郭家興，錢君霞，柳 瑞，馬鴻娟

（1. 中國能源建設(shè)集團(tuán)江蘇省電力設(shè)計(jì)院有限公司，江蘇 南京 210000；2. 華北電力大學(xué)（保定），河北 保定 071003）

0 引言

為了適應(yīng)中國近海島礁發(fā)展以及近海風(fēng)電、跨海通信等重大工程項(xiàng)目的施工需求，光纖復(fù)合海底電纜（簡稱“海纜”）的使用愈加頻繁。在跨海輸電和通信傳輸中，海纜發(fā)揮著重要作用［1-2］。復(fù)雜的海洋地質(zhì)構(gòu)造和施工作業(yè)環(huán)境，都是引起海纜不同程度機(jī)械或電學(xué)故障的因素［3］。因此，對海纜各類工況進(jìn)行信號識別，有助于海纜故障的早期預(yù)警。

支持向量機(jī) （support vector machine，SVM）算法被廣泛地用作振動(dòng)信號的識別。SVM具有樣本需求量小、泛化能力強(qiáng)和判別精確度高的優(yōu)勢［4］。在實(shí)際應(yīng)用中，其核函數(shù)的選取以及參數(shù)的設(shè)定直接影響分析效率。目前徑向基函數(shù)（radial basis function，RBF）的核函數(shù)已被證實(shí)對非線性問題的解決效果良好［5-7］。因此，如何更好選擇懲罰因子C和核函數(shù)參數(shù)g很重要。常用的參數(shù)優(yōu)化方法包括網(wǎng)格搜索（grid search， GS）、遺傳算法（genetic algorithm，GA）和粒子群優(yōu)化（particle swarm optimization， PSO）等。文獻(xiàn)［8］采用GS 算法對SVM 的懲罰因子C和核函數(shù)參數(shù)g進(jìn)行尋優(yōu)，以此建立分類器用于識別故障類型，并達(dá)到了不錯(cuò)的效果。文獻(xiàn)［9］針對SVM 參數(shù)選擇困難問題，采用GA-SVM 算法，確定參數(shù)最優(yōu)值識別3種故障類型，模型故障診斷平均準(zhǔn)確率比SVM 有了較大的提升。文獻(xiàn)［10］采用GA-SVM 算法，有效地提高了SVM 的分類性能，但是由于GA的操作較為復(fù)雜，從而導(dǎo)致尋優(yōu)速度較慢。文獻(xiàn)［11］提出用PSO-SVM 算法，雖收斂速度得到提升，但卻很容易陷入局部最優(yōu)解。文獻(xiàn)［12］將構(gòu)建的多維特征向量送入PSO-SVM 模式自動(dòng)識別分類模型，與SVM 相比，該方法具有更好的識別準(zhǔn)確率。文獻(xiàn)［13］用人工蜂群（ artificial bee colony，ABC） 算法來優(yōu)化SVM，這種方法可以很好地克服局部最優(yōu)解，但無法利用全局最優(yōu)信息迭代更新。文獻(xiàn)［14］利用麻雀搜索算法（sparrow search algorithm， SSA）優(yōu)化SVM 對刀具磨損狀態(tài)進(jìn)行識別，其識別準(zhǔn)確率達(dá)到了98.246%。文獻(xiàn)［15］利用SSA-SVM 對滾動(dòng)軸承進(jìn)行識別，診斷模型的測試正確率為96.67% ，比傳統(tǒng)的GA-SVM 和PSO-SVM診斷模型分別提高了3.34和1.67個(gè)百分點(diǎn)，且收斂速度更快，可有效應(yīng)用于故障診斷。文獻(xiàn)［16］利用 SSA 對SVM 參數(shù)進(jìn)行調(diào)節(jié)，以實(shí)現(xiàn)對瓶蓋裝配的檢測，優(yōu)化后的SVM模型測試準(zhǔn)確率達(dá)到98.33%，基于SSA-SVM 的瓶蓋裝配檢測模型識別精度高、調(diào)參速度快、泛化能力強(qiáng)。

