一种振动事件的模式识别方法技术

本发明专利技术公开了一种振动事件的模式识别方法，包括如下步骤：通过振动传感器采集获取原始振动信号，原始振动信号中包含振动信号与非振动信号；并将原始振动信号中的振动信号分割出来；对振动信号进行去噪处理；对去噪后的振动信号进行特征提取，获得特征向量，包括三个方面特征：特征A、在时频域上进行小波包分解，获得能量特征向量；特征B、在进行倒频谱分析，提取倒频谱参数特征；特征C、在时域上提取信号特征；建立识别模型，由二级分类器组成；一级分类器是基于支持向量机SVM分类器，利用从振动信号中提取出的特征向量作为输入，将振动事件分为非入侵事件和入侵事件；二级分类器是针对入侵事件，进行基于人工神经网络的识别，获得分类结果。

A method for pattern recognition of vibration events

The invention discloses a pattern recognition method of vibration events, which comprises the following steps: obtaining the original vibration signal by the vibration sensor, including vibration signal and vibration signal of original vibration signal; and separate the raw vibration signals of vibration signal of vibration; signal denoising; vibration signal denoising for feature extraction, feature vectors are obtained, including three aspects: the characteristic features of A in time-frequency domain, wavelet packet decomposition energy feature vector; characteristics of B, in the cepstrum analysis, extraction frequency spectrum parameter characteristics; characteristics of C, the signal features in time domain; identification model is established, consisting of two classifiers; the first classifier is a support vector machine classifier based on SVM, using the feature vector extracted from the vibration signal as the input, the vibration. It is divided into non intrusive events and intrusion events, and the two level classifier is based on artificial neural networks to identify the intrusion events, and obtains the classification results.

