基于傅里叶变换和CELM的光纤传感信号的识别研究

苗军 周建亭 袁睿思 宁润泽

摘  要： 为了对系统采集到的光纤振动数据进行更细致的特征刻画，文中采用傅里叶变换对数据进行特征提取。对特征提取后的数据，通过二分类任务决策树模型以及约束极速学习机（CELM）算法，进行挖掘机挖掘、人工挖掘、汽车行走、人员行走以及环境噪音总共5个类别进行识别。实验结果表明，与采用传统的短时能量/过零率特征及极速学习机（ELM）算法相比，该文采用傅里叶变换特征和CELM算法对光纤振动数据识别的分类正确率有显著提高。

关键词： 信号识别; 入侵事件检测; 光纤振动信号; 数据采集; 特征提取; 分类识别

中图分类号： TN929.11?34; TP181                     文献标识码： A                文章编号： 1004?373X（2019）16?0040?04

0  引  言

将一定数量的光纤传感器设置在目标区域边界处，外界压力和各类振动会导致光纤产生内力变化，从而产生振动信号。系统对该过程中产生的振动信号进行识别分析，当检测到入侵事件或干扰事件时，即可做出对应的预警。该系统不仅被用于石油和天然气的防护中，还被广泛应用于机场、炸药库、边境等领域，并在逐渐取代传统的安防解决方案[1?2]。

在光纤信号的特征提取和分类识别方面，相关的研究报道较少。熊林林基于Mach Zehnders光纤干涉仪原理设计了分布式光纤微振动传感器，用于研究管道沿途的异常振动信号[3]。该定位监测系统具有较高的测试灵敏度和准确的定位精度，而结构却十分简单。杨丹基于人耳听觉原理，给出了光纤振动信号的梅尔频率倒谱系数（MFCC）特征表达方法[4]。该方法根据电镐信号特殊的频段分布特点对光纤振动信号的MFCC特征进行自适应特征提取与识别，能够有效地区分电镐、挖地和过车这三类信号;并且利用改进的MFCC特征提取算法，提升了电镐信号的识别性能。李国相等人提出了无害强风干扰源的数学模型[5]，对于有害的人员攀爬入侵信号，其过零率特征明显区别于无害强风干扰振动信号，从而实现对二者的区分和识别。通过所观察到的时频域信号特性，李静云等人提出了基于时频熵和重心频率的光纤信号特征表达方法，分析信号随时间变化的规律从而进行入侵类型的识别[6]。

通过对挖掘机挖掘、人工挖掘、汽车行走、人员行走和噪声这5类事件信号的特征可视化和观察，本文在信号的过零律和能量[7]基本表达的基础上，提出采用傅里叶变换对信号进行特征提取的处理方法。在分类器的选择和设计方面，本文采用了有约束的极速学习机（CELM）的算法[8]进行分类识别实验。

1  光纤振动数据的傅里叶特征表达和样本生成

本文首先借鉴文献[9]的做法，将原始二维时空图进行前、背景区域进行划分，并在前景区域中选取各事件的过零率特征数据块和能量特征数据块（为后续进行傅里叶变化，块的尺寸应该足够大，例如取23×23大小）作为代表不同类事件的粗糙原始样本，然后对这些原始样本进行傅里叶变换作为代表不同类事件的特征样本。

2  基于CLEM的光纤振动数据识别

文献[8]提出的CELM算法對ELM算法[10]进行了优化以及改进。由于ELM算法中的输入权重向量是随机产生的，因此若要产生效果良好的分类面需要产生足够多的随机隐节点才有可能实现。CELM算法将输入权重向量的赋值方式进行改进，改进方法是将若干对标有不同类别的样本的差向量正则化后设置为输入权向量，并用[12]的差向量模长对隐单元的偏置进行赋值。由于输入权向量的垂直平分线代表基本分类面， 经过约束方式这样的改进，使得产生的输入权重能够产生一组效果良好的基本分类面。

