光纖周界入侵信號(hào)的識(shí)別方法、裝置及周界入侵報(bào)警系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及光電信號(hào)處理及辨識(shí)技術(shù)，尤其涉及一種光纖周界入侵信號(hào)的識(shí)別方 法、識(shí)別裝置及光纖周界入侵報(bào)警系統(tǒng)。
【背景技術(shù)】
[0002] 隨著社會(huì)的發(fā)展，為了防止非法入侵和破壞，越來越多的重要設(shè)施都需要進(jìn)行周 界監(jiān)測和安防。而光纖光柵技術(shù)由于其結(jié)構(gòu)簡單、介質(zhì)絕緣、耐高壓、耐腐蝕、不受電磁干擾 及具有較高靈敏度等特性，廣泛地被應(yīng)用于智能周界安防系統(tǒng)中。
[0003] 對(duì)于采用光纖光柵技術(shù)的周界安防系統(tǒng)，其主要面臨的問題在于對(duì)入侵信號(hào)的識(shí) 另IJ，及對(duì)外界環(huán)境如風(fēng)、雨、雪或車輛來往等干擾信號(hào)的屏蔽。目前對(duì)于入侵事件的識(shí)別主 要采用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（SVM)等經(jīng)典機(jī)器學(xué)習(xí)方法。
[0004] 如何提供一種簡單易實(shí)現(xiàn)、分類能力高、且分類效果好的入侵信號(hào)識(shí)別方法成為 業(yè)界的一個(gè)研究方向。

【發(fā)明內(nèi)容】

[0005] 有鑒于此，本發(fā)明提供了一種光纖周界入侵信號(hào)的識(shí)別方法、識(shí)別裝置及光纖周 界入侵報(bào)警系統(tǒng)，以滿足光纖周界入侵系統(tǒng)對(duì)入侵事件的識(shí)別及報(bào)警要求。
[0006] 本發(fā)明的額外方面和優(yōu)點(diǎn)將部分地在下面的描述中闡述，并且部分地將從描述中 變得顯然，或者可以通過本發(fā)明的實(shí)踐而習(xí)得。
[0007] 本發(fā)明一方面提供了一種光纖周界入侵信號(hào)的識(shí)別方法，包括：從一光纖周界監(jiān) 測系統(tǒng)的監(jiān)測信號(hào)中獲取實(shí)時(shí)信號(hào)；對(duì)所述實(shí)時(shí)信號(hào)進(jìn)行預(yù)處理，以去除所述實(shí)時(shí)信號(hào)的 噪聲；判斷去除噪聲后的所述實(shí)時(shí)信號(hào)是否為入侵信號(hào)；如果為所述入侵信號(hào)，則截取所 述入侵信號(hào)，以從所述入侵信號(hào)中獲得信號(hào)片段，并分別提取所述信號(hào)片段的相關(guān)特征量； 以及根據(jù)預(yù)先創(chuàng)建的決策樹模型所確定的分類規(guī)則及所述信號(hào)片段的相關(guān)特征量對(duì)所述 入侵信號(hào)進(jìn)行分類；其中所述決策樹模型包含至少一棵決策樹。
[0008] 于一實(shí)施例中，其中每棵決策樹所確定的分類規(guī)則包括：從該決策樹的根到其葉 結(jié)點(diǎn)的每條路徑上的分類規(guī)則；其中每個(gè)分類規(guī)則包括：以沿著其每條路徑上的每個(gè)屬性 條件形成的該分類規(guī)則的前件的一個(gè)合取項(xiàng)以及以該路徑上的葉結(jié)點(diǎn)形成的該分類規(guī)則 的后件。
[0009] 于另一實(shí)施例中，其中所述決策樹模型含有多棵決策樹；根據(jù)預(yù)先創(chuàng)建的決策樹 模型所確定的分類規(guī)則及所述信號(hào)片段的相關(guān)特征量對(duì)所述入侵信號(hào)進(jìn)行分類包括：依次 根據(jù)所述多棵決策樹中的每棵決策樹所確定的分類規(guī)則及所述信號(hào)的相關(guān)特征量對(duì)所述 入侵信號(hào)進(jìn)行分類，以獲得相應(yīng)的多個(gè)分類結(jié)果；將所述多個(gè)分類結(jié)果中相同的分類結(jié)果 分為一組，獲得至少一組分類結(jié)果，分別統(tǒng)計(jì)各組分類結(jié)果中的分類結(jié)果的數(shù)量，以其中分 類結(jié)果數(shù)量最多的一組中的分類結(jié)果作為所述入侵信號(hào)最終的分類結(jié)果。
