本發(fā)明涉及模式識(shí)別領(lǐng)域，尤其涉及一種振動(dòng)事件的模式識(shí)別方法。

背景技術(shù)：

國(guó)境線、鐵路沿線、工業(yè)管道沿線、重要場(chǎng)所、住宅小區(qū)，到處都有著振動(dòng)傳感器的身影，已經(jīng)在安防監(jiān)控等領(lǐng)域得到了廣泛的應(yīng)用。如在鐵路沿線防范中，可以發(fā)現(xiàn)潛在的安全隱患，使工作人員能提前防范；再如周界防范，可用于家庭、學(xué)校、住宅、重要機(jī)關(guān)、金融重地等場(chǎng)所，即時(shí)發(fā)現(xiàn)外界入侵；此外，在地震和海嘯檢測(cè)方面，振動(dòng)傳感器也得到了重要應(yīng)用。但目前國(guó)內(nèi)外已出現(xiàn)商用的周界入侵警戒系統(tǒng)，大都只能用于定位可能異常事件的位置，對(duì)入侵行為識(shí)別采用的方法通常是對(duì)振動(dòng)信號(hào)的時(shí)間域和頻譜域進(jìn)行分析，但此方法對(duì)于識(shí)別復(fù)雜的振動(dòng)事件而言有些單一，局限性較大。對(duì)入侵行為的識(shí)別率較低，即無(wú)法有效地區(qū)分干擾事件與真正入侵事件，導(dǎo)致不能準(zhǔn)確獲知入侵行為的方式，因而無(wú)法對(duì)入侵事件進(jìn)行有效的管控和處置。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明提供了一種振動(dòng)事件的模式識(shí)別方法，該方法可應(yīng)用于周界入侵警戒系統(tǒng)中對(duì)振動(dòng)事件的智能識(shí)別分類，使得系統(tǒng)對(duì)振動(dòng)事件的正確識(shí)別率提高，從而提供更加詳細(xì)的報(bào)警信息，為加強(qiáng)周界入侵防范提供強(qiáng)有力的支持。

為了達(dá)到上述目的，本發(fā)明的技術(shù)方案為：一種振動(dòng)事件的模式識(shí)別方法，包括如下步驟：

步驟一、通過振動(dòng)傳感器采集獲取原始振動(dòng)信號(hào)，原始振動(dòng)信號(hào)中包含振動(dòng)信號(hào)與非振動(dòng)信號(hào)；并將原始振動(dòng)信號(hào)中的振動(dòng)信號(hào)分割出來(lái)。

步驟二、對(duì)振動(dòng)信號(hào)進(jìn)行去噪處理。

步驟三、對(duì)去噪后的振動(dòng)信號(hào)進(jìn)行特征提取，獲得特征向量，包括三個(gè)方面特征：

特征A、在時(shí)頻域上進(jìn)行小波包分解，獲得能量特征向量。

特征B、在進(jìn)行倒頻譜分析，提取倒頻譜參數(shù)特征。

特征C、在時(shí)域上提取信號(hào)特征。

步驟四、建立識(shí)別模型，由二級(jí)分類器組成。

一級(jí)分類器是基于支持向量機(jī)SVM分類器，利用從振動(dòng)信號(hào)中提取出的特征向量作為輸入，將振動(dòng)事件分為非入侵事件和入侵事件。

二級(jí)分類器是針對(duì)入侵事件，進(jìn)行基于人工神經(jīng)網(wǎng)絡(luò)的識(shí)別，采用入侵事件樣本及其人工分類結(jié)果作為人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本對(duì)該人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，則將入侵事件作為人工神經(jīng)網(wǎng)絡(luò)的輸入，獲得分類結(jié)果。

進(jìn)一步地，還包括步驟五：通過人機(jī)交互機(jī)制，對(duì)二級(jí)分類器的分類結(jié)果進(jìn)行判斷，當(dāng)出現(xiàn)分類結(jié)果錯(cuò)誤后進(jìn)行人工修訂，修訂結(jié)果存入數(shù)據(jù)庫(kù)，當(dāng)分類錯(cuò)誤結(jié)果累計(jì)到一定數(shù)目后，重新訓(xùn)練二級(jí)分類器中的人工神經(jīng)網(wǎng)絡(luò)，更新分類器的神經(jīng)網(wǎng)絡(luò)參數(shù)。

