苗軍 周建亭 袁睿思 寧潤(rùn)澤

摘? 要： 為了對(duì)系統(tǒng)采集到的光纖振動(dòng)數(shù)據(jù)進(jìn)行更細(xì)致的特征刻畫，文中采用傅里葉變換對(duì)數(shù)據(jù)進(jìn)行特征提取。對(duì)特征提取后的數(shù)據(jù)，通過(guò)二分類任務(wù)決策樹(shù)模型以及約束極速學(xué)習(xí)機(jī)（CELM）算法，進(jìn)行挖掘機(jī)挖掘、人工挖掘、汽車行走、人員行走以及環(huán)境噪音總共5個(gè)類別進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明，與采用傳統(tǒng)的短時(shí)能量/過(guò)零率特征及極速學(xué)習(xí)機(jī)（ELM）算法相比，該文采用傅里葉變換特征和CELM算法對(duì)光纖振動(dòng)數(shù)據(jù)識(shí)別的分類正確率有顯著提高。

關(guān)鍵詞： 信號(hào)識(shí)別; 入侵事件檢測(cè); 光纖振動(dòng)信號(hào); 數(shù)據(jù)采集; 特征提取; 分類識(shí)別

中圖分類號(hào)： TN929.11?34; TP181? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2019）16?0040?04

0? 引? 言

將一定數(shù)量的光纖傳感器設(shè)置在目標(biāo)區(qū)域邊界處，外界壓力和各類振動(dòng)會(huì)導(dǎo)致光纖產(chǎn)生內(nèi)力變化，從而產(chǎn)生振動(dòng)信號(hào)。系統(tǒng)對(duì)該過(guò)程中產(chǎn)生的振動(dòng)信號(hào)進(jìn)行識(shí)別分析，當(dāng)檢測(cè)到入侵事件或干擾事件時(shí)，即可做出對(duì)應(yīng)的預(yù)警。該系統(tǒng)不僅被用于石油和天然氣的防護(hù)中，還被廣泛應(yīng)用于機(jī)場(chǎng)、炸藥庫(kù)、邊境等領(lǐng)域，并在逐漸取代傳統(tǒng)的安防解決方案[1?2]。

在光纖信號(hào)的特征提取和分類識(shí)別方面，相關(guān)的研究報(bào)道較少。熊林林基于Mach Zehnders光纖干涉儀原理設(shè)計(jì)了分布式光纖微振動(dòng)傳感器，用于研究管道沿途的異常振動(dòng)信號(hào)[3]。該定位監(jiān)測(cè)系統(tǒng)具有較高的測(cè)試靈敏度和準(zhǔn)確的定位精度，而結(jié)構(gòu)卻十分簡(jiǎn)單。楊丹基于人耳聽(tīng)覺(jué)原理，給出了光纖振動(dòng)信號(hào)的梅爾頻率倒譜系數(shù)（MFCC）特征表達(dá)方法[4]。該方法根據(jù)電鎬信號(hào)特殊的頻段分布特點(diǎn)對(duì)光纖振動(dòng)信號(hào)的MFCC特征進(jìn)行自適應(yīng)特征提取與識(shí)別，能夠有效地區(qū)分電鎬、挖地和過(guò)車這三類信號(hào);并且利用改進(jìn)的MFCC特征提取算法，提升了電鎬信號(hào)的識(shí)別性能。李國(guó)相等人提出了無(wú)害強(qiáng)風(fēng)干擾源的數(shù)學(xué)模型[5]，對(duì)于有害的人員攀爬入侵信號(hào)，其過(guò)零率特征明顯區(qū)別于無(wú)害強(qiáng)風(fēng)干擾振動(dòng)信號(hào)，從而實(shí)現(xiàn)對(duì)二者的區(qū)分和識(shí)別。通過(guò)所觀察到的時(shí)頻域信號(hào)特性，李靜云等人提出了基于時(shí)頻熵和重心頻率的光纖信號(hào)特征表達(dá)方法，分析信號(hào)隨時(shí)間變化的規(guī)律從而進(jìn)行入侵類型的識(shí)別[6]。

通過(guò)對(duì)挖掘機(jī)挖掘、人工挖掘、汽車行走、人員行走和噪聲這5類事件信號(hào)的特征可視化和觀察，本文在信號(hào)的過(guò)零律和能量[7]基本表達(dá)的基礎(chǔ)上，提出采用傅里葉變換對(duì)信號(hào)進(jìn)行特征提取的處理方法。在分類器的選擇和設(shè)計(jì)方面，本文采用了有約束的極速學(xué)習(xí)機(jī)（CELM）的算法[8]進(jìn)行分類識(shí)別實(shí)驗(yàn)。

