1　引言

随着民用航空与光纤传感技术的不断发展，机场周界安防受到越来越多的关注。光纤周界安防系统以其抗电磁干扰、传输距离远、高灵敏度、全天候运行不受天气影响的优势成为周界安防领域研究的热点，在周界安防领域具有重要的应用前景^［1-6］。如何在复杂环境下有效降低噪声干扰、提高机场周界入侵事件识别率成为周界安防领域研究的重点和难点问题。

在光纤信号去噪方面，目前主要有经验模态分解（EMD）去噪^［7］、小波去噪^［8］、局部均值分解去噪^［9-10］、奇异谱分析（SSA）去噪^［11］等方法。刘向锋等^［12］提出了EMD的方法，但是仍然存在模态混叠的缺陷。石志炜等^［13］提出了改进的小波去噪方法处理滚动轴承故障信号，但是去噪过程依赖于小波基和分解参数的选择。徐厦等^［14］利用奇异谱分析法对空气质量数据去噪，但其中窗长和主要成分的选取必须依靠经验。尤其当信号分量频域分布存在重叠时，一次SSA不能很好地将信号中噪声成分滤除。

在入侵事件模式识别方面，目前主流的识别方法都是基于神经网络提取信号的空间特征^［15-19］。神经网络主要有反向传播神经网络、卷积神经网络、概率神经网络、循环神经网络（RNN）、递归神经网络等。反向传播神经网络存在收敛速度慢、容易陷入局部最小值的问题。卷积神经网络最擅长处理图片相关问题，识别光纤入侵事件效果不好。概率神经网络虽然收敛速度快，但是计算复杂度高时间长，并且对噪声不敏感，不适用于易受噪声影响的信号。RNN递归神经网络很适合处理基于时间序列的数据，但是存在梯度消失的问题。长短期记忆（LSTM）神经网络是RNN的一个变种模型，它既有RNN的优点又能在一定程度上解决梯度消失的问题，但是依旧需要依靠经验确定网络结构参数。由于遗传算法（GA）易于与其他算法相结合并且支持全局优化，所以本文拟采用遗传算法优化的LSTM神经网络进行入侵信号的识别，使用遗传优化算法对神经网络参数进行优化，提高入侵事件的识别效率。

本文提出了一种基于改进的奇异谱分析（ISSA）和遗传算法优化双向长短期记忆（GA-BiLSTM）神经网络的光纤周界入侵事件识别方法。首先采集到的光纤振动信号经ISSA进行去噪处理，然后通过遗传算法优化双向长短时记忆（BiLSTM）神经网络结构，构建BiLSTM神经网络进行入侵事件识别。最后，采用实测光纤信号对上述方法进行实验，验证识别效果，并与RNN识别方法进行对比分析，实现入侵事件的有效识别。

2　ISSA光纤周界入侵信号去噪方法

本文采用的是双Mach-Zehnder型光纤传感器组成的光纤周界防入侵系统，具体结构如图1所示。

图 1. 基于双Mach-Zehnder的光纤周界系统

Fig. 1. Fiber perimeter system based on dual Mach-Zehnder

下载图片 查看所有图片

周界系统中激光器是关键器件，由单模光纤传输特性可知，探测光传输10 km光损耗至少2 dBm，倘若实现10 km以上的相干距离，激光器的线宽需要小于30 kHz且输出功率为2 dBm以上，因此本文所用激光器参数如表1所示。

窄线宽激光器发出连续光经光隔离器到达耦合器1，光隔离器只允许光单向通过，避免了回波反射的光对激光器产生不良影响。连续光在1×2耦合器1处分为两束，两束光分别作为Mach-Zehnder的入射光，在2×2耦合器3和2×2耦合器2处发生相干干涉。外部入侵事件改变光在传感臂中的相位（虚线方框部分），在传感臂和参考臂之间引入相位差，相位差最终反映了光电探测器1通道和2通道检测到的干涉光强。其中光电探测器探测到两个通道的光纤入侵信号光强均可以表示为

式中：I0为激光器输入光信号的强度；J为Mach-Zehnder干涉可见度；Δφ(t)为外部入侵事件引起的相位差；φ0为光纤信号初始的信号相位。入侵事件光纤信号是一个非线性时间序列，SSA是一种非线性时间序列数据分析方法。它通过构造信号轨迹矩阵，对其进行奇异值分解（SVD）、重构来对不同的信号成分进行分析处理，实现信号的去噪。

