本發(fā)明涉及信號(hào)處理及模式識(shí)別領(lǐng)域，具體地，涉及一種適用于多光柵傳感探測系統(tǒng)的陵區(qū)入侵振動(dòng)信號(hào)特征提取與分類識(shí)別算法。

背景技術(shù)：

近些年來受商業(yè)利益的驅(qū)使，盜墓分子在古墓陵區(qū)內(nèi)瘋狂作案多起而導(dǎo)致大量地下珍貴文物被破壞。盜墓團(tuán)伙的作案設(shè)備日益先進(jìn)、作案手段愈發(fā)高明；古墓被盜掘后不僅使得珍貴文物流落他鄉(xiāng)，還會(huì)破壞古墓葬本身所具有的文化、科研價(jià)值，其損失無可估量。國內(nèi)外普遍采用的安防手段有紅外線、攝像、超聲波、微波等，這些手段都有它們固有的使用范圍從而產(chǎn)生一定的局限性，造成誤報(bào)。

而且，盜掘野外文物常見的作案手段有洛陽鏟盜掘和炸藥爆破：由于力學(xué)特性與地形地貌的多變性，使得炸藥爆破振動(dòng)波具有隨時(shí)間作復(fù)雜變化的隨機(jī)不可重復(fù)特性，在不同條件下，爆破所產(chǎn)生的振動(dòng)波形有明顯區(qū)別，不但在振動(dòng)幅值上變化復(fù)雜，而且振動(dòng)波的頻率與持續(xù)時(shí)間也與爆源特性、爆心距、爆破規(guī)模及介質(zhì)的不同顯現(xiàn)出明顯的差異性；洛陽鏟盜掘行為引起地面振動(dòng)的振動(dòng)周期與頻率隨著土質(zhì)不同而變化，若墓區(qū)土質(zhì)相對(duì)松軟(如飽和松軟的粘土、亞粘土、輕亞粘土等)，則振動(dòng)周期就長，若土質(zhì)相對(duì)堅(jiān)硬(如砂土、碎石土及粗碎屑等)，則振動(dòng)周期較短，而且隨著距夯心的距離增大而增大。對(duì)于上述兩種手段，現(xiàn)有技術(shù)的識(shí)別效果都無法滿足要求，甚至無法識(shí)別。

技術(shù)實(shí)現(xiàn)要素：

為了克服現(xiàn)有技術(shù)的不足，本發(fā)明提供一種陵區(qū)入侵振動(dòng)信號(hào)特征提取與分類識(shí)別算法，適用于多光柵傳感探測系統(tǒng)，利用EEMD算法排除非人為信號(hào)的干擾，采用粒子群算法優(yōu)化后的支持向量機(jī)對(duì)入侵信號(hào)進(jìn)行分類識(shí)別，提高報(bào)警準(zhǔn)確率，降低誤報(bào)率，具有實(shí)用價(jià)值。

本發(fā)明為解決上述技術(shù)問題所采用的技術(shù)方案是：

一種陵區(qū)入侵振動(dòng)信號(hào)特征提取與分類識(shí)別算法，該方法包括以下步驟：

步驟1：采集不高于200Hz頻率的入侵低頻振動(dòng)信號(hào)：探測系統(tǒng)將通過分布式設(shè)置的多個(gè)傳感器在同一時(shí)段采集的入侵低頻振動(dòng)信號(hào)轉(zhuǎn)化為電信號(hào)x(t)；

步驟2：EEMD分解：將轉(zhuǎn)化后的電信號(hào)x(t)加入一定幅值的高斯分布白噪聲n_a(t)，合成后的信號(hào)表示為x_a(t)＝n_a(t)+x(t)；再將已加入白噪聲的合成信號(hào)x_a(t)通過經(jīng)驗(yàn)?zāi)B(tài)分解成m個(gè)本征模態(tài)函數(shù)(IMF)分量c_ab(t)和一個(gè)余項(xiàng)r_a(t)，表示為式中m表示IMF分量個(gè)數(shù)，再次針對(duì)各個(gè)本征模態(tài)信號(hào)分別加入均方根相等的不同高斯白噪聲，經(jīng)由經(jīng)驗(yàn)?zāi)B(tài)再次分解為若干個(gè)IMF分量與一個(gè)余項(xiàng)，至此提取得到N組不同的IMF分量，N滿足ε_n為待分析信號(hào)與分解得到IMF分量之和的標(biāo)準(zhǔn)偏差，ε為添加白噪聲的幅值；N為迭代次數(shù)，最后將N組同階IMF進(jìn)行總體平均計(jì)算得到：

