论文部分内容阅读
光纤传感器具有灵敏度高、结构简单、抗电磁干扰能力强和适应大范围监测等优点,在民航机场周界安防中有着重要应用前景。但在数据采集和信号识别过程中,存在系统工作环境复杂,入侵行为多变,信号采集无法同步和信号分类识别准确率不高的问题。针对以上问题,本文采用基于Mach-Zehnder和Φ-OTDR的联合系统实现入侵信号的识别与定位工作。利用Labview软件解决信号循环保存和同步采集的问题。采用奇异值分解(Singular Value Decomposition,SVD)方法对信号进行去噪,提高信号信噪比。利用改进粒子群优化支持向量机(Modified Particle Swarm Optimization-Support Vector Machine,MPSO-SVM)实现信号的分类和识别。在天津空港某区域采集数据,进行数据处理并验证本文方法有效性。论文主要从以下几个方面展开1、利用labview软件编写信号联合采集程序。根据Mach-Zehnder和Φ-OTDR联合系统原理图布置好实验仪器,采用挂网式和埋地式光纤传感器进行入侵信号探测,利用labview实现联合系统信号连续采集,同步采集,循环保存等实验要求。并读取信号数据验证数据采集程序是否正确。2、针对光纤传感周界预警系统采集的信号夹杂部分噪声干扰,信噪比不高的问题,采用SVD方法实现信号去噪。并提出了一种基于奇异值序列二阶差分谱单边极小值确定信号重构秩阶次的方法。采用实测信号进行去噪效果验证,并与传统去噪方法比较。研究表明,针对不同类型入侵信号,本文所提方法去噪效果较传统方法在信噪比和均方误差上均有明显提高。3、针对光纤传感振动信号特征提取和分类识别问题,首先采用串行特征融合(Serial Feature Fusion,SFF)的方法提取信号特征向量组。其次提出一种基于改进粒子群优化支持向量机的信号识别方法。通过改进粒子群算法的惯性权重和学习因子两个参数,优化支持向量机核函数g和惩罚因子C,再利用MPSO-SVM实现振动信号的分类识别,提升识别精度和算法效率。提取实测信号特征并利用MPSO-SVM进行分类识别,结果表明该方法的平均识别率达到97.5%,较传统粒子群优化支持向量机识别精度提升5%,具有实际应用价值。