基于小波神经网络光栅阵列光纤周界入侵识别方法及装置.pdf

《基于小波神经网络光栅阵列光纤周界入侵识别方法及装置.pdf》由会员分享，可在线阅读，更多相关《基于小波神经网络光栅阵列光纤周界入侵识别方法及装置.pdf（14页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010488739.7 (22)申请日 2020.06.02 (71)申请人 武汉烽理光电技术有限公司 地址 430079 湖北省武汉市东湖开发区武 汉理工大学科技园 申请人 武汉理工大学 (72)发明人 胡文宇徐一旻王月明宋珂 唐婉 (74)专利代理机构 湖北武汉永嘉专利代理有限 公司 42102 代理人 许美红张宇 (51)Int.Cl. G06K 9/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 。

2、基于小波神经网络光栅阵列光纤周界入侵 识别方法及装置 (57)摘要 本发明公开了一种基于小波神经网络光栅 阵列光纤周界入侵识别方法及装置， 属于光纤传 感和智能识别领域， 该方法包括： 采集不同场景 下的光栅阵列光纤中每个光栅的信号； 根据光栅 阵列光纤中光栅个数以及采样周期， 对各光栅的 信号进行数字化处理得到多个数据帧以构成数 据集， 每个场景对应一个数据集， 数据集中的每 个数据帧对应不同采样时间段内的m个光栅信 号； 构造小波神经网络， 并基于数据集对小波神 经网络进行学习和训练； 对训练后的小波神经网 络的输出进行归一化， 其中， 归一化的数值对应 不同的应用场景。 本发明结合光栅阵。

3、列光纤的技 术属性， 实现了基于小波神经网络的光栅阵列光 纤的周界入侵识别方法。 权利要求书2页 说明书8页 附图3页 CN 111797690 A 2020.10.20 CN 111797690 A 1.一种基于小波神经网络光栅阵列光纤周界入侵识别方法， 其特征在于， 包括： (1)采集不同场景下的光栅阵列光纤中的阵列信号； (2)对于各场景下的光栅阵列光纤中的阵列信号， 根据光栅阵列光纤中光栅个数以及 采样周期， 对所述阵列信号进行数字化处理得到多个数据帧以构成数据集， 其中， 每个场景 对应一个数据集， 数据集中的每个数据帧对应一个光栅信号； (3)构造小波神经网络， 并基于数据集对小波。

4、神经网络进行学习和训练； (4)对训练后的小波神经网络的输出进行归一化， 其中， 归一化的数值对应不同的应用 场景。 2.根据权利要求1所述的方法， 其特征在于， 步骤(2)包括： 根据光栅阵列光纤中光栅个数以及采样周期， 对采集的光栅阵列光纤中的阵列信号进 行分割， 使每个光栅与其采集到的信号一一对应， 得到每个光栅信号的数据帧以构成数据 集， 其中， 采集的每个场景下的光栅阵列光纤中的阵列信号是多个光栅在预设时间采样的 光栅信号集合。 3.根据权利要求1或2所述的方法 ， 其特征在于 ， 所述小波神经网络模型为 ： 其中， xk为输入层的第k个输入样本， yi为输出层的第i个输出值， wi。

5、j为连接输出层节点i和隐含层节点j的权值； wjk为连接隐含层节点j和输出层节点k的权 值， 表示小波神经网络的函数， a,b表示小波函数调整参数， 伸缩因子a， 平移因子b。 4.根据权利要求3所述的方法， 其特征在于， 在网络的训练过程中， 对于第P个模式中第 i个期望的输出， 基于最小二乘法的代价函数， 由确定误差函数， 其 中， E表示误差函数值， N表示输入向量数，表示第p个模式第i个期望输出，表示第p个 模式实际输出， P表示模式总数。 5.根据权利要求4所述的方法， 其特征在于， 在网络的训练过程中， 引入动量因子 ， 由 确定权向量的迭代公式， 从而在训练过程中对权向量 进行修。