進(jìn)一步地，步驟一中，將原始振動(dòng)信號(hào)中的振動(dòng)信號(hào)分割出來(lái)采用的分割方法具體為：

步驟101：以設(shè)定長(zhǎng)度的窗口為單位，將原始振動(dòng)信號(hào)f(t)根據(jù)窗口長(zhǎng)度劃分為多段窗口信號(hào)x(t)，t為時(shí)間變量；

計(jì)算每一段窗口信號(hào)中N個(gè)采樣點(diǎn)的平均能量，對(duì)于平均能量大于自適應(yīng)閾值value的窗口，則該窗口信號(hào)為備選振動(dòng)片段s(t)；如果兩備選振動(dòng)片段間隔范圍在設(shè)定個(gè)數(shù)個(gè)窗口范圍內(nèi)，則將該兩備選振動(dòng)片段合并作為一個(gè)備選振動(dòng)片段，否則，作為不同的備選振動(dòng)片段；

閾值value的初始值為Max(N)×0.025，Max(N)代表窗口內(nèi)N個(gè)采樣點(diǎn)中的最大值；

步驟102：針對(duì)每個(gè)備選振動(dòng)片段，如果備選振動(dòng)片段長(zhǎng)度小于一個(gè)閾值Length，則認(rèn)為是噪聲，將其舍棄；然后對(duì)備選振動(dòng)片段進(jìn)行小波分解，對(duì)分解后的信號(hào)進(jìn)行濾波，得到濾波后重構(gòu)信號(hào)；

步驟103：判斷是否存在至少一個(gè)備選振動(dòng)片段的重構(gòu)信號(hào)滿足預(yù)設(shè)振動(dòng)信號(hào)標(biāo)準(zhǔn)，若存在，將重構(gòu)信號(hào)滿足預(yù)設(shè)振動(dòng)信號(hào)要求的備選振動(dòng)片段作為振動(dòng)信號(hào)從原始振動(dòng)信號(hào)中分割出來(lái)；若不存在，將閾值value增加一個(gè)增量Δ，重復(fù)步驟101至步驟103，直至分割出振動(dòng)信號(hào)為止；其中增量Δ公式如下所示：

其中Mean為重構(gòu)信號(hào)的均值。

進(jìn)一步地，特征A的獲取方法為：

對(duì)去噪后的振動(dòng)信號(hào)做小波包分解，通過對(duì)一個(gè)設(shè)定尺度上各頻帶內(nèi)的分解系數(shù)重構(gòu)，在每個(gè)分解節(jié)點(diǎn)上構(gòu)成新的時(shí)間序列，對(duì)這些時(shí)間序列分別做能量特征提取，獲得能量特征向量。

進(jìn)一步地，在特征A的獲取方法中，對(duì)去噪后的振動(dòng)信號(hào)進(jìn)行三層小波包能量特征提取，具體方法為：

步驟301.對(duì)去噪后的振動(dòng)信號(hào)進(jìn)行三層小波包分解，獲得分解樹，以(i,j)表示第i層的第j個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)對(duì)應(yīng)一個(gè)小波包系數(shù)；

步驟303.將分解樹中的每一個(gè)節(jié)點(diǎn)分別進(jìn)行重構(gòu)，得到對(duì)應(yīng)每個(gè)節(jié)點(diǎn)的重構(gòu)信號(hào)，每個(gè)小波包系統(tǒng)的權(quán)重為W_ij，針對(duì)200Hz以下的分解頻帶的小波包系數(shù)賦予相對(duì)其它頻帶高的權(quán)重；

計(jì)算各頻帶信號(hào)的對(duì)數(shù)能量，其中節(jié)點(diǎn)(i,j)對(duì)應(yīng)的頻帶信號(hào)的對(duì)數(shù)能量為L(zhǎng)_ij，有

式中，c_ij表示節(jié)點(diǎn)(i,j)對(duì)應(yīng)的重構(gòu)信號(hào)的離散值的幅值，n表示p(t)的采樣點(diǎn)數(shù)，Δt為采樣時(shí)間間隔；k為節(jié)點(diǎn)(i,j)對(duì)應(yīng)的重構(gòu)信號(hào)的采樣點(diǎn)數(shù)；

