一种陵区入侵振动信号特征提取与分类识别算法

摘要

本发明公开了一种陵区入侵振动信号特征提取与分类识别算法，适用于多光栅传感探测系统，通过多光栅传感器网络采集振动信号，利用EEMD算法分解得到IMF分量，并计算EEMD能量熵，排除非人为信号的干扰，并进行特征提取，最后采用经过粒子群算法优化后的支持向量机对入侵信号进行分类识别并预警，提高报警准确率，降低误报率，具有实用价值。

主权项

一种陵区入侵振动信号特征提取与分类识别算法，其特征在于：该方法包括以下步骤：步骤1：采集不高于200Hz频率的入侵低频振动信号：探测系统将通过分布式设置的多光栅传感器在同一时段采集的入侵低频振动信号转化为电信号x(t)；步骤2：EEMD分解：将转化后的电信号x(t)加入一定幅值的高斯分布白噪声n_a(t)，合成后的信号表示为x_a(t)＝n_a(t)+x(t)；再将已加入白噪声的合成信号x_a(t)通过经验模态分解成m个本征模态函数(IMF)分量c_ab(t)和一个余项r_a(t)，表示为式中m表示IMF分量个数，再次针对各个本征模态信号分别加入均方根相等的不同高斯白噪声，经由经验模态再次分解为若干个IMF分量与一个余项，至此提取得到N组不同的IMF分量，N满足ε_n为待分析信号与分解得到IMF分量之和的标准偏差，ε为添加白噪声的幅值；N为迭代次数，最后将N组同阶IMF进行总体平均计算得到：$c_b\left(t\right)=\frac{1}{N}\underset{a=1}{\overset{N}{\Sigma }}{c}_{ab}\left(t\right),$其中的c_b(t)是通过EEMD分解得出的第b个IMF分量；综上，EEMD分解的最终结果为：$x\left(t\right)=\underset{b=1}{\overset{m}{\Sigma }}{c}_b\left(t\right)+r\left(t\right);$步骤3：计算EEMD能量熵：信号经EEMD分解得到m个IMF分量c₁(t)，c₂(t)，c₃(t)…c_m(t)和余项r(t)，m个IMF分量的能量分别为E₁,E₂,E₃...E_m，其中余项r(t)的影响忽略不计，振动信号的能量分布为E＝{E₁,E₂,E₃...E_m}，定义EEMD的能量熵值为式子中p_k＝E_k/E表示第k个IMF的能量比，H表征信号能量分布的不确定度；步骤4：入侵信号的特征提取：振动信号经过EEMD算法分解之后得到不同尺度下的平稳信号，将敏感性强的峭度作为不同尺度平稳信号的特征向量进行提取，具体过程如下：首先计算经过EEMD方法分解得到的m个IMF分量的各个峭度$T_b=\frac{1}{N}\underset{p=1}{\overset{N}{\Sigma }}{c}_{bp}^4,b=1,2,3,4,5...m;$T_b表示第b个本征模态函数分量的峭度；p表示第b个分量的样本点数；再将峭度进行归一化处理，得到特征向量[T′₁,T′₂,T′₃,T′₄......T′_m]；步骤5：采用粒子群算法优化后的SVM对入侵信号进行分类识别：将多个传感器中测得的若干振波中振幅最高的振波作为主振频率，其他作为分量，对应于粒子群算法中的个体最优解Pbest–主振频率分析和群体最优解Gbest–平均频率分析，以此得出的最优解作为SVM的最优决策函数，若SVM输出为1，则有入侵行为发生，进而继续判断是爆破行为还是盗掘行为，若输出为0则为非入侵行为。