6、改， wij(t)表示第t次迭代的权值， wij(t+1)表示第t+1次迭代的权值， wij(t)表示第 t次调整的权值改变量， 表示网络学习速率。 6.一种基于小波神经网络光栅阵列光纤周界入侵识别装置， 其特征在于， 包括： 数据采集模块， 用于采集不同场景下的光栅阵列光纤中的阵列信号； 数据处理模块， 用于对于各场景下的光栅阵列光纤中的阵列信号， 根据光栅阵列光纤 中光栅个数以及采样周期， 对所述阵列信号进行数字化处理得到多个数据帧以构成数据 集， 其中， 每个场景对应一个数据集， 数据集中的每个数据帧对应一个光栅信号； 训练模块， 用于构造小波神经网络， 并基于数据集对小波神经网络进行学。

7、习和训练； 识别模块， 用于对训练后的小波神经网络的输出进行归一化， 其中， 归一化的数值对应 不同的应用场景。 7.根据权利要求6所述的装置， 其特征在于， 所述数据处理模块， 具体用于根据光栅阵 权利要求书 1/2 页 2 CN 111797690 A 2 列光纤中光栅个数以及采样周期， 对采集的光栅阵列光纤中的阵列信号进行分割， 使每个 光栅与其采集到的信号一一对应， 得到每个光栅信号的数据帧以构成数据集， 其中， 采集的 每个场景下的光栅阵列光纤中的阵列信号是多个光栅在预设时间采样的光栅信号集合。 8.根据权利要求6或7所述的装置， 其特征在于， 在网络的训练过程中， 对于第P个模式 。

8、中第i个期望的输出， 基于最小二乘法的代价函数， 由确定误差函 数， 其中， E表示误差函数值， N表示输入向量数，表示第p个模式第i个期望输出，表示 第p个模式实际输出， P表示模式总数。 9.根据权利要求8所述的装置， 其特征在于， 在网络的训练过程中， 引入动量因子 ， 由 确定权向量的迭代公式， 从而在训练过程中对权向量 进行修改， wij(t)表示第t次迭代的权值， wij(t+1)表示第t+1次迭代的权值， wij(t)表示第 t次调整的权值改变量， 表示网络学习速率。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序 被处理器执行时实现权利要求。

9、1至5任意一项所述方法的步骤。 权利要求书 2/2 页 3 CN 111797690 A 3 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置 技术领域 0001 本发明属于光纤传感和智能识别领域， 更具体地， 涉及一种基于小波神经网络光 栅阵列光纤周界入侵识别方法及装置。 背景技术 0002 光栅阵列光纤以光纤中刻写的光栅阵列作为感知单元， 同时以光纤本身作为信息 传递的载体， 具有传感和传递的双重功能。 以光栅阵列光纤为核心的周界系统具有检测距 离远， 灵敏度高， 环境适应性高， 抗干扰能力强等优势， 在安防方面有着广泛的应用。 光栅阵 列光纤周界入侵识别的方法： 当周界具有入侵行为时，。

10、 例如挖掘， 攀爬， 敲击等， 预先铺设的 光栅阵列光纤中的光栅因为振动发生轴向变化， 从而产生弹光效应， 由此实现对于周界振 动信号的检测。 最后通过对光栅阵列信号的采集， 分析， 判断是否发生入侵， 以及发生入侵 的地点和入侵类型。 0003 传统的光纤周界入侵识别方法， 比较单一， 通常一出现入侵信号， 即单一判断出现 入侵， 对于入侵的因素考虑缺乏， 导致出现误报严重， 无法评估入侵的有效性， 以及入侵的 表现形式。 发明内容 0004 针对现有技术的以上缺陷或改进需求， 本发明提出了一种基于小波神经网络光栅 阵列光纤周界入侵识别方法及装置， 由此解决传统光纤周界入侵识别方法比较单一，。