1? 光纖振動(dòng)數(shù)據(jù)的傅里葉特征表達(dá)和樣本生成

本文首先借鑒文獻(xiàn)[9]的做法，將原始二維時(shí)空?qǐng)D進(jìn)行前、背景區(qū)域進(jìn)行劃分，并在前景區(qū)域中選取各事件的過(guò)零率特征數(shù)據(jù)塊和能量特征數(shù)據(jù)塊（為后續(xù)進(jìn)行傅里葉變化，塊的尺寸應(yīng)該足夠大，例如取23×23大小）作為代表不同類事件的粗糙原始樣本，然后對(duì)這些原始樣本進(jìn)行傅里葉變換作為代表不同類事件的特征樣本。

2? 基于CLEM的光纖振動(dòng)數(shù)據(jù)識(shí)別

文獻(xiàn)[8]提出的CELM算法對(duì)ELM算法[10]進(jìn)行了優(yōu)化以及改進(jìn)。由于ELM算法中的輸入權(quán)重向量是隨機(jī)產(chǎn)生的，因此若要產(chǎn)生效果良好的分類面需要產(chǎn)生足夠多的隨機(jī)隱節(jié)點(diǎn)才有可能實(shí)現(xiàn)。CELM算法將輸入權(quán)重向量的賦值方式進(jìn)行改進(jìn)，改進(jìn)方法是將若干對(duì)標(biāo)有不同類別的樣本的差向量正則化后設(shè)置為輸入權(quán)向量，并用[12]的差向量模長(zhǎng)對(duì)隱單元的偏置進(jìn)行賦值。由于輸入權(quán)向量的垂直平分線代表基本分類面， 經(jīng)過(guò)約束方式這樣的改進(jìn)，使得產(chǎn)生的輸入權(quán)重能夠產(chǎn)生一組效果良好的基本分類面。

3? 二分類任務(wù)決策樹(shù)模型

在本次研究中，為了與文獻(xiàn)[9]的方法進(jìn)行比較，五類數(shù)據(jù)仍舊按4個(gè)階段分析，每個(gè)階段采用二分類任務(wù)的方式進(jìn)行類別劃分。在第一階段，主要是將事件分為危害性事件和非危害性事件;在第二階段則對(duì)第一階段中分類為危害性事件的數(shù)據(jù)進(jìn)行分類，判斷破壞事件為挖掘機(jī)挖掘還是人工挖掘;在第三階段，則對(duì)第一階段中分類為非危害性事件的數(shù)據(jù)進(jìn)行干擾事件的類型判斷，判斷非破壞性事件為噪聲還是行走類事件;在第四階段，對(duì)第三階段中判斷為行走類的事件進(jìn)行分類，即將其分類為汽車行走或人員行走。

4? 實(shí)驗(yàn)及結(jié)果分析

根據(jù)文獻(xiàn)[9]描述，樣本大小、算法中不同激勵(lì)函數(shù)對(duì)識(shí)別率沒(méi)有明顯影響，但隱層神經(jīng)元個(gè)數(shù)對(duì)識(shí)別率影響較大。故在下列各實(shí)驗(yàn)中對(duì)不進(jìn)行傅里葉變換的實(shí)驗(yàn)樣本均取3×3大小的數(shù)據(jù)塊，對(duì)進(jìn)行傅里葉變換的樣本數(shù)據(jù)塊取23×23大小，后者這一參數(shù)是根據(jù)各類事件的原始二維時(shí)空?qǐng)D的有效前景區(qū)域的最小寬度得出的。實(shí)驗(yàn)中模型的激勵(lì)函數(shù)取為Sigmoid，隱層神經(jīng)元個(gè)數(shù)為500。

在實(shí)驗(yàn)設(shè)置上，考慮單獨(dú)采用傅里葉變換特征或CELM算法以及同時(shí)采用傅里葉變換特征與CELM算法這三種情況對(duì)系統(tǒng)識(shí)別率的影響。對(duì)五類事件按照3×3大小在原始二維時(shí)空?qǐng)D上不重疊采樣得到的樣本總數(shù)約為42 000個(gè)，其中[13]用于測(cè)試（五類測(cè)試樣本的數(shù)目分別為5 730，1 342，398，664，5 841），其余用來(lái)訓(xùn)練;按照23×23大小在原始二維時(shí)空?qǐng)D上有重疊采樣得到的樣本總數(shù)約為16 400個(gè)，[13]用于測(cè)試（5類測(cè)試樣本的數(shù)目分別為2 263，118，436，1 556，1 092），其余用來(lái)訓(xùn)練。綜上所述，整個(gè)識(shí)別過(guò)程分為第一階段、第二階段、第三階段、第四階段。