則所有節(jié)點(diǎn)的對(duì)數(shù)能量組成能量特征向量。

進(jìn)一步地，步驟二中采用小波閾值去噪算法。

進(jìn)一步地，步驟三、對(duì)去噪后的振動(dòng)信號(hào)進(jìn)行特征提取，獲得A、B和C三方面的特征組成的特征向量后，采用主成分分析法PCA降維。

有益效果：

1、本發(fā)明的目的是為了克服已有技術(shù)的缺陷，為了解決目前周界入侵警戒系統(tǒng)對(duì)入侵行為的識(shí)別率較低的問題，提出一種振動(dòng)事件的模式識(shí)別方法，該方法可應(yīng)用于周界入侵警戒系統(tǒng)中對(duì)振動(dòng)事件的智能識(shí)別分類，使得系統(tǒng)對(duì)振動(dòng)事件的正確識(shí)別率提高，從而提供更加詳細(xì)的報(bào)警信息，為加強(qiáng)周界入侵防范提供強(qiáng)有力的支持。

2、本發(fā)明中在進(jìn)行振動(dòng)信號(hào)分割時(shí)，采用了自適應(yīng)閾值的方法，能夠使得分割更加精確。

3、振動(dòng)信號(hào)來(lái)自各種不同的環(huán)境，外界環(huán)境如耕作、車輛、生活噪聲、工廠噪聲、水的流動(dòng)等背景噪聲非常復(fù)雜，采集到的信號(hào)中含有大量的噪聲，對(duì)于在時(shí)域上提取出的振動(dòng)信號(hào)，這些信號(hào)中有用的信息淹沒在大量的噪聲中。本發(fā)明中使用小波閾值去噪算法，能實(shí)現(xiàn)信號(hào)與噪聲頻帶相互疊加情況下的去噪。

4、本發(fā)明在進(jìn)行特征提取時(shí)，通過對(duì)原始信號(hào)數(shù)據(jù)進(jìn)行變換，提取具有高度的代表性、典型性和穩(wěn)定性的特征量，最終能有效地反映目標(biāo)本質(zhì)特征。另外，特征的維數(shù)直接關(guān)系后續(xù)分類的計(jì)算量和精度，所以特征提取后需要進(jìn)行降維，使得最后得到的特征向量相互獨(dú)立、正交。

本發(fā)明中建立的識(shí)別模型，具備自適應(yīng)學(xué)習(xí)的能力，形成一個(gè)閉合反饋系統(tǒng)，該功能通過一個(gè)人機(jī)交互機(jī)制來(lái)實(shí)現(xiàn)，當(dāng)出現(xiàn)分類錯(cuò)誤后進(jìn)行人工修訂，修訂結(jié)果將會(huì)存入數(shù)據(jù)庫(kù)，當(dāng)分類錯(cuò)誤結(jié)果累計(jì)到一定數(shù)目后自適應(yīng)學(xué)習(xí)模塊將自動(dòng)運(yùn)行，重新訓(xùn)練神經(jīng)網(wǎng)絡(luò)，訓(xùn)練后將更新分類器的神經(jīng)網(wǎng)絡(luò)參數(shù)，從而提高下一次神經(jīng)網(wǎng)絡(luò)的事件識(shí)別率。

附圖說(shuō)明

圖1為一種振動(dòng)事件的模式識(shí)別方法的實(shí)現(xiàn)流程；

圖2為自適應(yīng)分割算法流程圖；

圖3為小波包三層分解樹結(jié)構(gòu)。

具體實(shí)施方式

下面結(jié)合附圖并舉實(shí)施例，對(duì)本發(fā)明進(jìn)行詳細(xì)描述。

實(shí)施例1、

本振動(dòng)事件的模式識(shí)別方法是這樣實(shí)現(xiàn)的：

一種振動(dòng)事件的模式識(shí)別方法，其基本實(shí)施過程如圖1所示：

步驟一、原始信號(hào)中振動(dòng)與非振動(dòng)信號(hào)的分割

當(dāng)無(wú)振動(dòng)事件發(fā)生情況下，振動(dòng)傳感器所采集的原始信號(hào)不含有振動(dòng)信息。當(dāng)振動(dòng)事件發(fā)生時(shí)，采集的一段原始信號(hào)中會(huì)包含振動(dòng)信號(hào)與非振動(dòng)信號(hào)，二者交替出現(xiàn)，其中只有振動(dòng)信號(hào)才是有用信息。因此，把振動(dòng)信號(hào)從原始信號(hào)中切分出來(lái)，只讓振動(dòng)信號(hào)進(jìn)入后續(xù)處理可以大大降低系統(tǒng)資源消耗、提高系統(tǒng)實(shí)時(shí)性。本發(fā)明中使用了希爾伯特變換求包絡(luò)原理，進(jìn)行振動(dòng)信號(hào)增強(qiáng)與噪聲抑制，從而達(dá)到簡(jiǎn)單、快速地對(duì)振動(dòng)信號(hào)分割。

