(shí)現(xiàn)了較高的識(shí)別率．該技術(shù)可以有效屏蔽風(fēng)雨的干擾，提高系統(tǒng)的運(yùn)行效率，具有很強(qiáng)的實(shí)用價(jià)值．

1 分布式光纖傳感系統(tǒng)

本文所使用的分布式光纖傳感系統(tǒng)的結(jié)構(gòu)如圖1所示．本系統(tǒng)是MZ干涉儀與Sagnac干涉儀的混合結(jié)構(gòu)，如圖1所示，其中： SLD為超輻射發(fā)光二極管光源；C 1為3×3耦合器；TD為延遲線圈；C 2為2×2耦合器；FRM為法拉第旋轉(zhuǎn)鏡；PIN 1、PIN 2為兩個(gè)光電探測(cè)器；DAQ為數(shù)據(jù)采集卡，采集到的數(shù)據(jù)最終輸入計(jì)算機(jī)進(jìn)行處理．

圖1 分布式光纖傳感器結(jié)構(gòu)圖Fig.1 Schematic diagram of the distributed optical fiber sensor

光源發(fā)出的光經(jīng)過3×3耦合器C 1后分為兩路： 一路經(jīng)延遲線圈進(jìn)入2×2耦合器C 2；另一路直接進(jìn)入2×2耦合器C 2，從2×2耦合器C 2出來的光經(jīng)擾動(dòng)點(diǎn)后在法拉第旋轉(zhuǎn)鏡處返回，經(jīng)過2×2耦合器C 2后又分為兩路，所以最終有4種路徑的光信號(hào)匯集到光電探測(cè)器： 路徑1(1-5-7-8-9-10-9-8-6-4)；路徑2(1-4-6-8-9-10-9-8-7-5)；路徑3(1-5-7-8-9-10-9-8-7-5)；路徑4(1-4-6-8-9-10-9-8-6-4)．

由于只有光程差小于光源相干長度的兩束光才能發(fā)生干涉，所以本系統(tǒng)中只有路徑1與路徑2兩束光可以互相干涉．當(dāng)有外界擾動(dòng)時(shí)，兩束光產(chǎn)生相位變化，由于這兩束光到達(dá)擾動(dòng)點(diǎn)的時(shí)間不同，因此形成相位差，進(jìn)而在3×3耦合器C 1處發(fā)生干涉，干涉信號(hào)由光電探測(cè)器轉(zhuǎn)換，經(jīng)采集卡輸入計(jì)算機(jī)進(jìn)行解調(diào)．

根據(jù)光彈效應(yīng)，光傳播過程中相位的變化與外界擾動(dòng)信號(hào)成正比[19-20]．假設(shè)t時(shí)刻在距反射鏡L位置處有頻率為ω的正弦擾動(dòng)信號(hào)，其引起光纖中傳輸?shù)墓獾南辔蛔兓癁棣?sinω(t)，光束經(jīng)路徑1回到3×3耦合器C 1處的相位變化可以表示為：

Δφ1(t)=φ0sinω(t)+φ0sin[ω(t+τL)],

(1)

其中：ω為外界擾動(dòng)頻率；τL=2neffL/c；neff為光纖有效折射率；c為真空中光速．同理，光束經(jīng)路徑2回到3×3耦合器C 1處的相位變化可以表示為：

Δφ2(t)=φ0sin[ω(t+τD)]+φ0sin[ω(t+τD+τL)]，

(2)

其中τD為光束經(jīng)過延遲線圈的時(shí)間．所以，發(fā)生干涉的兩束光的相位差可以表示為：

Δφ(t)=Δφ2(t)-Δφ1(t).