實(shí)驗(yàn)軟件平臺(tái)為Windows 10 專業(yè)版操作系統(tǒng)和Matlab（R2017b版）編程框架，硬件平臺(tái)為聯(lián)想G50?70型號(hào)筆記本（酷睿i5?4285U型號(hào)CPU、主頻2.40 GHz、8 GB內(nèi)存）。

4.1? 有無(wú)傅里葉變換、使用ELM識(shí)別的實(shí)驗(yàn)

在本節(jié)的實(shí)驗(yàn)中，考慮采用傅里葉變換對(duì)實(shí)驗(yàn)結(jié)果的影響。在進(jìn)行識(shí)別任務(wù)的4個(gè)階段中均按上文所述的樣本選取方法，分別對(duì)選取的訓(xùn)練樣本事先進(jìn)行傅里葉變換以及不進(jìn)行傅里葉變換，并采用ELM算法獲得實(shí)驗(yàn)結(jié)果如表1所示。

從表1可知，在一、三階段即區(qū)分危害事件與環(huán)境噪聲的階段，進(jìn)行傅里葉變換后的得到樣本數(shù)據(jù)塊經(jīng)ELM算法測(cè)試的正確率略高于未進(jìn)行傅里葉變換的原始樣本數(shù)據(jù)塊的測(cè)試正確率;在二、四階段即區(qū)分挖掘類型與行走類型，變換后的樣本數(shù)據(jù)塊的測(cè)試正確率明顯高于未變換樣本數(shù)據(jù)塊的測(cè)試正確率。由于有無(wú)危害事件下光纖的振動(dòng)信號(hào)、有無(wú)噪聲下光纖的振動(dòng)信號(hào)、兩種挖掘下的光纖振動(dòng)信號(hào)以及兩種行走下的光纖振動(dòng)信號(hào)之間在頻率上均有一定差別，樣本數(shù)據(jù)塊在進(jìn)行傅里葉變換后在一、二、三、四各階段測(cè)試正確率相較于未變換的ELM測(cè)試正確率均有所提升。

4.2? 無(wú)傅里葉變換、使用CELM識(shí)別的實(shí)驗(yàn)

對(duì)于沒(méi)有經(jīng)過(guò)傅里葉變換的樣本數(shù)據(jù)塊，考慮是否采用CELM算法對(duì)實(shí)驗(yàn)結(jié)果的影響。采用CELM算法在識(shí)別任務(wù)4個(gè)階段的實(shí)驗(yàn)結(jié)果見(jiàn)表2，將表2數(shù)據(jù)與表1中無(wú)傅里葉變換采用ELM算法的數(shù)據(jù)比較可得出：采用CELM算法的測(cè)試正確率在一、二、三、四階段均高于ELM算法測(cè)試正確率，CELM算法相較于ELM算法對(duì)測(cè)試數(shù)據(jù)準(zhǔn)確率有一定提高。

4.3? CELM的隱層神經(jīng)元不同個(gè)數(shù)的實(shí)驗(yàn)

對(duì)于沒(méi)有經(jīng)過(guò)傅里葉變換的樣本數(shù)據(jù)塊，激活函數(shù)仍為Sigmoid，對(duì)CELM隱層神經(jīng)元不同個(gè)數(shù)進(jìn)行實(shí)驗(yàn)，第一階段實(shí)驗(yàn)結(jié)果見(jiàn)表3、圖1。

從表3中可以看出，測(cè)試識(shí)別率隨著隱層節(jié)點(diǎn)數(shù)的增加而提高，但是相差不大;當(dāng)隱層節(jié)點(diǎn)個(gè)數(shù)增加到500時(shí)，測(cè)試正確率趨于穩(wěn)定，當(dāng)隱層節(jié)點(diǎn)數(shù)增加到2 000時(shí)測(cè)試正確率最高，當(dāng)隱層節(jié)點(diǎn)數(shù)增加到3 000時(shí)測(cè)試正確率有輕微下降，對(duì)應(yīng)的訓(xùn)練時(shí)間達(dá)到了195.39 s。

