一种改进型卷积神经网络光纤事件识别分类方法及分类器

技术领域

本发明属于数字信号处理技术领域，特别是指一种基于DMZI光纤周界安防系统的对系统中各类扰动事件进行识别的分类方法及分类器。

背景技术

随着社会的迅速发展，先进科学技术的推广和普及也使得犯罪分子的作案手段更加科技化。国家、企业以及个人对于生活、工作等各个方面的安全保障性提出了更高的要求。目前，周界安防系统在军事、航空航天、边境安全等多个领域发挥着不可替代的重要作用，而科技的迅速发展也对周界安防系统的性能不断提出更高的要求。

周界安防技术容易受周围环境的影响，所以对于实际应用来说，研发可靠并且稳定的周界安防系统是非常重要的。传统的周界安防技术主要有两种模式，第一种是基于视频实时传输进行识别，依赖于视频图像的分析与提取，这种方法比较麻烦，而且如果需要人工监控则准确性得不到保证，使用计算机处理，则实时视频图像提取、分析、识别，需要耗费漫长的时间从而造成预警延迟。另一种是基于传感器来实现的周界安防系统，比如红外线安防系统以及电子围栏安防系统，传感器能够较快地将信号采集并传输到相应的计算机，及时性得到大大提升，但这种方式极易受周围环境的影响，误报率比较大，同时它的检测范围比较小而维护成本相对来说比较高，已经无法满足社会发展的需要，急需做出有效的改进。

随着光纤发展逐渐成熟，光纤通信技术发展不断深入，光纤传感器的抗干扰能力、传输距离、敏感度以及成本等多个方面都优于传统传感器，这些特点给周界安防带来了新的发展方向，产生了基于光纤传感器的周界安防系统——光纤周界安防系统。如今，光纤周界安防系统正逐渐取代传统系统，在多个领域进行广泛应用，已经可以实现入侵识别、定位、报警等多个功能，随着光纤技术的不断发展，以后还有很大的提升空间和应用前景。

DMZI(Dual Mach-Zehnder Interferometer)分布式光纤传感系统因具有检测范围广、响应速度快、损耗小以及能够进行准确定位等特点而在周界安防领域得到广泛应用与发展。目前，该系统在报警与定位方面的研究已经比较完善，然而在后续的模式识别方面，还有较大的提升空间，仍待进一步研究与发展。

在光纤周界安防系统中，对入侵信号进行实时、准确的识别以便采取后续措施是很重要的。而对信号进行识别一般分为特征提取和模式识别两个部分。特征提取方法主要有两类：固定结构特征提取器(如小波分解法)法以及数据驱动特征提取器(如基于EMD的方法)法。模式识别方法也主要包含两种类型：基于决策函数的方法(如支持向量机)和基于神经网络的方法。一般而言，前者的效率比较高，只需要确定决策函数的几个参数，但这种方法很难适用于样本量大样本种数多的情况。相比之下，基于神经网络的方法通常具有较高的精度。但是，现有的光纤传感周界安防系统对于入侵事件识别种类较少，存在识别准确率不够高的问题。

发明内容

本发明的目的是提供一种适用于DMZI分布式光纤传感系统的事件识别分类方法及分类器，其采用改进型CNN和随机森林相结合的方法，实现了对DMZI系统入侵事件多种类高准确度的识别。

为了实现上述目的，本发明采用的技术方案为：

一种改进型卷积神经网络光纤事件识别分类方法，其特征在于，基于LeNet标准模型改进的改进型卷积神经网络实现，包括以下步骤：

将采集到的信号经过STFT短时傅里叶变换，得到大小为220×220的三通道时频图像，输入到输入层；

将输入层的输出结果传给第一卷积层，第一卷积层使用64个大小为3×3×3的卷积核，步长为1，得到220×220×64的卷积结果，接着使用ReLu函数对结果进行激活，得到激活结果；

将第一卷积层的输出结果传给第一池化层，第一池化层使用窗口为3×3，步长为2个像素重叠的窗口对上层结果进行最大池化，从而得到110×110×64的池化结果，之后对池化结果进行局部响应归一化，得到110×110×64的归一化结果；

