AI如何采用CNN对分布式光纤振动非法入侵行为进行识别

分布式光纤振动监测系统对防护区域的保护过程是：通过系统监测光缆的振动并实时采集振动信号，然后对振动信号行为进行识别，识别出具有破坏性的行为后，系统进行预警或告警，前往现场处置破坏行动。所以对振动信号进行准确识别，是目前市场的一个强需求。

对于振动信号的识别方法有很多，有通过对振动信号幅值的强弱，频率，持续时间进行识别的，也有通过支持向量机SVM进行的，还有通过卷积神经网络模型（简称CNN）进行AI识别的。

在当前一切都想往AI靠的大环境下，CNN神经网络模型倍受欢迎。那么如何通过CNN对振动信号进行识别呢？

我们在用CNN做识别前，需要先搭建自己的CNN模型。我们首先需要对振动点进行特征采样，例如安静环境下的样本，有挖掘机挖掘等破坏行为时候的样本，采样时长我们设置为3秒，这样我们就可以获取到一系列的3秒钟时长的不同行为下的振动样本数据。

我们把这3秒钟的振动数据读取，其实就是一个一维的数组，我们把该数据可视化到图形上，可以得到一系列的波形图。

在神经网络中，我们一般都是输入二维的tensor矩阵，所以我们可以把3秒钟的一维数组，假设10000个数，可以转换成一个100*100的二维数组。

二维卷积（nn.Conv2d）是最常用的卷积，我们可以多次二维卷积，然后最大池化（MaxPool2d）等操作，搭建自己的模型。

剩余的即是训练数据，及修改参数调整模型准确度的工作了。

当数据样本足够多，理论上模型更精准。这样当现场一个3S的振动数据数据到模型库后，立即可以识别是否具有破坏性。