(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211160053.0 (22)申请日 2022.09.22 (71)申请人 南昌航空大 学 地址 330063 江西省南昌市丰和南大道696 号 (72)发明人 刘彬　王亚俊　吴强　李洁　王双　 刘娟　胡莹莹　 (74)专利代理 机构 南昌市平凡知识产权代理事 务所 36122 专利代理师 张文杰 (51)Int.Cl. G06K 9/00(2022.01) G06F 17/10(2006.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06N 20/00(2019.01) G08B 13/186(2006.01) (54)发明名称 一种基于GAF-Conv NeXt-TF的周界安防扰动 识别算法 (57)摘要 本发明公开了一种基于GAF ‑ConvNeXt ‑TF的 周界安防扰动识别算法， 分别对 各种扰动行为产 生的一维时间序列信号进行去基线和去噪预处 理； 将经过预处理的一维时间序列信号转化成二 维时序图， 并且按照扰动的种类制作数据总集； 建立Conv NeXt模型， 将训练集导入Conv NeXt模型 中进行训练， 以此获取训练权重文件； 利用测试 集来测试模 型分类识别的准确率。 本发明能够让 模型更好的学习到时间维度的信息； 利用迁移学 习， 载入预训练权重能够大幅度减少训练的参 数， 加快模 型训练收敛速度的同时还能够提高扰 动识别结果的准确度， 为分布式光纤传感系统在 周界安防的扰动识别领域提供了一种有效的算 法。 权利要求书3页 说明书9页 附图9页 CN 115496100 A 2022.12.20 CN 115496100 A 1.一种基于GAF ‑ConvNeXt‑TF的周界安防扰动识别算法， 其特 征在于， 其 步骤如下： 步骤一、 将扰动信号进行数据预处理， 分别对各种扰动行为产生的一维时间序列信号 进行去基线和去噪预处 理； 步骤二、 基于格拉姆角场的原理将经过预处理的一维时间序列信号转化成二维时序 图， 并且按照扰动的种类制作数据总集； 再将数据总 集按照3:1:1的比例分成训练集、 验证 集和测试集； 步骤三、 建立ConvNeXt模型， 包括ConvNeXt  Block、 Downsamp le、 全局平均池化层、 全连 接层和输出层； 步骤四、 利用AdamW优化器结合余弦退火算法优化学习率， 利用迁移学习中微调 的方 法， 先利用较大的源数据集在模型上训练， 以此获取预训练权重， 再将预训练权重载入到 ConvNeXt模型， 为训练自己的目标 数据集做准备； 步骤五、 将步骤二中的训练集导入ConvNeXt模型中进行训练， 在训练过程中引入交叉 熵损失函数， 用来求目标与预测值之间的差距， 并且利用验证集调整训练参数， 以此获取训 练权重文件； 步骤六、 利用步骤二中的测试集 来测试模型分类识别的准确率。 2.根据权利要求1所述的基于GAF ‑ConvNeXt ‑TF的周界安防扰动识别算法， 其特征在 于， 所述一维时间序列信号 转化成二维时序图的具体步骤如下： 1)将经过预处理的一维时间序列信号数据进行归一 化处理； 2)将归一 化处理的时间序列数据转换成极坐标 形式数据； 3)基于格拉姆角场的原理将极坐标形式的时间序列数据转换为保留时间特征的二维 图像。 3.根据权利要求2所述的基于GAF ‑ConvNeXt ‑TF的周界安防扰动识别算法， 其特征在 于， 所述归一 化处理的操作如下： 其中 为第i时刻的数值缩放后一维时序信号， xi为一维时序信号中第i时刻的信号值， Max(X)为 一维时序信号中的最大值， Mi n(X)为一维时序信号中的最小值。 4.根据权利要求2所述的基于GAF ‑ConvNeXt ‑TF的周界安防扰动识别算法， 其特征在 于， 所述极坐标 形式数据的转换操作如下： 式中, σi为第i时刻在极坐标系的极角； ri为第i时刻在极坐标系的极半径； 为归一化 的信号序列， N所述时间戳的总数； ti为第i时刻对应的时间戳。 5.根据权利要求1或2所述的基于GAF ‑ConvNeXt ‑TF的周界安 防扰动识别算法， 其特征 在于， 所述格拉姆角场的编 码采用GASF图像编码方式， 其转化方法具体 分为两种， 分别是格 拉姆求和场(GASF)与格拉姆 做差场(GADF)； 具体操作如下： GASF具体转换公式如下：权　利　要　求　书 1/3 页 2 CN 115496100 A 2GADF具体转换公式如下： 式中的I＝[1,1,…1]是单位行向量， 与 分别是 与 的转置向量。 6.根据权利要求1所述的基于GAF ‑ConvNeXt ‑TF的周界安防扰动识别算法， 其特征在 于， 所述ConvNeXt  Block的组成过程如下： 先经过深度卷积模块， 其中卷积核大小为7 ×7、 步距为1， 并经过Layer  Normalization； 再引入逆残差结构， 其中先使用1 ×1卷积核升维， 加入GELU激活函数， 然后 再使用1×1卷积核降维； 之后引入可学习的向量gama， 利用layer   scale对特征图的每一个通道数据进行缩放， 缩放比例gama； 最后引入Dropout层随机失活 部分神经元， 且设为0.2； Downsample先经过一个Layer  Normalization， 再经过一个大小 为 2×2的卷积核， 且步距为2。 7.根据权利要求6所述的基于GAF ‑ConvNeXt ‑TF的周界安防扰动识别算法， 其特征在 于， 所述GELU激活函数的公式为： GeLu(X)＝x ×p(X≤x)＝x ×φ(x),x～N(0,1) 其中x是输入值， X是具有零均值和单位方差的高斯随机变量， p(X≤x)是X小于或等于 给定值x的概 率； 它的近似计算公式为： 8.根据权利要求1所述的基于GAF ‑ConvNeXt ‑TF的周界安防扰动识别算法， 其特征在 于， 所述余弦退火算法表示如下： 式中ηt是当前t时刻增加的学习率值， ηMin是设置的最小学习率， ηMax是设置的最大学习 率， Tcur是当前训练的Epoc h数， TMax是设置的最大Epoc h数。 9.根据权利要求1所述的基于GAF ‑ConvNeXt ‑TF的周界安防扰动识别算法， 其特征在 于， 所述步骤五的训练过程如下： 先对训练集和验证集进行图像预处理， 包括随机裁剪、 随 机水平翻转、 转换成Tensor格式和标准化处理； 在训练的过程中引入交叉熵损失函数， 用来权　利　要　求　书 2/3 页 3 CN 115496100 A 3