将第一池化层的输出结果传给第二卷积层，第二卷积层使用32个大小为3×3×64的卷积核，步长为1，得到110×110×32的卷积结果，接着使用ReLu函数对结果进行激活，得到激活结果；

将第二卷积层的输出结果传给第二池化层，第二池化层使用窗口为3×3，步长为2个像素重叠的窗口对上层结果进行最大池化，得到55×55×32的池化结果，池化后进行局部响应归一化，得到55×55×32的归一化结果；

将第二池化层的输出结果传给第三卷积层，第三卷积层使用16个大小为3×3×32的卷积核，步长为1，得到27×27×16的卷积结果，接着使用ReLu函数对结果进行激活，得到激活结果；

将第三卷积层的输出结果传给第三池化层，第三池化层使用窗口为3×3，步长为2个像素重叠的窗口对上层结果进行最大池化，得到13×13×16的池化结果，池化后进行局部响应归一化，得到13×13×16的归一化结果；

将第三池化层的输出结果传给第一全连接层，第一全连接层使用128个神经元，对上一层的池化结果采用全连接操作，然后对处理结果使用ReLU激活函数进行处理得到激活结果；

将第一全连接层的输出结果传给第二全连接层，第二全连接层使用128个神经元，对上一层结果进行全连接处理，然后对全连接处理结果使用ReLU激活函数，得到激活结果；接着，对激活结果使用概率为0.5的dropout操作，得到dropout结果；

将第二全连接层的输出结果传给输出层，输出层采用随机森林对事件进行分类。

进一步地，所述随机森林由500个决策树构成，随机森林的训练方式为：

在原始样本中使用Bootstrap，即从原来的N个样本中有放回地抽取N个样本，得到多个样本集；

根据得到的多个样本集，分别生成决策树，其中，每次从候选特征中随机抽取m个特征，作为当下决策备选特征，生成决策树；

得到规定数量的决策树后，构成随机森林，对所有决策树的输出结果进行统计，得票最多的种类即为识别结果。

一种改进型卷积神经网络光纤事件识别分类器，包括基于LeNet标准模型改进的改进型卷积神经网络，所述改进型卷积神经网络由十层构成，其中：

第1层是输入层：输入为采集到的信号经过STFT短时傅里叶变换后的大小为220×220的三通道时频图像；

第2层是卷积层：使用64个大小为3×3×3的卷积核，步长为1，得到220×220×64的卷积结果，接着使用ReLu函数对结果进行激活，得到激活结果；

第3层是池化层：使用窗口为3×3，步长为2个像素重叠的窗口对上层结果进行最大池化，从而得到110×110×64的池化结果，之后对池化结果进行局部响应归一化，得到110×110×64的归一化结果；

第4层是卷积层：使用32个大小为3×3×64的卷积核，步长为1，得到110×110×32的卷积结果，接着使用ReLu函数对结果进行激活，得到激活结果；

第5层是池化层：使用窗口为3×3，步长为2个像素重叠的窗口对上层结果进行最大池化，得到55×55×32的池化结果，池化后进行局部响应归一化，得到55×55×32的归一化结果；

第6层是卷积层：使用16个大小为3×3×32的卷积核，步长为1，得到27×27×16的卷积结果，接着使用ReLu函数对结果进行激活，得到激活结果；

第7层是池化层：使用窗口为3×3，步长为2个像素重叠的窗口对上层结果进行最大池化，得到13×13×16的池化结果，池化后进行局部响应归一化，得到13×13×16的归一化结果；

第8层是全连接层：使用128个神经元，对第7层的池化结果采用全连接操作，然后对处理结果使用ReLU激活函数进行处理得到激活结果；

第9层是全连接层：使用128个神经元，对第8层结果进行全连接处理，然后对全连接处理结果使用ReLU激活函数，得到激活结果；接着，对激活结果使用概率为0.5的dropout操作，得到dropout结果；

