光纤振动信号的自学习模式识别的构建及VC++编程的实现

摘要

宽域全光纤监控预警系统是基于世界上新兴的分布式干涉型全光纤扰动定位与传感技术而研发的长距离智能监控防卫系统，能够同时获取被测量的空间分布和时间变化，具有现场无源、抗电磁干扰、抗腐蚀、极高的报警灵敏度和监测范围大等特点，因而具有很高的实用价值和广阔的应用前景。对系统中各种危险扰动信号进行及时准确的识别对于保障对象的安全以及减轻工作人员工作量等方面具有极其重要的意义。本文以该系统中的光纤振动信号为研究对象，重点研究模式识别模块的设计、验证和实现，并以VC++编程实现相关函数的DLL封装，最后还将聚类分析思想融入模式识别中，实现了模式识别的自学习功能。
　　论文首先对模式识别涉及的去噪、特征提取、网络训练和分类等方面进行了理论分析和仿真实验。去噪过程采用的是谱相减去噪法和小波能量阈值法，比较发现两者的性能较相近。特征提取部分介绍了小波包分解的理论基础，提出了信号的5层小波包分解法，得到32维特征向量。分类器部分将对神经网络和支持向量机做理论介绍，并选用RBF神经网络和支持向量机两种判别网络进行训练和测试，并得到了网络对实际信号的判别准确率。
　　论文用VC++平台实现了模式识别流程算法的应用，并将其封装成动态链接库，从而进一步提高了模式识别模块的保密性和调用效率。
　　论文还引入了无监督分类的聚类分析，实现聚类分析和神经网络的结合。针对单纯神经网络需要人工进行样本库训练的不足，自学习模式识别采用聚类分析实现了自动识别新类别信号并以此更新神经网络，减少人工训练网络的繁琐。
　　最后，论文对该模式识别模块和自学习功能进行了性能分析。结果表明，本文设计的模式识别在MATLAB平台和VC++平台上都能得到相同的数据结果和较高的准确率，动态链接库也能被系统主程序成功调用。再对模式识别自学习功能进行实验验证，表明聚类分析的融入是可行的，并且仍能保持高准确率。