$c_b\left(t\right)=\frac{1}{N}\underset{a=1}{\overset{N}{\Σ}}{c}_{ab}\left(t\right),$

其中的c_b(t)是EEMD分解得出的第b個(gè)IMF分量；綜上，EEMD分解的最終結(jié)果為：

$x\left(t\right)=\underset{b=1}{\overset{m}{\Σ}}{c}_b\left(t\right)+r\left(t\right);$

步驟3：計(jì)算EEMD能量熵：信號(hào)經(jīng)EEMD分解得m個(gè)IMF分量c₁(t)，c₂(t)，c₃(t)…c_m(t)和余項(xiàng)r(t)，m個(gè)IMF分量的能量分別為E₁,E₂,E₃...E_m，其中余項(xiàng)r(t)的影響忽略不計(jì)，振動(dòng)信號(hào)的能量分布為E＝{E₁,E₂,E₃...E_m}，定義EEMD的能量熵值為式子中p_k＝E_k/E表示第k個(gè)IMF的能量比，H表征信號(hào)能量分布的不確定度；

步驟4：入侵信號(hào)的特征提取：振動(dòng)信號(hào)經(jīng)過EEMD算法分解之后得到不同尺度下的平穩(wěn)信號(hào)，將敏感性強(qiáng)的峭度作為特征向量進(jìn)行提取，具體過程如下：首先計(jì)算經(jīng)過EEMD方法分解得到的m個(gè)IMF分量的各個(gè)峭度

$T_b=\frac{1}{N}\underset{p=1}{\overset{N}{\Σ}}{c}_{bp}^4,b=1,2,3,4,5...m;$

T_b表示第b個(gè)本征模態(tài)函數(shù)分量的峭度；p表示第b個(gè)分量的樣本點(diǎn)數(shù)；再將峭度進(jìn)行歸一化處理，得到特征向量[T₁',T₂',T₃',T₄'......T_m']；

步驟5：采用粒子群算法優(yōu)化后的SVM對(duì)入侵信號(hào)進(jìn)行分類識(shí)別：將多個(gè)傳感器中測得的若干振波中振幅最高的振波作為主振頻率，其他作為分量，對(duì)應(yīng)于粒子群算法中的個(gè)體最優(yōu)解Pbest–主振頻率分析和群體最優(yōu)解Gbest–平均頻率分析，以此得出的最優(yōu)解作為SVM的最優(yōu)決策函數(shù)，若SVM輸出為1，則有入侵行為發(fā)生，進(jìn)而繼續(xù)判斷是爆破行為還是盜掘行為，若輸出為0則為非入侵行為。

作為優(yōu)選，步驟2中所述的高斯分布白噪聲n_a(t)的幅值取采集信號(hào)幅值標(biāo)準(zhǔn)差的0.1～0.4倍。

作為優(yōu)選，步驟2包括以下具體步驟：步驟2中所述的迭代次數(shù)N取100～400次。

本發(fā)明的有益效果是：

(1)洛陽鏟盜掘行為和炸藥爆破行為所產(chǎn)生的振動(dòng)波形均為典型的非平穩(wěn)信號(hào)，采用總體平均經(jīng)驗(yàn)?zāi)B(tài)分解方法(EEMD)對(duì)于非平穩(wěn)信號(hào)的處理提供了有力支撐，利用EEMD將輸出的非平穩(wěn)信號(hào)分解成多個(gè)平穩(wěn)的本征模態(tài)函數(shù)(IMF)。隨后從IMF的特性著手，研究人為與非人為入侵的差異，分析發(fā)現(xiàn)入侵信號(hào)在不同頻帶內(nèi)的能量分布與非入侵的不同，同時(shí)提出了EEMD能量熵的方法判斷是否發(fā)生入侵行為，有效地排除非人為的干擾。

