光纤周界安全系统中高效多事件鉴别方法

"一种高效多事件甄别方法在光纤周界安全中的应用" 本文是一篇研究论文，发表在2015年12月1日的《光波技术杂志》（JOURNAL OF LIGHTWAVE TECHNOLOGY, VOL. 33, NO. 23）上，由刘琨、田苗、刘铁根、姜俊峰、丁振阳、陈钦楠、马春雨、何长河、胡浩峰和张雪芝共同撰写。该论文提出了一种用于光纤双Mach-Zehnder干涉仪（DMZI）为基础的周界安全系统的高效率多事件甄别方法。 文章的核心是结合经验模态分解（Empirical Mode Decomposition, EMD）、峭度特性（Kurtosis characteristics）以及径向基函数神经网络（Radial Basis Function Neural Network, RBFNN），以提高事件识别率并增加入侵事件的多样性。这种方法旨在改善传统系统对入侵事件如翻越围栏、敲击电缆、切割围栏和摇晃围栏等的甄别能力。 在特征提取阶段，经验模态分解被用来分析光纤传感器捕获的信号，将其分解成一系列内在模态函数（IMFs），这些IMFs分别代表不同频率成分的振动模式。接着，通过峭度特性分析，可以区分出不同事件的信号特征，因为不同类型的入侵行为通常会导致信号的峭度值有显著差异。最后，利用径向基函数神经网络进行模式识别，通过训练学习这些特征，以达到高效的事件分类。 实验结果显示，提出的方案能准确地识别上述四种常见的入侵事件，平均识别率超过85.75%。这个结果表明，该方法在实际应用中具有很高的有效性，能满足实际安全防护的需求。 论文的关键词包括：特征提取、光纤、模式识别和信号分析。这四个关键词突出了研究的主要方向和技术手段，即通过光纤传感器获取信号，进行特征提取和分析，进而通过机器学习算法实现对入侵事件的智能识别。 总体而言，这篇论文的研究成果对于提升光纤周界安全系统的性能和智能化水平具有重要意义，为实际的安防应用提供了新的技术解决方案。通过结合多种信号处理技术，能够更有效地检测和识别复杂环境下的多种入侵行为，这对于提高安全系统的防范能力和减少误报有着显著的贡献。