【技术实现步骤摘要】
本专利技术涉及入侵识别，具体涉及一种自监督学习的周界入侵行为识别方法及存储介质。
技术介绍
1、传统的周界安防主要依赖于人工巡线、红外线或电子围栏等方式来监控入侵行为，这几种手段存在费时费力、成本高昂、检测范围小或实时性差等问题。近几年随着光纤振动的分布式传感技术的应用和发展，在长距离管线、边境线及周界安防监测等领域广泛应用，具体成本低廉、检测范围广、实时性强等特点。
2、但是，在实际应用中，基于光纤分布式传感的周界安防的入侵检测仍然存在识别精度低、误报率、漏报率较高的问题，存在上述问题的主要原因在于不同地区场站的周界环境差异巨大，干扰因素多，无法利用统一套检测模型或检测参数适配各种场景。
3、在面临复杂的检测场景时，现有的工程人员无法在短时间内找到一个合适的参数去完成配置，往往需要进行多轮的信号采集和调试后才勉强设定一组合适的检测参数，花费大量的人力和时间。另外，实际的光纤入侵信号丰富多样，不同攀爬位置，不同的光纤铺设方式、不同的体重、不同的攀爬速度都会导致入侵信号差异巨大。因此，基于目标检测、图像分类等深度学习的方法常常存在一定的漏报情况，且这一类强监督的深度学习方案需要对数据进行大量的人工标定，在一定程度上增加了检测成本。
技术实现思路
1、为了适应不同的周界场景，避免复杂的参数配置，本专利技术提供了一种自监督学习的周界入侵行为识别方法及存储介质，针对丰富的入侵信号，可自定义一种或多种信号是否进行告警，避免大量的误报和漏报。
2、本专利技术
3、一种自监督学习的周界入侵行为识别方法，该方法包括：
4、步骤1、通过自监督学习，训练得到自监督学习特征编码器；
5、步骤2、将历史入侵数据、历史干扰数据输入自监督学习特征编码器，通过自监督学习特征编码器进行特征编码形成特征向量，对特征向量进行标签定义后构建特征数据库；对应待监测的周界部署特征数据库和自监督学习特征编码器；
6、步骤3、实时采集待监测周界处的入侵信号，并将采集到的入侵信号输入自监督学习特征编码器中编码为特征向量，将特征向量与特征数据库中的特征向量进行匹配，根据匹配到的特征向量的标签判断当前入侵信号告警类型。
7、进一步地，该方法还包括在步骤2中，模拟个性化入侵行为，并对模拟的个性化入侵行为进行个性化告警数据采集，将个性化告警数据输入自监督学习特征编码器进行特征向量编码，定义标签后录入特征数据库。
8、进一步地，该方法还包括在步骤2中，对待监测周界处的干扰信号进行采集，并将采集的数据输入自监督学习特征编码器进行特征向量编码器，定义标签后录入特征数据库。通过对待监测周界处的干扰信号采集录入，可以排除实际应用场景处干扰信号的影响，提升识别的准确性，适应复杂应用场景应用的需求。
9、进一步地，该方法还包括在构建特征数据库后，对特征数据库中的特征向量按照余弦相似度进行k-means聚类，生成若干聚类中心特征；在所述步骤3中进行特征向量匹配时，实时采集到的入侵信号转换得到的特征向量优先与聚类中心特征进行匹配，然后再计算实时采集到的入侵信号转换得到的特征向量与匹配到的聚类中心特征下所有的特征向量之间的余弦相似度，根据余弦相似度匹配到特征数据库中的最接近的特征向量。
10、进一步地，在步骤1中，进行自监督学习特征编码器训练时，包括：
11、s11、采集光纤振动数据、历史收集的入侵数据和噪声数据，将采集到的数据通过傅里叶变换转为瀑布图；
12、s12、对瀑布图进行两种不同强度的数据增强分别得到键样本和查询样本；
13、s13、将键样本输入编码器a、将查询样本输入编码器b，编码器a和编码器b采用相同的网络结构；编码器a输出键向量，编码器b输出查询向量；
14、s14、创建字典队列，用以存储键向量；
15、s15、计算键向量和查询向量的对比损失，随机从字典队列中选取键向量计算与查询向量的对比损失，根据计算结果对编码器b的权重进行梯度更新；
16、s16、通过动量更新对编码器a的权重进行更新；
17、s17、将当前编码器a输出的键向量更新到字典队列中，若字典队列已满，则剔除字典队列中的最旧的键向量；
18、s18、循环执行上述过程s13-s17，直至达到设定的迭代次数，保存训练后的编码器a作为自监督学习特征编码器。进一步地，数据增强时包括随机切割、颜色抖动、旋转、高斯模糊中的至少一种。