目前，典型的振動(dòng)分析算法——集合經(jīng)驗(yàn)?zāi)B(tài)分解（ensemble empirical mode decomposition， EEMD）算法被廣泛用于故障診斷［17］，其可對信號進(jìn)行分解以提取特征。SSA是一種新穎的群體優(yōu)化算法，現(xiàn)有研究通過19個(gè)標(biāo)準(zhǔn)測試函數(shù)進(jìn)行驗(yàn)證，結(jié)果顯示SSA 在搜索精度、收斂速度、穩(wěn)定性和避免局部最優(yōu)值方面均表現(xiàn)優(yōu)異［18］。因此，本文提出了一種基于SSA-SVM優(yōu)化的EEMD-SSA-SVM 混合海纜振動(dòng)信號識別模型。其首先采用EEMD 對3 種海纜振動(dòng)信號進(jìn)行分解，并求解其模態(tài)分類的峭度和能量熵，以構(gòu)成特征向量用于后續(xù)識別；為提高分類準(zhǔn)確率，采用SSA 優(yōu)化SVM 的懲罰因子和核函數(shù)參數(shù)，形成SSA-SVM 識別模型；并將本文方法與PSO-SVM、SVM算法進(jìn)行了對比分析。

1 SSA-SVM算法原理

SSA-SVM算法的主角為麻雀，每只麻雀個(gè)體只有一項(xiàng)屬性，即位置，其可表示麻雀所尋覓到的食物所在方位。對于每只麻雀個(gè)體，其可能有3 種狀態(tài)的改變：1） 充當(dāng)發(fā)現(xiàn)者，帶領(lǐng)種群尋覓食物；2） 作為追隨者，追隨發(fā)現(xiàn)者覓食；3） 具備警戒機(jī)制，發(fā)現(xiàn)危險(xiǎn)則放棄覓食。麻雀算法的優(yōu)化參數(shù)為SVM中懲罰因子C和核函數(shù)參數(shù)g，適應(yīng)度函數(shù)為SVM對測試集的預(yù)測正確率。

1.1 SSA

SSA 是薛建凱在2020 年提出的一種新的群體智能優(yōu)化算法，其靈感來自麻雀的覓食和反捕食行為。SSA 不受目標(biāo)函數(shù)可微性、可推導(dǎo)性和連續(xù)性的限制，具有全局搜索能力強(qiáng)、穩(wěn)定性好、收斂速度快等優(yōu)點(diǎn)。SSA是一種新穎、組織良好的元啟發(fā)式算法，可用于解決各個(gè)領(lǐng)域的優(yōu)化問題［19］。

假設(shè)在D維搜索空間中有M只麻雀，由M只麻雀組成的種群具體如下：

式中：xid——維度D中的第i只麻雀。

這里，采用海纜故障的準(zhǔn)確率作為適應(yīng)度函數(shù)，以不斷更新最優(yōu)值來達(dá)到最佳的識別率。所有麻雀的適應(yīng)度值FX可表示為

在SSA中，適應(yīng)度值FX表示能量儲(chǔ)備，f表示適應(yīng)度函數(shù)。在搜尋過程中，能源儲(chǔ)備量較高的生產(chǎn)者將優(yōu)先獲得食物。一般而言，占種群10%～20%的生產(chǎn)者負(fù)責(zé)尋找食物，其覓食搜索范圍比掠食者的大；同時(shí)，生產(chǎn)者應(yīng)通過式（3）更新：

式中：t——當(dāng)前迭代次數(shù)；Xid，t—— 第i只麻雀在d維中經(jīng)t次迭代后所在的位置；T—— 最大迭代次數(shù)；α ——均勻隨機(jī)數(shù)，α∈ （0，1］；Q—— 服從正態(tài)分布的隨機(jī)數(shù)；L——大小為1×d的矩陣，其所有元素均為1；R2——警告值，R2∈ ［0，1］；ST——安全值，ST∈ ［0.5， 1］。

當(dāng)R2＜ST時(shí)，覓食區(qū)周圍沒有捕食者，生產(chǎn)者可以執(zhí)行廣泛的搜索操作。當(dāng)R2≥ST時(shí)，群中的偵察麻雀已經(jīng)識別出一個(gè)捕食者，并立即向其他麻雀發(fā)出警報(bào)，然后，群中的麻雀開始進(jìn)行反捕食者行為，調(diào)整搜索策略并迅速向安全區(qū)域移動(dòng)。

