[发明专利]一种相敏光时域反射仪扰动信号检测与识别方法

权利要求书

1.一种相敏光时域反射仪扰动信号检测与识别方法，其特征在于，包括以下步骤：

1）对接收的横向空间信号进行时间累积，得到空间上各点的纵向时间序列信号；

2）对空间上某点的纵向时间序列信号进行分形特征提取，并基于该分形特征进行外界扰动检测和定位；

3）检测到有扰动信号发生时，对空间上该点的纵向时间序列信号进行多尺度小波分解，获得信号各尺度分量的能量特征；

4）基于空间上该点纵向时间序列信号的多尺度能量分布特征差异，利用BP神经网络对该信号的属性进行识别和分类。

2.根据权利要求1所述的一种相敏光时域反射仪扰动信号检测与识别方法，其步骤1）特征在于，所述对接收的横向空间信号通过相敏光时域反射仪提供，所述相敏光时域反射仪以周期触发脉冲作为一个信号采集单元，触发频率为                                                ，触发周期为，该时间单元内采集的信号是相敏光时域反射仪光时域反射信号，映射了监测距离内光信号在所有空间点的分布信息；

采集脉冲周期触发，随空间分布的光信息被周期性地采集刷新；

第个采集脉冲周期内接收的散射相干光沿光纤线路的光强分布信息，为，

其中：表示横向空间采样点序号，为根据监测距离设置的横向空间上的数据采集长度；以空间某一点作为观测点，该点光信息随的增加进行时间累积，得到了该空间点光信息随时间变化的信号，称为该点的纵向时间序列信号，记为，为该点纵向时间上的采样点序号，为纵向时间上的数据采集长度，纵向时间上采样点间的时间间隔为一个触发周期，；

对空间上某点的纵向时间序列信号进行分形特征提取，并基于该分形特征进行外界扰动检测和定位。

3.根据权利要求1所述的一种相敏光时域反射仪扰动信号检测与识别方法，特征在于：步骤2）中所述的基于分形特征进行外界扰动检测和定位，具体为以空间点的纵向时间序列信号作为处理对象，简写为，对该时间序列信号进行关联维特征提取，步骤如下：

步骤31、建立相空间；

以时延为1个采样点为例建立一个维相空间，有个数据点或向量:

步骤32、计算相空间任意两点间的平均距离；

步骤33、设定不同尺度的球形半径或标度，计算关联维值；

    标度的取值为，其中为相空间中任意两点间距离的平均值，计算相空间两点小于该球形半径或标度的概率，为一个Heaviside函数，其取值域为：

若分形存在，随着尺度的变化，有，即为关联维数，关联维定义为：

根据上式中-双对数曲线的斜率估计关联维数，并根据-双对数曲线的斜率变化差异分辨信号的分形特征及信号差别；

结合时间滑动窗技术，提取每个时间窗口扰动信号的分形特征参数，与设定检测阈值比较，若窗口内的分形特征值大于该阈值则判定有扰动信号，该信号所处的空间位置即为扰动发生的位置，准备进行下一步的扰动信号识别；如窗口内的分形特征值小于该阈值则判定无扰动信号，该点正常无入侵。

4.根据权利要求1所述的一种相敏光时域反射仪扰动信号检测与识别方法，其特征在于，所述步骤3)具体包括以下步骤：

步骤41、利用db6小波函数对纵向时间序列信号进行5层小波分解，将信号分为d1, d2, d3, d4, d5和 a5共6个不同的尺度分量，其中d1, d2, d3, d4, d5分别表示db6小波分解到第一层、第二层、…，依次类推，直至第五层由高频到低频的细节信号分量，a5表示db6小波分解到第五层的近似信号分量；

起伏波动的背景噪声通常为大尺度信号，主要分布于低频分量，即近似信号分量a5中，声波及空气流动等类型的时变干扰信号为中尺度信号，主要分布于低频细节分量d4, d5中，而真实扰动信号为小尺度信号，主要分布于高频细节分量d1, d2中；

步骤42、将时间序列信号进行层小波分解，各层的细节信号分量为， 为小波分解层的索引号，为时间序列样本序号，分别对各层细节信号分量计算其能量方差值，得到，其中，为第层细节信号分量的均值，

步骤43、将各层细节信号分量的能量方差值组合，得到空间上该点时间序列信号的多尺度能量分布特征矢量，

。

5.根据权利要求1所述的一种相敏光时域反射仪扰动信号检测与识别方法，其特征在于，所述步骤4)包括以下步骤：

步骤51、将空间上该点时间序列信号的多尺度能量分布特征矢量作为BP神经网络的输入层，构建BP神经网络的隐含层和输出层，输入层的节点数等于小波分解层数或由特征矢量维数决定；输出层的节点数由目标类型个数决定，目标类有个，则输出层节点数为向上取整，记为；隐含层的节点个数取输入与输出节点数之间的值；

步骤52、分别确定隐含层与输出层的激活函数及其判断阈值，

隐含层的激活函数选为双曲正切S形函数，即双极S形函数，输出层的激活函数选为线性函数 ，；网络训练学习函数选为Levenberg-Marquardt BP训练函数； 

步骤53、对建立的神经网络进行初始化参数设置后，利用训练样本通过迭代方式训练网络参数，达到训练要求后将该BP网络参数进行保存备测试用；对测试样本数据进行多尺度能量分布特征提取，得到测试样本特征矢量，输入训练好的神经网络可以对其进行自动分类和识别。