[发明专利]一种田野文物保护系统中的地下入侵信号识别方法和系统

说明书

本发明公开了一种田野文物保护系统中的地下入侵信号识别方法，属于深度学习和模式识别领域。包括：对监测到的地下入侵信号做预处理，将其作为卷积神经网络的输入样本；根据待识别的地下入侵信号的类别，将信号样本及其对应的类别分别构建为训练集数据和测试集数据，利用构建的训练集数据训练构建的神经网络；根据训练好的卷积神经网络，对每个预处理后的测试集数据信号样本进行识别，得到计算后的信号的类别，并与正确结果对比。本发明基于一维卷积神经网络分类模型进行地下入侵信号分类识别，克服了传统的人为监测来进行预警的缺点，而且对地下入侵信号的识别具有普适性和灵活性，并且提高了识别的准确率。

技术领域

本发明属于深度学习和模式识别技术领域，更具体地，涉及一种田野文物保护系统中的地下入侵信号识别方法和系统。

背景技术

如今，有效地监测田野文物盗掘行为是保护全国田野文物的关键，田野文物被盗窃时，违法分子的盗掘行为往往会产生单一的地下入侵信号，而有效地监测田野文物盗掘行为的一个重要手段就是对盗掘行为所产生的地下入侵信号进行实时监测识别，这不仅有助于保护全国田野文物不受盗掘倒卖影响，而且能使国家避免巨大的经济、文化损失，有着十分重大的意义。

如今的地下入侵信号监测主要通过以下两种方式实现，第一种是当前广泛应用的视频监控、红外监控技术等手段，通过监控摄像头人为地监测田野文物保护现场的情况；第二种是基于时频能量比(time-frequency energy ratio)、短时傅里叶(short-timeFourier transform，简称STFT)等时频域特征提取方法，其将提取的时频特征引入到诸如支持向量机(Support vector machine，简称SVM)、小波神经网络(Wavelet Network)等算法中，使用计算得到的模型来识别地下入侵信号。

然而，上述现有的地下入侵监测方法均存在一些不可忽略的技术问题，上述第一种方法中，监控摄像头容易受到天气、安装环境的影响，同时监控依赖于值班人员观察，限于人类自身的缺点，难以长时间集中注意力，造成漏报；针对第二种方法而言，其为了提高识别准确率，在时频特征的提取过程中，时域分割窗和特征频带参数需要经过人工分析得到，鲁棒性较差；此外，小波神经网络的泛用性较弱。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种田野文物保护系统中的地下入侵信号识别方法和系统，其目的在于，解决现有基于人为监控的田野文物保护方法中存在的容易出现漏报和误报的技术问题，以及现有基于机器学习等算法的田野文物保护方法中存在的模型鲁棒性和泛用性较差的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种田野文物保护系统中的地下入侵信号识别方法，包括以下步骤：

(1)从田野文物保护系统获取地下入侵信号，判断该地下入侵信号的幅值是否大于预设阈值，如果大于则进入步骤(2)，否则继续获取地下入侵信号，并重复本步骤；

(2)获取从当前时刻开始t时刻内的地下入侵信号，利用模数转换器对该地下入侵信号进行模数转换处理，以得到离散地下入侵信号序列；

(3)设置计数器i＝1；

(4)判断计数器i是否大于步骤(2)得到的离散地下入侵信号序列的总长度，如果是则过程结束，否则转入步骤(5)；

(5)判断步骤(2)得到的离散地下入侵信号序列的第i个元素是否大于等于预设阈值，如果是则进入步骤(6)，否则进入步骤(8)；

(6)取离散地下入侵信号序列的第i个元素的前m个元素和后m个元素组成信号序列，其中如果不存在前m个元素或后m个元素，则执行补零操作，以形成最终长度为2m+1的信号序列，并对得到的信号序列进行补零或截断处理，以得到固定长度的新信号序列，其中m的取值范围是1600到2400；