对于采集到的一维时序离散信号，首先进行信号轨迹矩阵的构造，信号轨迹矩阵的构造方法是利用滑动平均窗口每次移动单位步长，根据序列顺序依次排列构成Hankle矩阵形式。

式中：N为信号长度，n为滑动窗口宽度，满足1<n<N，令m=N-n+1，有A∈Rm×n，对A做SVD，存在正交矩阵U∈Rm×m和正交矩阵V∈Rn×n使得A=UΣVT，其中Σ是SVD后的对角矩阵形式。

式中：Σ满足Σ∈Rm×n，可用Σ=diag(σ1,σ2,σ3,⋯,σq)来表示；对角线上元素代表矩阵A的特征值σk，奇异谱满足σ1≥σ2≥σ3≥⋯≥σk≫σk+1⋯≥σq。

奇异谱中前k个较大的奇异值包含了信号的绝大部分有用信息，后面q-k个较小的奇异值对应着信号的噪声成分。根据信号分量的贡献率来确定信号重构的秩阶次，将低于贡献率的信号分量奇异值置零，剩下前k个较大的奇异值对应的信号分量采用对角平均化的方法进行重构实现信号的去噪。

入侵事件光纤信号中噪声主要包括激光器的频率漂移带来的本底噪声、耦合器处光纤插入损耗引入的噪声、探测器引入的随机热噪声、散粒噪声、闪烁噪声（又称1/f噪声或粉红噪声）等。这些噪声大部分在频域上与光纤信号有明显差异，可以利用SSA方法进行去噪处理。

普通的SSA方法去噪十分依赖信号重构秩阶次的选取，当信号频域分布相近或者信号贡献率变化不明显时，选取信号重构秩阶次十分困难，一次SSA过程通常难以达到良好的去噪效果。因此，ISSA方法在普通的SSA基础上对信号做傅里叶变换（FFT），分析各信号分量主频个数是否与原信号一致，若不一致则对重构后的信号分量循环执行SSA。由于信号分量基数大，信号分量循环SSA过程中计算量指数增长，为了减小计算量同时平衡去噪效果，在多次实验中确定最大循环次数为3次。若3次循环SSA过程仍不能使信号分量主频个数与原信号保持一致，则认为该信号分量中存在难以分解的噪声分量，通过降低贡献率确定该信号分量重构的秩阶次以去除该信号大部分噪声。ISSA方法具体工作原理如图2所示。

图 2. ISSA方法原理图

Fig. 2. Schematic diagram of ISSA method

下载图片 查看所有图片

如图2所示，ISSA去噪过程分为以下步骤：

1）对x（t）进行SSA处理，根据光纤振动信号x（t）的长度选择合适的窗长n构造光纤信号轨迹矩阵，得到n个轨迹矩阵特征值和相对应的特征向量，然后采用对角平均化原则重构信号各个分量S_c1…S_cn。

2）对光纤振动信号各分量进行FFT处理，得到各光纤信号分量的幅频特性曲线。根据各分量幅频特性曲线波峰个数得到各分量主频个数。

3）若各光纤信号分量的主频个数与原光纤信号一致，则该信号分量就为最终信号分量；若各光纤信号分量的主频个数与原光纤信号不一致，则表明该信号分量仍含有多余分量，对该信号分量执行步骤1、2，直至信号子分量的主频个数与信号分量主频个数一致。

4）其间若循环分解进行3次还不能使信号子分量的主频个数与信号分量主频个数一致，则认为该信号分量含噪声较多，对最后一次的信号分量小一些的贡献率（g>80%）来确定光纤信号分量重构的秩阶次。

5）其他主频个数与原信号一致的信号分量分解过程中以贡献率（g>98%）来确定光纤信号重构的秩阶次，最后都采用对角平均化原则重构信号分量，各分量相加即为去噪后光纤信号。

