[發(fā)明專利]一種光纖周界安防入侵事件識(shí)別模型構(gòu)建方法和安防系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010414757.0
• 申請(qǐng)日: 2020-05-15
• 公開（公告）號(hào): CN111597994B
• 公開（公告）日: 2023-03-07
• 發(fā)明（設(shè)計(jì)）人: 陳沛超;丁攀峰
• 申請(qǐng)（專利權(quán)）人: 華僑大學(xué)
• 主分類號(hào): G06F18/10
• 分類號(hào): G06F18/10;G06F18/213;G06F18/214;G06N3/0464;G06N3/045;G08B29/18
• 代理公司: 廈門市首創(chuàng)君合專利事務(wù)所有限公司 35204
• 代理人: 張松亭;林燕玲

一種光纖周界安防入侵事件識(shí)別模型構(gòu)建方法和安防系統(tǒng)，將多模光纖繞在周界圍欄上組成傳感單元，從而對(duì)外界的入侵事件進(jìn)行探測(cè)。然后將探測(cè)到的入侵事件用于濾波器組濾波并分解為四個(gè)不同的頻段，之后在這四個(gè)不同的頻段中采用奇異值和峭度值的組合向量進(jìn)行特征提取。最后將提取到的組合特征向量輸入到經(jīng)改進(jìn)的樽海鞘群算法優(yōu)化的概率神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練并獲得最佳平滑因子，從而有效地降低人為入侵事件和非人為入侵事件的誤報(bào)率。

技術(shù)領(lǐng)域

本發(fā)明涉及光纖周界安防領(lǐng)域，特別是一種光纖周界安防入侵事件識(shí)別模型構(gòu)建方法和安防系統(tǒng)。

背景技術(shù)

光纖周界系統(tǒng)一般用于學(xué)校的日常安全，小區(qū)別墅的安全監(jiān)測(cè)，廠房設(shè)備及工地的安全管理，電信設(shè)備的安全運(yùn)營(yíng)等。

傳統(tǒng)的周界系統(tǒng)經(jīng)常是紅外線對(duì)管周界系統(tǒng)，泄露電纜式周界系統(tǒng)，這些系統(tǒng)在對(duì)入侵事件的檢測(cè)過程中，往往會(huì)出現(xiàn)監(jiān)測(cè)范圍小，易受電磁干擾，價(jià)格昂貴等現(xiàn)象。

光纖周界系統(tǒng)雖然有著廣泛的應(yīng)用，但在系統(tǒng)的工作中經(jīng)常伴隨著低的識(shí)別率和高的漏報(bào)率和誤報(bào)率等問題。此外，目前市場(chǎng)上的光纖周界系統(tǒng)在不同的應(yīng)用場(chǎng)合中往往需要進(jìn)行人為參數(shù)調(diào)試，這就大大地降低了系統(tǒng)的智能化水平。

市場(chǎng)中的特征提取算法都是以信號(hào)的幅度大小，方差大小，閾值大小等參數(shù)來對(duì)不同入侵信號(hào)進(jìn)行判別。然而，現(xiàn)在的光纖周界系統(tǒng)所探測(cè)的入侵信號(hào)都包含有大量的噪聲，而包含有不同程度噪聲的入侵信號(hào)的幅值，閾值大小都會(huì)發(fā)生改變，這使得系統(tǒng)在面對(duì)不同環(huán)境中需要進(jìn)行大量的參數(shù)設(shè)置，從而浪費(fèi)了大量的人力物力。

傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型都會(huì)出現(xiàn)較差的收斂效率，因?yàn)樗麄冃枰谂繕颖镜膶W(xué)習(xí)中不斷地調(diào)整權(quán)值和偏置值，從而削弱了網(wǎng)絡(luò)的收斂速度和訓(xùn)練效率。此外，有些神經(jīng)網(wǎng)絡(luò)模型需要進(jìn)行人為參數(shù)設(shè)置，導(dǎo)致了網(wǎng)絡(luò)模型在學(xué)習(xí)過程中出現(xiàn)了過擬合和欠擬合等問題。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于克服現(xiàn)有技術(shù)中即非人為入侵事件往往被誤判為人為入侵事件，或者人為入侵事件被誤判為非人為入侵事件的缺陷，提出一種低誤報(bào)率且智能化識(shí)別的光纖周界安防入侵事件識(shí)別模型構(gòu)建方法和安防系統(tǒng)。

本發(fā)明采用如下技術(shù)方案：

一種光纖周界安防入侵事件識(shí)別模型構(gòu)建方法，其特征在于：預(yù)先將光纖傳感單元安裝于周界防區(qū)以采集入侵信號(hào)，其它步驟如下：

1)將入侵信號(hào)通過濾波器組濾波并分解為四個(gè)不同的頻段；

2)在四個(gè)不同的頻段中，采用奇異值和峭度值的組合向量進(jìn)行特征提取，得到組合特征向量；

3)將組合特征向量輸入經(jīng)改進(jìn)的樽海鞘群算法優(yōu)化的概率神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練并獲得最佳平滑因子，得到訓(xùn)練好的識(shí)別模型；

4)用測(cè)試集對(duì)訓(xùn)練好的識(shí)別模型進(jìn)行測(cè)試。

優(yōu)選的，步驟1)中，具體為：對(duì)采集到的入侵信號(hào)做傅里葉變換，并用數(shù)據(jù)統(tǒng)計(jì)方法計(jì)算每種入侵信號(hào)的平均上限頻率和下限頻率，根據(jù)上限頻率和下限頻率配置濾波器組中的參數(shù)，得到每種入侵信號(hào)的四個(gè)不同的頻段波形。

優(yōu)選的，步驟2)中，對(duì)每種入侵信號(hào)的頻段波形使用奇異值和峭度值的特征提取方法，構(gòu)建成組合特征向量。

優(yōu)選的，所述改進(jìn)的樽海鞘群算法是在原始樽海鞘群算法中引入了權(quán)重因子和自適應(yīng)變異算子，并配置好種群數(shù)目、C1值、權(quán)重因子初始值和食物源初始值。

優(yōu)選的，概率神經(jīng)網(wǎng)絡(luò)模型中輸入層的神經(jīng)節(jié)點(diǎn)為16個(gè)，模式層的節(jié)點(diǎn)數(shù)為400個(gè)，而求和層的節(jié)點(diǎn)數(shù)為4個(gè)，輸出層的節(jié)點(diǎn)數(shù)為1個(gè)，模式層中的激活函數(shù)使用的是高斯函數(shù)。

優(yōu)選的，將組合特征向量分為訓(xùn)練集和測(cè)試集，步驟3)中，將訓(xùn)練集輸入經(jīng)改進(jìn)的樽海鞘群算法優(yōu)化的概率神經(jīng)網(wǎng)絡(luò)模型，得到最佳平滑因子；步驟4)中，用測(cè)試集對(duì)訓(xùn)練好的識(shí)別模型進(jìn)行測(cè)試。