11、 缺乏 对入侵因素的考虑， 而存在的误报严重， 无法评估入侵有效性以及入侵表现形式的技术问 题。 0005 为实现上述目的， 按照本发明的一个方面， 提供了一种基于小波神经网络光栅阵 列光纤周界入侵识别方法， 包括： 0006 (1)采集不同场景下的光栅阵列光纤中的阵列信号； 0007 (2)对于各场景下的光栅阵列光纤中的阵列信号， 根据光栅阵列光纤中光栅个数 以及采样周期， 对所述阵列信号进行数字化处理得到多个数据帧以构成数据集， 其中， 每个 场景对应一个数据集， 数据集中的每个数据帧对应一个光栅信号； 0008 (3)构造小波神经网络， 并基于数据集对小波神经网络进行学习和训练； 000。

12、9 (4)对训练后的小波神经网络的输出进行归一化， 其中， 归一化的数值对应不同的 应用场景。 0010 优选地， 步骤(2)包括： 0011 根据光栅阵列光纤中光栅个数以及采样周期， 对采集的光栅阵列光纤中的阵列信 号进行分割， 使每个光栅与其采集到的信号一一对应， 得到每个光栅信号的数据帧以构成 数据集， 其中， 采集的每个场景下的光栅阵列光纤中的阵列信号是多个光栅在预设时间采 样的光栅信号集合。 0012 优选地， 所述小波神经网络包括： 输入层、 隐含层和输出层， 其中， 所述输入层为所 说明书 1/8 页 4 CN 111797690 A 4 述数据集， 所述隐含层为小波函数， 所述。

13、输出层为线性输出。 0013优选地， 所述小波神经网络模型为：其中， xk为输入层的 第k个输入样本， yi为输出层的第i个输出值， wij为连接输出层节点i和隐含层节点j的权值； wjk为连接隐含层节点j和输出层节点k的权值， 表示小波神经网络的函数， a,b表示小波函 数调整参数， 伸缩因子a平移因子b。 0014 优选地， 在网络的训练过程中， 对于第P个模式中第i个期望的输出， 基于最小二乘 法的代价函数， 由确定误差函数， 其中， E表示误差函数值， N表示输 入向量数，表示第p个模式第i个期望输出，表示第p个模式实际输出， P表示模式总 数。 0015 优选地， 在网络的训练过程中。

14、， 引入动量因子 ， 由 确定权向量的迭代公式， 从而在训练过程中对权向量 进行修改， wij(t)表示第t次迭代的权值， wij(t+1)表示第t+1次迭代的权值， wij(t)表示第 t次迭代的权值改变量， 表示网络学习速率。 0016 按照本发明的另一方面， 提供了一种基于小波神经网络光栅阵列光纤周界入侵识 别装置， 包括： 0017 数据采集模块， 用于采集不同场景下的光栅阵列光纤中的阵列信号； 0018 数据处理模块， 用于对于各场景下的光栅阵列光纤中的阵列信号， 根据光栅阵列 光纤中光栅个数以及采样周期， 对所述阵列信号进行数字化处理得到多个数据帧以构成数 据集， 其中， 每个场景。

15、对应一个数据集， 数据集中的每个数据帧对应一个光栅信号； 0019 训练模块， 用于构造小波神经网络， 并基于数据集对小波神经网络进行学习和训 练； 0020 识别模块， 用于对训练后的小波神经网络的输出进行归一化， 其中， 归一化的数值 对应不同的应用场景。 0021 优选地， 所述数据处理模块， 具体用于根据光栅阵列光纤中光栅个数以及采样周 期， 对采集的光栅阵列光纤中的阵列信号进行分割， 使每个光栅与其采集到的信号一一对 应， 得到每个光栅信号的数据帧以构成数据集， 其中， 采集的每个场景下的光栅阵列光纤中 的阵列信号是多个光栅在预设时间采样的光栅信号集合。 0022 优选地， 在网络的。

