基于小样本学习的轻量化光纤入侵行为识别方法及系统

本发明涉及光纤入侵行为识别，尤其是涉及一种基于小样本学习的轻量化光纤入侵行为识别方法及系统。

背景技术：

1、光纤入侵检测系统作为现代周界安防的核心技术，当外界发生挖掘、攀爬或剪切等入侵行为时，光纤受到的机械应力导致传输光信号的相位、强度或偏振态发生突变，系统通过捕捉并解析这些微弱信号扰动实现入侵行为的识别，当前主流技术路线主要包括时域反射技术与频域分析技术。

2、时域反射技术通过向光纤发射高频脉冲光并分析背向散射信号的时域波形来定位入侵点，虽具备定位能力，但对信号深层时频特征的提取能力较弱，频域分析技术通过虽能有效捕捉动态变化，但高度依赖大量标注样本训练分类模型，且对环境噪声极为敏感，在数据处理层面，现有识别方法多基于监督学习，典型流程包括光纤信号采集、人工标注入侵类型以及利用深度学习模型训练分类器，其核心支撑在于特征工程与深度学习框架。

3、然而，上述现有技术方案均建立在数据充足的理想假设之上，缺乏针对极小样本场景的专门优化，由于真实入侵事件在实际运行中呈现极端的低频分布，导致可用于训练的高质量标记样本极度匮乏，而现有主流深度学习范式高度依赖大规模均衡数据，一旦置于小样本场景，引发误报率飙升与响应延迟增大。此外，基于迁移学习的方法因光纤时序信号与自然图像在特征分布上存在本质差异，导致源域与目标域特征不匹配，在小样本条件下识别准确率断崖式下跌，实际应用中误报率居高不下。因此，现阶段需要一种基于小样本学习的轻量化光纤入侵行为识别方法及系统。

技术实现思路

1、为了解决现有光纤入侵行为识别技术在样本极度稀缺条件下因深度学习模型过拟合而导致的识别精度低、泛化能力差的技术问题，本发明提供一种基于小样本学习的轻量化光纤入侵行为识别方法及系统。

2、第一方面，本发明提供的基于小样本学习的轻量化光纤入侵行为识别方法，采用如下的技术方案：

3、基于小样本学习的轻量化光纤入侵行为识别方法，包括

4、获取光纤传感系统采集的原始光纤传感信号，对原始光纤传感信号进行短时傅里叶变换与归一化处理，获得时频特征图；

5、将时频特征图输入预先构建的物理约束轻量化卷积网络，通过非对称轴向分解卷积进行时频特征解耦提取，并经非对称步长降采样与全局平均池化，获得原始光纤传感信号对应的待测特征向量；

6、采用元学习机制对物理约束轻量化卷积网络进行小样本训练，并以查询集样本的负对数似然损失迭代优化网络参数，获得训练完成的入侵行为识别模型；

7、计算待测特征向量与各类别原型之间的距离，将距离最近的类别原型对应的入侵类型作为待测光纤信号的入侵行为识别结果输出。

8、进一步地，所述原始光纤传感信号进行短时傅里叶变换与归一化处理，包括获取光纤传感系统采集的原始光纤传感信号，所述原始光纤传感信号为包含入侵事件引发振动或应力变化信息的一维时间序列；

9、对原始光纤传感信号进行短时傅里叶变换，将时域波形非线性映射为时频表示，以捕捉入侵行为在时间维度与频率维度上的动态耦合特性；

10、基于全局统计量对时频表示进行归一化处理，获得时频特征图，

11、，，

12、其中，为短时傅里叶变换得到的时频图，为原始光纤传感信号对应的一维时间序列，为短时傅里叶变换，为时频图的全局均值，为时频图的全局标准差，为归一化处理后得到的时频特征图。

13、进一步地，所述通过非对称轴向分解卷积进行时频特征解耦提取，包括将时频特征图的输入特征沿正交的两个单维路径进行分解，通过频率敏感核的深度可分离卷积提取频率维度的共振峰分布特征，通过时间敏感核的深度可分离卷积提取时间维度的相位调制与节奏特征；

14、引入可学习的物理尺度因子对两个单维路径的输出进行自适应加权融合，获得解耦后的时频特征，所述自适应加权融合的表达式为：

15、，

16、其中，为频率敏感核的深度可分离卷积，为时间敏感核的深度可分离卷积，为输入特征，、为自适应物理尺度因子，为逐点卷积，为批归一化运算，为融合后的输出特征。

17、进一步地，所述非对称步长降采样，包括在降采样层采用非对称步长卷积替代池化操作，定义非对称步长比，并在频率维度执行快速压缩以滤除频谱中的稳态环境噪声，在时间维度保持分辨率；

18、在降采样层之间通过动态特征投影将降采样前的特征与降采样后的特征融合，所述动态特征投影的表达式为：

19、，

20、其中，为降采样前的输入特征图，为非对称步长算子，为线性投影映射，为激活函数，为降采样后的输出特征图。

21、进一步地，所述获得原始光纤传感信号对应的特征向量，具体包括：

22、第一阶段，特征激发与噪声抑制，通过卷积层对时频特征图进行浅层特征提取与初步空间下采样，滤除环境高频白噪声并压缩空间冗余；

23、第二阶段，时频轴向解耦提取，将第一阶段输出的浅层特征输入主干网络，通过非对称轴向分解卷积及可学习的物理尺度因子完成时频纹理的解耦，构建入侵行为的物理轮廓特征；