3　GA-BiLSTM神经网络入侵事件识别方法

3.1　BiLSTM神经网络

光纤周界系统采集到的信号是具有非线性和非平稳特性的一维时间序列信号，在没有入侵事件发生时，光纤中光传播受干扰比较微小，所以在相邻时间上信号变化相差不大，在时间上有相关性。当入侵行为发生时，根据入侵行为导致传感光纤振动的剧烈程度会引起光纤信号发生突变，信号与之前系统平稳运行时存在较大差别。在入侵事件分类识别方面，一般的神经网络都只关注当前时刻的处理，而RNN有一个指向自身的回馈，可以传递当前时刻处理的信息给下一时刻使用，所以RNN非常适合用于处理与时间序列高度相关的问题。但是当处理的信号序列长度增加时，RNN学习长距离信息的能力变差。LSTM作为RNN的变种模型，既拥有RNN的优良特性，还可以在一定程度上解决梯度消失问题。入侵事件的识别不仅要依靠入侵当时的信号，还需要入侵事件发生前后的光纤信号辅助判断。因此，为了处理对时间序列敏感的光纤周界系统入侵信号识别的问题，本文采用了BiLSTM神经网络^［20］。

图3中神经网络包含输入层、LSTM层、两个全连接层、一个输出层。其中，输入层输入6种不同的类型光纤信号，LSTM层内部带有激活函数，全连接层激活函数为tanh，输出层采用softmax分类器，损失函数为交叉熵函数。

图 3. BiLSTM神经网络结构图

Fig. 3. BiLSTM neural network structure diagram

下载图片 查看所有图片

3.2　遗传算法优化的BiLSTM神经网络

遗传算法^［21］是模仿自然界生物进化机制发展起来的一种高效、并行、全局搜索的优化算法，能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最佳解。

本文设计的GA采用神经网络识别的准确率作为适应度函数，由于需要优化的神经网络结构数为3个，所以采用单点交叉、单点变异的方式。选择函数采用锦标赛选择法，其选择策略是每次从种群中取出一定数量个体，然后选择其中最好的一个进入子代种群，重复该操作直到新的种群规模达到原来的种群规模。当达到最大迭代次数后，输出神经网络最优网络参数，用最优网络参数再训练BiLSTM神经网络，使入侵事件识别率得到明显提高。GA-BiLSTM神经网络结构的流程如图4所示。

图 4. GA-BiLSTM神经网络识别入侵事件原理图

Fig. 4. Principle diagram of GA-BiLSTM neural network recognize intrusion events

下载图片 查看所有图片

可以看出，GA-BiLSTM神经网络分为3个部分，分别是数据预处理、GA-BiLSTM和入侵事件识别。数据预处理部分包括信号去噪过程和数据集的划分，划分的数据集作为后续神经网络的输入；GA-BiLSTM部分主要包括遗传算法优化神经网络建模，种群在一次次进化过程中得到最适合入侵事件识别的最佳网络结构参数；入侵事件识别部分就是利用得到的最佳网络结构参数构建BiLSTM神经网络完成入侵事件识别。

4　入侵事件识别与性能分析

实验采用挂网式和埋地式光纤传感器来进行现场实验。在攀爬、跑动、敲击、静态、大风、雨天6种条件下进行光纤信号的采集工作，攀爬、跑动、敲击为实验人员在光纤传感器周围模拟相应入侵行为，静态、大风、雨天则为设备正常运行中常见的运行环境。图5为采集到的信号，其中，横轴表示采样点，纵轴表示光纤信号幅值。

图 5. 光纤周界入侵信号。（a）攀爬；（b）跑动；（c）敲击；（d）静态；（e）大风；（f）雨天

Fig. 5. Fiber perimeter intrusion signal. (a) Climb; (b) run; (c) knock; (d) static; (e) wind; (f) rain

下载图片 查看所有图片

4.1　去噪效果

光纤信号的去噪部分采用ISSA方法，由于6种信号的去噪方法相同，故以部分敲击信号为例分析信号去噪的效果。这部分敲击信号采样频率为5 MHz，对该信号进行SSA分析，根据信号长度3500选择合适的窗长为50，得到图6。

图 6. 敲击信号奇异谱分析。（a）奇异值分布；（b）贡献率分布

Fig. 6. Knock signal singular spectrum analysis. (a) Distribution of singular value; (b) distribution of contribution rate

下载图片 查看所有图片

如图6所示，信号轨迹矩阵的奇异值前5个较大，占据信号的90%以上。SVD中较大奇异值代表的信号分量代表信号的主要成分，较小奇异值代表的信号分量可以视为噪声。对该信号及其信号分量进行FFT分析，得到频谱图如图7所示。