【技术实现步骤摘要】
一种振动事件的模式识别方法
本专利技术涉及模式识别领域，尤其涉及一种振动事件的模式识别方法。
技术介绍
国境线、铁路沿线、工业管道沿线、重要场所、住宅小区，到处都有着振动传感器的身影，已经在安防监控等领域得到了广泛的应用。如在铁路沿线防范中，可以发现潜在的安全隐患，使工作人员能提前防范；再如周界防范，可用于家庭、学校、住宅、重要机关、金融重地等场所，即时发现外界入侵；此外，在地震和海啸检测方面，振动传感器也得到了重要应用。但目前国内外已出现商用的周界入侵警戒系统，大都只能用于定位可能异常事件的位置，对入侵行为识别采用的方法通常是对振动信号的时间域和频谱域进行分析，但此方法对于识别复杂的振动事件而言有些单一，局限性较大。对入侵行为的识别率较低，即无法有效地区分干扰事件与真正入侵事件，导致不能准确获知入侵行为的方式，因而无法对入侵事件进行有效的管控和处置。
技术实现思路
有鉴于此，本专利技术提供了一种振动事件的模式识别方法，该方法可应用于周界入侵警戒系统中对振动事件的智能识别分类，使得系统对振动事件的正确识别率提高，从而提供更加详细的报警信息，为加强周界入侵防范提供强有力的支持。为了达到上述目的，本专利技术的技术方案为：一种振动事件的模式识别方法，包括如下步骤：步骤一、通过振动传感器采集获取原始振动信号，原始振动信号中包含振动信号与非振动信号；并将原始振动信号中的振动信号分割出来。步骤二、对振动信号进行去噪处理。步骤三、对去噪后的振动信号进行特征提取，获得特征向量，包括三个方面特征：特征A、在时频域上进行小波包分解，获得能量特征向量。特征B、在进行倒频谱分析，提取倒频谱参数特征。特征C、在时域上提取信号特征。步骤四、建立识别模型，由二级分类器组成。一级分类器是基于支持向量机SVM分类器，利用从振动信号中提取出的特征向量作为输入，将振动事件分为非入侵事件和入侵事件。二级分类器是针对入侵事件，进行基于人工神经网络的识别，采用入侵事件样本及其人工分类结果作为人工神经网络的训练样本对该人工神经网络进行训练，则将入侵事件作为人工神经网络的输入，获得分类结果。进一步地，还包括步骤五：通过人机交互机制，对二级分类器的分类结果进行判断，当出现分类结果错误后进行人工修订，修订结果存入数据库，当分类错误结果累计到一定数目后，重新训练二级分类器中的人工神经网络，更新分类器的神经网络参数。进一步地，步骤一中，将原始振动信号中的振动信号分割出来采用的分割方法具体为：步骤101：以设定长度的窗口为单位，将原始振动信号f(t)根据窗口长度划分为多段窗口信号x(t)，t为时间变量；计算每一段窗口信号中N个采样点的平均能量，对于平均能量大于自适应阈值value的窗口，则该窗口信号为备选振动片段s(t)；如果两备选振动片段间隔范围在设定个数个窗口范围内，则将该两备选振动片段合并作为一个备选振动片段，否则，作为不同的备选振动片段；阈值value的初始值为Max(N)×0.025，Max(N)代表窗口内N个采样点中的最大值；步骤102：针对每个备选振动片段，如果备选振动片段长度小于一个阈值Length，则认为是噪声，将其舍弃；然后对备选振动片段进行小波分解，对分解后的信号进行滤波，得到滤波后重构信号；步骤103：判断是否存在至少一个备选振动片段的重构信号满足预设振动信号标准，若存在，将重构信号满足预设振动信号要求的备选振动片段作为振动信号从原始振动信号中分割出来；若不存在，将阈值value增加一个增量Δ，重复步骤101至步骤103，直至分割出振动信号为止；其中增量Δ公式如下所示：其中Mean为重构信号的均值。进一步地，特征A的获取方法为：对去噪后的振动信号做小波包分解，通过对一个设定尺度上各频带内的分解系数重构，在每个分解节点上构成新的时间序列，对这些时间序列分别做能量特征提取，获得能量特征向量。进一步地，在特征A的获取方法中，对去噪后的振动信号进行三层小波包能量特征提取，具体方法为：步骤301.对去噪后的振动信号进行三层小波包分解，获得分解树，以(i,j)表示第i层的第j个节点，每个节点对应一个小波包系数；步骤303.将分解树中的每一个节点分别进行重构，得到对应每个节点的重构信号，每个小波包系统的权重为Wij，针对200Hz以下的分解频带的小波包系数赋予相对其它频带高的权重；计算各频带信号的对数能量，其中节点(i,j)对应的频带信号的对数能量为Lij，有式中，cij表示节点(i,j)对应的重构信号的离散值的幅值，n表示p(t)的采样点数，Δt为采样时间间隔；k为节点(i,j)对应的重构信号的采样点数；则所有节点的对数能量组成能量特征向量。进一步地，步骤二中采用小波阈值去噪算法。进一步地，步骤三、对去噪后的振动信号进行特征提取，获得A、B和C三方面的特征组成的特征向量后，采用主成分分析法PCA降维。有益效果：1、本专利技术的目的是为了克服已有技术的缺陷，为了解决目前周界入侵警戒系统对入侵行为的识别率较低的问题，提出一种振动事件的模式识别方法，该方法可应用于周界入侵警戒系统中对振动事件的智能识别分类，使得系统对振动事件的正确识别率提高，从而提供更加详细的报警信息，为加强周界入侵防范提供强有力的支持。2、本专利技术中在进行振动信号分割时，采用了自适应阈值的方法，能够使得分割更加精确。3、振动信号来自各种不同的环境，外界环境如耕作、车辆、生活噪声、工厂噪声、水的流动等背景噪声非常复杂，采集到的信号中含有大量的噪声，对于在时域上提取出的振动信号，这些信号中有用的信息淹没在大量的噪声中。本专利技术中使用小波阈值去噪算法，能实现信号与噪声频带相互叠加情况下的去噪。4、本专利技术在进行特征提取时，通过对原始信号数据进行变换，提取具有高度的代表性、典型性和稳定性的特征量，最终能有效地反映目标本质特征。另外，特征的维数直接关系后续分类的计算量和精度，所以特征提取后需要进行降维，使得最后得到的特征向量相互独立、正交。本专利技术中建立的识别模型，具备自适应学习的能力，形成一个闭合反馈系统，该功能通过一个人机交互机制来实现，当出现分类错误后进行人工修订，修订结果将会存入数据库，当分类错误结果累计到一定数目后自适应学习模块将自动运行，重新训练神经网络，训练后将更新分类器的神经网络参数，从而提高下一次神经网络的事件识别率。附图说明图1为一种振动事件的模式识别方法的实现流程；图2为自适应分割算法流程图；图3为小波包三层分解树结构。具体实施方式下面结合附图并举实施例，对本专利技术进行详细描述。实施例1、本振动事件的模式识别方法是这样实现的：一种振动事件的模式识别方法，其基本实施过程如图1所示：步骤一、原始信号中振动与非振动信号的分割当无振动事件发生情况下，振动传感器所采集的原始信号不含有振动信息。当振动事件发生时，采集的一段原始信号中会包含振动信号与非振动信号，二者交替出现，其中只有振动信号才是有用信息。因此，把振动信号从原始信号中切分出来，只让振动信号进入后续处理可以大大降低系统资源消耗、提高系统实时性。本专利技术中使用了希尔伯特变换求包络原理，进行振动信号增强与噪声抑制，从而达到简单、快速地对振动信号分割。步骤二、振动信号的去噪振动信号来自各种不同的环境，外界环境如耕作、车辆、生活噪声、工厂噪声、水的本文档来自技高网...

