采用传统单路传感光纤实现对信息特征的测量，常由于交叉敏感等不可控因素使测量数据出现异常值，导致信息分析偏差较大，识别准确度低。因此，提出了一种基于双相干谱、样本熵和奇异值分解(BSS)和反向传播神经网络(BPNNDS)算法的多路光纤入侵传感系统信息的特征提取与识别方法。针对含3路传感光纤的布里渊光时域反射(BOTDR)传感入侵检测系统，该方法利用BSS算法分别对不同入侵类型的多路信号进行特征提取；采用BPNN算法对不同入侵振动特征矢量进行分类；经Dempster Shafer（DS）证据理论算法

为了解决周界入侵行为识别正确率低的问题, 对经验模态分解算法进行改进, 并将其用于光纤布拉格光栅周界入侵行为分类。该方法利用短时平均过零率从整体信号中提取入侵信号, 采用两次极值波延拓抑制经验模态分解算法的端点效应, 对入侵信号进行分解并提取有效分量的特征, 引用支持向量机对入侵行为进行识别; 在室外环境下分别对无入侵和攀爬、剪切、碰撞、触摸4种入侵行为进行分类与识别。结果表明, 所提方法能有效识别不同的入侵行为, 识别正确率大于96%。

基于光纤迈克耳孙干涉仪和神经网络模式识别算法，设计并实现了一种新的防区型全光纤周界安防系统。采用偏振不敏感光纤迈克耳孙干涉仪作为周界入侵探测系统(PIDS)的振动传感器，降低了双折射效应导致的信号衰落，分析了传感光纤与物理围栏宿主材料间的应力应变关系对干涉信号相位变化的影响，并使用穿越统计(LC)和模式识别(PR)技术实现噪声抑制、行为分析和报警判决。实验证明，系统可以对入侵和干扰行为的原始干涉信号进行LC分析和特征提取，最小响应时间为0.5 s，通过神经网络训练生成行为模式，并可通过动态均值算

为了对分布式光纤上的入侵信号类型进行准确识别,提出了一种基于集合经验模态分解(EEMD)结合随机向量函数链接(RVFL)神经网络的光纤入侵信号的特征提取与识别算法。算法步骤为:对采集到的光纤入侵信号作预处理操作,包括最小-最大规范化处理和利用db3小波去除信号的低频噪声;采用EEMD方法对入侵信号进行分解,得到5组本征模态函数(IMF);计算各IMF分量的能量占比,并依据方差分析法筛选出3组特征向量;将特征向量送入RVFL神经网络进行训练并对入侵信号进行识别。实验结果显示:该方法能正确识别不同入

基于分布式光纤传感的地埋式入侵检测系统由于其无源、传输距离远、抗电磁干扰等特征,引起了人们的关注,并得到初步应用。系统中光纤传感信息的正确提取和事件识别是系统的关键性指标之一。文中提出了一种入侵信号的提取与识别算法。使用基于Hilbert变换的信号包络线提取,结合数学形态学上的腐蚀和膨胀运算思想,实现入侵信号片段的分割;采用小波阈值收缩方法,结合平移时不变算法实现入侵信号片段除噪;使用基于"小波包-能量"的方法提取信号特征;分别采用基于BP和RBF的人工神经网络实现对光纤信号分类。仿真实验验证了