光电复合缆外部安全预警定位系统进行事件预警与分类的方法 【技术领域】
本发明属于光电子及信息技术领域，特别涉及一种光电复合缆外部安全预警定位系统进行事件预警与分类的方法。
背景技术
光缆和光电复合电缆是目前光通信行业和电力行业广泛采用的一种信息传输介质，光缆和光电复合电缆的运营安全关系到社会的稳定和国家经济利益的保障。因此对光缆和光电复合电缆运营过程中的外部侵害事件进行实时在线的预警和定位监测是保证其安全运营的关键。
传统的光缆和光电复合电缆的损害检测主要采用光时域反射计(OTDR)来进行，这种技术只能在光缆已经被侵害事件破坏产生光缆内光纤断裂的情况下才有效，无法实现对侵害事件的实时在线检测，而且对断点的定位精度会随着光缆长度的增加而降低。另外一种监测方法是采用光纤光栅等具有应力应变敏感特性的传感器件对光缆进行安全检测的话，这种方法必须在光缆内加入光纤光栅器件，从而破坏了光缆本身的传输特性，因此这些方法都无法在现有的通信光缆或者光电复合电缆上实现在线应用。
现有传统的光缆在线监测系统都是在事件发生之后报警，此时，事件产生的破坏已经形成，应急机制的作用只能是通讯的恢复；若发生数据盗取，目前还没有技术能力可以事前，甚至是事后报警。特别是对于事件发生时，如何进行预警并确定事件的位置，更是目前技术所无法做到的。
【发明内容】
本发明的目的是为了解决上述技术的不足而提供一种能提前预警、并实现准确定位的光电复合缆外部安全预警定位系统进行事件预警与分类的方法。
为了达到上述目的，本发明所设计的一种光电复合缆外部安全预警定位系统进行事件预警与分类的方法，包括采用光电复合缆的外部安全预警和定位系统通过高速数据采集卡不断采集得到系统所监测的范围发生的事件信号，对于采集得到的事件信号通过下文所描述的松耦合小波径向基神经网络算法进行入侵事件的预警与分类：
算法具体步骤如下：
(1)对采集得到的信号进行降采样获取新的信号向量以期降低信号处理的工作量，提高系统的实时性；
(2)使信号向量首先通过小波处理层进行多尺度的分解。这个过程可以看作是把信号向量进行正交分解，从而进一步提高输入样本训练的效率；
(3)在小波处理层的输出节点，我们计算各尺度信号的二阶矩；
(4)把各尺度分解后信号的二阶矩作为径向基神经网络的输入进行神经网络的训练与模式识别；
上述松耦合小波径向基神经网络的函数表达式为：
f(x)=Σi=0N-1ωiσ(AiT||cDi||2+bi)]]>
其中cDi为X经过N层小波分解后第i层的高频系数向量，ωi为隐层到输出层的连接权值，σ为局部激励函数，Ai＝[a1，a2，…，aN]为输入层到隐层的连接权值常量，bi为隐节点阈值，输出为线性激励函数，||cDi||2为cDi的二阶矩：
||cDi||2=Σi=0N-1(cDi2).]]>
通过松耦合小波径向基网络，可以实时的对采集到的信号进行识别以判断是否有事件发生并对事件的类型给出判断，每次事件识别结束后将反馈回来的事件信息作为新的训练样本对网络进行实时的反馈加强训练可以进一步提高系统识别预警事件的能力。
结合基于多波带时频谱特征分析的信号预处理算法和以变换域空间信号距离为激励函数的松耦合小波径向基神经网络进行事件判断，能够实现神经网络的实时训练和自学习；可以实现对多种不同威胁通信链路和数据安全的侵入事件的精确判断，并可以对多目标和多事件进行判断。
本发明提供的一种光电复合缆外部安全预警定位系统进行事件预警与分类的方法，为事件发生位置计算和预警提供了实现地依据，使得光电复合缆的外部安全预警和定位系统能方便地检测到有报警事件发生，以便监控人员及时赶到事件发生的位置进行相应的光电复合缆保护与维修工作。节约了事件防范的排查时间，为事件发生的防范措施提供了时间余量；使相关人员能就近到达时间现场，提高了人员的使用效率；也从技术层面为数据盗取事件的侦破提供了事实依据。
本发明提供的光电复合缆外部安全预警定位系统进行事件预警与分类的方法，无需在现有的光纤网络上做任何施工，只需在通讯光纤的节点两端安装双向共光路分布式光纤干涉仪，即可达到系统的设计功能，因此，本发明的系统不仅适用于陆地环境，也适用于水下环境，使之使用简单、适用环境广阔。