19、进一步地，数据增强还包括进行频段置乱和频段屏蔽中的至少一种。
20、本专利技术还提供了一种存储介质，在该存储介质内存储有计算机程序，该计算机程序运行时执行上述的一种自监督学习的周界入侵行为识别的方法。
21、相比于现有技术，本专利技术的有益效果在于：
22、1、本专利技术通过自监督学习对编码器进行训练，无需人工进行标签标注，节省了大量的人力和时间成本。
23、2、本专利技术针对丰富的入侵信号，可自定义一种或多种信号是否进行告警，只需要将新增的告警需求进行人工模拟或现场收集，录入特征数据库即可，避免大量的误报和漏报。
24、3、特征数据库和编码器部署阶段，无需进行参数配置，直接对特征数据库中的特征进行搜索即可进行匹配，识别告警类别。
25、4.与特征数据库中进行搜索匹配时，先进行聚类中心特征匹配，再进行具体的特征向量匹配，可避免大量无意义的计算，提升匹配的速度。
26、5、对应复杂场景适应性高，在干扰较多的情况喜爱，只需要将对应场景下的干扰信号进行采集、录入特征数据库即可满足复杂场景使用的需要。
本文档来自技高网...【技术保护点】
1.一种自监督学习的周界入侵行为识别方法，其特征在于，该方法包括：
2.根据权利要求1所述的一种自监督学习的周界入侵行为识别方法，其特征在于，该方法还包括在步骤2中，模拟个性化入侵行为，并对模拟的个性化入侵行为进行个性化告警数据采集，将个性化告警数据输入自监督学习特征编码器进行特征向量编码，定义标签后录入特征数据库。
3.根据权利要求2所述的一种自监督学习的周界入侵行为识别方法，其特征在于，该方法还包括在步骤2中，对待监测周界处的干扰信号进行采集，并将采集的数据输入自监督学习特征编码器进行特征向量编码器，定义标签后录入特征数据库。
4.根据权利要求3所述的一种自监督学习的周界入侵行为识别方法，其特征在于，该方法还包括在构建特征数据库后，对特征数据库中的特征向量按照余弦相似度进行k-means聚类，生成若干聚类中心特征；在所述步骤3中进行特征向量匹配时，实时采集到的入侵信号转换得到的特征向量优先与聚类中心特征进行匹配，然后再计算实时采集到的入侵信号转换得到的特征向量与匹配到的聚类中心特征下所有的特征向量之间的余弦相似度，根据余弦相似度匹配到特征数
5.根据权利要求1所述的一种自监督学习的周界入侵行为识别方法，其特征在于，在所述步骤1中，训练自监督学习特征编码器时，包括：
6.根据权利要求5所述的一种自监督学习的周界入侵行为识别方法，其特征在于，所述数据增强时包括随机切割、颜色抖动、旋转、高斯模糊中的至少一种。
7.根据权利要求6所述的一种自监督学习的周界入侵行为识别方法，其特征在于，所述数据增强还包括进行频段置乱和频段屏蔽中的至少一种。
8.一种存储介质，其特征在于，在所述存储介质内存储有计算机程序，所述计算机程序运行时执行权利要求1-7任意一项所述的方法。
...【技术特征摘要】
1.一种自监督学习的周界入侵行为识别方法，其特征在于，该方法包括：
2.根据权利要求1所述的一种自监督学习的周界入侵行为识别方法，其特征在于，该方法还包括在步骤2中，模拟个性化入侵行为，并对模拟的个性化入侵行为进行个性化告警数据采集，将个性化告警数据输入自监督学习特征编码器进行特征向量编码，定义标签后录入特征数据库。
3.根据权利要求2所述的一种自监督学习的周界入侵行为识别方法，其特征在于，该方法还包括在步骤2中，对待监测周界处的干扰信号进行采集，并将采集的数据输入自监督学习特征编码器进行特征向量编码器，定义标签后录入特征数据库。
4.根据权利要求3所述的一种自监督学习的周界入侵行为识别方法，其特征在于，该方法还包括在构建特征数据库后，对特征数据库中的特征向量按照余弦相似度进行k-means聚类，生成若干聚类中心特征；在所述步骤3中进行特征向量匹配时...
【专利技术属性】
技术研发人员：宋康，刘进，刘东，孙楠，周勇军，
申请(专利权)人：上海波汇科技有限公司，
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。