论文部分内容阅读
摘 要： 近年来，光纤预警系统的技术水平逐渐提升，应用范围也得到进一步拓展，且在各个领域都表现出良好的应用效果。基于此，本文就Φ OTDR光纤入侵检测识别理论基础展开研究，分别介绍了相关检测算法与识别算法，进一步对一种基于视觉注意架构的检测识别算法，及相应预警效果，进行了细致分析，以期促进相关危险评估预警工作水平的提升。
关键词： Φ OTDR光纤；入侵信号检测算法；入侵信号识别算法
前言：光纤预警系统的应用原理，即以光纤为传感器，对周边实践进行不间断的监测与识别，并通过入侵的精确定位，对危险程度进行有效评估，从而事先做出警告。光纤预警系统被广泛应用在油气管道安全监测、边界线入侵监测等领域，尤其在尤其管道安全监测过程中，切实预警泄露问题，能够避免一定损失，具有较高的应用价值。对Φ OTDR光纤入侵检测识别理论基础的研究，对其实践应用技术的提升具有重要意义。
1.Φ OTDR光纤入侵信号检测算法与识别算法研究
1.1 检测算法
Φ OTDR光纤入侵信号检测算法当中，主要涉及到两种算法类别，即空间维度检测算法和时间维度检测算法。其中，CFAR算法是一种典型的空间维度检测算法，该算法的整体思想借鉴了诺曼-皮尔逊准则，结合恒定的虚警率与分布背景，得出不同背景下的检测阈值[1]。检测单元D与高斯分布I和Q的关系表示为：D=I2+Q2。而时间维度检测算法当中，SPRT算法与K-S算法具有一定的代表性。笔者曾以实测数据为基础，在得到空间维度检测结果的基础上，进行时间维度检测，最终得到的结果表示，基于此种算法的光纤预警系统，只会在已知有害入侵位置的情况下发生报警。
1.2 识别算法
Φ OTDR光纤入侵信号识别算法的运用基础，是有效完成光纤预警信号的特征提取，包括机械入侵信号基音周期特征、过车入侵信号占空比特征、人工挖掘入侵信号占空比特征的提取。通过多特征结合，同时运用决策树分类方法完成分类，能够保证对入侵信号的有效识别。经过可靠实验验证，机械入侵、人工挖掘入侵、过车入侵信号当中，都具有显著特征，且可以被提取到，所以，可以在分类的基础上，对入侵类型进行危害程度分级，如机械信号的危害程度较高，可赋予其優先级；而过车入侵信号的危害程度较低，可最后进行识别。
2.Φ OTDR光纤入侵信号检测识别算法及预警效果
Φ OTDR机制下，能够对较小分辨单元进行并发多入侵检测。总结实践经验，当处于高并发入侵情况下，相关入侵检测定位的精度，均能够达到10 m左右，且每毫秒的数据接收量远远大于200 KB。模拟人脑认知过程，结合相关检测识别算法的理论基础，可尝试构建一种基于视觉注意构架的检测识别算法。
2.1 算法介绍
视觉注意构架的本质，就是对信息进行选择。人眼接收到数据信息之后，大脑可在第一时间将无用信息剔除掉，而在光纤预警系统当中，就是利用入侵信号检测识别算法，在第一时间将信号中的噪声部分去掉，获得有效数据进行处理，提升相关危险识别、评估、预警工作的效率与准确度。这种构架主要包括两个部分，其一是数据驱动过程，就是从大量的观测数据当中，筛选、提取出有用信息；其二是任务驱动过程，对获取到的有用信息进行严格处理。
基于视觉注意构架的光纤入侵信号检测识别算法中，将视觉注意构架当中的数据驱动与任务驱动进行了有效融合，最终得到的检测识别算法当中，检测部分输入的是全体观测数据，以相同的处理算法，对所有数据进行处理；通过检测得到的有害入侵信号，均为显著部分，也就是下一部分的输入。进入到识别部分之后，输入的是检测得到的有害入侵信号，这一部分的识别顺序发生了一定的变化，需要以入侵信号的危害程度由强到弱，安排识别顺序。