(3)

光電探測(cè)器PIN 1和PIN 2探測(cè)到的兩束光信號(hào)的光功率可以表示為：

(4)

根據(jù)文獻(xiàn)[21]介紹的相位還原方法，將光電探測(cè)器探測(cè)到的信號(hào)經(jīng)光電轉(zhuǎn)換輸入計(jì)算機(jī)進(jìn)行解調(diào)，即可還原出擾動(dòng)引起的光相位變化φ0sinω(t)．

2 MFCC特征提取

MFCC模擬了人耳的聽覺特性，人耳對(duì)不同頻率的聲音有不同的感知，人耳聽到的頻率與實(shí)際頻率存在這樣的映射關(guān)系[22]：

(5)

其中：fMel為Mel頻率；f為實(shí)際頻率．根據(jù)式(5)可以作出如圖2所示的曲線圖，可以發(fā)現(xiàn)，在1kHz以下Mel頻率和實(shí)際頻率近似為線性關(guān)系，在1kHz以上近似為對(duì)數(shù)關(guān)系．

在分布式光纖傳感系統(tǒng)中，外界擾動(dòng)信號(hào)本質(zhì)上是由振動(dòng)引發(fā)的音頻信號(hào)[23]，這種傳感信號(hào)與語音都具有長時(shí)非平穩(wěn)、短時(shí)平穩(wěn)、不連續(xù)等性質(zhì)[24]，所以可以將用于語音信號(hào)特征提取的MFCC方法用于光纖傳感系統(tǒng)的信號(hào)．MFCC的計(jì)算流程如圖3所示．

圖2 Mel頻率與實(shí)際頻率的關(guān)系圖Fig.2 Graphical relationship between Mel frequency and real frequency

圖3 MFCC參數(shù)計(jì)算流程示意圖Fig.3 Block diagram of MFCC extraction algorithm

首先，對(duì)經(jīng)過解調(diào)后的信號(hào)進(jìn)行分幀和加窗處理，因?yàn)橥饨鐢_動(dòng)信號(hào)具有短時(shí)(10～30ms)平穩(wěn)的特性，所以需要把一段長信號(hào)劃分為每段長度為10～30ms的短信號(hào)，并對(duì)分割后的信號(hào)加漢明窗；然后，對(duì)時(shí)域信號(hào)進(jìn)行快速傅里葉變換(Fast Fourier Transform, FFT)轉(zhuǎn)化到頻域，將得到的線性頻譜通過Mel頻率濾波器組后得到Mel頻譜S(k)，其中Mel頻率濾波器組是一組梳狀濾波器，每個(gè)濾波器的中心頻率在Mel尺度上是等間距的，前一濾波器的中心頻率是后一濾波器的起始頻率，濾波器個(gè)數(shù)由信號(hào)截止頻率決定；最后，將Mel頻譜取對(duì)數(shù)，并進(jìn)行離散余弦變換(Discrete Cosine Transform, DCT)變化，得到Mel倒譜：

(6)

文獻(xiàn)[25]的研究表明，聲音信號(hào)的大部分信息都保留在低頻部分，因此，我們只取C(1)到C(12)這12維MFCC參數(shù)．

3 SVM模型

20世紀(jì)90年代，Vapnik等基于統(tǒng)計(jì)理論中的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理提出了SVM模型，該方法建立一個(gè)分類超平面作為決策平面，使得兩類數(shù)據(jù)之間的隔離邊緣最大化[26-27]．SVM適應(yīng)能力強(qiáng)、分辨準(zhǔn)確率高，相較于決策樹算法、貝葉斯算法、遺傳算法、關(guān)聯(lián)規(guī)則分類等分類算法，它在解決小樣本、非線性及高維模式識(shí)別中有許多特有的優(yōu)勢(shì)，在模式識(shí)別領(lǐng)域有重要應(yīng)用[28]．光纖傳感系統(tǒng)需要長時(shí)間布設(shè)在野外，樣本庫的訓(xùn)練通常在前期完成，因此“小樣本訓(xùn)練、高識(shí)別率”的SVM算法非常適合于該系統(tǒng)．

3.1 SVM二分類原理

當(dāng)兩類信號(hào)線性可分時(shí)，可以用線性SVM找到空間中的最優(yōu)平面劃分兩類數(shù)據(jù)．在分布式光纖傳感系統(tǒng)中，由于噪聲的存在，采集到的信號(hào)是線性不可分的，此時(shí)需要將線性不可分的樣本映射到高維空間，使其線性可分，映射后空間的最優(yōu)分界面為：

(7)

(8)

(9)

(10)

將式(10)代入式(9)可將目標(biāo)函數(shù)化簡為：

(11)

