【技术实现步骤摘要】
基于数据重构和LSTM入侵节点检测的方法、装置及存储介质
[0001]本专利技术涉及信号处理和深度学习
,具体为基于数据重构和LSTM入侵节点检测的方法、装置及存储介质。
技术介绍
[0002]光纤传感是光纤通信技术的关键技术之一,光在传输过程中,光纤很容易受到外界环境的干扰,使得传输光的部分特性发生一定程度的改变。通过不同的信号处理方法,分析从光纤上采集的数据,能检测出光纤周界是否发生非法入侵,以及入侵行为的类型,满足一些特殊领域如机场、监狱等的入侵位置点检测需求。
[0003]对光纤采集的信号的处理方法有很多,主要是先对信号去噪,提取信号的时域、频域等特征,再利用支持向量机、神经网络、决策树等分类器识别出是否发生入侵以及入侵信号的类型。但实际环境复杂多变,对于环境噪声尤其是大风环境噪声淹没入侵信号,难以提取时频特征的情况下,利用特征提取的方法失效。
[0004]我们知道近年来,深度学习的主要任务采用大量样本数据作为输入,最终会得到一个具有强大分析能力、联想存储功能和识别能力的模型,已经广泛的应用于包括图像识别,语音识别等许多领域,这使得深度学习成为了近几年来的研究热点。
[0005]LSTM也是深度学习的一种,LSTM神经网络的核心思想是在RNN的基础上加入了细胞状态和门结构,细胞状态能够将特定信息在序列中一直传递下去解决了传统RNN在时序长相关问题中存在的梯度消失或梯度爆炸的问题,其优点在于能学习长期依赖的信息,相当于有记忆功能。本专利技术利用LSTM具有记忆功能这一特点,提出一种 ...
【技术保护点】
【技术特征摘要】
1.基于数据重构和LSTM入侵节点检测的方法,其特征在于,包括以下步骤:S1、对光纤周界所有的光纤节点进行采样,得到各个光纤节点的采样数据,并记录所处场景的风级信息,并对光纤数据进行预处理;S2、选择其中一个无入侵光纤节点的采样数据作为训练集去训练网络;S3、建立基于LSTM的预测模型,用训练集的输入数据和输出数据对LSTM进行训练,其训练方式采用BPTT反向传播算法;S4、采用迭代的方式对每个光纤节点进行逐点预测,实现以单输出的形式预测每个节点的光纤信号;S5、将预测数据和标签数据逆归一化,再计算得到所有节点的均方根误差,可视化各个节点的均方根误差,均方根误差最大的节点即为入侵节点。2.根据权利要求1所述的基于数据重构和LSTM入侵节点检测的方法,其特征在于:所述S1中,所述预处理包括将原本较大的数据值缩放到较小区间内,在不改变原始数据的分布的情况下,让数据都处于同一个数量级别上。3.根据权利要求1所述的基于数据重构和LSTM入侵节点检测的方法,其特征在于,所述S2中,包括以下步骤:S21、首先构造训练集的输入子序列,每个输入子序列为输出时间点数据的之前m2个时间点的采样数据,构成输入数据子序列[t
u+0
,t
u+1
,...,t
u+m2
‑1],对应输出数据为t
u+m2
,其中u的取值范围为0~9996;S22、数据重构之后,训练集的输入数据X表示为T
m1
×
m2
×
m3
,其中m1为输入子序列数量,m2为输入层的时间步数,m3为输入层维数。4.根据权利要求1所述的基于数据重构和LSTM入侵节点检测的方法,其特征在于:所述S3中,所述预测模型包括输入层、输出层和隐藏层,隐藏层包括由具有独特记忆模式的LSTM单元构成的LSTM层和以relu函数为激活函数的全连接层。5.根据权利要求4所述的基于数据重构和LSTM入侵节点检测的方法,其特征在于,所述预测模型包括以下特征:(1)LSTM单元包括输入门、遗忘门和输出门,用于控制cell单元的状态;每一个时刻,LSTM单元通过三个门接受当前状态和上一时刻的隐藏状态,同时接收上一时刻cell单元的状态,通过计算得到新的cell单元的状态,最后通过激活函数和输出门输出;(2)各变量的计算如下:输入门输出值i
t
:i
t
=σ(W
xi
x
t
+W
hi
h
t
‑1+W
ci
c
t
‑1+b
i
)遗忘门输出值f
t
:f
t
=σ(W
xf
x
t
+W
hf
h
t
...
【专利技术属性】
技术研发人员:王琼,张光月,柏业超,唐岚,张兴敢,
申请(专利权)人:南京大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。