图 7. 敲击信号时频分析。（a）时域；（b）频域

Fig. 7. Time-frequency analysis of knock signal. (a) Time domain; (b) frequency domain

下载图片 查看所有图片

由图7（a）可知，信号时域信号总体上主要在两个位置有较大的波动，代表这两个位置存在敲击干扰。由图7（b）可知，信号在频域上主要存在一个峰值，还存在一个较大的突变干扰，由于光纤信号是平稳信号，FFT后峰值附近一定会伴有衰减信号，所以这个突变可视为噪声信号。因此，此敲击信号主频个数为1。

敲击信号经过SSA后分解为50个信号分量，各信号分量波峰个数如图8所示。由图8可知，有26个信号分量存在1个波峰，23个信号分量存在2个波峰，1个信号分量存在3个波峰。因此，26个存在1个波峰的信号分量主频个数与原信号一致，即为最终信号分量。其他信号分量则进行下一次的SSA和FFT直至信号分量主频个数与原敲击信号主频个数一致。如此进行3次循环后，若信号分量主频个数与原敲击信号主频个数仍不一致，则认为此信号分量中相邻频域噪声信号难以有效分解，代表此信号含有噪声较多，为减小计算量避免信号去噪过程陷入死循环，使用低贡献率（g>80%）来确定三次分解后信号分量重构的秩阶次。重构后的信号分量即为最终信号分量。

图 8. 信号分量主频个数

Fig. 8. Number of main signal frequencies

下载图片 查看所有图片

第18个信号分量含有3个波峰，下面以第18个信号分量为例说明，第18个信号分量三次循环SSA的时频域分析如图9~11所示。由图9~11对比可知，信号分量的波峰由最开始的3个降为1个，对比时域信号可以发现这个循环过程中滤除了信号中大部分噪声，使得信号分量的主频个数从3个降为了1个。这时信号分量的主频个数就与原敲击信号的主频个数一致，均为1个主频，此时认为该信号分量噪声的去除满足要求，这个分量就是最终的信号分量。

图 9. 一次SSA后敲击信号分量时频分析。（a）时域；（b）频域

Fig. 9. Time-frequency analysis of knock signal components after one SSA. (a) Time domain;(b) frequency domain

下载图片 查看所有图片

图 10. 两次SSA后敲击信号分量时频分析。（a）时域；（b）频域

Fig. 10. Time-frequency analysis of knock signal components after twice SSAs. (a) Time domain; (b) frequency domain

下载图片 查看所有图片

图 11. 三次SSA后敲击信号分量时频分析。（a）时域；（b）频域

Fig. 11. Time-frequency analysis of knock signal components after three SSAs. (a) Time domain;(b) frequency domain

下载图片 查看所有图片

分别用上述ISSA方法和普通的SSA方法对采集到的6种不同类型实测信号进行去噪处理，得到信号的平均信噪比和平均均方误差如表2所示。

从表2中数据可知，本文方法比普通的SSA方法信噪比有明显提升，平均信噪比提高了12.79 dB，平均均方误差略低。静态信号和雨天信号去噪效果较好，大风信号和攀爬信号次之。更好的去噪效果可以为之后神经网络识别入侵事件打下良好的基础。

4.2　识别性能分析

本文识别的实验数据采用实测信号，实验室光纤周界系统采集不同条件下的数据后首先筛除异常数据，然后划分数据集，实验原始数据集分为6个组每个组包含了2000个数据样本，每个样本包含一个样本点为1000的样本文件，一共12000个数据样本。最后利用ISSA法对所有数据样本进行去噪处理，得到去噪后入侵事件数据集。

为了减少依靠经验选取遗传优化算法进化次数的弊端，以神经网络识别精度为评价指标，随机从去噪后入侵事件数据集选取6种不同类型信号各100组，其中420组作为训练集，180组作为测试集进行实验。在种群规模为30时，进化次数依次设为24、72、120、240，分别利用GA-BiLSTM神经网络和GA-RNN进行50次入侵事件识别。入侵事件的识别精度如图12所示。由图12（c）可知，当进化次数为120次时，GA-BiLSTM神经网络已经达到了最高识别精度，识别精度提高了0.92%，而GA-RNN在200次进化时才达到最高识别精度。对比结果可以看出，遗传优化算法弥补了传统神经网络在参数选取上依赖经验的缺点，在一次次进化过程中寻找适合识别当前入侵事件的最佳网络结构参数，提高识别精度。

