为解决复杂多变环境下光纤入侵事件因噪声干扰识别困难、误报率高的问题，提出了基于改进的奇异谱分析和遗传算法优化的双向长短期记忆神经网络的入侵事件识别方法。首先，为了减少噪声对识别效果的影响采用改进的奇异谱分析法去噪，对入侵信号及其分量进行迭代奇异谱分析去噪，并利用信号贡献率的大小来确定信号重构的秩阶次，调节信号分量去噪的程度，实现光纤信号的去噪。然后，利用遗传算法优化神经网络结构参数，构建双向长短期记忆神经网络提取光纤信号空间特征，最后基于以上方法对攀爬、跑动、敲击、静态、大风、雨天6种实测信号进行入侵事件识别实验，实验结果表明，在双Mach-Zehnder光纤周界传感系统识别入侵事件过程中，改进的奇异谱分析相比普通的奇异谱分析，去噪信噪比有明显提高，平均信噪比提高了12.79 dB，平均均方根误差略有减少。遗传算法优化的双向长短期记忆神经网络较未优化神经网络平均识别率提高了5.7%，识别准确率最高可达98.1%。

目前配电变压器的状态监测迫切需要一种无线无源的传感监测方式, 而声表面波(SAW)传感器是满足此需求的重要技术手段之一。该文以用于变压器出线端测温的SAW传感器为研究对象, 提出了一种SAW传感器回波信号处理流程, 设计了信号去噪、频谱分析等信号处理环节。为解决同频信号对传感器测量带来的干扰问题, 研究了基于奇异谱分析和独立分量分析的单通道盲源分离算法对SAW传感器的抗干扰作用, 利用搭建的信号采集平台验证了该算法在信号分离和干扰抑制上的有效性。

为了减小在剧烈环境中脉搏波信号产生的运动伪迹, 采用mimic数据库中由光子器件构成的光电传感器采集的脉搏信号, 通过陀螺仪信号和三轴加速度互补滤波来矫正三轴加速度的角度, 运用奇异谱分析将矫正后的三轴加速度信号分组为不同频率成分的信号, 作为三级快速横向递归最小二乘(FTRLS)算法的参考信号自适应消除运动伪迹。结果表明, 与最小均方算法、递归最小二乘法相比, 信噪比分别提升了12.2%、6.7%, 均方根误差分别减少了30%, 11%, 并且提高了计算速度。该研究对去除频域上脉搏波的运动干扰谱峰, 保留重博波信息是有帮助的。