步驟二、振動(dòng)信號(hào)的去噪

振動(dòng)信號(hào)來(lái)自各種不同的環(huán)境，外界環(huán)境如耕作、車輛、生活噪聲、工廠噪聲、水的流動(dòng)等背景噪聲非常復(fù)雜，采集到的信號(hào)中含有大量的噪聲，對(duì)于在時(shí)域上提取出的振動(dòng)信號(hào)，這些信號(hào)中有用的信息淹沒在大量的噪聲中。本發(fā)明中使用小波閾值去噪算法，能實(shí)現(xiàn)信號(hào)與噪聲頻帶相互疊加情況下的去噪。

小波變換具有一種“集中”的能力，它能將信號(hào)的能量集中到少數(shù)小波系數(shù)上；而白噪聲在任何正交基上的變換仍然是白噪聲，并且有著相同的幅度。相對(duì)來(lái)說(shuō)，信號(hào)的小波系數(shù)值必然大于那些能量分散且幅值較小的噪聲的小波系數(shù)值。選擇一個(gè)合適的閾值，對(duì)小波系數(shù)進(jìn)行閾值處理，就可以達(dá)到去除噪聲而保留有用信號(hào)的目的。

步驟三、特征提取

特征提取就是對(duì)原始信號(hào)數(shù)據(jù)進(jìn)行變換。通過變換，提取具有高度的代表性、典型性和穩(wěn)定性的特征量，最終能有效地反映目標(biāo)本質(zhì)特征。另外，特征的維數(shù)直接關(guān)系后續(xù)分類的計(jì)算量和精度，所以特征提取后需要進(jìn)行降維，使得最后得到的特征向量相互獨(dú)立、正交。

本發(fā)明中對(duì)振動(dòng)信號(hào)的特征提取結(jié)合了三個(gè)方面特征，一是在時(shí)頻域上進(jìn)行小波包時(shí)頻分析提取時(shí)頻特征；二是在進(jìn)行倒頻譜分析，提取倒頻譜參數(shù)特征；三是在時(shí)域上提取了信號(hào)特征。最后，對(duì)以上三方面的特征向量進(jìn)行了PCA(主成分分析)降維，獲得了一組精煉的特征向量。

步驟四、建立識(shí)別模型

本發(fā)明中建立的識(shí)別模型，由二級(jí)分類器組成。一級(jí)分類器是基于SVM(支持向量機(jī))，利用從振動(dòng)信號(hào)中提取出的特征向量作為輸入，將振動(dòng)事件分為非入侵事件和入侵事件；二級(jí)分類器是針對(duì)入侵事件，進(jìn)行基于人工神經(jīng)網(wǎng)絡(luò)的識(shí)別，將入侵事件細(xì)分，例如挖掘、攀爬、鑿墻等行為。

步驟五：自適應(yīng)學(xué)習(xí)功能

為了使得二級(jí)識(shí)別模型是一個(gè)閉合反饋系統(tǒng)，模型具有自適應(yīng)學(xué)習(xí)功能，該功能通過一個(gè)人機(jī)交互機(jī)制來(lái)實(shí)現(xiàn)，當(dāng)出現(xiàn)分類錯(cuò)誤后進(jìn)行人工修訂，修訂結(jié)果將會(huì)存入數(shù)據(jù)庫(kù)，當(dāng)分類錯(cuò)誤結(jié)果累計(jì)到一定數(shù)目后自適應(yīng)學(xué)習(xí)模塊將自動(dòng)運(yùn)行，重新訓(xùn)練神經(jīng)網(wǎng)絡(luò)，訓(xùn)練后將更新分類器的神經(jīng)網(wǎng)絡(luò)參數(shù)，從而提高下一次神經(jīng)網(wǎng)絡(luò)的事件識(shí)別率。