图 12. 优化算法在不同进化次数下的识别精度。（a）24次；（b）72次；（c）120次；（d）240次

Fig. 12. Recognition accuracy of optimization algorithms under different evolutions. (a) 24 times; (b) 72 times; (c) 120 times; (d) 240 times

下载图片 查看所有图片

统计GA-BiLSTM神经网络和GA-RNN在不同进化次数下进行50次入侵事件的识别时间，平均识别时间如表3所示。由表3可知，识别时间随着进化次数的增加而增加，在进化120次时，识别时间已经基本满足实际使用要求。由图12和表3可知，在同等的种群规模和进化次数下，GA-BiLSTM神经网络的识别精度和算法效率高于GA-RNN。

根据上述实验，在平衡入侵事件精度和识别时间的情况下，GA-BiLSTM算法的种群规模设置为30，子代规模为种群的80%，进化次数为120，变异概率为0.1。选取70%的样本（8400）作为训练集，30%（3600）样本作为测试集进行实验。在经过120次进化后，最佳节点数为98、140、332，分别对应BiLSTM和全连接层1、全连接层2的节点数，采用最佳节点数构建GA-BiLSTM神经网络。其中一次进化过程中适应度下降曲线如图13所示，可以看到遗传算法在迭代中慢慢靠近最优值。

图 13. 适应度变化曲线

Fig. 13. Fitness change curve

下载图片 查看所有图片

选用同一数据集，利用RNN、GA-RNN、BilLSTM神经网络、GA-BiLSTM神经网络对入侵事件光纤信号进行识别，识别结果如图14~17和表4所示。由入侵事件识别混淆矩阵图来看不同类型信号识别率可知，总体上敲击、跑动和静态信号识别率比较高，雨天、大风和攀爬信号识别率较低。这说明信号识别率在一定程度上跟入侵事件造成传感光纤振动的强度呈正相关的趋势，越是使传感光纤振动强烈的信号越容易被识别出来，弱振动则有可能因为噪声的干扰而误报。混淆矩阵中输出类型对应的一行代表一个事件类型，最后的两个百分数分别为识别准确率和误报率，例如图17，攀爬事件中最终识别结果567个攀爬事件识别正确，识别准确率98.85%，误报率1.2%。综合来看，四种类型神经网络误报率从33.0%下降到15.2%、7.3%、1.9%，识别准确率最高达到98.1%，说明GA-BiLSTM神经网络降低误报率效果明显。

图 14. RNN识别效果图

Fig. 14. RNN recognition effect diagram

下载图片 查看所有图片

图 15. GA-RNN识别效果图

Fig. 15. GA-RNN recognition effect diagram

下载图片 查看所有图片

图 16. BiLSTM神经网络识别效果图

Fig. 16. BiLSTM neural network recognition effect diagram

下载图片 查看所有图片

图 17. GA-BiLSTM神经网络识别效果图

Fig. 17. GA-BiLSTM neural network recognition effect diagram

下载图片 查看所有图片

由表4可知，GA-BiLSTM神经网络识别率明显比其他3种识别方法高，其中敲击信号识别率高达99.8%，其余信号识别率也均在95%以上，识别效果很好。GA-BiLSTM神经网络相较于RNN，识别率提高了46.4%；相较于GA-RNN，识别率提高了15.7%。相较于BiLSTM神经网络，识别率提高了5.7%；与RNN对比识别率提高较大，说明光纤周界系统采集的信号非常适合BiLSTM神经网络。经过优化后的神经网络识别率都有了明显提高，说明遗传算法对神经网络结构优化明显。

5　结论

针对光纤周界系统在复杂环境下识别入侵事件噪声干扰严重、误报率高的问题，本文提出了基于ISSA和GA-BiLSTM神经网络的入侵事件识别方法，对不同条件下的6种入侵事件信号进行识别。研究表明，ISSA方法去噪的平均信噪比达到51.94 dB，GA-BiLSTM的平均识别率达到98.1%，可以准确识别入侵信号。与该领域的RNN对比实验结果表明，GA-BiLSTM神经网络更能够提高入侵事件识别率，但是在多点同时入侵识别上还存在不足，分析更多同时入侵的信号特点，提高多点同时入侵识别率是以后改进的方向。