相應(yīng)的分類決策函數(shù)為：

(12)

(13)

3.2 SVM多分類原理

本文需要區(qū)分多種類型的擾動(dòng)信號(hào)，本質(zhì)上是一個(gè)多分類問題．SVM常用于二分類問題，但是它也適用于多分類情況，假設(shè)輸入數(shù)據(jù)共有k類樣本，現(xiàn)有的算法主要有以下幾種[29]：

(1) “一對(duì)多”判決法

依次用一個(gè)二分類SVM分類器(以下簡稱分類器)將一類樣本從剩余樣本中區(qū)分出來，對(duì)于k類樣本共需要k個(gè)分類器；

(2) “一對(duì)一”判決法

在任意兩類樣本間都設(shè)計(jì)一個(gè)分類器，對(duì)于k類樣本共需要k(k-1)/2個(gè)分類器．當(dāng)未知樣本輸入時(shí)，每個(gè)分類器都對(duì)其進(jìn)行識(shí)別，給出一個(gè)類別判斷，最后“得票最多”的類別即為最后的識(shí)別結(jié)果；

(3) 層次判決法

層次分類法是一個(gè)倒立的二叉樹結(jié)構(gòu)，首先將輸入樣本劃分為2個(gè)子類，再將各子類再次劃分成次級(jí)子類，如此循環(huán)下去，直到得到一個(gè)單獨(dú)的類別為止．層次判決法可以有不同的二叉樹結(jié)構(gòu)，在使用時(shí)需要合理選擇分類結(jié)構(gòu)．

研究[30]表明，“一對(duì)一”判決法SVM分類器具有良好的分類效果，我們實(shí)驗(yàn)中也選擇了這種方法．

4 實(shí) 驗(yàn)

圖4 實(shí)驗(yàn)算法示意圖Fig.4 Block diagram of the experiment

搭建如圖4所示的光路系統(tǒng)，將傳感光纜(即圖1中8～10段)布設(shè)在圍欄上，系統(tǒng)所用光纖為標(biāo)準(zhǔn)單模光纖，光源為波長為1310nm的激光光源，數(shù)據(jù)采集卡使用NIDAQPCI-6122，采樣率為200kHz，信號(hào)處理部分由LabVIEW 2015和MATLAB R2015b共同完成，算法示意圖由圖4所示．

對(duì)布設(shè)在圍欄上的光纜實(shí)施動(dòng)作，采集敲擊、剪切、吹風(fēng)、下雨(其中吹風(fēng)以電風(fēng)扇模擬、下雨以澆水模擬)4類信號(hào)各100個(gè)、共400個(gè)信號(hào)，每個(gè)信號(hào)長度為0.5s，即100k點(diǎn)．為了提高數(shù)據(jù)的可靠性，每種信號(hào)均由4位實(shí)施者完成．為了提高運(yùn)算速度與準(zhǔn)確率，我們對(duì)每個(gè)數(shù)據(jù)進(jìn)行降采樣處理，降采樣因子為10，信號(hào)點(diǎn)數(shù)由100k點(diǎn)下降為10k點(diǎn)．典型的原始信號(hào)時(shí)域圖和頻域圖如圖5所示，

圖5 原始信號(hào)時(shí)域圖與頻域圖Fig.5 Original signals and relevant frequency spectra

可以看到每種信號(hào)的頻帶都集中在1kHz以下，剪切信號(hào)的主頻帶在100Hz和250Hz附近，敲擊信號(hào)的主頻帶在80Hz和200Hz附近，吹風(fēng)信號(hào)頻譜和下雨信號(hào)頻譜的幅值均很小，50Hz左右的低頻信號(hào)為環(huán)境噪聲，所以這兩類信號(hào)的主頻帶分別在400Hz處和250Hz處.4類信號(hào)有明顯的頻譜特征，由此可以推斷基于頻譜變換的MFCC特征提取方法是有效的．

接下來，為了進(jìn)一步提取出有用信號(hào)，排除無效環(huán)境噪聲的影響，對(duì)信號(hào)進(jìn)行端點(diǎn)檢測(cè)，通過短時(shí)平均能量方法識(shí)別信號(hào)發(fā)生起跳點(diǎn)，從起跳點(diǎn)開始截取3k點(diǎn)，至此這3k點(diǎn)包含的就是有效擾動(dòng)信號(hào)．經(jīng)過這些處理后，按圖3流程提取每個(gè)信號(hào)的MFCC參數(shù)，這4類信號(hào)的MFCC參數(shù)如圖6所示．

圖6 4類信號(hào)的MFCC特征參數(shù)Fig.6 Four kinds of original signals’ MFCC

表1 識(shí)別結(jié)果

注： 1)為平均值.