(2)通過總體平均經(jīng)驗(yàn)?zāi)B(tài)分解方法(EEMD)分解得到m個(gè)不同頻率的本征模態(tài)函數(shù)分量，每個(gè)本征模態(tài)函數(shù)都會(huì)隨著信號(hào)尺度特征而發(fā)生變化，體現(xiàn)了算法的自適應(yīng)性；而利用加入高斯白噪聲頻率均勻分布的統(tǒng)計(jì)特性很好地解決了傳統(tǒng)經(jīng)驗(yàn)?zāi)B(tài)分解方法的模態(tài)混疊問題，并改進(jìn)了經(jīng)驗(yàn)?zāi)B(tài)分解方法同時(shí)得到了真實(shí)的時(shí)頻特性，總體平均的計(jì)算方式消除了白噪聲對(duì)分解的影響。此種方法較同類方法而言能夠更好地實(shí)現(xiàn)針對(duì)振動(dòng)信號(hào)的去噪以及精細(xì)化處理。

(3)粒子群算法是一種模擬鳥類捕食行為的仿生算法，它通過不斷更新優(yōu)化初始群體中的兩個(gè)參數(shù)——個(gè)體最優(yōu)解和群體最優(yōu)解，以此得到整個(gè)空間的最優(yōu)解。粒子群中每個(gè)粒子對(duì)個(gè)體最優(yōu)解Pbest和群體最優(yōu)解Gbest的速度和位置按兩個(gè)方程式不斷的進(jìn)行動(dòng)態(tài)的調(diào)整和更新，使SVM能夠更快的得到最優(yōu)處理結(jié)果。

附圖說明

圖1為本發(fā)明提供的一種適用于多光柵傳感探測系統(tǒng)的陵區(qū)入侵振動(dòng)信號(hào)特征提取與分類識(shí)別算法流程圖

圖2為本發(fā)明提供的SVM算法流程圖

圖3為爆破振波時(shí)間波形示意圖(三通道采集)

圖4為盜掘行為所引發(fā)地面振動(dòng)衰減曲線示意圖

具體實(shí)施方式

下面結(jié)合附圖及實(shí)施例對(duì)本發(fā)明作進(jìn)一步說明。以下的實(shí)施例將有助于本領(lǐng)域的技術(shù)人員進(jìn)一步理解本發(fā)明，但不以任何形式限制本發(fā)明。

由于力學(xué)特性與地形地貌的多變性，爆破振動(dòng)波具有隨時(shí)間作復(fù)雜變化的隨機(jī)不可重復(fù)特性；通過不同環(huán)境下現(xiàn)場實(shí)測爆破波形與相關(guān)頻譜反映出：在不同條件下，爆破所產(chǎn)生的振動(dòng)波形是有明顯區(qū)別的：不但在振動(dòng)幅值上變化復(fù)雜，而且波的頻率與持續(xù)時(shí)間也與爆源特性、爆心距、爆破規(guī)模及介質(zhì)的不同顯現(xiàn)出明顯的差異性；屬于典型的非平穩(wěn)信號(hào)；爆破能量傳播是一個(gè)衰減的過程，在土壤介質(zhì)中爆破振動(dòng)波所包含的能量僅占爆炸總能量的3％～20％，其作用時(shí)間也較短，并具有瞬態(tài)沖擊振動(dòng)的特性。爆破振動(dòng)波是一種寬頻帶波，在傳播過程中，由于介質(zhì)的濾波作用致使爆破振波在離爆源較近時(shí)高頻成份較豐富，隨著波由介質(zhì)向遠(yuǎn)處的逐步傳播；高頻成分逐漸被吸收，而低頻成分則能傳播到較遠(yuǎn)處。爆破振動(dòng)波主要包含一個(gè)或幾個(gè)主頻成份，大部分的爆破振動(dòng)波頻率主要集中在低頻段，低頻信號(hào)頻率主要是在0～200HZ范圍之內(nèi)，如果與陵墓結(jié)構(gòu)的固有頻率接近就會(huì)產(chǎn)生共振現(xiàn)象，從而加大對(duì)結(jié)構(gòu)體的破損影響。爆破振波時(shí)間波形如圖3所示。