16、训练过程中， 对于第P个模式中第i个期望的输出， 基于最小二乘 法的代价函数， 由确定误差函数， 其中， E表示误差函数值， N表示输 入向量数，表示第p个模式第i个期望输出，表示第p个模式实际输出， P表示模式总 数。 0023 优选地， 在网络的训练过程中， 引入动量因子 ， 由 说明书 2/8 页 5 CN 111797690 A 5 确定权向量的迭代公式， 从而在训练过程中对权向量 进行修改， wij(t)表示第t次迭代的权值， wij(t+1)表示第t+1次迭代的权值， wij(t)表示第 t次迭代的权值改变量， 表示网络学习速率。 0024 按照本发明的另一方面， 提供了一种计算机。

17、可读存储介质， 其上存储有计算机程 序， 所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。 0025 总体而言， 通过本发明所构思的以上技术方案与现有技术相比， 能够取得下列有 益效果： 0026 基于小波神经网络在光栅阵列光纤周界入侵识别的应用方法， 光栅阵列光纤具有 良好的阵列特性， 其系统采集的数据呈现出良好的特征属性， 其中结合小波分析对数据的 预处理， 在去噪的同时， 减少前期的噪声干扰问题。 同时利用神经网络对采样数据的训练学 习， 可根据训练学习的结果对于入侵的方式进行统一的识别， 不用采用多级的入侵模式识 别， 将光栅阵列光纤周界信号源作为整体的识别方式， 即客观分析。

18、到产生数据类型的准确 来源。 因此， 实际上更加细化入侵识别的类型， 对于入侵的识别更加的准确， 有效。 本发明结 合光栅阵列光纤的技术属性， 实现了基于小波神经网络的光栅阵列光纤的周界入侵识别方 法， 通过对光栅阵列周界数据的训练、 学习， 可形成入侵识别的类型库， 在工程实施中， 可根 据实施场景， 灵活配置， 具有极大的运用价值。 附图说明 0027 图1是本发明实施例提供的一种阵列光栅周界系统物理结构示意图； 0028 图2是本发明实施例提供的一种方法流程示意图； 0029 图3是本发明实施例提供的一种小波神经网络的 “紧致型” 结构图； 0030 图4是本发明实施例提供的一种小波神经。

19、网络训练流程图； 0031 图5是本发明实施例提供的一种归一化预测分类的统计图； 0032 图6是本发明实施例提供的一种装置结构示意图。 具体实施方式 0033 为了使本发明的目的、 技术方案及优点更加清楚明白， 以下结合附图及实施例， 对 本发明进行进一步详细说明。 应当理解， 此处所描述的具体实施例仅仅用以解释本发明， 并 不用于限定本发明。 此外， 下面所描述的本发明各个实施方式中所涉及到的技术特征只要 彼此之间未构成冲突就可以相互组合。 0034 现有技术在信息的获取上以及分析上都采用计算机完成， 随着光纤传感行业的升 级， 尤其以光栅阵列光纤工艺的成熟， 在具有良好的阵列特性的同时，。

20、 还具有传输特性。 随 着信号数据处理能力的升级， 对于光栅阵列光纤传感的应用领域的智能性和准确性有了相 匹配的需求。 本发明提出结合小波神经网络的光栅阵列光纤周界入侵识别方法， 可有效的 识别周界入侵的类型， 其准确率达到90以上； 同时根据实施场景的需要， 可建立光栅阵列 周界数据集的训练， 学习库。 灵活根据工程实施场景进行移植， 使得在周界安防入侵识别上 更加的有效， 准确， 智能。 0035 本发明提供一种光栅阵列光纤周界的入侵识别自学习、 自适应、 健壮性的方法。 该 说明书 3/8 页 6 CN 111797690 A 6 方法采用对光栅阵列光纤检测系统的信号采集， 对采集的信号。