在覓食過程中，除了生產(chǎn)者之外，所有麻雀都充當(dāng)尋找最佳覓食區(qū)域的搜尋者。搜尋者根據(jù)式（4）更新其位置。當(dāng)時(shí)，第i個(gè)搜尋者得不到任何食物，處于饑餓狀態(tài)，適應(yīng)性較低，這種麻雀很有可能飛到另一個(gè)地方覓食并獲得更高的能量。當(dāng)i≤時(shí)，第i個(gè)搜尋者在當(dāng)前最佳位置xb附近找到一個(gè)隨機(jī)位置進(jìn)行覓食。

式中：xwd，t——在第t次迭代中麻雀在第d維的最差位置；xbd，t+1——在第（t+1）次迭代中麻雀在第d維的最佳位置；A——大小為1×d的矩陣，其每個(gè)元素被隨機(jī)分配到1或-1，使得A+=AT。

當(dāng)檢測到危險(xiǎn)時(shí)，種群邊緣的麻雀將迅速移動(dòng)到一個(gè)安全的區(qū)域以獲得更好的位置，而種群中間的麻雀會(huì)隨機(jī)走動(dòng)以接近其他麻雀。移動(dòng)的數(shù)學(xué)表達(dá)式如下：

式中：xbd，t——第t次迭代時(shí)預(yù)警麻雀的最佳全局位置；β——步長控制參數(shù)，為正態(tài)分布隨機(jī)數(shù)，均值為0，方差為1；K——表示麻雀移動(dòng)方向的隨機(jī)數(shù)，也是步長控制參數(shù)，且K∈［-1，1］；ε是一個(gè)小常數(shù)，以避免分母為0 的情況；fi——第i只麻雀的適應(yīng)度值；fb——當(dāng)前麻雀群的最佳適應(yīng)度值；fw——當(dāng)前麻雀群的最差適應(yīng)度值。

當(dāng)fi≠fb時(shí)，麻雀處于種群的邊緣，容易受到捕食者的攻擊；當(dāng)fi＝fb時(shí)，麻雀就在種群中間。一旦麻雀意識到來自捕食者的威脅，它就會(huì)靠近其他麻雀并調(diào)整搜索策略以避免受到攻擊。

1.2 SSA-SVM算法

SVM懲罰因子C和核函數(shù)參數(shù)g的選擇對分類結(jié)果有很大影響。同時(shí)，SSA算法具有較強(qiáng)的全局搜索能力，適合用于優(yōu)化SVM的C和g，以獲得更好的參數(shù)組合。通過使用一定數(shù)量的麻雀進(jìn)行全局優(yōu)化，可以得到最優(yōu)的參數(shù)組合。然后，利用SSA優(yōu)化算法得到的最優(yōu)C和g來建立SVM 識別模型，并得到診斷結(jié)果。使用SSA算法優(yōu)化SVM的過程如圖1所示，具體步驟如下：

圖1 SSA-SVM 算法流程圖Fig.1 Flow chart of SSA-SVM algorithm

1） 首先確定故障診斷模型的輸入、輸出。提取故障特征作為診斷模型輸入，確定目標(biāo)輸出值。建立訓(xùn)練、測試樣本集。

2） 初始化麻雀搜索算法相關(guān)參數(shù)，包括種群數(shù)量M、最大迭代次數(shù)T、C和g。

3） 通過交叉驗(yàn)證，對訓(xùn)練樣本進(jìn)行分類，以交叉驗(yàn)證的準(zhǔn)確率作為麻雀個(gè)體的適應(yīng)度。保留最優(yōu)的適應(yīng)度值及位置信息。

4） 根據(jù)式（3）～式（5）更新位置。

5） 計(jì)算麻雀個(gè)體新位置的適應(yīng)度值，將更新后的適應(yīng)度值與原來的最優(yōu)值進(jìn)行比較，并更新全局最優(yōu)信息。

6）判斷迭代次數(shù)是否滿足終止條件，如不滿足，則重復(fù)步驟3）；反之則停止，輸出最優(yōu)參數(shù)，將測試集樣本輸入到最優(yōu)的 SVM 模型，輸出診斷結(jié)果。