基于此种检测识别原理的光纤预警系统，能够对大量数据进行有效处理。在数据驱动过程的作用下，能对入侵信号进行有效定位，并缩减处理数据量；而在任务驱动过程的作用下，有效划分入侵信号的危害等级，从而确定识别顺序。除此之外，基于视觉注意构架的Φ OTDR光纤入侵信号检测识别算法，可以完成不同的识别任务，即对不同的入侵类型，提取相应的特征，这对提升算法针对性与识别性能具有重要意义。
2.2 预警效果
进一步对基于视觉注意构架的Φ OTDR光纤入侵信号检测识别算法的预警效果进行验证，以实测数据为基础，利用公式 ，能够对数据驱动过程中，数据变化量占全体数据的比例r进行计算。式中的abefore与aafter分别表示全体观测数据点数、输出警报点数。实验结果表明，数据驱动过程能够有效提取有害入侵数据，并减小任务驱动过程需要处理的数据量。
笔者在验证本文所述算法的识别效果时，将其与典型识别方法识别率进行对比。在对比过程中，获得检测得到的入侵信号之后，对其进行小波包3层分解，求出不同频段的能量后，利用SVM将其视为特征向量进行分类[2]。经过检验，本文所述基于视觉注意构架的Φ OTDR光纤入侵信号检测识别算法，能够实现针对性提取不同入侵类型的特征，增强了识别准确性。而对比结果也表示，一般算法难以对所有入侵类型进行有效识别，而本文所述识别算法当中，任务驱动过程识别的正确率则要远高于现有方法，其中机械入侵信号的识别率，能够达到98.5%，且人工挖掘入侵、过车信号入侵的识别率也均有所提高。
结束语
综上所述，探究Φ OTDR光纤入侵检测识别理论基础，有利于促进相关长距离、大范围安全监测预警系统的应用实现。通过相关分析，充分运用Φ OTDR光纤入侵信号检测识别算法，能够获取到大量数据，还可以对其进行有效处理，准确定位入侵位置，识别入侵种类，从而对其危害性进行有效分析。因此，应对Φ OTDR光纤入侵信号检测识别算法进行深入研究，有效提升相关预警系统的预警效果，充分发挥其预警作用。
参考文献
[1]王天琦. Φ OTDR光纤入侵检测研究及软件设计[D].北方工业大学，2017.
[2]周良欣. Φ OTDR光纤入侵特征提取算法研究及实现[D].北方工业大学，2017.
关键词： Φ OTDR光纤；入侵信号检测算法；入侵信号识别算法
前言：光纤预警系统的应用原理，即以光纤为传感器，对周边实践进行不间断的监测与识别，并通过入侵的精确定位，对危险程度进行有效评估，从而事先做出警告。光纤预警系统被广泛应用在油气管道安全监测、边界线入侵监测等领域，尤其在尤其管道安全监测过程中，切实预警泄露问题，能够避免一定损失，具有较高的应用价值。对Φ OTDR光纤入侵检测识别理论基础的研究，对其实践应用技术的提升具有重要意义。
1.Φ OTDR光纤入侵信号检测算法与识别算法研究
1.1 检测算法
Φ OTDR光纤入侵信号检测算法当中，主要涉及到两种算法类别，即空间维度检测算法和时间维度检测算法。其中，CFAR算法是一种典型的空间维度检测算法，该算法的整体思想借鉴了诺曼-皮尔逊准则，结合恒定的虚警率与分布背景，得出不同背景下的检测阈值[1]。检测单元D与高斯分布I和Q的关系表示为：D=I2+Q2。而时间维度检测算法当中，SPRT算法与K-S算法具有一定的代表性。笔者曾以实测数据为基础，在得到空间维度检测结果的基础上，进行时间维度检测，最终得到的结果表示，基于此种算法的光纤预警系统，只会在已知有害入侵位置的情况下发生报警。
1.2 识别算法
Φ OTDR光纤入侵信号识别算法的运用基础，是有效完成光纤预警信号的特征提取，包括机械入侵信号基音周期特征、过车入侵信号占空比特征、人工挖掘入侵信号占空比特征的提取。通过多特征结合，同时运用决策树分类方法完成分类，能够保证对入侵信号的有效识别。经过可靠实验验证，机械入侵、人工挖掘入侵、过车入侵信号当中，都具有显著特征，且可以被提取到，所以，可以在分类的基础上，对入侵类型进行危害程度分级，如机械信号的危害程度较高，可赋予其優先级；而过车入侵信号的危害程度较低，可最后进行识别。