洛陽鏟盜掘行為引起地面振動(dòng)的振動(dòng)周期與頻率隨著土質(zhì)不同而變化，若墓區(qū)土質(zhì)相對(duì)松軟(如飽和松軟的粘土、亞粘土、輕亞粘土等)，則振動(dòng)周期就長；若土質(zhì)相對(duì)堅(jiān)硬(如砂土、碎石土及粗碎屑等)，則振動(dòng)周期較短，而且隨著距夯心的距離增大而增大；而兩次夯擊間隔時(shí)間為幾秒鐘，其特性類似于爆破引起的振動(dòng)。主振頻率是指振動(dòng)頻譜中振幅最大的諧波分量的頻率；可以看出，盜掘產(chǎn)生的主振振動(dòng)頻率較低。在同一夯點(diǎn)上，前若干擊由于土體處于夯實(shí)擠密過程中，則主振頻率更低；隨著夯實(shí)擊數(shù)的增加，主振頻率增大，同一夯點(diǎn)同一擊不同距離處產(chǎn)生的主振振動(dòng)頻率不同：表現(xiàn)為近處頻率高、遠(yuǎn)處頻率低。盜掘行為所引發(fā)地面振動(dòng)衰減曲線示意圖如圖4所示。

同時(shí)，該盜掘行為所引發(fā)的振動(dòng)也是一種瞬時(shí)沖擊振動(dòng)。振動(dòng)速度峰值強(qiáng)度持續(xù)時(shí)間很短，約0.05～0.08s；夯心附近振動(dòng)總持續(xù)時(shí)間也不超過0.1～0.5s。這也說明振源近處主要是體波而較遠(yuǎn)處則為面波，亦為低頻信號(hào)成分居多，低頻信號(hào)頻率主要是在0～50HZ范圍之內(nèi)。

綜合上述兩類典型入侵行為所引發(fā)的振動(dòng)波特征，我們可通過信號(hào)頻率隨時(shí)間變化的規(guī)律對(duì)信號(hào)進(jìn)行處理，所采用的總體平均經(jīng)驗(yàn)?zāi)B(tài)分解方法(EEMD)對(duì)于非平穩(wěn)信號(hào)的處理提供了有力支撐。利用EEMD將輸出的非平穩(wěn)信號(hào)分解成多個(gè)平穩(wěn)的本征模態(tài)函數(shù)(IMF)。隨后從IMF的特性著手，研究人為與非人為入侵的差異，分析發(fā)現(xiàn)入侵信號(hào)在不同頻帶內(nèi)的能量分布與非入侵的不同，同時(shí)提出了EEMD能量熵的方法判斷是否發(fā)生入侵行為，有效地排除非人為的干擾。

如圖1所示，一種適用于多光柵傳感探測系統(tǒng)的陵區(qū)入侵振動(dòng)信號(hào)特征提取與分類識(shí)別算法，該方法包括以下步驟：

步驟1：采集不高于200Hz的入侵低頻振動(dòng)信號(hào)：探測系統(tǒng)將通過分布式設(shè)置的多個(gè)傳感器在同一時(shí)段采集的入侵低頻振動(dòng)信號(hào)轉(zhuǎn)化為電信號(hào)x(t)；

步驟2：EEMD分解：將轉(zhuǎn)化后的電信號(hào)x(t)加入一定幅值的高斯分布白噪聲n_a(t)，合成后的電信號(hào)表示為x_a(t)＝n_a(t)+x(t)；再將已加入白噪聲的合成信號(hào)x_a(t)通過經(jīng)驗(yàn)?zāi)B(tài)分解成m個(gè)本征模態(tài)函數(shù)(IMF)分量c_ab(t)和一個(gè)余項(xiàng)r_a(t)，表示為式中m表示IMF分量個(gè)數(shù)，再次針對(duì)各個(gè)本征模態(tài)信號(hào)分別加入均方根相等的不同高斯白噪聲，經(jīng)由經(jīng)驗(yàn)?zāi)B(tài)再次分解為若干個(gè)IMF分量與一個(gè)余項(xiàng)，至此提取得到N組不同的IMF分量，N滿足ε_n為待分析信號(hào)與分解得到IMF分量之和的標(biāo)準(zhǔn)偏差，ε為添加白噪聲的幅值；N為迭代次數(shù)，通過大量的實(shí)驗(yàn)樣本分析得知：迭代次數(shù)過多不僅會(huì)增加運(yùn)行時(shí)間而且分解效果變化不大?？紤]到系統(tǒng)的時(shí)效性；根據(jù)大量實(shí)驗(yàn)樣本分析和實(shí)際情況取適當(dāng)?shù)牡螖?shù)為100～400次，最后將N組同階IMF進(jìn)行總體平均計(jì)算得到：

