基于集成学习的光纤振动信号识别算法研究.pdfVIP

基于集成学习的光纤振动信号识别算法研究 摘 要 光纤预警系统 （OFPS ）通过采集并分析埋藏在地下的分布式光纤传感器中 的振动信号，实现对地表振动源的定位及振动类型的区分。其中，对光纤振动信 号的识别是具有很高的研究价值。目前对信号的识别算法大多根据人工提取的特 征进行分析，虽然能够完成识别任务，但是费时费力，且需要很多信号处理方面 的先验知识。因此本文将经过简单处理的振动信号样本作为输入，采用神经网络 作为分类器进行信号识别。同时，由于采用的神经网络模型对信号的识别效果有 限，本文利用集成学习方法来进一步提高网络模型的识别效果。 文章首先介绍了用来采集光纤振动信号的光纤预警系统，分析了采集信号的 特征，并对信号进行简单预处理。由于光纤振动数据的维度高，且信号数据集小， 若使用规模庞大的深度神经网络会出现训练不到位的情况。所以一种小型的随机 配置网络 （SCN）被用来进行信号识别任务。在研究过程中我们发现，虽然随机 配置网络可以将提取信号特征的工作交由机器完成，并且在一定程度上提高对信 号的识别效果。但一个小型的三层神经网络的性能还有提升空间。因此，本文将 SCN 模型与集成学习方法进行结合，进一步提高神经网络的识别效果。首先，将 SCN 模型作为基分类器的AdaBoost-SCN.v1 模型是由AdaBoost 算法与SCN 模型 结合得到，所得到新模型的识别效果要优于SCN 模型。 在复杂的工作环境中，OFPS 易受到自然或人为干扰，致使光纤振动信号中 包含各种噪声。一方面，提高对含噪振动信号的识别是实际场景的需要，另一方 面，使用含噪信号作为训练集可以有效提高模型的泛化性能。此外，虽然 AdaBoost-SCN.v1 模型有效地提高了对振动信号的识别效果，但是该模型的训练 时间较长，占用资源较多，且没有发挥出SCN 模型更多的优点。因此，结合SCN 模型逐个生成隐层节点的特性，将AdaBoost 算法和Bagging 算法的集成思想融 入模型，提出三种改进的网络模型Bootstrap-SCN，AdaBoost-SCN.v2 和AdaBoost- Bootstrap-SCN 模型，并对这些模型进行了实验验证。从实验结果可以看出，对 无噪振动信号的识别效果从 SCN 模型的 86.1%提高到 AdaBoost-Bootstrap-SCN 模型的99.6% 。同时，在对叠加四种常见噪声的振动信号的识别实验中，对含噪 振动信号的平均识别效果从 SCN 模型的58.7%提高到 AdaBoost-Bootstrap-SCN 模型的81.3% 。 I 关键词：光纤预警系统，SCN 模型，集成学习，信号识别 II 目 录 摘 要 Ⅰ ABSTRACT Ⅲ 第一章 绪论 1 1.1 研究背景及意义 1 1.2 国内外研究现状 1 1.2.1 光纤振动信号识别算法 1 1.2.2 神经网络与集成学习3 1.3 本文的工作及安排4 第二章 光纤预警系统与光纤振动信号6 2.1 引言6 2.2 光纤预警系统介绍6 2.3 光纤振动信号及预处理7 2.4 小结8 第三章 基于集成学习的光纤振动信号识别算法10 3.1 引言 10 3.2 SCN 模型的介绍 10 3.3 基于集成学习的AdaBoost-SCN.v1 模型 12 3.4 仿真实验及结果 14 3.4.1 利用SCN 模型识别光纤振动信号 14 3.4.2 利用AdaBoost-SCN.v1 模型识别光纤振动信号 14 3.5 小结 15 第四章 基于集成学习的含噪光纤振动信号识别算法 17 4.1 引言 17 4.2 基于集成学习与SCN 模型的改进模型 17 4.2.1 Bootstrap-SCN 模型 17 4.2.2 AdaBoost-SCN.v2 模型 19