21、数据集预处理输入小波神经 网络进行学习， 根据数据集训练的特征参量， 从而达到入侵的识别分类， 本发明实现效果考 虑了周界入侵的入侵因素， 提高了识别的有效性、 准确性， 将进一步促进周界安防系统向更 加智能化迈进。 0036 实施例一 0037 如图1所示是本发明实施例提供的一种阵列光栅周界系统的物理结构示意图， 本 发明实施例中的阵列光栅周界系统包括： 光栅阵列光纤、 激光器、 光环形器、 干涉仪、 光电探 测器、 采集卡、 上位机和驱动电路； 0038 其中， 激光器提供稳定的光脉冲， 采集卡是可以调节脉冲宽度和强度的提供信号 数据同步的关键器件， 光栅阵列光纤具有传感和传递的双重功能。。

22、 光栅阵列周界系统提供 了原始信号的产生， 调制和解调的基本过程， 提供本发明实施例的数据基础。 0039 如图2所示是本发明实施例提供的一种方法流程示意图， 硬件上信号的产生， 到软 件上信号的处理， 最后的发掘运用于入侵识别， 具体包括以下步骤： 0040 S1： 采集不同场景下的光栅阵列光纤中的阵列信号； 0041 其中， 光纤中光栅阵列作为感知单元， 分布均匀。 光纤通过挂网或者埋地的方式， 根据不同的应用场景而设定。 除此之外， 光栅阵列光纤在周界上的应用结合了光栅阵列周 界系统， 如图1中所示。 通过对光脉冲的调节， 确保最佳的光脉冲宽度和能量注入到阵列光 栅中， 实现最优的回光强。

23、度和饱和度。 当光栅阵列光纤周界存在入侵时， 在阵列光栅的敏感 范围内， 会出现例如光强、 频率的变化， 从而作为阵列光栅周界系统的数据。 0042 作为一种优选的实施方式， 可以采用一段挂网， 一段埋地的方式铺设125m光栅阵 列光纤， 该光栅涉及的规格为每5m为一个间隔， 即整条光栅阵列光纤有25个光栅点。 0043 进一步地， 数据在上位机中的储存方式可以为二进制， 便于数据的处理和分析。 0044 在本发明实施例中， 不同场景可以是： 无入侵、 挖掘、 攀爬及敲打等。 0045 S2： 对于各场景下的光栅阵列光纤中的阵列信号， 根据光栅阵列光纤中光栅个数 以及采样周期， 对阵列信号进行。

24、数字化处理得到多个数据帧以构成数据集， 其中， 每个场景 对应一个数据集， 数据集中的每个数据帧对应一个光栅信号； 0046 进一步地， 步骤S2可以通过以下方式实现： 0047 根据光栅阵列光纤中光栅个数以及采样周期， 对采集的光栅阵列光纤中的阵列信 号进行分割， 使每个光栅与其采集到的信号一一对应， 得到每个光栅信号的数据帧以构成 数据集， 其中， 采集的每个场景下的光栅阵列光纤中的阵列信号是多个光栅在预设时间采 样的光栅信号集合。 0048 其中， 预设时间的大小可以根据实际需要确定， 本发明实施例不做唯一性限定。 0049 其中， 设总的采样时间为t， 采样频率为f， m为光栅个数， 。

25、因此每个光栅信号的数据 帧大小为 0050 S3： 构造小波神经网络， 并基于数据集对小波神经网络进行学习和训练； 0051 其中， 对数据集进行分析采用的小波神经网络的基本结构为 “紧致型” 结构， 即先 用小波分析对数据集进行预处理， 然后送入神经网络处理， 其中， 预处理是将神经网络隐含 层中神经元的传递用小波函数来代替。 说明书 4/8 页 7 CN 111797690 A 7 0052 如图3所示是本发明实施例提供的一种小波神经网络的 “紧致型” 结构图， 结合小 波变换理论与神经网络而构成的一种新的神经网络。 具有小波变换良好的时频局部化及神 经网络自学习功能的特点。 该小波神经网。

