摘 要：針對馬赫-曾德爾（Mach-Zehnder，M-Z）周界防護系統(tǒng)，設(shè)計了一種模式識別方案。該方案在周界利用M-Z防護系統(tǒng)獲取不同類別傳感信號的基礎(chǔ)上，采用小波包分析提取傳感信號的特征信息，并利用BP神經(jīng)網(wǎng)絡(luò)對特征信息進行學習，進而完成對不同類型傳感信號的模式識別。實驗結(jié)果表明，實驗環(huán)境下該方案對拍打防護網(wǎng)、擊打防護網(wǎng)支柱、晃動防護網(wǎng)和拍打光纜4種不同類型人為擾動信號識別的正確率為97.5%。

關(guān)鍵詞：小波包分析；周界防護；馬赫-曾德爾；BP神經(jīng)網(wǎng)絡(luò)；模式識別

中圖分類號：TN911.7；TN253" " 文獻標志碼：A" " 文章編號：1671-0797（2024）09-0008-05

DOI：10.19514/j.cnki.cn32-1628/tm.2024.09.002

0" " 引言

隨著科學技術(shù)的不斷發(fā)展，科技成果在提升各行業(yè)領(lǐng)域效率的同時也增加了安全隱患。石油和天然氣管道、大壩、電廠、監(jiān)獄等重要場所遭受的入侵威脅日益增加，進而，如何對入侵進行有效的防范，成為亟待解決的問題[1]。光纖傳感技術(shù)具有抗電磁干擾、高可靠性、耐腐蝕、性能穩(wěn)定、遠距離分布式測量等優(yōu)勢，因而在周界防護領(lǐng)域應(yīng)用越來越廣泛。

光纖周界防護系統(tǒng)主要涵蓋以下幾種類型[2]：干涉型、光纖光柵型和光時域反射型。干涉型又包括Michelson干涉儀、Sagnac干涉儀和馬赫-曾德爾（Mach-Zehnder，M-Z）干涉儀，其中，Michelson干涉儀、Sagnac干涉儀及光時域反射型解調(diào)復(fù)雜，成本高；光纖光柵型無法實現(xiàn)長距離分布式測量。因此，M-Z干涉儀因其靈敏度高、解調(diào)算法簡單和低成本等優(yōu)點而得到廣泛應(yīng)用[3]，但模式識別仍是一個難點。就周界防護系統(tǒng)而言，不僅應(yīng)具有安防作用，還應(yīng)具有模式識別功能。只有具備了模式識別功能，通過利用該功能，才能對傳感信號的類別進行區(qū)分，進而降低系統(tǒng)誤報率，提升系統(tǒng)可靠性。

針對上述情況，本文設(shè)計了一種基于M-Z周界防護系統(tǒng)的模式識別方案。該方案首先在周界搭建M-Z周界防護系統(tǒng)，以獲取防護網(wǎng)防護區(qū)域的傳感信號，然后利用小波包分解提取信號小波包系數(shù)的能量值作為特征向量，并將特征向量輸入BP神經(jīng)網(wǎng)絡(luò)進行學習和判決，進而實現(xiàn)模式識別功能。實驗表明，該方案具有較高的模式識別效率。

1" " 系統(tǒng)模型

該面向M-Z周界防護系統(tǒng)的模式識別方案流程如圖1所示。在該方案中，利用小波包對M-Z周界防護系統(tǒng)中采集到的傳感信號進行分解，將信號的能量譜作為特征向量，然后歸一化特征向量。用不同振動類型的傳感信號的特征向量訓練神經(jīng)網(wǎng)絡(luò)，實現(xiàn)振動信號的模式識別。

1.1" " M-Z周界防護系統(tǒng)

M-Z周界防護系統(tǒng)如圖2所示，該系統(tǒng)包括1個光源，3個偏振控制器PC1、PC2、PC3，4個2×2耦合器C1、C2、C3、C4，以及3根單模光纖L1、L2、L3。