經(jīng)過(guò)對(duì)第二、三、四階段的驗(yàn)證，它們的實(shí)驗(yàn)結(jié)果與第一階段的現(xiàn)象相似。因此，為了方便實(shí)驗(yàn)對(duì)比，在后續(xù)的實(shí)驗(yàn)設(shè)計(jì)中，模型隱節(jié)點(diǎn)的數(shù)目都設(shè)置為500。

4.4? 有傅里葉變換、使用CELM識(shí)別的實(shí)驗(yàn)

第4.1，4.2節(jié)的實(shí)驗(yàn)揭示了單獨(dú)采用傅里葉變換或CELM算法對(duì)實(shí)驗(yàn)結(jié)果的影響。在本節(jié)的試驗(yàn)中，將考慮同時(shí)對(duì)原始樣本數(shù)據(jù)塊進(jìn)行傅里葉變換并采用CELM算法進(jìn)行識(shí)別，實(shí)驗(yàn)結(jié)果如表4所示。將表4與表1無(wú)傅里葉變換的ELM實(shí)驗(yàn)結(jié)果比較可知：在識(shí)別任務(wù)一、二、三、四階段，采用傅里葉變換以及CELM算法的測(cè)試正確率均明顯高于未經(jīng)傅里葉變換的ELM算法的測(cè)試正確率。

由于CELM算法相較于ELM在分類性能上有所優(yōu)化，且第4.1節(jié)的實(shí)驗(yàn)揭示了傅里葉變換對(duì)系統(tǒng)性能的提升作用，因而采用CELM算法對(duì)傅里葉變換特征數(shù)據(jù)的測(cè)試正確率相較于采用ELM算法對(duì)原始數(shù)據(jù)的測(cè)試正確率有了明顯提升。

根據(jù)上述實(shí)驗(yàn)結(jié)果，給出兩種算法的實(shí)驗(yàn)結(jié)果對(duì)比圖如圖2所示。該圖表明采用CELM對(duì)傅里葉變換特征數(shù)據(jù)進(jìn)行識(shí)別的方法在一、二、三、四階段的正確識(shí)別率都高于采用ELM對(duì)未經(jīng)傅里葉變換的原始數(shù)據(jù)進(jìn)行識(shí)別的正確率。

綜上，根據(jù)對(duì)光纖振動(dòng)信號(hào)識(shí)別過(guò)程的4個(gè)階段的劃分，按照各類事件的識(shí)別正確率等于各類事件中正確識(shí)別的樣本數(shù)除以測(cè)試集中該類事件的樣本數(shù)目，以及各類事件的識(shí)別時(shí)間等于各階段測(cè)試識(shí)別時(shí)間相加的計(jì)算方法，可以得出各類事件識(shí)別的正確率和所需時(shí)間，如表5所示。從表中可以獲知，采用了CELM算法與傅里葉變換的實(shí)驗(yàn)結(jié)果，除了在人工挖掘方面的識(shí)別效果略有降低，在挖掘機(jī)挖掘、汽車行走、人員行走和噪聲方面都取得了更高的識(shí)別率，因而在總體平均識(shí)別率上獲得了顯著提高。由于CELM在權(quán)值初始化上比ELM復(fù)雜，因而系統(tǒng)在各個(gè)事件的識(shí)別時(shí)間花費(fèi)上相對(duì)有所上升。

5? 結(jié)? 論

本文在文獻(xiàn)[9]對(duì)光纖振動(dòng)數(shù)據(jù)進(jìn)行短時(shí)原始特征表達(dá)的基礎(chǔ)上， 對(duì)數(shù)據(jù)進(jìn)一步進(jìn)行了傅里葉變換的特征表達(dá)和數(shù)據(jù)處理，并提出采用CELM算法替代ELM算法對(duì)5種光纖事件的振動(dòng)信號(hào)進(jìn)行識(shí)別。將光纖振動(dòng)信號(hào)的短時(shí)過(guò)零率和短時(shí)能量數(shù)據(jù)進(jìn)行傅里葉變換處理，并將二者結(jié)合起來(lái)作為特征樣本向量，然后使用CELM模型對(duì)樣本向量進(jìn)行事件的分類識(shí)別。