最后，構(gòu)建SVM模型，選定合適的模型參數(shù)，從4類信號(hào)中隨機(jī)選擇20個(gè)樣本作為訓(xùn)練集送入SVM分類器進(jìn)行訓(xùn)練．訓(xùn)練結(jié)束后，將剩余的每類80個(gè)樣本作為測(cè)試集輸入分類器進(jìn)行識(shí)別，識(shí)別結(jié)果如表1所示．

從識(shí)別結(jié)果可以看出，MFCC和SVM模型相結(jié)合的模式識(shí)別方法具有良好的識(shí)別效果，對(duì)敲擊、剪切兩類入侵信號(hào)的識(shí)別率分別為97.50%和95.00%，對(duì)吹風(fēng)、下雨兩類非入侵信號(hào)的識(shí)別率均為100.00%，對(duì)4類信號(hào)的綜合識(shí)別率為98.13%．人為入侵信號(hào)具有一定隨機(jī)性，不同的實(shí)施者所制造的擾動(dòng)信號(hào)在強(qiáng)度、持續(xù)時(shí)間等方面都有差別，而自然環(huán)境聲音等非入侵信號(hào)相對(duì)穩(wěn)定，此即實(shí)驗(yàn)中非入侵信號(hào)識(shí)別率略高于入侵信號(hào)的原因．光纖傳感系統(tǒng)通常布設(shè)在野外環(huán)境，受到環(huán)境噪聲的影響很大，本文提出的模式識(shí)別技術(shù)能夠準(zhǔn)確區(qū)分入侵信號(hào)與非入侵信號(hào)，識(shí)別結(jié)束后，系統(tǒng)僅需對(duì)入侵信號(hào)進(jìn)行定位和報(bào)警，節(jié)省了系統(tǒng)內(nèi)存空間，提高了系統(tǒng)運(yùn)行效率．將該系統(tǒng)布設(shè)于某中學(xué)周界，將光纖綁在鐵藝圍欄上用于傳感和信號(hào)傳輸，系統(tǒng)連續(xù)運(yùn)行一個(gè)月，風(fēng)雨天氣實(shí)現(xiàn)零誤報(bào)．

5 結(jié) 論

本文基于分布式光纖傳感系統(tǒng)所采集到信號(hào)的特點(diǎn)，借鑒傳統(tǒng)的語音信號(hào)檢測(cè)方法，提出了一種用MFCC方法提取特征參數(shù)、用SVM模型進(jìn)行識(shí)別的分布式光纖傳感系統(tǒng)信號(hào)模式識(shí)別方法，能夠準(zhǔn)確區(qū)分入侵信號(hào)與非入侵信號(hào)．實(shí)驗(yàn)中僅選取每類信號(hào)中20個(gè)樣本作為訓(xùn)練集，而80個(gè)樣本作為測(cè)試集，分類結(jié)果驗(yàn)證了SVM算法在小樣本訓(xùn)練集上的優(yōu)異性能．本文提出的分類算法計(jì)算流程簡單，識(shí)別準(zhǔn)確率高，受環(huán)境影響小，具有很強(qiáng)的實(shí)用性．實(shí)驗(yàn)系統(tǒng)運(yùn)行穩(wěn)定，性能良好，能夠推廣到實(shí)際應(yīng)用中，先利用本算法對(duì)光纖傳感系統(tǒng)采集到的信號(hào)進(jìn)行模式預(yù)判，排除風(fēng)雨等非入侵信號(hào)的干擾，僅對(duì)入侵信號(hào)進(jìn)行定位和報(bào)警，很大程度上降低了誤報(bào)率，能夠提升分布式光纖傳感器的工作性能．