光纖周界入侵信號的識別方法、裝置及周界入侵報警系統的制作方法
【技術領域】
[0001] 本發明涉及光電信號處理及辨識技術，尤其涉及一種光纖周界入侵信號的識別方 法、識別裝置及光纖周界入侵報警系統。
【背景技術】
[0002] 隨著社會的發展，為了防止非法入侵和破壞，越來越多的重要設施都需要進行周 界監測和安防。而光纖光柵技術由于其結構簡單、介質絕緣、耐高壓、耐腐蝕、不受電磁干擾 及具有較高靈敏度等特性，廣泛地被應用于智能周界安防系統中。
[0003] 對于采用光纖光柵技術的周界安防系統，其主要面臨的問題在于對入侵信號的識 另IJ，及對外界環境如風、雨、雪或車輛來往等干擾信號的屏蔽。目前對于入侵事件的識別主 要采用神經網絡、支持向量機（SVM)等經典機器學習方法。
[0004] 如何提供一種簡單易實現、分類能力高、且分類效果好的入侵信號識別方法成為 業界的一個研究方向。

【發明內容】

[0005] 有鑒于此，本發明提供了一種光纖周界入侵信號的識別方法、識別裝置及光纖周 界入侵報警系統，以滿足光纖周界入侵系統對入侵事件的識別及報警要求。
[0006] 本發明的額外方面和優點將部分地在下面的描述中闡述，并且部分地將從描述中 變得顯然，或者可以通過本發明的實踐而習得。
[0007] 本發明一方面提供了一種光纖周界入侵信號的識別方法，包括：從一光纖周界監 測系統的監測信號中獲取實時信號；對所述實時信號進行預處理，以去除所述實時信號的 噪聲；判斷去除噪聲后的所述實時信號是否為入侵信號；如果為所述入侵信號，則截取所 述入侵信號，以從所述入侵信號中獲得信號片段，并分別提取所述信號片段的相關特征量； 以及根據預先創建的決策樹模型所確定的分類規則及所述信號片段的相關特征量對所述 入侵信號進行分類；其中所述決策樹模型包含至少一棵決策樹。
[0008] 于一實施例中，其中每棵決策樹所確定的分類規則包括：從該決策樹的根到其葉 結點的每條路徑上的分類規則；其中每個分類規則包括：以沿著其每條路徑上的每個屬性 條件形成的該分類規則的前件的一個合取項以及以該路徑上的葉結點形成的該分類規則 的后件。
[0009] 于另一實施例中，其中所述決策樹模型含有多棵決策樹；根據預先創建的決策樹 模型所確定的分類規則及所述信號片段的相關特征量對所述入侵信號進行分類包括：依次 根據所述多棵決策樹中的每棵決策樹所確定的分類規則及所述信號的相關特征量對所述 入侵信號進行分類，以獲得相應的多個分類結果；將所述多個分類結果中相同的分類結果 分為一組，獲得至少一組分類結果，分別統計各組分類結果中的分類結果的數量，以其中分 類結果數量最多的一組中的分類結果作為所述入侵信號最終的分類結果。
[0010] 于再一實施例中，該方法還包括創建所述決策樹模型，包括：預先從所述光纖周界 監測系統的監測信號中分別獲取多組已知分類的入侵信號及其對應的分類結果；分別對所 述多組已知分類的入侵信號進行預處理，以去除所述多組已知分類的入侵信號的噪聲；分 別截取去除噪聲后的所述多組已知分類的入侵信號，以從所述多組已知分類的入侵信號中 獲得多組入侵信號片段，并分別提取所述多組入侵信號片段的相關特征量；以及根據所述 多組入侵信號片段的多組相關特征量所組成的第一訓練數據集，創建所述決策樹模型；其 中一組相關特征量組成所述第一訓練數據集的一個輸入向量。
[0011] 于再一實施例中，其中所述決策樹模型含有多棵決策樹；創建所述決策樹模型包 括：對所述第一訓練數據集進行有放回的隨機抽樣，以獲得多個第二訓練數據集；其中每 個第二訓練數據集與所述第一訓練數據集所包含的輸入向量數目相同；根據所述多個第二 訓練數據集，采用決策樹算法分別建立相應的所述多棵決策樹。
[0012] 于再一實施例中，其中在建立每棵所述決策樹時，針對每個所述第二訓練數據集 的輸入向量，每次分裂都重新從該輸入向量的所有相關特征量中隨機抽取部分或全部的相 關特征量。
[0013] 于再一實施例中，其中創建所述決策樹模型包括：根據所述第一訓練數據集，采用 決策樹算法建立決策樹，對所述決策樹進行后剪枝，以獲得所述決策樹模型。
[0014] 于再一實施例中，其中創建所述決策樹模型還包括：根據所述第一訓練數據集，多 次對所述決策樹模型進行訓練，以獲得最佳的決策樹模型。
