基于SVM的φ-OTDR事件分类识别算法的研究

李亚擎

摘要：

本文提出一种基于支持向量机（Support Vector Machine，SVM）算法的扰动判别和扰动模式识别的方法，算法首先通过稳定性竞争自适应重加权采样（SCARS）提取信号时域和频域特征，其次基于时域和频域特征建立了SVM算法分类器，最后通过分类器进行扰动模式识别研究。

关键词：SVM;φ-OTDR;分类器;模式识别;SCARS

一、SCARS的特征选择原理

稳定性竞争自适应重加权采样[15]（SCARS）算法的度量标准是算法的稳定性，当算法越稳定时，变量被选择的概率越大。全部计算过程里包含N个循环数据，首先，需要计算出所有特征的稳定性，然后通过强制变量的筛选和自适应重加权采样法[16]（adapting reweighted sampling， ARS）计算出稳定性较大的变量，把这些变量放入一个集合中。循环结束后，可以得到N个稳定性较大的变量集合，其次，对每个集合进行PLS建模，最后，根据模型中RMSECV值最小原则选择出最合适的集合。变量稳定性的评价规则如下：

矩阵 为所测样本的特征矩阵，n为样本数，p为变量数，表示目标性质变量，建立PLS回归模型时，X与y的关系可以表示为

 其中  和  分别表示M次采样后第j个变量自回归系数的平均值和标准偏差，从式（6）可以看出，  值越大，  值越小，该变量的稳定值越大，重要性越强。

同上所述，整个循环结束后将获得N个变量子集，对每个变量子集进行PLS建模，然后根据模型RMSECV值最小原则选择最优的变量子集。SCARS具体算法步骤如下：

Step1：当循环次数 时，计算原始变量集V中各变量的稳定性值;

Step2：通过衰减指数函数将较为稳定的变量保存，变量的……