[0010] 于再一實(shí)施例中，該方法還包括創(chuàng)建所述決策樹模型，包括：預(yù)先從所述光纖周界 監(jiān)測系統(tǒng)的監(jiān)測信號(hào)中分別獲取多組已知分類的入侵信號(hào)及其對(duì)應(yīng)的分類結(jié)果；分別對(duì)所 述多組已知分類的入侵信號(hào)進(jìn)行預(yù)處理，以去除所述多組已知分類的入侵信號(hào)的噪聲；分 別截取去除噪聲后的所述多組已知分類的入侵信號(hào)，以從所述多組已知分類的入侵信號(hào)中 獲得多組入侵信號(hào)片段，并分別提取所述多組入侵信號(hào)片段的相關(guān)特征量；以及根據(jù)所述 多組入侵信號(hào)片段的多組相關(guān)特征量所組成的第一訓(xùn)練數(shù)據(jù)集，創(chuàng)建所述決策樹模型；其 中一組相關(guān)特征量組成所述第一訓(xùn)練數(shù)據(jù)集的一個(gè)輸入向量。
[0011] 于再一實(shí)施例中，其中所述決策樹模型含有多棵決策樹；創(chuàng)建所述決策樹模型包 括：對(duì)所述第一訓(xùn)練數(shù)據(jù)集進(jìn)行有放回的隨機(jī)抽樣，以獲得多個(gè)第二訓(xùn)練數(shù)據(jù)集；其中每 個(gè)第二訓(xùn)練數(shù)據(jù)集與所述第一訓(xùn)練數(shù)據(jù)集所包含的輸入向量數(shù)目相同；根據(jù)所述多個(gè)第二 訓(xùn)練數(shù)據(jù)集，采用決策樹算法分別建立相應(yīng)的所述多棵決策樹。
[0012] 于再一實(shí)施例中，其中在建立每棵所述決策樹時(shí)，針對(duì)每個(gè)所述第二訓(xùn)練數(shù)據(jù)集 的輸入向量，每次分裂都重新從該輸入向量的所有相關(guān)特征量中隨機(jī)抽取部分或全部的相 關(guān)特征量。
[0013] 于再一實(shí)施例中，其中創(chuàng)建所述決策樹模型包括：根據(jù)所述第一訓(xùn)練數(shù)據(jù)集，采用 決策樹算法建立決策樹，對(duì)所述決策樹進(jìn)行后剪枝，以獲得所述決策樹模型。
[0014] 于再一實(shí)施例中，其中創(chuàng)建所述決策樹模型還包括：根據(jù)所述第一訓(xùn)練數(shù)據(jù)集，多 次對(duì)所述決策樹模型進(jìn)行訓(xùn)練，以獲得最佳的決策樹模型。
[0015] 于再一實(shí)施例中，其中所述決策樹算法包括：采用Gini指標(biāo)作為分裂屬性度量的 CART算法。
[0016] 于再一實(shí)施例中，其中所述相關(guān)特征量包括：峰均方差、方差、偏度、峭度、極點(diǎn)數(shù) 目及采用小波包分解獲得的頻域特征量中的部分或全部。
[0017] 本發(fā)明另一方面提供了一種光纖周界入侵信號(hào)的識(shí)別裝置，包括：信號(hào)獲取模塊， 用于從一光纖周界監(jiān)測系統(tǒng)的監(jiān)測信號(hào)中獲取實(shí)時(shí)信號(hào)；信號(hào)預(yù)處理模塊，用于對(duì)所述實(shí) 時(shí)信號(hào)進(jìn)行預(yù)處理，以去除所述實(shí)時(shí)信號(hào)的噪聲，及判斷去除噪聲后的所述實(shí)時(shí)信號(hào)是否 為入侵信號(hào)；特征量提取模塊，用于當(dāng)所述實(shí)時(shí)信號(hào)為所述入侵信號(hào)時(shí)，截取所述入侵信 號(hào)，以從所述入侵信號(hào)中獲得信號(hào)片段，并分別提取所述信號(hào)片段的相關(guān)特征量；以及決策 樹分類模塊，用于根據(jù)預(yù)先創(chuàng)建的決策樹模型所確定的分類規(guī)則及所述信號(hào)片段的相關(guān)特 征量對(duì)所述入侵信號(hào)進(jìn)行分類；其中所述決策樹模型包含至少一棵決策樹。
[0018] 于一實(shí)施例中，其中每棵決策樹所確定的分類規(guī)則包括：從該決策樹的根到其葉 結(jié)點(diǎn)的每條路徑上的分類規(guī)則；其中每個(gè)分類規(guī)則包括：以沿著其每條路徑上的每個(gè)屬性 條件形成的該分類規(guī)則的前件的一個(gè)合取項(xiàng)以及以該路徑上的葉結(jié)點(diǎn)形成的該分類規(guī)則 的后件。