[0015] 于再一實施例中，其中所述決策樹算法包括：采用Gini指標作為分裂屬性度量的 CART算法。
[0016] 于再一實施例中，其中所述相關特征量包括：峰均方差、方差、偏度、峭度、極點數 目及采用小波包分解獲得的頻域特征量中的部分或全部。
[0017] 本發明另一方面提供了一種光纖周界入侵信號的識別裝置，包括：信號獲取模塊， 用于從一光纖周界監測系統的監測信號中獲取實時信號；信號預處理模塊，用于對所述實 時信號進行預處理，以去除所述實時信號的噪聲，及判斷去除噪聲后的所述實時信號是否 為入侵信號；特征量提取模塊，用于當所述實時信號為所述入侵信號時，截取所述入侵信 號，以從所述入侵信號中獲得信號片段，并分別提取所述信號片段的相關特征量；以及決策 樹分類模塊，用于根據預先創建的決策樹模型所確定的分類規則及所述信號片段的相關特 征量對所述入侵信號進行分類；其中所述決策樹模型包含至少一棵決策樹。
[0018] 于一實施例中，其中每棵決策樹所確定的分類規則包括：從該決策樹的根到其葉 結點的每條路徑上的分類規則；其中每個分類規則包括：以沿著其每條路徑上的每個屬性 條件形成的該分類規則的前件的一個合取項以及以該路徑上的葉結點形成的該分類規則 的后件。
[0019] 于另一實施例中，其中所述決策樹模型含有多棵決策樹；根據預先創建的決策樹 模型所確定的分類規則及所述信號片段的相關特征量對所述入侵信號進行分類包括：依次 根據所述多棵決策樹中的每棵決策樹所確定的分類規則及所述信號的相關特征量對所述 入侵信號進行分類，以獲得相應的多個分類結果；將所述多個分類結果中相同的分類結果 分為一組，獲得至少一組分類結果，分別統計各組分類結果中的分類結果的數量，以其中分 類結果數量最多的一組中的分類結果作為所述入侵信號最終的分類結果。
[0020] 于再一實施例中，其中，所述信號獲取模塊還用于預先從所述光纖周界監測系統 的監測信號中分別獲取多組已知分類的入侵信號及其對應的分類結果；所述預處理模塊還 用于分別對所述多組已知分類的入侵信號進行預處理，以去除所述多組已知分類的入侵信 號的噪聲；所述特征量提取模塊還用于分別截取去除噪聲后的所述多組已知分類的入侵信 號，以從所述多組已知分類的入侵信號中獲得多組入侵信號片段，并分別提取所述多組入 侵信號片段的相關特征量；以及所述決策樹分類模塊還用于根據所述多組入侵信號片段的 多組相關特征量所組成的第一訓練數據集，創建所述決策樹模型；其中一組相關特征量組 成所述第一訓練數據集的一個輸入向量。
[0021] 于再一實施例中，其中所述決策樹模型含有多棵決策樹；創建所述決策樹模型包 括：對所述第一訓練數據集進行有放回的隨機抽樣，以獲得多個第二訓練數據集；其中每 個第二訓練數據集與所述第一訓練數據集所包含的輸入向量數目相同；根據所述多個第二 訓練數據集，采用決策樹算法分別建立相應的所述多棵決策樹。
[0022] 于再一實施例中，其中在建立每棵所述決策樹時，針對每個所述第二訓練數據集 的輸入向量，每次分裂都重新從該輸入向量的所有相關特征量中隨機抽取部分或全部的相 關特征量。
[0023] 于再一實施例中，其中創建所述決策樹模型包括：根據所述第一訓練數據集，采用 決策樹算法建立決策樹，對所述決策樹進行后剪枝，以獲得所述決策樹模型。
[0024] 于再一實施例中，其中創建所述決策樹模型還包括：根據所述第一訓練數據集，多 次對所述決策樹模型進行訓練，以獲得最佳的決策樹模型。
[0025] 于再一實施例中，其中所述決策樹算法包括：采用Gini指標作為分裂屬性度量的 CART算法。
[0026] 于再一實施例中，其中所述相關特征量包括：峰均方差、方差、偏度、峭度、極點數 目及采用小波包分解獲得的頻域特征量中的部分或全部。
[0027] 本發明再一方面提供了一種光纖周界入侵報警系統，包括：光路子系統，用于提供 光纖周界的監測信號；上述任一種光纖周界入侵信號的識別裝置，用于對所述監測信號中 的入侵信號進行識別及分類；以及報警子系統，用于根據所述識別裝置對所述入侵信號的 分類，相應地進行報警。
[0028] 本發明提供的光纖周界入侵信號的識別裝置及其采用的識別方