實(shí)驗(yàn)結(jié)果表明，與采用ELM等方法[9]對(duì)無(wú)傅里葉變換的原始光纖振動(dòng)數(shù)據(jù)進(jìn)行識(shí)別得到的結(jié)果相比，采用CELM算法對(duì)有傅里葉變換的光纖振動(dòng)數(shù)據(jù)進(jìn)行識(shí)別提高了前者的正確識(shí)別率，同時(shí)保持模型的訓(xùn)練時(shí)間和測(cè)試時(shí)間與原有模型在同一數(shù)量級(jí)。

由于光纖振動(dòng)信號(hào)存在非平穩(wěn)性的特點(diǎn)，并且某些事件信號(hào)，如挖掘機(jī)挖掘與人工挖掘信號(hào)，在頻率特征上相似，故在識(shí)別實(shí)驗(yàn)中仍有部分誤分類現(xiàn)象產(chǎn)生。能否在噪聲干擾的情況下更準(zhǔn)確地區(qū)分不同的振動(dòng)事件是下一步需要繼續(xù)研究和解決的問(wèn)題。

注：本文通訊作者為周建亭。

參考文獻(xiàn)

[1] SEEDAHMED S， JIM K， YUVARAJA V. Real?time distributed fiber optic sensor for security systems： performance， event classification and nuisance mitigation [J]. Photonic sensors， 2012， 2（3）： 225?236.

[2] JIANG L H， LIU X M， ZHANG F. Multi?target recognition used in airpoty fiber fence warning system [C]// Proceeding of the 9th International Conference on Machine Learning and Cybernetics. Qingdao： IEEE， 2010： 1126?1129.

[3] 熊林林.基于光纖傳感器的光纜監(jiān)測(cè)預(yù)警系統(tǒng)及其仿真[J].計(jì)算機(jī)工程與應(yīng)用，2017，53（z2）：112?115.

XIONG Linlin. Optical cable online monitoring system and simulation based on fiber sensor [J]. Computer engineering and applications， 2017， 53（S2）： 112?115.

[4] 楊丹.光纖振動(dòng)信號(hào)特征提取與識(shí)別算法研究[D].北京：北方工業(yè)大學(xué)，2018.

YANG Dan. Research on the feature extraction and recognition for optical fiber vibration signals [D]. Beijing： North China University of Technology， 2018.

[5] 李國(guó)相，茍武侯.基于光纖振動(dòng)安全預(yù)警系統(tǒng)的抗干擾算法研究[J].浙江水利水電學(xué)院學(xué)報(bào)，2018，30（1）：63?67.

LI Guoxiang， GOU Wuhou. Method of mechanical vibration source identification based on fiber optic vibration safety warning system [J]. Journal of Zhejiang University of Water Resources and Electric Power， 2018， 30（1）： 63?67.

[6] 李靜云，安博文，陳元林，等.基于時(shí)頻特征的光纖振動(dòng)模式識(shí)別研究[J].光通信技術(shù)，2018，42（7）：55?59.

LI Jingyun， AN Bowen， CHEN Yuanlin， et al. Research on optical fiber vibration pattern recognition based on time?frequency characteristics [J]. Optical communication technology， 2018， 42（7）： 55?59.

[7] 呂衛(wèi)強(qiáng)，黃荔.基于短時(shí)能量加過(guò)零率的實(shí)時(shí)語(yǔ)音端點(diǎn)檢測(cè)方法[J].兵工自動(dòng)化，2009，28（9）： 69?73.

L? Weiqiang， HUANG Li. Realtime voice activity detection based on short time energy plus rate of passing zero [J]. Ordnance industry automation， 2009， 28（9）： 69?73.

[8] ZHU W T， MIAO J， QING L Y. Constrained extreme learning machine： A novel highly discriminative random feedforward neural network [C]// International Joint Conference on Neural Networks. Beijing： IEEE， 2014： 800?807.

[9] 鄒柏賢，苗軍，許少武，等.基于ELM算法的光纖振動(dòng)信號(hào)識(shí)別研究[J].計(jì)算機(jī)工程與應(yīng)用，2017，53（16）：126?133.

ZOU Baixian， MIAO Jun， XU Shaowu， et al. Research on vibration signal recognition of optical fiber based on ELM algorithm [J]. Computer engineering and applications， 2017， 53（16）： 126?133.

[10] HUANG G B， ZHU Q Y， SIEW C K. Extreme learning machine： A new learning scheme of feedforward neural networks [C]// 2004 IEEE International Joint Conference on Neural Networks. Budapest， Hungary： IEEE， 2004： 985?990.