第10层是输出层，采用随机森林对事件进行分类。

进一步地，所述随机森林由500个决策树构成，随机森林的训练方式为：

在原始样本中使用Bootstrap，即从原来的N个样本中有放回地抽取N个样本，得到多个样本集；

根据得到的多个样本集，分别生成决策树，其中，每次从候选特征中随机抽取m个特征，作为当下决策备选特征，生成决策树；

得到规定数量的决策树后，构成随机森林，对所有决策树的输出结果进行统计，得票最多的种类即为识别结果。

本发明的有益效果在于：

1、本发明使用ReLU激活函数，不仅在训练时间上加快，而且实现了非线性表达能力，有助于深层次网络的训练。

2、本发明使用局部响应归一化，可以改善卷积神经网络的性能。

3、本发明采用重叠池化、dropout等操作，有助于缓解过拟合。

4、本发明的输出层采用随机森林进行分类，大大提高了识别率。

5、本发明的决策树使用了Bootstrap的方法对原始数据进行有放回抽样，以模拟数据的随机性，使模型训练结果更加普适。

总之，卷积神经网络虽然训练时间较长，但是训练完成之后参数保存下来，对于新信号的识别时间很短，而且识别率比较高。

附图说明

图1所示为改进型卷积神经网络模型。

图2所示为随机森林模型。

图3所示为DMZI光纤传感系统。

图4所示为样本采集室外环境图。

图5所示为六种事件STFT变换后的时频图像。

图6所示为改进型CNN模型损失函数变换曲线。

图7所示为改进型CNN模型训练过程识别率变化曲线。

具体实施方案

下面结合附图和实施例对本发明作进一步说明。

一种改进型卷积神经网络光纤事件识别分类方法，其采用分类器进行事件识别分类。分类器的结构如图1所示，该结构基于LeNet标准模型进行改进优化，共有10层结构，其中包含1层输入层，3层卷积层，3层池化层，2层全连接层以及1层输出层。其中：

第1层是输入层：输入是采集到的信号经过STFT变换后的大小为220×220的三通道时频图像。

第2层是卷积层：使用64个大小为3×3×3的卷积核，步长为1，得到220×220×64的卷积结果，接着使用ReLu函数对结果进行激活，得到激活结果。

第3层是池化层：使用窗口为3×3，步长为2个像素重叠的窗口对上层结果进行最大池化，从而得到110×110×64的池化结果，之后对池化结果进行局部响应归一化，得到110×110×64的归一化结果。

第4层是卷积层：使用32个大小为3×3×64的卷积核，步长为1，得到110×110×32的卷积结果，接着使用ReLu函数对结果进行激活，得到激活结果。

第5层是池化层：使用窗口为3×3，步长为2个像素重叠的窗口对上层结果进行最大池化，得到55×55×32的池化结果，池化后进行局部响应归一化，得到55×55×32的归一化结果。

第6层是卷积层：使用16个大小为3×3×32的卷积核，步长为1，得到27×27×16的卷积结果，接着使用ReLu函数对结果进行激活，得到激活结果。

第7层是池化层：使用窗口为3×3，步长为2个像素重叠的窗口对上层结果进行最大池化，得到13×13×16的池化结果，池化后进行局部响应归一化，得到13×13×16的归一化结果。

第8层是全连接层：使用128个神经元，对第7层的池化结果采用全连接操作，然后对处理结果使用ReLU激活函数进行处理得到激活结果。

第9层是全连接层：使用128个神经元，对第8层结果进行全连接处理，然后对全连接处理结果使用ReLU激活函数，得到激活结果。接着，对激活结果使用概率为0.5的dropout操作，得到dropout结构。

第10层为输出层，采用随机森林对事件进行分类。

随机森林模型如图2所示。光纤周界安防信号属于数据信息，而基于数据的模式识别方法都需要应对数据随机性这个问题，每个分类方法的实现都是基于特定数据集的，而生成的分类模型只是所有可能数据中的一次抽样，存在偶然性，这样构成的决策树容易导致过学习。为此，本方法使用了Bootstrap策略，其基本思想是通过对现有样本进行重采样产生多个样本集，用来模拟数据中的随机性。