3  二分类任务决策树模型

在本次研究中，为了与文献[9]的方法进行比较，五类数据仍旧按4个阶段分析，每个阶段采用二分类任务的方式进行类别划分。在第一阶段，主要是将事件分为危害性事件和非危害性事件;在第二阶段则对第一阶段中分类为危害性事件的数据进行分类，判断破坏事件为挖掘机挖掘还是人工挖掘;在第三阶段，则对第一阶段中分类为非危害性事件的数据进行干扰事件的类型判断，判断非破坏性事件为噪声还是行走类事件;在第四阶段，对第三阶段中判断为行走类的事件进行分类，即将其分类为汽车行走或人员行走。

4  实验及结果分析

根据文献[9]描述，样本大小、算法中不同激励函数对识别率没有明显影响，但隐层神经元个数对识别率影响较大。故在下列各实验中对不进行傅里叶变换的实验样本均取3×3大小的数据块，对进行傅里叶变换的样本数据块取23×23大小，后者这一参数是根据各类事件的原始二维时空图的有效前景区域的最小宽度得出的。实验中模型的激励函数取为Sigmoid，隐层神经元个数为500。

在实验设置上，考虑单独采用傅里叶变换特征或CELM算法以及同时采用傅里叶变换特征与CELM算法这三种情况对系统识别率的影响。对五类事件按照3×3大小在原始二维时空图上不重叠采样得到的样本总数约为42 000个，其中[13]用于测试（五类测试样本的数目分别为5 730，1 342，398，664，5 841），其余用来训练;按照23×23大小在原始二维时空图上有重叠采样得到的样本总数约为16 400个，[13]用于测试（5类测试样本的数目分别为2 263，118，436，1 556，1 092），其余用来训练。综上所述，整个识别过程分为第一阶段、第二阶段、第三阶段、第四阶段。

实验软件平台为Windows 10 专业版操作系统和Matlab（R2017b版）编程框架，硬件平台为联想G50?70型号笔记本（酷睿i5?4285U型号CPU、主频2.40 GHz、8 GB内存）。

4.1  有无傅里叶变换、使用ELM识别的实验

在本节的实验中，考虑采用傅里叶变换对实验结果的影响。在进行识别任务的4个阶段中均按上文所述的样本选取方法，分别对选取的训练样本事先进行傅里叶变换以及不进行傅里叶变换，并采用ELM算法获得实验结果如表1所示。

从表1可知，在一、三阶段即区分危害事件与环境噪声的阶段，进行傅里叶变换后的得到样本数据块经ELM算法测试的正确率略高于未进行傅里叶变换的原始样本数据块的测试正确率;在二、四阶段即区分挖掘类型与行走类型，变换后的样本数据块的测试正确率明显高于未变换样本数据块的测试正确率。由于有无危害事件下光纤的振动信号、有无噪声下光纤的振动信号、两种挖掘下的光纤振动信号以及两种行走下的光纤振动信号之间在频率上均有一定差别，样本数据块在进行傅里叶变换后在一、二、三、四各阶段测试正确率相较于未变换的ELM测试正确率均有所提升。

4.2  无傅里叶变换、使用CELM识别的实验

对于没有经过傅里叶变换的样本数据块，考虑是否采用CELM算法对实验结果的影响。采用CELM算法在识别任务4个阶段的实验结果见表2，将表2数据与表1中无傅里叶变换采用ELM算法的数据比较可得出：采用CELM算法的测试正确率在一、二、三、四阶段均高于ELM算法测试正确率，CELM算法相较于ELM算法对测试数据准确率有一定提高。

4.3  CELM的隐层神经元不同个数的实验

对于没有经过傅里叶变换的样本数据块，激活函数仍为Sigmoid，对CELM隐层神经元不同个数进行实验，第一阶段实验结果见表3、图1。

从表3中可以看出，测试识别率随着隐层节点数的增加而提高，但是相差不大;当隐层节点个数增加到500时，测试正确率趋于稳定，当隐层节点数增加到2 000时测试正确率最高，当隐层节点数增加到3 000时测试正确率有轻微下降，对应的训练时间达到了195.39 s。