[0019] 于另一實(shí)施例中，其中所述決策樹模型含有多棵決策樹；根據(jù)預(yù)先創(chuàng)建的決策樹 模型所確定的分類規(guī)則及所述信號(hào)片段的相關(guān)特征量對(duì)所述入侵信號(hào)進(jìn)行分類包括：依次 根據(jù)所述多棵決策樹中的每棵決策樹所確定的分類規(guī)則及所述信號(hào)的相關(guān)特征量對(duì)所述 入侵信號(hào)進(jìn)行分類，以獲得相應(yīng)的多個(gè)分類結(jié)果；將所述多個(gè)分類結(jié)果中相同的分類結(jié)果 分為一組，獲得至少一組分類結(jié)果，分別統(tǒng)計(jì)各組分類結(jié)果中的分類結(jié)果的數(shù)量，以其中分 類結(jié)果數(shù)量最多的一組中的分類結(jié)果作為所述入侵信號(hào)最終的分類結(jié)果。
[0020] 于再一實(shí)施例中，其中，所述信號(hào)獲取模塊還用于預(yù)先從所述光纖周界監(jiān)測系統(tǒng) 的監(jiān)測信號(hào)中分別獲取多組已知分類的入侵信號(hào)及其對(duì)應(yīng)的分類結(jié)果；所述預(yù)處理模塊還 用于分別對(duì)所述多組已知分類的入侵信號(hào)進(jìn)行預(yù)處理，以去除所述多組已知分類的入侵信 號(hào)的噪聲；所述特征量提取模塊還用于分別截取去除噪聲后的所述多組已知分類的入侵信 號(hào)，以從所述多組已知分類的入侵信號(hào)中獲得多組入侵信號(hào)片段，并分別提取所述多組入 侵信號(hào)片段的相關(guān)特征量；以及所述決策樹分類模塊還用于根據(jù)所述多組入侵信號(hào)片段的 多組相關(guān)特征量所組成的第一訓(xùn)練數(shù)據(jù)集，創(chuàng)建所述決策樹模型；其中一組相關(guān)特征量組 成所述第一訓(xùn)練數(shù)據(jù)集的一個(gè)輸入向量。
[0021] 于再一實(shí)施例中，其中所述決策樹模型含有多棵決策樹；創(chuàng)建所述決策樹模型包 括：對(duì)所述第一訓(xùn)練數(shù)據(jù)集進(jìn)行有放回的隨機(jī)抽樣，以獲得多個(gè)第二訓(xùn)練數(shù)據(jù)集；其中每 個(gè)第二訓(xùn)練數(shù)據(jù)集與所述第一訓(xùn)練數(shù)據(jù)集所包含的輸入向量數(shù)目相同；根據(jù)所述多個(gè)第二 訓(xùn)練數(shù)據(jù)集，采用決策樹算法分別建立相應(yīng)的所述多棵決策樹。
[0022] 于再一實(shí)施例中，其中在建立每棵所述決策樹時(shí)，針對(duì)每個(gè)所述第二訓(xùn)練數(shù)據(jù)集 的輸入向量，每次分裂都重新從該輸入向量的所有相關(guān)特征量中隨機(jī)抽取部分或全部的相 關(guān)特征量。
[0023] 于再一實(shí)施例中，其中創(chuàng)建所述決策樹模型包括：根據(jù)所述第一訓(xùn)練數(shù)據(jù)集，采用 決策樹算法建立決策樹，對(duì)所述決策樹進(jìn)行后剪枝，以獲得所述決策樹模型。
[0024] 于再一實(shí)施例中，其中創(chuàng)建所述決策樹模型還包括：根據(jù)所述第一訓(xùn)練數(shù)據(jù)集，多 次對(duì)所述決策樹模型進(jìn)行訓(xùn)練，以獲得最佳的決策樹模型。
[0025] 于再一實(shí)施例中，其中所述決策樹算法包括：采用Gini指標(biāo)作為分裂屬性度量的 CART算法。
[0026] 于再一實(shí)施例中，其中所述相關(guān)特征量包括：峰均方差、方差、偏度、峭度、極點(diǎn)數(shù) 目及采用小波包分解獲得的頻域特征量中的部分或全部。
[0027] 本發(fā)明再一方面提供了一種光纖周界入侵報(bào)警系統(tǒng)，包括：光路子系統(tǒng)，用于提供 光纖周界的監(jiān)測信號(hào)；上述任一種光纖周界入侵信號(hào)的識(shí)別裝置，用于對(duì)所述監(jiān)測信號(hào)中 的入侵信號(hào)進(jìn)行識(shí)別及分類；以及報(bào)警子系統(tǒng)，用于根據(jù)所述識(shí)別裝置對(duì)所述入侵信號(hào)的 分類，相應(yīng)地進(jìn)行報(bào)警。
[0028] 本發(fā)明提供的光纖周界入侵信號(hào)的識(shí)別裝置及其采用的識(shí)別方