技术摘要：
一种光纤周界安防入侵事件识别模型构建方法和安防系统，将多模光纤绕在周界围栏上组成传感单元，从而对外界的入侵事件进行探测。然后将探测到的入侵事件用于滤波器组滤波并分解为四个不同的频段，之后在这四个不同的频段中采用奇异值和峭度值的组合向量进行特征提取。  全部
背景技术：
光纤周界系统一般用于学校的日常安全，小区别墅的安全监测，厂房设备及工地 的安全管理，电信设备的安全运营等。 传统的周界系统经常是红外线对管周界系统，泄露电缆式周界系统，这些系统在 对入侵事件的检测过程中，往往会出现监测范围小，易受电磁干扰，价格昂贵等现象。 光纤周界系统虽然有着广泛的应用，但在系统的工作中经常伴随着低的识别率和 高的漏报率和误报率等问题。此外，目前市场上的光纤周界系统在不同的应用场合中往往 需要进行人为参数调试，这就大大地降低了系统的智能化水平。 市场中的特征提取算法都是以信号的幅度大小，方差大小，阈值大小等参数来对 不同入侵信号进行判别。然而，现在的光纤周界系统所探测的入侵信号都包含有大量的噪 声，而包含有不同程度噪声的入侵信号的幅值，阈值大小都会发生改变，这使得系统在面对 不同环境中需要进行大量的参数设置，从而浪费了大量的人力物力。 传统的神经网络模型都会出现较差的收敛效率，因为他们需要在批量样本的学习 中不断地调整权值和偏置值，从而削弱了网络的收敛速度和训练效率。此外，有些神经网络 模型需要进行人为参数设置，导致了网络模型在学习过程中出现了过拟合和欠拟合等问 题。
技术实现要素：
本发明的主要目的在于克服现有技术中即非人为入侵事件往往被误判为人为入 侵事件，或者人为入侵事件被误判为非人为入侵事件的缺陷，提出一种低误报率且智能化 识别的光纤周界安防入侵事件识别模型构建方法和安防系统。 本发明采用如下技术方案： 一种光纤周界安防入侵事件识别模型构建方法，其特征在于：预先将光纤传感单 元安装于周界防区以采集入侵信号，其它步骤如下： 1)将入侵信号通过滤波器组滤波并分解为四个不同的频段； 2)在四个不同的频段中，采用奇异值和峭度值的组合向量进行特征提取，得到组 合特征向量； 3)将组合特征向量输入经改进的樽海鞘群算法优化的概率神经网络模型中进行 训练并获得最佳平滑因子，得到训练好的识别模型； 4)用测试集对训练好的识别模型进行测试。 优选的，步骤1)中，具体为：对采集到的入侵信号做傅里叶变换，并用数据统计方 法计算每种入侵信号的平均上限频率和下限频率，根据上限频率和下限频率配置滤波器组 3 CN 111597994 A 说　明　书 2/6 页 中的参数，得到每种入侵信号的四个不同的频段波形。 优选的，步骤2)中，对每种入侵信号的频段波形使用奇异值和峭度值的特征提取 方法，构建成组合特征向量。 优选的，所述改进的樽海鞘群算法是在原始樽海鞘群算法中引入了权重因子和自 适应变异算子，并配置好种群数目、C1值、权重因子初始值和食物源初始值。 优选的，概率神经网络模型中输入层的神经节点为16个，模式层的节点数为400 个，而求和层的节点数为4个，输出层的节点数为1个，模式层中的激活函数使用的是高斯函 数。 优选的，将组合特征向量分为训练集和测试集，步骤3)中，将训练集输入经改进的 樽海鞘群算法优化的概率神经网络模型，得到最佳平滑因子；步骤4)中，用测试集对训练好 的识别模型进行测试。 一种光纤周界安防入侵事件识别系统，其特征在于：包括 光纤传感单元，包括单模-多模-单模光纤结构，安装于周界防区以探测入侵信号； 光路单元，包括激光器、耦合器C1，耦合器C2和PD探测器，该激光器通过耦合器C1 将连续光输入到光纤传感单元中，耦合器C2与光纤传感单元相连以输出干涉光，PD探测器 探测干涉光得到入侵信号； 识别模型，采用训练好的经改进的樽海鞘群算法优化的概率神经网络模型，对入 侵信号进行识别，输出入侵信号类别。 优选的，所述周界防区设置有多个边，将单模-多模-单模光纤结构中的多模光纤 绕在边上，并通过铁箍锁住. 由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果： 本发明的方法和系统，将多模光纤绕在周界围栏上组成传感单元，从而对外界的 入侵事件进行探测。然后将探测到的入侵事件用于滤波器组滤波并分解为四个不同的频 段，之后在这四个不同的频段中采用奇异值和峭度值的组合向量进行特征提取。最后将提 取到的组合特征向量输入到经改进的樽海鞘群算法优化的概率神经网络中进行训练并获 得最佳平滑因子，从而在系统中有效地降低人为入侵事件和非人为入侵事件的误报率。 本发明能够应用于博物馆中贵重物品的安全监测，小区别墅财产的保管，以及电 信基站的维护等。 附图说明 图1是本发明方法流程图； 图2是本发明光纤周界防区系统示意图。 图3是四种入侵事件的原始信号图以及分别在滤波器组中分解得到的四个频段信 号图。 图4四种入侵信号的组合特征向量提取结果图。 图5是概率神经网络结构示意图。 图6是经改进的樽海群算法优化的概率神经网络流程图。 图7是改进的樽海鞘群算法与其他元启发式算法的适应度值迭代曲线图。 4 CN 111597994 A 说　明　书 3/6 页