26、络结构由三大部分构成： 输入层、 隐含层和输出 层， 其中， 输入层为光栅周界系统解调并加以处理的数据， 即步骤S2中得到的数据集， 每个 数据集对应一个场景(也即一个模式， 该模式可以是无入侵、 挖掘、 攀爬或敲打等)， 隐含层 作为小波神经网络的关键， 起着从样本中提取并存储其内在规律的作用， 隐含层节点有若 干权值， 每个权值都是增强网络的映射能力的参数， 输出层经过网络的提炼， 通过训练样本 的输入， 输出的数据对应不同的模式。 0053 作为一种优选的实施方式， 小波基函数可以为Morlet母小波函数， 其公式为： 设置网络连接权重wij和wjk， 设置网络学习速率 。 0054 作。

27、为一种优选的实施方式， 设置的输入节点的个数为2， 输出节点的个数为2， 隐含 节点的个数为10， 学习速率初步设为0.001至0.01之间， 迭代次数200。 0055 其中， 本发明实例中对于小波函数的选择， 小波神经网络的构造保证了对于光栅 阵列光栅数据的训练有效性和客观性。 小波函数的选择考虑到小波波形、 支撑大小和消失 矩阵的数目， 对比信号的波形； 隐含节点的准确选取， 是提取并储存信号的内在规律， 避免 获取能力差， 以及 “过拟合” 的问题； 学习速率初始阶段步长设置较大为0.01， 后面进行调 整。 0056 在本发明实施例中，“紧致型” 小波神经网络具有更强的数据处理能力，。

28、 有输入层、 隐含层和输出层， 输出层采用线性输出， 其数学规律明显， 便于贴合阵列光栅光纤周界的入 侵识别分类。 0057 在本发明实施例中， 小波神经网络的结构设计， 小波函数的选择尽量选择与信号 波形相近的小波， 最优化的训练了不同类型的光栅阵列光纤周界入侵信号的数据特征。 0058 在本发明实施例中， 小波神经网络隐含节点的选择应该： 避免隐含节点太少， 网络 从样本的获取信息能力差， 不足以概括和体现训练集中的样本规律； 隐含层节点数目太多， 出现 “过拟合” ， 降低网络的泛化能力。 0059 在本发明实施例中， 小波神经网络的数据样本基于光栅阵列周界系统， 进一步地， 来源于周界。

29、检测的入侵形式， 例如： 无入侵、 攀爬、 挖掘、 敲击等影响周界原始状态的因素， 保持数据的原始性， 降低了个别特殊情况影响数据训练、 学习， 而导致小波神经网络的健壮 性。 0060 如图4所示是本发明实施例提供的一种小波神经网络训练流程图， 小波神经网络 的重要参数： 节点数(输入、 输出、 隐含)， 学习速率、 权值。 根据迭代训练的结果， 对比误差进 行相应的参数调整。 具体地， 可以通过以下方式训练小波神经网络： 0061 小波神经网络的训练， 将步骤S2的数据集划分为训练集和测试集， 将训练集作为 输入数据集， 即网络的输入， 可以用向量X表示， 即X(x1,x2,.,xn)， 。

30、输出数据Y(y1, y2,.,yn)。 0062其中， 小波神经网络模型为：其中， xk为输入层的第k个 输入样本， yi为输出层的第i个输出值， wij为连接输出层节点i和隐含层节点j的权值； wjk为 说明书 5/8 页 8 CN 111797690 A 8 连接隐含层节点j和输出层节点k的权值， 表示小波神经网络的函数， a,b表示小波函数调 整参数， 伸缩因子a、 平移因子b。 0063 对给定的样本集， 网络的权值相应被调整， 通常使误差函数达到最小。 误差函数 其中， di为网络的预测输出向量， w为网络的所有权值组成的权向 量， Yi表示实际输出向量。 0064 具体地， 权值的。

