[发明专利]一种光纤传感振动信号的识别方法

权利要求书

1.一种光纤传感振动信号的识别方法，具体步骤如下：

步骤1：信号获取

光纤传感系统获得的光信号转换成电流信号后，再通过AD采样得到相应的离散数字信号s(n)，n为采样点数；

步骤2：加窗分帧

对步骤1获取的数字信号s(n)进行加窗分帧处理，得到第k帧的加窗信号s_k(n)，其计算公式如下：

s_k(n)＝s(n+kd)w(n),0≤n≤d-1

$w\left(n\right)=\left\{\begin{array}{cc}0.54-0.46\cos (2\mathrm{\π}n/(d-1\left)\right),& 0\≤n\≤d-1\\ 0,& n\<0\\ 0,& 0\≥d\end{array}\right.$

式中w(n)为窗函数，d为窗口宽度，f_m为信号采样频率，k为帧数；

步骤3：短时能量计算

计算步骤2所得每一帧加窗分帧信号s_k(n)的能量，得到第k帧的能量信号e(k)，

$e\left(k\right)=\underset{n=0}{\overset{d-1}{\Σ}}{s}_k^2\left(n\right);$

步骤4：滑动平均处理

对步骤3所得能量信号e(k)做平滑处理，得到滑动平均处理后的能量信号e'(k)，当前的短时能量值等于前N个能量值的均值，N为滑动平均的窗口长度，滑动平均处理后的能量信号计算公式如下：

i为窗口帧的计数参数；

步骤5：扰动事件提取

步骤4得到的滑动平均处理后的能量信号e'(k)与动态阈值Th1和Th2比较，当e'(p)超过Th1时，开始截取对应的帧信号s_p(n)，当e'(q)低于Th2时，结束对应的帧信号s_q(n)截取，所截取的p到q帧连续信号s_p(n),s_p+1(n),...,s_q(n)即作为扰动事件信号s_event(n)；

若没有得到超过动态阈值Th1的能量信号e'(k)，即无事件被截取，则认为无扰动事件发生，返回步骤1重新开始；

选择前M个非事件能量值来计算动态阈值，计算公式如下：

$Th\left(\mathrm{\δ}\right)=\frac{1}{M}\underset{ii=1}{\overset{M}{\Σ}}{e}^{\′}(k-ii)+z_{\mathrm{\δ}}\mathrm{\σ}$

其中δ等于1或2，ii为非事件帧的计数参数，σ为M个非事件能量值的标准差，z_δ为调整系数，3≤z_δ≤6,且th1＞th2；

步骤6：提取扰动事件MFCC参数

提取步骤5所得扰动事件信号s_event(n)的MFCC参数构成事件信号的特征向量集，

具体步骤如下：

步骤6.1：求Mel频率

对步骤5得到的扰动事件s_event(n)的每一帧信号{s_k(n),k＝p,p+1,...,q}进行傅里叶变换，得到单帧信号的实际幅度谱|S_k(n)|，将幅度谱带入Mel频率转换公式得到相应的Mel频率

S_mel(n)＝2595lg(1+|S_k(n)|/700)

步骤6.2：配置Mel滤波器组

在Mel频率轴上配置L个通道的Mel滤波器组，L的个数由事件信号的截止频率决定

其中表示向下取整，f_m为信号采样频率；

每一个Mel滤波器的中心频率c(l)在Mel频率轴上等间隔分配，设o(l)，c(l)和h(l)分别是第l个Mel滤波器的下限频率、中心频率和上限频率，相邻Mel滤波器之间的下限频率、中心频率和上限频率有如下关系成立

c(l)＝h(l-1)＝o(l+1)；

步骤6.3：求各Mel滤波器的Mel频率输出

根据事件信号每帧的幅度谱|S_k(n)|求出每个Mel滤波器的Mel频率输出

$m\left(l\right)=\underset{n=o\left(l\right)}{\overset{h\left(l\right)}{\Σ}}{W}_l\left(n\right)S_{mel}\left(n\right),l=1,2,\mathrm{...},L$

$W_l\left(k\right)=\left\{\begin{array}{cc}\frac{k-o\left(l\right)}{c\left(l\right)-o\left(l\right)},& o\left(l\right)\≤k\≤c\left(l\right)\\ \frac{h\left(l\right)-k}{h\left(l\right)-c\left(l\right)},& c\left(l\right)\≤k\≤h\left(l\right)\end{array}\right.$

其中W_l(n)为单个Mel滤波器；

步骤6.4：求扰动事件的MFCC参数

对所有滤波器的输出m(l)作对数运算，再进一步做离散余弦变换(DCT)即得到扰动事件的MFCC参数

$c_{mfcc}\left(i\right)=\sqrt{\frac{2}{d}}\underset{l=1}{\overset{L}{\Σ}}\lg \[m\left(l\right)\]cos\[(l-\frac{1}{2})\frac{i\mathrm{\π}}{L}\],i=1,2,\mathrm{...},L$

其中d为分帧信号的长度，即加窗信号的窗口宽度；

步骤7：SVDD模式训练

对应每一个扰动事件s_event(n)，步骤6得到一个MFCC特征集T＝{x_i,i＝1,2,...,q-p+1}，对Y个扰动事件进行步骤1至6的处理，获取Y类事件的特征集，将步骤6中得到的Y类事件信号的特征向量集用于SVDD模式训练，模式训练利用各扰动事件特征集解拉格朗日方程得到各扰动事件相应的特征空间参数(a,R,α_i,x_i)，该特征空间参数即为对应扰动事件的类别模式；建立一个包括Y种模式扰动事件的模式库；

步骤8：模式匹配，事件识别

将步骤6中计算得到的待测事件的特征参数集与步骤7中建立的模式库中的SVDD训练模型进行匹配，判断待测事件属于步骤7中模式训练得到模式库中的哪一类事件，或者判断为未知事件；

利用步骤7训练得到的模式库中各已知扰动事件分布参数(a,R,α_i,x_i)计算待测事件的特征向量集落在分布参数确定的超球体内的比例、即匹配概率r，设定匹配阈值r_th，当r≥r_th时，认为待测事件与该已知事件匹配，反之则与该已知事件不匹配；当待测事件与多个已知事件进行匹配时，选择与之匹配概率最高的事件类别作为该待测事件的所属类别，当待测事件没有与之相匹配的已知事件时，判断该事件为未知事件。