2 振動(dòng)信號獲取及特征提取

2.1 仿真信號獲取

華北電力大學(xué)尚秋峰團(tuán)隊(duì)通過有限元仿真得到了海纜的錨砸、摩擦及沖刷振動(dòng)信號。設(shè)定船錨重151 kg，其下落的速率為6.95 m/s，錨砸持續(xù)時(shí)間定為0.05 s，海纜長度500 cm，重力加速度g=9.8 m/s2，通過ANSYS 軟件仿真，提取光單元的振動(dòng)數(shù)據(jù)，進(jìn)而得到對應(yīng)的錨砸故障信號［20］。通過有限元分析法中的瞬態(tài)動(dòng)力學(xué)分析方法仿真構(gòu)建了巖石與海纜發(fā)生摩擦?xí)r的二維模型，設(shè)摩擦的時(shí)間為0.5 s，起始速度是0.25 m/s，滑動(dòng)方向沿x軸的正方向，同時(shí)在y方向施加了約束，使海纜摩擦運(yùn)動(dòng)方向只能沿x軸正向，提取光單元的振動(dòng)數(shù)據(jù)，得到對應(yīng)的摩擦故障信號［21］。在波浪高度為100 cm、速度為2 m/s、周期為1 s的勻速海浪條件下，構(gòu)建了在波浪沖刷條件下裸露的懸跨海纜的有限元模型，模型中規(guī)定水流沿y軸方向流動(dòng)，通過有限元仿真得到了海纜沖刷故障信號［22］。

2.2 實(shí)驗(yàn)系統(tǒng)

圖2 所示的實(shí)驗(yàn)系統(tǒng)為布里淵光時(shí)域分析（Brillouin optical time-domain analysis，BOTDA）和偏振態(tài)檢測相結(jié)合的溫度/應(yīng)變/振動(dòng)多參量傳感系統(tǒng)［23-25］，其可以實(shí)現(xiàn)對溫度、應(yīng)變和偏振態(tài)的同時(shí)檢測。BOTDA系統(tǒng)中，窄線寬激光器輸出的光信號經(jīng)耦合器分為兩路，并由摻鉺光纖放大器（erbium doped fiber amplifier， EDFA）放大。其中一路光信號由聲光調(diào)制器（acousto-optic modulator，AOM）調(diào)制成脈沖光，經(jīng)EDFA2 放大并由光柵濾除EDFA2 所產(chǎn)生的自發(fā)輻射噪聲，最后進(jìn)入傳感光纖。耦合器的另一路光信號由電光調(diào)制器（electro-optic modulator，EOM）調(diào)制產(chǎn)生約11 GHz 頻移的光信號。本系統(tǒng)采用損耗型BOTDA 技術(shù)，連續(xù)光頻率高于脈沖光頻率。利用光濾波器選取EOM 輸出的已調(diào)制信號的上邊帶，此信號作為探測光進(jìn)入傳感光纖。當(dāng)光纖中相向傳輸?shù)膬陕饭獾念l率差與光纖的布里淵頻移一致時(shí)，受激布里淵散射（stimulated Brillouin scattering，SBS）作用最強(qiáng)。攜帶SBS 信息的探測光通過環(huán)形器、保偏耦合器和光電探測器，分別由高速數(shù)據(jù)采集設(shè)備（A/D 轉(zhuǎn)換器）和偏振分析儀（POD）進(jìn)行數(shù)據(jù)采集，采用Matlab 進(jìn)行數(shù)據(jù)處理和分析。

圖2 BOTDA 實(shí)驗(yàn)框圖Fig.2 Block diagram of the BOTDA experiment

從POD獲取振動(dòng)信號并完成本文算法分析的模擬實(shí)驗(yàn)過程為：分別將仿真獲得的摩擦、沖刷和錨砸3種故障振動(dòng)信號輸入到任意波形信號發(fā)生器中，開啟功率放大驅(qū)動(dòng)振動(dòng)臺，使振動(dòng)段光纖產(chǎn)生摩擦、沖刷和錨砸3種故障形態(tài)對應(yīng)的偏振態(tài)變化。本實(shí)驗(yàn)中，振動(dòng)信號特征的提取和識別采用的數(shù)據(jù)源為POD輸出的斯托克斯矢量S1信號，其對應(yīng)海纜內(nèi)置的單模光纖中連續(xù)探測光偏振態(tài)的變化，為輸入到POD的光功率（P）經(jīng)過水平/垂直線偏振器后所輸出光功率之差。摩擦、沖刷和錨砸這3種故障形態(tài)對應(yīng)的S1信號如圖3 所示，采用本文提出的EEMD-SSA-SVM算法對S1進(jìn)行處理，即可識別海纜故障。振動(dòng)信號探測的性能將受到POD采集速率的影響。依據(jù)所分析振動(dòng)信號的頻域分布不同，采用的POD采集速率分別如下：沖刷信號0.25 kHz、摩擦信號50 kHz和錨砸信號200 kHz。