【技术保护点】
一种振动事件的模式识别方法，其特征在于，包括如下步骤：步骤一、通过振动传感器采集获取原始振动信号，所述原始振动信号中包含振动信号与非振动信号；并将原始振动信号中的振动信号分割出来；步骤二、对所述振动信号进行去噪处理；步骤三、对去噪后的振动信号进行特征提取，获得特征向量，包括三个方面特征：特征A、在时频域上进行小波包分解，获得能量特征向量；特征B、在进行倒频谱分析，提取倒频谱参数特征；特征C、在时域上提取信号特征；步骤四、建立识别模型，由二级分类器组成；一级分类器是基于支持向量机SVM分类器，利用从振动信号中提取出的特征向量作为输入，将振动事件分为非入侵事件和入侵事件；二级分类器是针对入侵事件，进行基于人工神经网络的识别，采用入侵事件样本及其人工分类结果作为所述人工神经网络的训练样本对该人工神经网络进行训练，则将入侵事件作为人工神经网络的输入，获得分类结果。

【技术特征摘要】
1.一种振动事件的模式识别方法，其特征在于，包括如下步骤：步骤一、通过振动传感器采集获取原始振动信号，所述原始振动信号中包含振动信号与非振动信号；并将原始振动信号中的振动信号分割出来；步骤二、对所述振动信号进行去噪处理；步骤三、对去噪后的振动信号进行特征提取，获得特征向量，包括三个方面特征：特征A、在时频域上进行小波包分解，获得能量特征向量；特征B、在进行倒频谱分析，提取倒频谱参数特征；特征C、在时域上提取信号特征；步骤四、建立识别模型，由二级分类器组成；一级分类器是基于支持向量机SVM分类器，利用从振动信号中提取出的特征向量作为输入，将振动事件分为非入侵事件和入侵事件；二级分类器是针对入侵事件，进行基于人工神经网络的识别，采用入侵事件样本及其人工分类结果作为所述人工神经网络的训练样本对该人工神经网络进行训练，则将入侵事件作为人工神经网络的输入，获得分类结果。2.如权利要求1所述的一种振动事件的模式识别方法，其特征在于，还包括步骤五：通过人机交互机制，对二级分类器的分类结果进行判断，当出现分类结果错误后进行人工修订，修订结果存入数据库，当分类错误结果累计到一定数目后，重新训练二级分类器中的人工神经网络，更新分类器的神经网络参数。3.如权利要求1所述的一种振动事件的模式识别方法，其特征在于，所述步骤一中，将原始振动信号中的振动信号分割出来采用的分割方法具体为：步骤101：以设定长度的窗口为单位，将原始振动信号f(t)根据窗口长度划分为多段窗口信号x(t)，t为时间变量；计算每一段窗口信号中N个采样点的平均能量，对于平均能量大于自适应阈值value的窗口，则该窗口信号为备选振动片段s(t)；如果两备选振动片段间隔范围在设定个数个窗口范围内，则将该两备选振动片段合并作为一个备选振动片段，否则，作为不同的备选振动片段；阈值value的初始值为Max(N)×0.025，Max(N)代表窗口内N个采样点中的最大值；步骤102：针对每个备选振动片段，如果备选振动片段长度小于一个阈值Length，则认为是噪声，将其舍弃；然后对备选振动片段进行小波分解，对分解后的信号进行滤波，得到滤波...

【专利技术属性】
技术研发人员：孙诚，赵卓，张吟，李莉，寿丽莉，
申请(专利权)人：中国船舶重工集团公司第七一零研究所，
类型：发明
国别省市：湖北,42