经过对第二、三、四阶段的验证，它们的实验结果与第一阶段的现象相似。因此，为了方便实验对比，在后续的实验设计中，模型隐节点的数目都设置为500。

4.4  有傅里叶变换、使用CELM识别的实验

第4.1，4.2节的实验揭示了单独采用傅里叶变换或CELM算法对实验结果的影响。在本节的试验中，将考虑同时对原始样本数据块进行傅里叶变换并采用CELM算法进行识别，实验结果如表4所示。将表4与表1无傅里叶变换的ELM实验结果比较可知：在识别任务一、二、三、四阶段，采用傅里叶变换以及CELM算法的测试正确率均明显高于未经傅里叶变换的ELM算法的测试正确率。

由于CELM算法相较于ELM在分类性能上有所优化，且第4.1节的实验揭示了傅里叶变换对系统性能的提升作用，因而采用CELM算法对傅里叶变换特征数据的测试正确率相较于采用ELM算法对原始数据的测试正确率有了明显提升。

根据上述实验结果，给出两种算法的实验结果对比图如图2所示。该图表明采用CELM对傅里叶变换特征数据进行识别的方法在一、二、三、四阶段的正确识别率都高于采用ELM对未经傅里叶变换的原始数据进行识别的正确率。

综上，根据对光纤振动信号识别过程的4个阶段的划分，按照各类事件的识别正确率等于各类事件中正确识别的样本数除以测试集中该类事件的样本数目，以及各类事件的識别时间等于各阶段测试识别时间相加的计算方法，可以得出各类事件识别的正确率和所需时间，如表5所示。从表中可以获知，采用了CELM算法与傅里叶变换的实验结果，除了在人工挖掘方面的识别效果略有降低，在挖掘机挖掘、汽车行走、人员行走和噪声方面都取得了更高的识别率，因而在总体平均识别率上获得了显著提高。由于CELM在权值初始化上比ELM复杂，因而系统在各个事件的识别时间花费上相对有所上升。

5  结  论

本文在文献[9]对光纤振动数据进行短时原始特征表达的基础上， 对数据进一步进行了傅里叶变换的特征表达和数据处理，并提出采用CELM算法替代ELM算法对5种光纤事件的振动信号进行识别。将光纤振动信号的短时过零率和短时能量数据进行傅里叶变换处理，并将二者结合起来作为特征样本向量，然后使用CELM模型对样本向量进行事件的分类识别。

实验结果表明，与采用ELM等方法[9]对无傅里叶变换的原始光纤振动数据进行识别得到的结果相比，采用CELM算法对有傅里叶变换的光纤振动数据进行识别提高了前者的正确识别率，同时保持模型的训练时间和测试时间与原有模型在同一数量级。

由于光纤振动信号存在非平稳性的特点，并且某些事件信号，如挖掘机挖掘与人工挖掘信号，在频率特征上相似，故在识别实验中仍有部分误分类现象产生。能否在噪声干扰的情况下更准确地区分不同的振动事件是下一步需要继续研究和解决的问题。

注：本文通讯作者为周建亭。

参考文献

[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.基于光纤传感器的光缆监测预警系统及其仿真[J].计算机工程与应用，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] 杨丹.光纤振动信号特征提取与识别算法研究[D].北京：北方工业大学，2018.

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

[5] 李国相，苟武侯.基于光纤振动安全预警系统的抗干扰算法研究[J].浙江水利水电学院学报，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] 李静云，安博文，陈元林，等.基于时频特征的光纤振动模式识别研究[J].光通信技术，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] 吕卫强，黄荔.基于短时能量加过零率的实时语音端点检测方法[J].兵工自动化，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] 邹柏贤，苗军，许少武，等.基于ELM算法的光纤振动信号识别研究[J].计算机工程与应用，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.