圖3 海纜振動(dòng)信號光功率Fig.3 Optical power of vibration signal of submarine cable

2.3 特征提取

EEMD 方法，也就是在原始信號中加入白噪聲，改變故障信號的極值點(diǎn)，以保證信號在不同尺度上的連續(xù)性，可有效抑制由于異常擾動(dòng)引起的模態(tài)混疊和端點(diǎn)效應(yīng)［26-28］。EEMD分解過程如下：

1） 在原始海纜故障信號中多次加入等長度的高斯白噪聲ni(t)，得到新的信號為

式中：xi(t)——在原信號x(t)中第i次加入噪聲后的信號。

所加入的白噪聲應(yīng)符合的規(guī)律為

式中：ε——輸入信號的標(biāo)準(zhǔn)差；k——加入噪聲的強(qiáng)度；N——加入噪聲的次數(shù)。

2） 通過擬合信號的上下包絡(luò)線求解均值m(t)。

3） 在加入噪聲的信號中去除均值序列m(t)，得到檢測信號，并判斷檢測信號是否滿足固有模態(tài)分量（intrinsic mode functions，IMF）的條件。如不滿足，繼續(xù)重復(fù)步驟2），直到檢測信號滿足IMF條件為止。

4） 利用xi(t)和固有模態(tài)函數(shù)計(jì)算剩余信號，即

式中：Ai(t)——剩余信號；IMFi(t)——第i次加入高斯白噪聲的固有模態(tài)分量總和。

5） 對剩余信號重復(fù)步驟2）和步驟3），依次獲得IMF分量。

6） 重新在原始信號中加入白噪聲，并重復(fù)以上步驟。

7） 為了避免所加入的白噪聲對特征提取的影響，對分解得到的同階IMF 分量進(jìn)行集總平均，則EEMD的分解結(jié)果為

式中：IMFi j(t)——第i次加入高斯白噪聲的第j個(gè)固有模態(tài)函數(shù)。

對經(jīng)過POD 后的含噪聲振動(dòng)信號進(jìn)行EEMD 分解。其中，原始信號中添加的白噪聲均值為0、標(biāo)準(zhǔn)差為0.2，EEMD分解層數(shù)設(shè)置為6。經(jīng)過EEMD分解后的各振動(dòng)信號模態(tài)分量波形如圖4所示。

圖4 3 類海纜振動(dòng)信號EEMD 分解Fig.4 EEMD decomposition of the three-class signals

每類信號各有500 組，依次求解每組分解后各個(gè)模態(tài)分量的峭度值及能量熵，每一組特征向量中包含有6個(gè)模態(tài)分量，對應(yīng)的特征值共計(jì)12個(gè)。對沖刷、摩擦及錨砸信號對應(yīng)的特征向量分別給定標(biāo)簽1、2和3。其中，根據(jù)3 類振動(dòng)信號的第一組數(shù)據(jù)提取的特征值如表1所示，共計(jì)提取1 500組特征向量。

表1 3 類海纜振動(dòng)信號特征值Tab.1 Characteristic values of three-types of signals

3 分類結(jié)果與分析

以每類信號各個(gè)模態(tài)分量的峭度及能量熵組合作為輸入特征向量進(jìn)行分類訓(xùn)練。沖刷振動(dòng)信號，指定輸出標(biāo)簽為1；摩擦振動(dòng)信號，指定輸出標(biāo)簽為2；錨砸振動(dòng)信號，指定輸出標(biāo)簽為3。每類信號各500組數(shù)據(jù)，即共計(jì)提取了1 500組特征向量作為數(shù)據(jù)集用于訓(xùn)練。其中，又將數(shù)據(jù)集的80%作為訓(xùn)練集、20%作為測試集，由此得到1 200個(gè)樣本的訓(xùn)練集和300個(gè)樣本的測試集。