31、调整规则处理过程分为两个阶段： 一是从网络的输入层开始逐层 向前计算， 根据输入样本计算各层的输出， 最终求出网络输出层的输出， 这是前向传播过 程； 二是对权值的修正， 从网络的输出层开始逐层向后进行计算和修正， 这是反向传播过 程。 两个过程反复交替， 直到收敛为止。 通过不断的修正权值w， 使E(w)达到最小值。 0065 对于第p个模式中第i个期望的输出， 基于最小二乘法的代价函数， 以便观察网络 训练的拟合程度， 进行相应参数的调整：其中， E表示误差函数 值， N表示输入向量数，表示第p个模式第i个期望输出，表示第p个模式实际输出， P表 示模式总数。 0066进一步地， 计算出偏。

32、导数进而促进网络的收敛。 0067 特别地， 为了加快算法的收敛速度， 引入动量因子 ， 权向量的迭代公式可表示为： wij(t)表示第t次迭代的权值的改变量， wij(t)表示 第t次迭代的权值， wij(t+1)表示第t+1次迭代的权值。 0068 其中， 网络权值的调整， 初始阶段， 步长较大， 促进学习的速率， 当接近最佳点时， 选择学习速率小一点， 促进学习的效果准确性， 测试网络分类的精度。 0069 在本发明实施例中， 基于光栅阵列光纤系统采集的数据特性， 在小波神经网络的 训练网络中， 引入了动量因子， 在原有的小波神经网络的基础上， 加快了算法的收敛速度， 同时在一定基础上减。

33、少在相同情况下的迭代次数， 可提高阵列光栅周界入侵识别的实时 性。 0070 在本发明实施例中， 小波网络分类器实现： 初始化包括输入节点数， 输出节点数， 隐含节点数， 学习概率， 迭代次数； 网络训练， 计算误差， 权值调整， 网络预测。 0071 在本发明实施例中， 根据期望输出和预测输出的对比以及输出误差， 修正网络权 值和小波函数参数， 使预测值逼近预期的期望值。 用30组数据作为训练输入， 30组作为测试 输入， 迭代次数200次， 通过预测分类和实际分类结果对比， 其识别准确率为90； 用50组数 据作为训练输入， 10组作为测试输入， 迭代次数200次， 通过预测分类和实际分类。

34、的结果对 比， 其准确率为100。 0072 S4： 小波神经网络数据的归一化输入、 输出； 0073 其中， 在对于训练输入的训练数据和测试输入的测试数据结果比较， 其目的在于 验证步骤S3中对于小波神经网络的构造程度， 设计的规则是， 对于一连串所形成的数据类 说明书 6/8 页 9 CN 111797690 A 9 型的输入， 输出对应的单独结果。 即输入是数据， 输出结果对应的某种入侵模式(例如： 1代 表周界无入侵、 2代表攀爬入侵等)。 0074 具体地， 可以通过以下方式对小波神经网络的输入进行归一化、 预测归一化： 0075 (1)输入采用的数组格式xi,pi或即数据， 模式；。

35、 0076(2)通过对原始数据线性变换， 使其映射到区间0,1， 避免了个别 特殊数据影响， 同时简便运算， 其中xmin为数据最小值， xmax为数据最小值， x为映射值； 0077 (3)同理， 预测输出归一化， 同步骤(2)， 反向求解原始数据yi， 便于误差调整的数 据统一性。 0078 S5： 基于以上的系统数据的采集、 网络训练、 数据归一化输入、 输出构成了基于小 波神经网络的光栅阵列周界入侵识别方法。 0079 如图5所示是本发明实施例提供的一种归一化预测分类的统计图， 进行数据的预 测分类与实际分类的对比。 实施例中提供的60组数据中， 将30组作为训练输入， 剩下30组数 。

36、据， 通过对已预测的分类结果与实际的分类的结果进行统计， 结果显示其分类识别准确率 达到了90。 0080 其中， 纵坐标表示类别， 进行了归一化处理， 输出1,2,3,4四种基本类型， 其代表四 种基本状态分别为： 无入侵、 挖掘、 攀爬、 敲打。 0081 在小波神经网络对于周界入侵的应用实施中， 预测的输入进行归一化的处理， 保 证信号输入在格式， 长度的统一性和一致性； 同时对于预测输出进行归一化处理， 保证连续 的信号输入。 进一步地， 增加数据训练量以及迭代次数， 更能发挥网络的健壮性， 对识别的 类别更加的细致， 准确。 0082 实施例二 0083 如图6所示是本发明实施例提供。