$c_b\left(t\right)=\frac{1}{N}\underset{a=1}{\overset{N}{\Σ}}{c}_{ab}\left(t\right),$

其中的c_b(t)是EEMD分解得出的第b個(gè)IMF分量；綜上，EEMD分解的最終結(jié)果為：

$x\left(t\right)=\underset{b=1}{\overset{m}{\Σ}}{c}_b\left(t\right)+r\left(t\right);$

由上式得出，通過總體平均經(jīng)驗(yàn)?zāi)B(tài)分解方法(EEMD)分解得到m個(gè)不同頻率的IMF分量，每個(gè)IMF都會(huì)隨著信號(hào)尺度特征而發(fā)生變化，體現(xiàn)了算法的自適應(yīng)性；而利用加入白噪聲頻率均勻分布的統(tǒng)計(jì)特性很好地解決了傳統(tǒng)經(jīng)驗(yàn)?zāi)B(tài)分解方法的模態(tài)混疊問題，并改進(jìn)了經(jīng)驗(yàn)?zāi)B(tài)分解方法同時(shí)得到了真實(shí)的時(shí)頻特性，總體平均的計(jì)算方式消除了白噪聲對(duì)分解的影響。但迭代次數(shù)過多不僅增加運(yùn)行時(shí)間而且分解效果變化不大，因此對(duì)于迭代次數(shù)的選擇應(yīng)該根據(jù)實(shí)驗(yàn)結(jié)果來具體選取。此種方法較同類方法而言能夠更好地實(shí)現(xiàn)針對(duì)振動(dòng)信號(hào)的去噪以及精細(xì)化處理。

步驟3：計(jì)算EEMD能量熵：EEMD分解所得IMF分量既有原信號(hào)的局部特征，又有不同特征時(shí)間的尺度特征，通過分析這些特征，發(fā)現(xiàn)非入侵行為與入侵行為的能量分布各有不同、熵能衡量體系呈現(xiàn)不規(guī)則分布，因此通過獲取EEMD的能量熵對(duì)能量分布進(jìn)行估計(jì)來區(qū)分不同行為。信號(hào)經(jīng)EEMD分解得m個(gè)IMF分量c₁(t)，c₂(t)，c₃(t)…c_m(t)和余項(xiàng)r(t)，m個(gè)IMF分量的能量分別為E₁,E₂,E₃...E_m，其中余項(xiàng)r(t)的影響忽略不計(jì)，振動(dòng)信號(hào)的能量分布為E＝{E₁,E₂,E₃...E_m}，定義EEMD的能量熵值為式子中p_k＝E_k/E表示第k個(gè)IMF的能量比，H表征信號(hào)能量分布的不確定度；當(dāng)無任何干擾時(shí)，信號(hào)能量分布穩(wěn)定；能量的熵值相對(duì)恒定不變，一旦振動(dòng)產(chǎn)生時(shí)，振動(dòng)改變了信號(hào)能量的分布秩序，對(duì)應(yīng)的能量熵值也會(huì)發(fā)生變化，信號(hào)的非穩(wěn)態(tài)和復(fù)雜度越高，其熵值越大。按照實(shí)際分析入侵與非入侵行為的EEMD能量熵值估算如表1所示：

表1不同振動(dòng)所產(chǎn)生的EEMD能量熵值估算

由表中得出，入侵信號(hào)的能量熵值要大于非入侵信號(hào)，故可用EEMD能量熵的方法排除非人為干擾，不僅可減少系統(tǒng)識(shí)別時(shí)間，而且改善了系統(tǒng)性能。