為了更好地觀察在測試集上每類算法對3類故障的識別情況，EEMD-PSO-SVM、SVM算法及本文提出的算法的混淆矩陣如圖5所示。圖中，混淆矩陣的橫坐標(biāo)軸代表海纜故障預(yù)測的狀態(tài)類別標(biāo)簽，縱坐標(biāo)軸代表海纜故障實(shí)際類別標(biāo)簽。每類故障有100個(gè)測試樣本，即測試集中共有300個(gè)測試樣本?；煜仃囎髮蔷€上的值表示模型為每種類型的海纜故障狀態(tài)正確預(yù)測的樣本數(shù)，該值越大，算法對海纜故障分類越有效?？梢钥闯?，本文所提算法不僅對海纜振動(dòng)信號的識別效果優(yōu)于EEMDPSO-SVM、SVM算法的，而且對各類故障識別精度高。

圖5 3 類算法分類結(jié)果Fig.5 Classification results of three algorithms

為了進(jìn)一步說明模型的性能，以識別準(zhǔn)確率作為適應(yīng)度函數(shù)，將EEMD-SSA-SVM與EEMD-PSO-SVM模型進(jìn)行了最佳適應(yīng)度值的比較，如圖6所示，EEMDSSA-SVM 模型經(jīng)過約5 次迭代后可以快速識別出最優(yōu)值。EEMD-PSO-SVM 模型在經(jīng)過大約15 次迭代時(shí)達(dá)到最優(yōu)值，SSA 算法在優(yōu)化SV M 參數(shù)后優(yōu)化速度快、適應(yīng)度好、識別率高。

圖6 各類算法的最佳適應(yīng)度曲線Fig.6 Optimum fitness curves of the algorithms

經(jīng)過150 次迭代，EEMD-SSA-SVM、EEMD-PSOSVM 及SVM 的識別率及運(yùn)行時(shí)間及F1分?jǐn)?shù)如表2 所示。由表2可知，本文提出的模型在準(zhǔn)確率、時(shí)間、F1分?jǐn)?shù)這3 個(gè)評價(jià)指標(biāo)上表現(xiàn)良好，說明本文提出的模型具有較強(qiáng)的故障診斷能力和良好的綜合性能，其能夠更好地診斷海纜故障類型，實(shí)現(xiàn)對海纜的故障預(yù)警與保護(hù)。

表2 3 種算法性能對比Tab.2 Performance comparison among the three algorithms

為了進(jìn)一步驗(yàn)證算法的診斷性能，改變數(shù)據(jù)中訓(xùn)練樣本和測試樣本所占的比例，將訓(xùn)練樣本的比例分別設(shè)置為70%、50%和30%，結(jié)果如表3 所示。可以看出，在不同訓(xùn)練樣本下，EEMD-SSA-SVM 算法在準(zhǔn)確率上均優(yōu)于其他算法，在測試時(shí)間上僅次于SVM 算法，但是SVM 算法識別效果不佳，綜合而言，EEMDSSA-SVM具有良好的綜合診斷性能。

表3 不同訓(xùn)練集比例下3 種算法性能對比Tab.3 Performance comparison among the three algorithms under the different proportions of training sets

4 結(jié)束語

通過對海纜各類工況信號進(jìn)行識別，可以實(shí)現(xiàn)海纜故障的早期預(yù)警。為更快、更精確地實(shí)現(xiàn)海纜故障早期預(yù)警，本文提出一種基于SSA-SVM 算法的海纜振動(dòng)信號識別方法。其首先采用EEMD來分解海纜振動(dòng)信號，并提取模態(tài)分量的特征進(jìn)行分類；為了提高算法識別準(zhǔn)確性，采用SSA算法來優(yōu)化懲罰因子C和核函數(shù)參數(shù)g，并構(gòu)建EEMD-SSA-SVM 海纜振動(dòng)信號識別模型。在測試中，運(yùn)用EEMD 算法分解提取各分量峭度值作為特征向量進(jìn)行識別。對EEMD-SSA-SVM、EEMD-PSO-SVM 和SVM 算法進(jìn)行仿真比較，結(jié)果顯示，EEMD-SSA-SVM 算法在測試集上的分類識別率最高，達(dá)到了95%；EEMD-SSA-SVM 運(yùn)行時(shí)間雖次于SVM的，但SVM算法識別率最低。

本文所提出的EEMD-SSA-SVM 模型準(zhǔn)確率高、優(yōu)化能力強(qiáng)，能對海纜振動(dòng)信號進(jìn)行較為準(zhǔn)確的區(qū)分，但其未考慮信號中噪聲的影響。后續(xù)將對信號降噪進(jìn)行研究，以提升算法性能，進(jìn)一步提高信號識別精度。