随机森林的训练过程包含大致以下几个步骤：

在原始样本中使用Bootstrap，即从原来的N个样本中有放回地抽取N个样本；根据得到的M个样本集，分别生成决策树，其中，每次从候选特征中随机抽取m个特征，作为当下决策备选特征，生成决策树；得到规定数量的决策树后，构成随机森林，对所有决策树地输出结果进行统计，得票最多的种类即为识别结果。

上述改进型卷积神经网络光纤事件识别分类器包含特征提取和模式识别两个部分，特征提取部分为改进型CNN(Convolutional Neural Network)结构，模式识别部分为随机森林分类器。

在特征提取阶段，改进型CNN能够对样本进行自动训练，实现充分的特征提取，进而自动生成特征向量，不需要进行提前的公式计算和设计。这个特征向量能够更全面地表征信号特征，为后续模式识别的高准确率提供良好的基础。在模式识别阶段，采用随机森林对前一阶段提取的特征向量进行分类识别，随机森林在构造过程中采用双重采样法，该方法提升了单个特征向量的利用率，减轻了样本偶然性和随机性带来的负面影响。另一方面，随机森林采用了集成学习的思想，集成多个决策树进行综合决策，能够迅速准确地对样本进行分类，使分类结果更加合理，进一步提升识别准确率。

本方法采用改进型卷积神经网络，将深度学习技术应用于光纤传感模式识别方面，相较于其他方法需要进行滤波器设置以及公式计算等操作，它可以自行进行特征提取。

此外，本方法的改进型卷积神经网络采用了输入层、交替的卷积层和池化层，以及全连接层和输出层，它的输入是原始数据，通过卷积、池化和非线性激活函数映射等操作层层递进，将高层信息从输出层中抽象出来。

以下为一个更具体的例子：

1、样本提取

基于如图3所示的DMZI光纤传感系统结构进行样本提取，图4为系统的室外环境图，为提升检测灵敏度，将长度为2.25km的电缆用电缆轧带正弦固定在围栏上，来保证对整个围栏的检测。本实施例对图4所示的六种事件进行识别分类，现场由两名体重相同(75kg)的男生在不同环境及围栏不同位置完成六类样本的采集，数据集具有代表性。

提取六种事件各150组数据(85组用于训练，65组用于测试)，共900组。

2、模型训练

将采集到的样本信号经过STFT变换，采用Hamming窗，采样率设置为16000，窗长400，步长160，每段长度512，得到成大小为220×220的三通道时频图像如图5，将图像作为样本输入改进型CNN中进行训练得到最终的CNN模型。卷积神经网络训练次数设置为2000此，其损失函数随着迭代次数变换的改变如图6所示，可看出随着训练次数增加，损失函数不断降低，当训练次数达到1500后，损失函数下降非常缓慢，可看作收敛。如图7所示，随训练次数增加，训练集识别率不断上升，同样达到1500后，识别率几乎保持在99％以上，也表示收敛。故设置训练次数为1500。

将训练得到的特征集输入到决策树为500的随机森林中对模型进行训练。

3、测试结果

使用测试样本集对整个训练好的模型进行测试，如表1和表2所示，六种事件的平均识别率可以达到94％以上，总的事件在2s内，符合实时性的要求。

表1六类事件识别率

表2整体识别时间

总之，本发明针对光纤周界安防中的事件识别，以DMZI分布式光纤传感系统为背景，采用改进型卷积神经网络分类器，解决了在光纤传感系统中事件识别种类少识别准确度不高的问题。本发明的分类器主要由改进型卷积神经网络和随机森林组成，其中改进型卷积神经网络可以自行对样本进行全面的特征提取，保证了准确度；随机森林基于集成学习，能够进一步对提取到的特征进行准确分类。

本发明能够很好地在短时间内对DMZI分布式光纤传感系统采集到的信号进行识别，能够高效准确地对多类事件进行分类，能够兼顾精度与效率，满足实际需要，具有良好的应用前景。