實(shí)施例、

1)信號(hào)分割

原始信號(hào)f(t)分割就是從一段原始信號(hào)中提取真正振動(dòng)片段，作為后續(xù)處理對(duì)象。信號(hào)振動(dòng)部分提取時(shí)需要注意三點(diǎn)：一要把振動(dòng)信號(hào)片段切分出，否則會(huì)造成系統(tǒng)漏報(bào)；二是要切分完整，否則會(huì)丟失信號(hào)信息，影響后續(xù)識(shí)別；三是不能把非振動(dòng)信號(hào)當(dāng)作振動(dòng)信號(hào)切分出來(lái)，否則造成系統(tǒng)誤報(bào)。

對(duì)于信號(hào)分割，下面介紹一下用于本發(fā)明中的自適應(yīng)分割算法，圖2為自適應(yīng)分割算法流程圖，詳細(xì)步驟如下：

步驟101：預(yù)設(shè)振動(dòng)信號(hào)標(biāo)準(zhǔn)，對(duì)原始振動(dòng)信號(hào)f(t)進(jìn)行初步分析，t為時(shí)間變量；

步驟102：設(shè)置劃分窗口，長(zhǎng)度為N，(對(duì)原始信號(hào)進(jìn)行初步分析，獲取其中振動(dòng)片段的大概長(zhǎng)度，并以此來(lái)設(shè)定N值)以窗口為單位，將原始信號(hào)f(t)根據(jù)窗口長(zhǎng)度劃分為每一段信號(hào)x(t)。計(jì)算每一個(gè)窗口中N個(gè)采樣點(diǎn)的平均能量。對(duì)于平均能量大于某一個(gè)閾值value的窗口(閾值value最初賦予一個(gè)初始值，通常為value＝Max(N)×0.025經(jīng)驗(yàn)值，Max(N)代表窗口N個(gè)采樣點(diǎn)中的最大值)，則認(rèn)為是備選振動(dòng)片段s(t)。然后，如果候選振動(dòng)片段間隔范圍在Windownum 個(gè)窗口范圍內(nèi)，則將其合并作為一個(gè)振動(dòng)片段，否則，作為不同的振動(dòng)片段。

步驟103：對(duì)于步驟102切分出的信號(hào)振動(dòng)片段，如果其長(zhǎng)度小于一個(gè)閾值Length，則認(rèn)為是噪聲，將其舍棄。

經(jīng)分析，有用信號(hào)通常表現(xiàn)為低頻信號(hào)或一些比較平穩(wěn)的信號(hào)，而噪聲信號(hào)則通常為高頻信號(hào)，因此將備選振動(dòng)片段s(t)進(jìn)行小波分解，對(duì)分解后的低、高頻信號(hào)進(jìn)行濾波，得到濾波后重構(gòu)信號(hào)q(t)。

步驟104：判斷是否存在至少一個(gè)備選振動(dòng)片段的重構(gòu)信號(hào)滿足預(yù)設(shè)振動(dòng)信號(hào)標(biāo)準(zhǔn)，若存在，將重構(gòu)信號(hào)滿足預(yù)設(shè)振動(dòng)信號(hào)要求的備選振動(dòng)片段作為振動(dòng)信號(hào)從原始振動(dòng)信號(hào)中分割出來(lái)；若不存在，將閾值value增加一個(gè)增量Δ，重復(fù)步驟101至步驟105，直至分割出振動(dòng)信號(hào)為止；其中增量Δ公式如下所示：

其中Mean(q(t))為q(t)的均值。

自適應(yīng)閾值的方法能夠使得分割更加精確

2)降噪

提取出的振動(dòng)信號(hào)混雜著大量背景噪聲，對(duì)于噪聲與振動(dòng)信號(hào)頻帶分離的情形，可以使用帶通濾波器去除噪聲。而對(duì)于當(dāng)前噪聲與信號(hào)頻帶相互重疊的情形下，本發(fā)明中采用的是小波閾值去噪的方法。

由于在小波變換過程中，信號(hào)與噪聲表現(xiàn)出不同的分解特性，隨著分解尺度的增加，信號(hào)對(duì)應(yīng)的小波系數(shù)包含有信號(hào)的重要信息，其幅值較大，但數(shù)目較少，而噪聲對(duì)應(yīng)的小波系數(shù)是一致分布的，個(gè)數(shù)較多，但幅值較小?；谶@一思想，首先對(duì)信號(hào)進(jìn)行小波分解，一般的噪聲信號(hào)多包含在具有較高頻率的細(xì)節(jié)信號(hào)中，從而可利用閾值等方式對(duì)所分解的小波系數(shù)進(jìn)行處理，然后對(duì)處理后的信號(hào)進(jìn)行小波重構(gòu)即可得到信號(hào)去噪的目的。