光源發(fā)出的光由耦合器C1分成兩路：一路光經(jīng)過耦合器C2進入傳感臂L1和參考臂L2，在耦合器C4處發(fā)生干涉；另一路光經(jīng)過耦合器C3和C4進入傳感臂L1和參考臂L2，在耦合器C2處發(fā)生干涉，干涉信號經(jīng)傳輸光纖由光電探測器PD1和PD2接收。系統(tǒng)加入了偏振控制器，以避免“偏振誘導衰落”現(xiàn)象的產(chǎn)生[4]。進而，振動位置R可表示如下[5]：

式中：L為光纖的長度；c為光真空中的傳播速度；τ為光電探測器PD1和PD2之間的時延差；n為光纖的折射率。

1.2" " 小波包分析

對采樣率為2f的信號f（t）進行j層小波包分解，則得到2j個區(qū)間帶寬為f/2j的等寬子頻帶，得到的j層小波包系數(shù)為dl j，m。

小波包分解提取信號的能量特征有以下3個步驟[6]：

1）對信號選取適合的小波基，進行j層小波包分解，提取小波包頻帶劃分的系數(shù)。

2）選擇滿足條件的n個子頻帶，并對各子頻帶能量進行歸一化，即：

式中：Tj，m為小波包分解能量；T1 j，m為歸一化能量。

3）將式（3）得到的n個子頻帶歸一化能量作為特征向量，即：

式中：T為由小波包能量譜組成的信號特征向量。

接著，利用實時采集的數(shù)據(jù)進行特征提取。將PCI采集卡采樣頻率設(shè)置為50 kHz，分別采集拍打防護網(wǎng)、擊打防護網(wǎng)支柱、晃動防護網(wǎng)和拍打光纜4種不同類型的傳感信號。對采集的4種類型的傳感信號分別進行小波基為“db4”函數(shù)的4層小波包分解，得到16個子頻帶。將前8個子頻帶能量值作為傳感信號特征，最終得到一個8維特征向量。傳感信號特征向量如圖3所示。

由圖3可以得出，不同的振動類型特征向量之間的區(qū)別較大，因此，可以作為有效特征參數(shù)訓練神經(jīng)網(wǎng)絡(luò)，進行模式識別。

1.3" " 基于BP神經(jīng)網(wǎng)絡(luò)的模式識別

基于BP神經(jīng)網(wǎng)絡(luò)的模式識別流程如圖4所示。選用典型的三層BP神經(jīng)網(wǎng)絡(luò)來進行傳感信號的識別，輸入層的神經(jīng)元個數(shù)是由特征向量維數(shù)確定，將傳感信號進行4層小波包分解，得到16個子頻帶的能量譜，提取前8個子頻帶的能量譜作為特征向量，因此BP神經(jīng)網(wǎng)絡(luò)輸入層的個數(shù)為8。輸出層神經(jīng)元數(shù)目由傳感信號的類別數(shù)目決定，如果傳感信號的類別為M，那么輸出層節(jié)點個數(shù)就取為M。本文識別的傳感信號類型有4種模式，因此BP神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元個數(shù)為4。對于進行模式識別的BP神經(jīng)網(wǎng)絡(luò)，隱含層節(jié)點數(shù)n可以參考經(jīng)驗公式[7]n=+a（其中ni和n0分別表示輸入層和輸出層節(jié)點數(shù)，a是小于10的常數(shù)）來得到大致的范圍，經(jīng)過大量實驗后，確定隱含層神經(jīng)元的個數(shù)為8。隱含層、輸出層傳輸函數(shù)均選用logsig函數(shù)，輸入到輸出的傳輸函數(shù)選擇purelin函數(shù)。BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和初始閾值為隨機數(shù)，學習速率設(shè)置為0.1，誤差目標設(shè)置為0.001。

2" " 實驗結(jié)果與分析

本節(jié)搭建了M-Z周界防護實驗裝置以驗證圖2所示結(jié)構(gòu)模型的性能，實物圖如圖5所示。其中光源使用低RIN窄線寬激光器；PD使用PIN光電二極管，響應(yīng)頻率為10 MHz；數(shù)據(jù)采集卡使用PCI采集卡，采樣率為20 MHz；光纜長度為6 km，為模擬實際工程應(yīng)用，在光纜5 km處將其以U型方式捆綁在防護網(wǎng)上。