【附图说明】
图1是神经网络的实时训练流程图；
图2是神经网络的实时识别流程图；
图3是无事件信号时域、频域波形图；
图4是直接威胁事件时/频域波形图；
图5是潜在威胁事件时/频域波形图；
图6是无事件信号小波域分解图；
图7是直接威胁事件信号小波域分解图；
图8是潜在威胁事件信号小波域分解图。
【具体实施方式】
下面通过实施例结合附图对本发明作进一步的描述。
实施例：
本实施例提供的光电复合缆外部安全预警定位系统进行事件预警与分类的方法，包括采用光电复合缆的外部安全预警和定位系统通过高速数据采集卡不断采集得到系统所监测的范围发生的事件信号，对于采集得到的事件信号通过下文所描述的松耦合小波径向基神经网络算法进行入侵事件的预警与分类：
算法具体步骤如下：
(1)对采集得到的信号进行降采样获取新的信号向量以期降低信号处理的工作量，提高系统的实时性；
(2)使信号向量首先通过小波处理层进行多尺度的分解。这个过程可以看作是把信号向量进行正交分解，从而进一步提高输入样本训练的效率；
(3)在小波处理层的输出节点，我们计算各尺度信号的二阶矩；
(4)把各尺度分解后信号的二阶矩作为径向基神经网络的输入进行神经网络的训练与模式识别；
上述松耦合小波径向基神经网络的函数表达式为：
f(x)=Σi=0N-1ωiσ(AiT||cDi||2+bi)]]>
其中cDi为X经过N层小波分解后第i层的高频系数向量，ωi为隐层到输出层的连接权值，σ为局部激励函数，Ai＝[a1，ax，…，aN]为输入层到隐层的连接权值带量，bi为隐节点阈值，输出为线性激励函数，||cDi||2为cDi的二阶矩：
||cDi||2=Σi=0N-1(cDi2).]]>
通过松耦合小波径向基网络，可以实时的对采集到的信号进行识别以判断是否有事件发生并对事件的类型给出判断，每次事件识别结束后将反馈回来的事件信息作为新的训练样本对网络进行实时的反馈加强训练可以进一步提高系统识别预警事件的能力。
结合基于多波带时频谱特征分析的信号预处理算法和以变换域空间信号距离为激励函数的松耦合小波径向基神经网络进行事件判断，能够实现神经网络的实时训练和自学习；可以实现对多种不同威胁通信链路和数据安全的侵入事件的精确判断，并可以对多目标和多事件进行判断。
在实施时，系统采集到的数据分为无事件，潜在威胁事件和直接威胁事件三个集合。现在从这三个集合中各抽取一个典型样本进行分析。以下三张图就是这三个样本降采样后得到的信号向量时域图和滤除了直流成分的频图：其中图3无事件信号时域、频域波形图；图4是直接威胁事件信号的时域和频域波形图，该事件是通过敲击缆采集得到的；图5是潜在威胁事件信号的时域和频域波形图，该事件是通过人触摸缆采集得到的。
对上述的三个典型信号进行五层的db6小波处理分解，把这些样本的特征分解到不同尺度的小波域上进行分析。
由图6可见，无事件信号的各层小波系数的峰峰值均为0.01左右，而第四层尺度系数的幅度为0.08到0.12，也即各尺度上分配的信号比较均匀，而且各细节部分能量均很小。
图7是直接威胁事件信号小波域分解图；图8是潜在威胁事件信号小波域分解图；由图7和图8可以看出，直接威胁事件信号的主要能量分布在第2，3，4层小波系数上，第1层和第5层小波系数能量相对较小。而潜在威胁信号的能量主要集中在第4和5层小波系数上，第1，2，3层能量很小。
信号向量通过小波处理层进行多尺度的分解后，可以分别计算出各尺度信号二阶矩的欧几里德距离并作为输入向量训练小波径向基网络。小波处理和计算二阶矩的过程从神经网络训练的角度来看可以看作是对训练样本进行正交分解，从而进一步提高输入样本训练的效率。
我们取270组信号向量进行实验分析，其中130组信号向量作为神经网络训练样本，对神经网络的模型和参数进行训练。另外140组作为新样本输入到训练好的神经网络中测试神经网络的性能。
测试得知松耦合小波径向基神经网络算法性能如下：
收敛时间0.703秒，训练样本误判率为0，新样本误判率为1％。