提出了一种基于局部均值分解(LMD)和串行特征融合(SFF)的光纤周界振动信号识别方法。该方法先去除噪声,提取振动信号的相关信息,再进行SFF以得到具有准确描述能力的特征向量,最后采用概率神经网络(PNN)算法进行学习和分类。利用不同单一振动信号和风雨天气干扰下的不同振动信号对该方法进行验证。结果表明,该方法在上述两种情况下的平均正确识别率分别达到96.0%和96.7%,识别时间分别为0.87 s和0.91 s,在敏感信息识别和特征提取方面明显优于传统的LMD算法和SFF-PNN算法。

为了有效识别光纤周界系统的振动信号, 提出一种多重分形谱参数和改进概率神经网络相结合的光纤振动信号识别方法.该方法能够避免特征提取过程中需要选择经验阈值和模式识别过程中需要确定平滑因子的不足.首先, 检验分析光纤振动信号多重分形的存在性和有效性.然后, 计算和提取光纤振动信号的多重分形谱参数, 构成能够准确描述信号非线性和复杂性特性的特征向量.最后, 采用改进的概率神经网络算法进行自适应地学习和分类, 实现对不同光纤振动信号的识别.采用现场实验采集的四种振动信号对该方法进行验证, 结果表明, 平均识别率达到96.25 %, 识别时间为1.63 s.该方法在正确识别率方面优于传统的概率神经网络算法.

针对相位敏感光时域反射仪(Φ-OTDR)信号信噪比较低的问题, 提出了一种基于自适应噪声完备经验模态分解(CEEMDAN)的小波信息熵阈值去噪算法。该算法配合CEEMDAN分解, 通过小波信息熵阈值去噪, 提取扰动位置的高频信息, 从而提高系统的信噪比。首先, 采用Savitzky-Golay滤波算法对不同光脉冲间的信号进行预处理; 其次, 采用CEEMDAN将滑动差分后单个脉冲内信号分解为不同的固有模态函数(IMF), 并利用连续均方误差准则确定含噪较多的高频IMF分量; 然后, 采用小波信息熵阈值去噪算法对以上高频IMF分量进行阈值去噪处理; 最后, 将其与低频IMF分量以及残差分量进行重构。采用自行研制的相干Φ-OTDR系统实测数据进行了验证, 结果表明, 文中算法与两种传统去噪算法相比, 信噪比提升了3dB, 这对于系统的实际应用具有重要意义。