基于数据重构和LSTM入侵节点检测的方法、装置及存储介质制造方法及图纸

本发明专利技术公开了基于数据重构和LSTM入侵节点检测的方法、装置及存储介质，包括对光纤各个节点进行采样，并对其进行预处理，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，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，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，将预测数据和标签数据逆归一化，再计算各个节点的预测数据和标签数据的均方根误差，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，本发明专利技术可用于环境噪声淹没入侵信号、入侵特征微弱难以提取时入侵位置点的检测。提取时入侵位置点的检测。提取时入侵位置点的检测。

【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，提出一种在大风环境下光纤周界安防系统入侵点检测的方法、系统及其装置来解决上述入侵信号被环境噪声淹没、安防系统入侵节点特征微弱难以提取的问题。

技术实现思路

[0006]针对现有技术的不足，本专利技术提供基于数据重构和LSTM入侵节点检测的方法、装置及存储介质，解决了大风环境噪声淹没入侵信号时难以判别入侵点的问题。
[0007]为实现上述目的，本专利技术提供如下技术方案：基于数据重构和LSTM入侵节点检测的方法，包括以下步骤：
[0008]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，且采样时的风级大小由采样时的环境所决定，并对光纤数据进行预处理；
[0009]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；
[0010]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；
[0011]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；
[0012]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。
[0013]优选的，所述S1中，所述预处理包括将原本较大的数据值缩放到[0，1]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，同时减少个别极值对整体数据的影响。
[0014]优选的，所述S2中，包括以下步骤：
[0015]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；
[0016]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。
[0017]优选的，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。
[0018]优选的，所述预测模型包括以下特征：
[0019](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；
[0020](2)各变量的计算如下：
[0021]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
)
[0022]遗忘门输出值f
t
：f
t
＝σ(W
xf
x
t
+W
hf
h
t
‑1+W
cf
c
t
‑1+b
f
)
[0023]当前时刻的cell单元状态c
t
：
[0024]输出门输出值o
t
：o
t
＝σ(W
xo
x
t
+W
ho
h
t
‑1+W
co
c
t
+b
o
)
[0025]输出信息h
t
：
[0026]其中，W
xi
，W
xf
，W
xc
，W
xo
为输入信号x
t
的权重矩阵；W
hi
，W
hf
，W
hc
W
ho
为隐藏层输入信号h
t
的权重矩阵；W
ci
，W
cf
，W
co
为连接神经元激活函数输出矢量c
t
和门函数的对角矩阵；b
i
，b
f
，b
c
，b
o
为偏置向量；σ为激活函数。
[0027]优选的，所述S4中，包括以下步骤：
[0028]S41、某个风级下要预测节点的采样数据包括节点数据和标签数据，首先构造节点数据子序列，每个节点数据子序列为标签数据的之前n2个时间点的采样数据，构成节点数据子序列[t
u+0
，t
u+1
，
…
，t
u+n2
‑1]，对应标签数据为t
u+n2
，其中u的取值范围为0～9996；
[0029]S42、数据重构之后，节点数据表示为其中n1为节点数据子序列数量，n2为输入层的时间步数，n3为输入层维数；
本文档来自技高网...

【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：