獲得降噪后的信號(hào)p(t)

3)特征提取

由于振動(dòng)信號(hào)的數(shù)據(jù)量比較大，為了有效地實(shí)現(xiàn)分類識(shí)別，首先需要特征提取，即對(duì)振動(dòng)信號(hào)片段進(jìn)行變換得到最能反映信號(hào)本質(zhì)的特征。本發(fā)明中對(duì)振動(dòng)信號(hào)的特征提取結(jié)合了三個(gè)方面特征，一是在時(shí)頻域上采用改進(jìn)的小波包能量特征提取方法；二是在進(jìn)行倒頻譜分析，提取倒頻譜參數(shù)特征；三是在時(shí)域上提取了信號(hào)特征。這些特征向量從不同層面反映了振動(dòng)信號(hào)的統(tǒng)計(jì)特征和時(shí)變特性，能夠反映不同入侵事件的特征。

當(dāng)分析有用振動(dòng)入侵信號(hào)時(shí)，其輸出信號(hào)能量的空間分布與正常系統(tǒng)輸出相比會(huì)發(fā)生相應(yīng)變化，即輸出能量的改變包含著豐富的入侵特征信息。因此，如果從信號(hào)能量在各子空間中的分布來(lái)提取故障特征，即利用小波包變換在多層分解后的不同頻帶內(nèi)分析信號(hào)，使本不明顯的信號(hào)頻率特征在不同分辨率的若干子空間中以顯著的能量變化的形式表現(xiàn)出來(lái)，并與系統(tǒng)的正常輸出相比較，提取出反映入侵行為的特征向量。

改進(jìn)的小波包能量特征提取方法與傳統(tǒng)的小波能量方法相比，首先考慮到每個(gè)分解頻帶上的小波系數(shù)所占的權(quán)重不一樣。對(duì)于鐵路上的振動(dòng)信號(hào)而言，人為入侵事件的頻率主要集中在200Hz以下，噪聲多數(shù)集中在高頻段。故對(duì)于200Hz以下的分解頻帶的小波系數(shù)賦予相對(duì)其它頻帶而言較高的權(quán)重。其次，考慮到小波包能量與時(shí)間軸的分布特性，因此計(jì)算的是分解頻帶信號(hào)在各時(shí)間段內(nèi)的能量，并構(gòu)成特征向量。詳細(xì)步驟如下：

首先對(duì)振動(dòng)信號(hào)做小波包分解，通過對(duì)某一尺度上各頻帶內(nèi)的分解系數(shù)重構(gòu)，在每個(gè)分解節(jié)點(diǎn)上構(gòu)成新的時(shí)間序列，對(duì)這些時(shí)間序列分別做能量分析，提取反映信號(hào)的特征向量。以對(duì)信號(hào)進(jìn)行三層小波包能量特征提取為例：

a.對(duì)振動(dòng)信號(hào)q(t)進(jìn)行降噪處理得到p(t)

b.對(duì)p(t)進(jìn)行小波包分解，如圖3所示。圖中，每個(gè)子樹的左節(jié)點(diǎn)代表分解的低頻部分，右節(jié)點(diǎn)代表高頻部分，(i,j)表示第i層的第j個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)代表一定的信號(hào)特征，其中(0,0)節(jié)點(diǎn)代表原始信號(hào)p(t)，p₃₀代表小波分解節(jié)點(diǎn)(3,0)的重構(gòu)信號(hào)，其它依次類推。

c.將上一步得到的8個(gè)小波包系數(shù)分別進(jìn)行重構(gòu)，權(quán)重為W_ij，針對(duì)200Hz以下的分解頻帶的小波系數(shù)賦予相對(duì)其它頻帶而言較高的權(quán)重，共計(jì)8個(gè)。計(jì)算各頻帶信號(hào)的對(duì)數(shù)能量，設(shè)p_ij對(duì)應(yīng)的能量系數(shù)為L(zhǎng)_ij，有

式中，c_ij表示節(jié)點(diǎn)(i,j)對(duì)應(yīng)的重構(gòu)信號(hào)的離散值的幅值，n表示p(t)的采樣點(diǎn)數(shù)，Δt為采樣時(shí)間間隔；k為節(jié)點(diǎn)(i,j)對(duì)應(yīng)的重構(gòu)信號(hào)的采樣點(diǎn)數(shù)。