2.Φ OTDR光纤入侵信号检测识别算法及预警效果
Φ OTDR机制下，能够对较小分辨单元进行并发多入侵检测。总结实践经验，当处于高并发入侵情况下，相关入侵检测定位的精度，均能够达到10 m左右，且每毫秒的数据接收量远远大于200 KB。模拟人脑认知过程，结合相关检测识别算法的理论基础，可尝试构建一种基于视觉注意构架的检测识别算法。
2.1 算法介绍
视觉注意构架的本质，就是对信息进行选择。人眼接收到数据信息之后，大脑可在第一时间将无用信息剔除掉，而在光纤预警系统当中，就是利用入侵信号检测识别算法，在第一时间将信号中的噪声部分去掉，获得有效数据进行处理，提升相关危险识别、评估、预警工作的效率与准确度。这种构架主要包括两个部分，其一是数据驱动过程，就是从大量的观测数据当中，筛选、提取出有用信息；其二是任务驱动过程，对获取到的有用信息进行严格处理。
基于视觉注意构架的光纤入侵信号检测识别算法中，将视觉注意构架当中的数据驱动与任务驱动进行了有效融合，最终得到的检测识别算法当中，检测部分输入的是全体观测数据，以相同的处理算法，对所有数据进行处理；通过检测得到的有害入侵信号，均为显著部分，也就是下一部分的输入。进入到识别部分之后，输入的是检测得到的有害入侵信号，这一部分的识别顺序发生了一定的变化，需要以入侵信号的危害程度由强到弱，安排识别顺序。
基于此种检测识别原理的光纤预警系统，能够对大量数据进行有效处理。在数据驱动过程的作用下，能对入侵信号进行有效定位，并缩减处理数据量；而在任务驱动过程的作用下，有效划分入侵信号的危害等级，从而确定识别顺序。除此之外，基于视觉注意构架的Φ OTDR光纤入侵信号检测识别算法，可以完成不同的识别任务，即对不同的入侵类型，提取相应的特征，这对提升算法针对性与识别性能具有重要意义。
2.2 预警效果
进一步对基于视觉注意构架的Φ OTDR光纤入侵信号检测识别算法的预警效果进行验证，以实测数据为基础，利用公式 ，能够对数据驱动过程中，数据变化量占全体数据的比例r进行计算。式中的abefore与aafter分别表示全体观测数据点数、输出警报点数。实验结果表明，数据驱动过程能够有效提取有害入侵数据，并减小任务驱动过程需要处理的数据量。
笔者在验证本文所述算法的识别效果时，将其与典型识别方法识别率进行对比。在对比过程中，获得检测得到的入侵信号之后，对其进行小波包3层分解，求出不同频段的能量后，利用SVM将其视为特征向量进行分类[2]。经过检验，本文所述基于视觉注意构架的Φ OTDR光纤入侵信号检测识别算法，能够实现针对性提取不同入侵类型的特征，增强了识别准确性。而对比结果也表示，一般算法难以对所有入侵类型进行有效识别，而本文所述识别算法当中，任务驱动过程识别的正确率则要远高于现有方法，其中机械入侵信号的识别率，能够达到98.5%，且人工挖掘入侵、过车信号入侵的识别率也均有所提高。
结束语
综上所述，探究Φ OTDR光纤入侵检测识别理论基础，有利于促进相关长距离、大范围安全监测预警系统的应用实现。通过相关分析，充分运用Φ OTDR光纤入侵信号检测识别算法，能够获取到大量数据，还可以对其进行有效处理，准确定位入侵位置，识别入侵种类，从而对其危害性进行有效分析。因此，应对Φ OTDR光纤入侵信号检测识别算法进行深入研究，有效提升相关预警系统的预警效果，充分发挥其预警作用。
参考文献
[1]王天琦. Φ OTDR光纤入侵检测研究及软件设计[D].北方工业大学，2017.
[2]周良欣. Φ OTDR光纤入侵特征提取算法研究及实现[D].北方工业大学，2017.