买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明涉及周界安防入侵事件监测领域，尤其涉及一种基于分布式光纤传感在迁移场景的周界安防入侵信号识别方法,包括以下步骤：在不同场景的围栏进行分布式光纤振动传感系统搭建；构建不同场景下不同入侵事件的信号数据集；对事件信号数据集中的入侵信号做预处理，构建时空特征数据集；将改进的SE‑DenseNet深度学习网络模型作为特征提取器，使用实验场景中的时空数据对其进行训练得到权重参数；在迁移场景后，通过使用训练好的权重参数仅对模型的全连接层进行训练，完成对新场景的入侵事件的识别分类。

主权项：1.一种基于分布式光纤传感在迁移场景的周界安防入侵信号识别方法，其特征在于，包括以下步骤：S1、场景搭建：在不同场景的围栏上进行分布式光纤振动传感系统搭建；S2、数据准备：构建不同场景下不同入侵事件的信号数据集；S3、信号预处理：对事件信号数据集中的入侵信号做预处理，构建时空特征数据集；S4、模型训练：将改进的SE-DenseNet深度学习网络模型作为特征提取器，使用实验场景中的时空数据对其进行训练得到权重参数；S5、迁移场景后再训练：在迁移场景后，通过使用训练好的权重参数仅对模型的全连接层进行训练，完成对新场景的入侵事件的识别分类；所述步骤S4具体包括以下步骤：S4.1、将各类入侵事件时空图样本传入SE-DenseNet网络的第一个7×7步长为2的卷积层对输入图像进行特征提取，然后将提取后的数据传入3×3步长为2的最大池化层来减小特征图的大小；S4.2、将最大池化层的输出输入进SE-DenseNet的第一个DenseBlock模块，第一个DenseBlock模块包括六个DenseLayer，每一个DenseLayer分别由两个BatchNormalization层、两个Relu激活函数、一个3×3卷积和一个1×1卷积组成，采用激活函数在前、卷积层在后的pre-activation的排列方式，排列顺序为：BN+ReLU+1x1Conv+BN+ReLU+3x3Conv；S4.3、每个DenseBlock的DenseLayer之间采用密集连接的方式进行数据传输，方法为将同一个DenseBlock前面所有层的输出作为当前DenseLayer的输入，公式如下： ，其中，代表当前层的输入，代表是非线性转化函数，是一个由Bn，Relu，Pooling及Conv组成的组合操作，代表前面层的i个输出的连接；S4.4、一个拥有i层的DenseBlock就拥有个连接，每个DenseLayer均输出k个自己独有的特征图，即得到的特征图的channel数为k，那么i层输入的channel数为： ，其中，Si为第i层输入的channel个数，k表示为网络的增长率，作用为提取不同的特征，k0表示当前DenseBlock的输入channel个数；在每个DenseBlock内部采用了bottleneck瓶颈结构来减少计算量，即在每次3×3卷积之前引入1×1卷积作为瓶颈层，以减少输入特征图的数量，从而提高计算效率；S4.5、为每个DenseBlock模块后添加一个SENet层，SENet层首先对DenseBlock输入特征图进行全局平均池化，以获得每个通道上的全局信息，得到的全局信息描述记作，输入特征图为X，尺寸为C×H×W，其中C表示通道数，H表示高度，W表示宽度；对输入特征图X进行全局平均池化，得到每个通道的平均值，其中表示第i个通道上的平均值： ，对全局平均池化的结果应用一个非线性激活函数Relu，得到的结果称为压缩表示，其中si是第i个通道上的压缩表示，公式如下： ，其中是激活函数，是一个全连接层；将压缩表示s与原始输入特征图X相乘，得到激发后的特征图，公式如下： ，，整体公式表示为： ，其中为激活函数，FC为全连接层；随后SENet层将数据传入Transition层，该层的结构为：BN+ReLU+1x1Conv+2x2AvgPooling，对传来的数据进行再次压缩作为下个DenseBlock的输入，Transition层通过卷积产生个特征，其中是压缩系数，m为输入通道数；S4.6、所述SE-DenseNet共包含四个DenseBlock模块，每个DenseBlock分别包含了6，12，24和16个DenseLayer，增长率k为32，DenseBlock模块使用了不同层次的特征，除最后一层外，每个DenseBlock模块后添加一个SENet层和Transition层，由于DenseBlock带来的特征冗余，最后由一个全局平均池化层和一个线性层进行分类；将上述网络模型作为特征提取器，使用实验场景中的时空数据对其进行训练得到权重参数。

全文数据：

权利要求：

百度查询： 齐鲁工业大学(山东省科学院) 一种基于分布式光纤传感在迁移场景的周界安防入侵信号识别方法