頻譜是振動(dòng)信號(hào)最主要的一個(gè)特征，對(duì)采集到的各種入侵振動(dòng)信號(hào)進(jìn)行聲音回放后發(fā)現(xiàn)，人耳也可以區(qū)分出部分振動(dòng)事件，所以特征提取可以從人耳的感覺方面考慮，倒頻譜系數(shù)特征正是著眼于人耳的聽覺特性。倒頻譜系數(shù)特征提取步驟如下：

步驟l：將時(shí)域信號(hào)X(n)經(jīng)過離散傅立葉變換(DFT)后得到線性頻譜X(k)

步驟2：求線性頻譜X(k)幅度的平方，獲得其能量譜，然后通過一組Mel尺度的三角形濾波器。

步驟3：對(duì)所有濾波器輸出取對(duì)數(shù)運(yùn)算，再進(jìn)一步進(jìn)行離散余弦變換(DCT)

即可得倒頻譜系數(shù)，共計(jì)24個(gè)。

這里L(fēng)為濾波器個(gè)數(shù)，m(l)為第1個(gè)濾波器輸出，N為時(shí)域信號(hào)X(n)傅立葉變換后點(diǎn)數(shù)，C(i)為第i個(gè)倒頻譜系數(shù)，M為倒頻譜系數(shù)個(gè)數(shù)。L取24，M取24。

時(shí)域特征提取步驟如下：

時(shí)域特征提取就是分析信號(hào)的組成和特征量，時(shí)域特征包括有量綱參數(shù)和無(wú)量綱參數(shù)，一共六個(gè)。本發(fā)明中，采用的有量綱參數(shù)包括峰值、均值、均方根值；無(wú)量綱參數(shù)包括波形指標(biāo)、峰值指標(biāo)、脈沖指標(biāo)。對(duì)于離散的時(shí)序數(shù)據(jù)x_i(i＝1,2,…,n)，以上參數(shù)的表達(dá)式如下所示

峰值X_max＝max|x_i|

均值

均方根值

波形指標(biāo)

峰值指標(biāo)

脈沖指標(biāo)

對(duì)振動(dòng)信號(hào)采用以上的特征提取方法求出38維特征向量后，特征之間可能存在冗余，這不但會(huì)造成后續(xù)識(shí)別中運(yùn)算量大，而且可能降低識(shí)別率。因此，需要對(duì)提取出的特征向量降維，去掉冗余數(shù)據(jù)。采用主成分分析法(PCA)來(lái)實(shí)現(xiàn)降維，例如前17個(gè)主成分累計(jì)貢獻(xiàn)值超過99％，則降維后特征為17維，這將作為后續(xù)識(shí)別模型的輸入。

4)建立識(shí)別模型

本發(fā)明中建立的識(shí)別模型，由二級(jí)分類器組成。一級(jí)分類器是基于SVM(支持向量機(jī))，利用從振動(dòng)信號(hào)中提取出的特征向量作為輸入，將振動(dòng)事件分為非入侵事件和入侵事件；二級(jí)分類器是針對(duì)入侵事件，進(jìn)行基于人工神經(jīng)網(wǎng)絡(luò)的識(shí)別，將入侵事件細(xì)分，例如挖掘、攀爬、鑿墻等行為。

一級(jí)分類器用SVM(支持向量機(jī))分類，確定是入侵事件還是非入侵事件，本發(fā)明中采用Libsvm對(duì)SVM模型進(jìn)行訓(xùn)練，并基于訓(xùn)練出來(lái)的模型測(cè)試樣品分類結(jié)果。Libsvm是臺(tái)灣大學(xué)林智仁等人開發(fā)設(shè)計(jì)的一個(gè)簡(jiǎn)單、易用，且快速有效的SVM模式識(shí)別與回歸的軟件。

二級(jí)分類器是針對(duì)入侵事件，進(jìn)行基于人工神經(jīng)網(wǎng)絡(luò)的識(shí)別，采用入侵事件樣本及其人工分類結(jié)果作為人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本對(duì)該人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，則將入侵事件作為人工神經(jīng)網(wǎng)絡(luò)的輸入，獲得分類結(jié)果。

綜上，以上僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。