24、第三阶段，非对称采样与流形演化，将第二阶段输出的解耦特征输入降采样层，通过非对称步长卷积在频率维度执行倍速压缩、在时间维度保持低速采样，将分散的像素点映射为行为语义单元；

25、第四阶段，语义汇聚与行为判别，将第三阶段输出的高级特征图输入全局平均池化层，通过计算每个通道的全域均值将空间维度的信息坍缩，获得对应的特征向量。

26、进一步地，所述采用元学习机制对物理约束轻量化卷积网络进行小样本训练，包括以任务为单位构建训练样本集合，每次训练从训练集中随机抽取n类入侵行为，从每类中分别抽取k个样本构建支持集、抽取m个样本构建查询集；

27、将支持集与查询集中的全部样本分别输入物理约束轻量化卷积网络进行嵌入映射，获得各样本对应的多维特征向量，所述支持集表示为：

28、，

29、其中，为支持集，为支持集中的样本，为样本对应的类别标签，为抽取的入侵行为类别数，k为每类抽取的用于构建支持集的样本数。

30、进一步地，所述采用元学习机制对物理约束轻量化卷积网络进行小样本训练，还包括针对支持集中的每一类入侵行为，对该类全部样本经嵌入映射获得的特征向量计算算术均值，将算术均值作为该类入侵行为对应的原型，则第c类入侵行为对应的原型表示为：

31、，

32、其中，为支持集中属于第c类入侵行为的样本集合，为物理约束轻量化卷积网络实现的嵌入映射，为网络的可学习参数，为第c类入侵行为对应的原型。

33、进一步地，所述以查询集样本的负对数似然损失迭代优化网络参数，包括针对查询集中的各样本，根据各样本对应的多维特征向量与各类别原型，计算查询集样本的负对数似然损失，并以最小化负对数似然损失为目标更新物理约束轻量化卷积网络的网络参数，所述负对数似然损失表示为：

34、，

35、其中，为损失函数，为网络中所有可学习的权重，为查询集样本，为查询样本对应的真实标签，为查询样本实际所属的入侵类别，为入侵行为识别模型将查询样本判别为第类的概率。

36、进一步地，所述待测光纤信号的入侵行为识别结果输出，包括计算待测特征向量与各类别原型之间的欧氏距离平方，并基于softmax函数对欧氏距离平方进行归一化，获得待测光纤信号属于各类别入侵行为的概率；

37、选取概率最大的类别，将该类别对应的入侵类型作为待测光纤信号的入侵行为识别结果输出，所述入侵行为的概率表达式为：

38、，

39、其中，为待测光纤信号，为遍历的类别索引，为全部入侵类别的集合，为待测光纤信号对应的待测特征向量，为第c类入侵行为对应的原型，为第类入侵行为对应的原型。

40、第二方面，基于小样本学习的轻量化光纤入侵行为识别系统，包括：

41、信号预处理模块，用于获取光纤传感系统采集的原始光纤传感信号，对原始光纤传感信号进行短时傅里叶变换与归一化处理，获得时频特征图；

42、特征提取模块，用于将时频特征图输入预先构建的物理约束轻量化卷积网络，通过非对称轴向分解卷积进行时频特征解耦提取，并经非对称步长降采样与全局平均池化，获得原始光纤传感信号对应的特征向量；

43、模型训练模块，用于采用元学习机制对所述物理约束轻量化卷积网络进行小样本训练，并以查询集样本的负对数似然损失迭代优化网络参数，获得训练完成的入侵行为识别模型；

44、行为识别模块，计算待测特征向量与各类别原型之间的距离，将距离最近的类别原型对应的入侵类型作为待测光纤信号的入侵行为识别结果输出。

45、综上所述，本发明具有如下的有益技术效果：

46、1、本发明通过将光纤入侵行为识别建模为小样本分类任务，并采用基于原型网络的元学习机制在特征嵌入空间中构建各类别的几何中心原型，实现了在仅提供每类5至10个标注样本的极端条件下模型的快速收敛与高精度识别，显著降低了对大规模标注数据的依赖及数据采集与人工标注成本。

47、2、本发明通过设计非对称轴向分解卷积结构，将标准二维卷积沿频率轴与时间轴正交解耦为频率敏感路径与时间敏感路径，并引入可学习的物理尺度因子对解耦后的双路径输出进行自适应加权融合，实现了对光纤传感信号时频特性的物理约束特征提取，有效避免了小样本场景下时频域特征相互干扰导致的特征重叠与类间混淆问题。

48、3、本发明通过构建物理约束轻量化卷积神经网络，采用非对称步长降采样在频率维度以预设步长压缩频谱冗余并滤除稳态环境噪声，同时在时间维度以另一预设步长保持分辨率以保留瞬态特征信息，并配合全局平均池化层聚合空间语义信息，实现了模型参数量的极致压缩与计算复杂度的显著降低，满足了边缘计算设备的实时推理需求与毫秒级响应要求。

49、4、本发明通过在元学习框架中引入基于度量的分类策略，以查询样本与各类别原型之间的欧氏距离作为分类决策依据，替代了传统复杂的非线性分类超平面，实现了对小样本分布变化的强鲁棒性，显著抑制了环境噪声引发的误报现象，提升了模型在未见类别上的泛化能力与识别稳定性。