實驗室環(huán)境中無法模擬刮風、下雨等自然條件下的擾動，因此實驗只對人為擾動進行識別，人為擾動分為拍打防護網(wǎng)、擊打防護網(wǎng)支柱、晃動防護網(wǎng)和拍打光纜4種不同類型。

具體測試方法如下：4種類型的傳感信號分別采集40組，得到160組樣本用于BP神經(jīng)網(wǎng)絡(luò)的學習；另外，再對每種類型的傳感信號分別采集10組，得到40組測試樣本對完成學習的BP神經(jīng)網(wǎng)絡(luò)進行測試。將輸出向量中的最大元素置1，其他元素置0，那么可能結(jié)果為[1，0，0，0]、[0，1，0，0]、[0，0，1，0]和[0，0，0，1]，如表1所示。其中，[1，0，0，0]代表拍打防護網(wǎng)，[0，1，0，0]代表擊打防護網(wǎng)支柱，[0，0，1，0]代表晃動防護網(wǎng)，[0，0，0，1]代表拍打光纜。

傳感信號的特征提取及模式識別結(jié)果如表2所示。其中，1～10組為拍打防護網(wǎng)，11～20組為擊打防護網(wǎng)支柱，21～30組為晃動防護網(wǎng)，31～40組為拍打光纜。

由表2可知，完成訓練后的BP神經(jīng)網(wǎng)絡(luò)僅將33號樣本識別錯誤，實驗室環(huán)境下對4種人為擾動信號識別正確率為97.5%。

3" " 結(jié)論

針對M-Z周界防護系統(tǒng)，本文提出了基于小波包分析和BP神經(jīng)網(wǎng)絡(luò)的模式識別算法。該算法首先利用M-Z周界防護系統(tǒng)進行數(shù)據(jù)采集，然后采用小波包分析提取信號特征的方法，將小波包分解得到的能量譜作為信號特征，并運用BP神經(jīng)網(wǎng)絡(luò)進行訓練和學習，實現(xiàn)傳感信號的模式識別。實驗結(jié)果顯示，在拍打防護網(wǎng)、擊打防護網(wǎng)支柱、晃動防護網(wǎng)和拍打光纜4種不同類型人為擾動下，信號識別正確率為97.5%，進而驗證了該方案的可行性。

[參考文獻]

[1] YOUSEFI A，MEMBER S，DIBAZAR A A，et al.Intelligent fence intrusion detection system：detection of intentional fence breaching and recognition of fence climbing[C]//2008 IEEE Conference on Technologies for Homeland Security，2008：620-625.

[2] 安寧，尹保軍，陳淑涵，等.光纖傳感技術(shù)研究進展[J].燕山大學學報，2023，47（5）：441-457.

[3] 廖俊.雙M-Z周界防護系統(tǒng)定位算法與模式識別技術(shù)研究[D].成都：西南交通大學，2015.

[4] 荊振國，殷鍇，張敏，等.干涉型光纖傳感器的消偏振衰落技術(shù)研究[J].光子學報，2009，38（8）：2024-2028.

[5] 廖俊，張志勇，邵理陽，等.基于FFTW算法的M-Z周界防護系統(tǒng)[J].光通信研究，2015（4）：37-38.

[6] 曲志剛，封皓，靳世久，等.基于支持向量機的油氣管道安全監(jiān)測信號識別方法[J].天津大學學報，2009，42（5）：465-470.

[7] 陳有根.基于小波分析和神經(jīng)網(wǎng)絡(luò)理論的電力系統(tǒng)短路故障研究[D].長沙：中南大學，2004.

收稿日期：2024-01-16

作者簡介：廖?。?990—），男，江西新余人，工程師，研究方向：電力通信與光纖傳感技術(shù)。

基金項目：國家電網(wǎng)公司科技項目資助-國網(wǎng)四川省電力公司科技項目“具備超長跨距、高集成度的四川電力骨干光網(wǎng)絡(luò)光纖傳感關(guān)鍵技術(shù)研究”（52100123009C）