步驟4：入侵信號(hào)的特征提取：振動(dòng)信號(hào)經(jīng)過EEMD算法分解之后得到不同尺度下的平穩(wěn)信號(hào)，將敏感性強(qiáng)的峭度作為不同尺度平穩(wěn)信號(hào)的特征向量進(jìn)行提取，具體過程如下：首先計(jì)算經(jīng)過EEMD方法分解得到的m個(gè)IMF分量的各個(gè)峭度

$T_b=\frac{1}{N}\underset{p=1}{\overset{N}{\Σ}}{c}_{bp}^4,b=1,2,3,4,5...m;$

T_b表示第b個(gè)本征模態(tài)函數(shù)分量的峭度；p表示第b個(gè)分量的樣本點(diǎn)數(shù)；再將峭度進(jìn)行歸一化處理，得到特征向量[T₁',T₂',T₃',T₄'......T_m']；

步驟5：如圖2所示，采用粒子群算法優(yōu)化后的SVM對(duì)入侵信號(hào)進(jìn)行分類識(shí)別：

基于上述特征提取后的結(jié)果，采用粒子群算法優(yōu)化后的支持向量機(jī)(SVM)——二值分類器對(duì)振動(dòng)入侵信號(hào)進(jìn)行分類識(shí)別，若SVM輸出為1，則有入侵行為發(fā)生，進(jìn)而繼續(xù)判斷是爆破行為還是盜掘行為、若輸出為0則為非入侵行為；其中支持向量機(jī)通過選擇某種非線性映射Γ將原空間中的輸入量X映射到高維特征空間；即f(x)＝ω^T×Γ(X)+b，式中ω為超平面權(quán)值問題，b為偏置項(xiàng)。在高維空間中，根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)的最小化原則，構(gòu)造最優(yōu)決策函數(shù)，以克服采用傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的分類識(shí)別方法容易陷入局部最小的缺陷，在SVM模型中，由于徑向基函數(shù)是較常用的核函數(shù)，此時(shí)支持向量機(jī)的識(shí)別性能的準(zhǔn)確率與懲罰因子c和相應(yīng)的核函數(shù)參數(shù)g有關(guān)?；谏鲜龇治?，采用搜索能力較強(qiáng)的粒子群優(yōu)化算法進(jìn)行SVM的參數(shù)選擇。

粒子群算法是一種模擬鳥類捕食行為的仿生算法，它通過不斷更新優(yōu)化初始群體中的兩個(gè)參數(shù)——個(gè)體最優(yōu)解和群體最優(yōu)解，以此得到整個(gè)空間的最優(yōu)解。粒子群中每個(gè)粒子對(duì)個(gè)體最優(yōu)解Pbest和群體最優(yōu)解Gbest的速度和位置按兩個(gè)方程式不斷的進(jìn)行動(dòng)態(tài)的調(diào)整和更新。

由于分布式傳感器網(wǎng)絡(luò)由多個(gè)前端光纖傳感器呈不同排列分布組合而成，由于檢測到的振動(dòng)信號(hào)頻率大小不一，并且接收到的振動(dòng)信號(hào)傳播的角度和方位具有隨機(jī)性和不確定性，因此總體而言：每次都通過比對(duì)所有振動(dòng)傳感器采集到的振波頻率，從中選取3個(gè)以上較大振幅與較低頻率的振動(dòng)信號(hào)量對(duì)其進(jìn)行處理；而反映到每個(gè)傳感器上測得的振波頻率各有不同，因此在選取的若干振波中選擇主振頻率與其他分量頻率的原則是：傳感器中測得的若干振波中振幅最高的振波作為主振頻率，其他作為分量。因此對(duì)應(yīng)于粒子群算法中的個(gè)體最優(yōu)解Pbest–主振頻率分析和群體最優(yōu)解Gbest–平均頻率分析。

說明書中未闡述的部分均為現(xiàn)有技術(shù)或公知常識(shí)。本實(shí)施例僅用于說明該發(fā)明，而不用于限制本發(fā)明的范圍，本領(lǐng)域技術(shù)人員對(duì)于本發(fā)明所做的等價(jià)置換等修改均認(rèn)為是落入該發(fā)明權(quán)利要求書所保護(hù)范圍內(nèi)。