37、的一种装置结构示意图， 包括： 0084 数据采集模块601， 用于采集不同场景下的光栅阵列光纤中的阵列信号； 0085 数据处理模块602， 用于对于各场景下的光栅阵列光纤中的阵列信号， 根据光栅阵 列光纤中光栅个数以及采样周期， 对阵列信号进行数字化处理得到多个数据帧以构成数据 集， 其中， 每个场景对应一个数据集， 数据集中的每个数据帧对应一个光栅信号； 0086 训练模块603， 用于构造小波神经网络， 并基于数据集对小波神经网络进行学习和 训练； 0087 识别模块604， 用于对训练后的小波神经网络的输出进行归一化， 其中， 归一化的 数值对应不同的应用场景。 0088 进一步地，。

38、 数据处理模块602， 具体用于根据光栅阵列光纤中光栅个数以及采样周 期， 对采集的光栅阵列光纤中的阵列信号进行分割， 使每个光栅与其采集到的信号一一对 应， 得到每个光栅信号的数据帧以构成数据集， 其中， 采集的每个场景下的光栅阵列光纤中 的阵列信号是多个光栅在预设时间采样的光栅信号集合。 0089 进一步地， 在网络的训练过程中， 对于第P个模式中第i个期望的输出， 基于最小二 乘法的代价函数：确定误差函数， 其中， E表示误差函数值， N表示输 说明书 7/8 页 10 CN 111797690 A 10 入向量数，表示第p个模式第i个期望输出，表示第p个模式实际输出。 0090 进一步。

39、地， 在网络的训练过程中， 引入动量因子 ， 由 确定权向量的迭代公式， 从而在训练过程中对权向量 进行修改， wij(t)表示第t次迭代的权值， wij(t+1)表示第t+1次迭代的权值， wij(t)表示第 t次迭代权值的改变量， 表示网络学习速率。 0091 其中， 各模块的具体实施方式可以参考上述方法实施例的描述， 本发明实施例将 不再复述。 0092 本发明结合光栅阵列光纤的技术属性， 实现了基于小波神经网络的光栅阵列光纤 的周界入侵识别方法， 通过对光栅阵列周界数据的训练、 学习， 可形成入侵识别的类型库， 在工程实施中， 可根据实施场景， 灵活配置， 具有极大的运用价值。 009。

40、3 实施例三 0094 本申请还提供一种计算机可读存储介质， 如闪存、 硬盘、 多媒体卡、 卡型存储器(例 如， SD或DX存储器等)、 随机访问存储器(RAM)、 静态随机访问存储器(SRAM)、 只读存储器 (ROM)、 电可擦除可编程只读存储器(EEPROM)、 可编程只读存储器(PROM)、 磁性存储器、 磁 盘、 光盘、 服务器、 App应用商城等等， 其上存储有计算机程序， 程序被处理器执行时实现方 法实施例中的基于小波神经网络光栅阵列光纤周界入侵识别方法。 0095 需要指出， 根据实施的需要， 可将本申请中描述的各个步骤/部件拆分为更多步 骤/部件， 也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件， 以实现本发明的目的。 0096 本领域的技术人员容易理解， 以上所述仅为本发明的较佳实施例而已， 并不用以 限制本发明， 凡在本发明的精神和原则之内所作的任何修改、 等同替换和改进等， 均应包含 在本发明的保护范围之内。 说明书 8/8 页 11 CN 111797690 A 11 图1 图2 说明书附图 1/3 页 12 CN 111797690 A 12 图3 图4 说明书附图 2/3 页 13 CN 111797690 A 13 图5 图6 说明书附图 3/3 页 14 CN 111797690 A 14 。