[發明專利]一種具有自適應學習功能的光纖振動傳感方法及系統

在審

• 申請號: 201710829895.3
• 申請日: 2017-09-14
• 公開（公告）號: CN107633222A
• 公開（公告）日: 2018-01-26
• 發明（設計）人: 李燕英;陶小蘭
• 申請（專利權）人: 浙江亨特科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/66;G01H9/00
• 代理公司: 杭州浙科專利事務所(普通合伙)33213
• 代理人: 杜立

1.一種具有自適應學習功能的光纖振動傳感方法，其特征在于：包括：步驟(一)通過誤報信號甄別算法周期性地自動分析提取誤報信號，步驟(二)將誤報信號進行訓練學習以優化升級分類器。

2.如權利要求1所述的具有自適應學習功能的光纖振動傳感方法，其特征在于：所述誤報信號甄別算法從未知行為報警信號中周期性地自動分析提取誤報信號，具體如下：根據預先設定的周期，自動提取存儲器中被標志過的未知行為報警信號，然后基于包含已知樣本數據信息的分類器，采用誤報信號甄別算法對其進行分類處理以篩選出可靠的誤報信號。

3.如權利要求2所述的具有自適應學習功能的光纖振動傳感方法，其特征在于：所述誤報信號甄別算法包括如下步驟：

1)在已知類別特征值劃分區域之外，將未知行為報警信號類別的特征值的劃分區域均分為N個區域，計算N個區域內所含報警數據的各個特征值的均值，將均值所描述的點分別作為各個類別的初始類別中心；

2)計算所有未知行為報警數據與各初始類別中心之間的距離，按照近鄰規則將所有未知行為報警數據分到與之距離最近的類別中心所對應的類別中；

3)在步驟2)中按近鄰規則劃分好的類別，修正未知行為報警數據的類別中心，計算各個類別中報警數據的各個特征值均值所描述的點，作為新的各個類別中心；

4)計算各個類別中報警數據的各個特征值的標準差向量以及分類器中的入侵類別、干擾類別中樣本的各特征值標準差向量，一個類別取其標準差向量中的最小分量，當這個最小分量大于入侵和干擾樣本標準差向量中對應最大分量的1.5倍,對這個類別進行分裂處理，然后轉到步驟2)，否則繼續；

5)計算所有類別中心之間的距離，判斷是否小于分類器的入侵類別中心與干擾類別中心距離的10％，當兩個類別中心之間的距離小于分類器的入侵類別中心與干擾類別中心距離的10％，對這兩個類別區域進行合并處理，類別數量N減去1；

6)當迭代次數等于預設的次數，未知行為報警數據分類完成，得到一個或多個未知類型；否則迭代次數加1，并轉到步驟2)；

7)計算各個未知類型的標準差向量的最大分量，當某個未知類型的標準差最大分量小于已知類別樣本的特征值標準差向量中的最小分量，該未知類型屬于某一特定未知干擾行為引起的誤報信號。

4.如權利要求3所述的具有自適應學習功能的光纖振動傳感方法，其特征在于：步驟1)中，根據在分類器中不同類別的信號數據樣本具有的持續時間、有效面積、主峰值、斷續時間的時域特征和小波包分解系數的頻域特征等特征值，進行各個特征的初次劃分，已知類別特征值的劃分區域由分類器決定。

5.如權利要求3所述的具有自適應學習功能的光纖振動傳感方法，其特征在于：步驟4)中，把類別中心分裂為兩個新的類別中心，類別數量加1，求這個類別各個特征值標準差中的最大值σ_max，類別中心對應這個最大值的分量加上0.5σ_max得到一個新的類別中心，類別中心對應這個最大值的分量減去0.5σ_max得到另一個新的類別中心，即得到了兩個新的類別中心。

6.如權利要求3所述的具有自適應學習功能的光纖振動傳感方法，其特征在于：步驟5)中，新的類別中心由兩個類別中心以其類別區域內的樣本數加權平均得到。

7.如權利要求1所述的具有自適應學習功能的光纖振動傳感方法，其特征在于：步驟(二)具體為將誤報信號作為干擾樣本集輸入分類器中訓練學習，完成分類器本輪迭代，然后等待下一個周期的到來。

8.如權利要求7所述的具有自適應學習功能的光纖振動傳感方法，其特征在于：當迭代次數達到閾值時，分類器優化升級完成，自適應學習終止。

9.一種具有自適應學習功能的光纖振動傳感系統，其特征在于：采用權利要求1-8之一所述的具有自適應學習功能的光纖振動傳感方法。