简介一份来自《光电工程》2014年的学术论文专注分布式光纤传感器周界安防入侵信号的多目标识别面向安防系统设计人员、光纤传感与信号处理方向的研究生及工程师既可作为分布式系统开发的参考文献也可为周界入侵检测算法选型提供专业指导。文章以全光纤马赫-泽德干涉仪为传感模型系统阐述信号探测、传输与处理流程并针对不同环境噪声与越境、攀爬等常见入侵信号混杂的问题提出基于BP神经网络的模式识别方法。通过特征提取与网络训练该方法能有效区分噪声与真实入侵提升识别率并降低虚警率。资源为PDF格式共1个文件大小363KB已有107人学习。内容涵盖传感模型原理、网络训练细节及实验对比结果可帮助读者快速掌握分布式光纤周界安防的完整技术路线并迁移至地震监测、管道泄漏检测等场景。1. 分布式光纤周界入侵识别为什么真正的难点在“多目标”做了几年安防算法落地我得说句得罪人的实话分布式光纤传感器做周界安防单点入侵检测早就不是门槛了任何一套像样的Φ-OTDR系统都能在实验室里把敲击、攀爬、剪切测出个八九不离十。真正让项目在交付现场翻车的是“多目标”——同一根光纤上两个人同时翻越护栏或者一个人翻越的同时另一个人在附近用冲击钻施工系统能不能把这两个事件分开、各自标对位置、分别报警这才是甲方验收时最较真的地方。这篇笔记围绕“分布式光纤传感器周界安防入侵信号的多目标识别”展开聊的是从传感原理、信号处理到特征与分类器落地的完整链路。适合三类人看正在做周界安防项目选型的系统集成商刚接触Φ-OTDR信号处理的研究生以及被多目标误报折磨的现场调试工程师。我会把信号模型、特征设计、分类器选型和真实环境里的坑一次讲透保证你照着能复现踩过的坑不用再踩第二遍。2. 传感原理与系统选型先搞清楚信号是怎么变成电的再做识别2.1 Φ-OTDR 为什么是周界安防的主流方案分布式光纤传感有三条主流技术路线基于瑞利散射的相位敏感光时域反射仪Φ-OTDR、基于布里渊散射的BOTDA/BOTDR、基于拉曼散射的ROTDR。周界安防场景里Φ-OTDR是绝对主流原因很直接它只对动态应变敏感振动响应速度快空间分辨率能做到米级甚至亚米级这对入侵定位来说刚刚好。BOTDA能测静态应变分布但响应速度受限于布里渊频移扫描扫一次要几十秒拿来做实时入侵检测不现实。ROTDR测温度和入侵振动根本不沾边。Φ-OTDR用的是相干探测把窄线宽激光器发出的光脉冲打进传感光纤后向瑞利散射光与本地参考光相干干涉干涉条纹的相位变化对应光纤各点的应变变化。入侵动作在光纤上形成微应变干涉相位随之改变解调出来就是该点的振动波形。这里有个容易忽略的细节Φ-OTDR的幅值对温度和慢变应变都不敏感但对高频振动极其敏感——这正好是入侵信号的特征。你走路踩踏地面产生的振动频率在几Hz到几十Hz车辆经过在几百Hz以内用冲击钻施工能到几kHz。这个频率特征后面做多目标区分时要用到。2.2 系统硬件构成与空间分辨率如何影响多目标分辨一套完整的分布式光纤周界安防系统由四部分组成窄线宽激光器、声光调制器AOM、掺铒光纤放大器EDFA、光电探测器PD和数据采集卡。激光器发出连续光AOM把连续光斩成脉冲EDFA放大脉冲功率脉冲进入传感光纤后产生的后向瑞利散射光回到探测器再由数据采集卡做高速采样。空间分辨率由脉冲宽度决定公式是ΔL c·τ/(2n)c是光速τ是脉冲宽度n是纤芯折射率。典型值τ100ns时分辨率约10米τ10ns时约1米。多目标识别对空间分辨率的要求很直接——两个入侵点之间的间距必须大于空间分辨率才能被分开。如果你用100ns的脉冲去分辨两个相距3米的入侵点解调出来的信号会糊成一团根本分不开。再说采样率。要恢复振动信号的完整波形采样率至少要达到信号最高频率的2倍。入侵信号的频率成分集中在1kHz以内但现场电磁干扰和振动耦合会产生高频噪声。我一般把采样率设在2~5MHz之间每个空间采样点对应的时间窗足够密既保证波形完整又不至于数据量爆炸。2.3 解调方式选择幅值解调还是相位解调Φ-OTDR有两种解调路线幅值解调和相位解调。幅值解调直接取瑞利散射光的强度变化实现简单、系统成本低但缺点很致命——幅值对光源相位波动和偏振态变化敏感信噪比起伏大同一个入侵动作在不同时间测出来的幅值能差3倍以上。相位解调要做IQ解调或3×3耦合器解调从干涉信号中恢复出相位变化量。相位信号和应变之间是线性关系幅度一致性远超幅值解调而且对偏振衰落的鲁棒性更好。多目标识别里相位信号是首选因为后续提取振动波形特征时波形形态的稳定性直接决定特征的可区分性。一个实战建议如果预算允许直接选相位解调方案宁可硬件上多花几万块也别在算法上拿幅值信号死磕。幅值信号做单点告警尚可做多目标精细识别特征分布太散分类器性能天花板很低。3. 最小可复现系统从信号发生器到PZT模拟入侵3.1 实验室环境怎么搭PZT压电陶瓷与信号源在真实围栏上测试成本高、复现性差。实验室里最常用的做法是用压电陶瓷换能器PZT贴在光纤上用任意波形发生器驱动PZTPZT带动光纤产生微应变模拟入侵振动。这套方案便宜、可控、可重复是做算法验证的标配。PZT驱动系统的连接方式如下# 信号发生器 - 功率放大器 - PZT - 传感光纤PZT缠绕或粘贴在光纤上 AWG通道1输出正弦波 - PA功放增益20dB - PZT谐振频率匹配注意几个参数PZT的驱动电压一般选1~10Vpp功率放大器增益调到PZT能产生明显振动但不至于让光纤产生永久性应变的程度。如果你用的是压电陶瓷片谐振频率通常在几十kHz到几百kHz之间与入侵信号频率(1kHz以内)不匹配需要用低频段驱动——这时候尽量选多层压电执行器低频响应更好。我用过的典型配置Thorlabs的PZT执行器驱动频率20Hz~1kHz电压5Vpp在标准单模光纤上缠绕5~10圈产生的相位变化足以被Φ-OTDR系统清晰解调。3.2 多目标场景怎么模拟两个PZT不同信号源真实多目标入侵的特征是不同入侵点、不同时间起点、不同动作类型。实验室里用两个PZT分别贴在光纤的两个不同位置间距大于系统空间分辨率就可以模拟双目标场景。配置方式# PZT1贴在光纤5m处PZT2贴在光纤25m处 # AWG两个通道独立输出通道1输出攀爬模式信号20~100Hz扫频 # 通道2输出敲击模式信号2Hz脉冲串逻辑说明两个信号源独立控制时间对齐由AWG内部同步或外部触发信号保证。这样采集到的数据天然带有两个目标在时域和空域上的重叠与非重叠情况可以覆盖多目标识别里最难的“部分重叠”场景。参数说明PZT1用扫频信号模拟攀爬是因为攀爬动作产生的振动是宽带扫频特征分布在20~200HzPZT2用低重复率脉冲串模拟敲击敲击是窄带瞬态特征主频在30~80Hz占空比低。这两类信号在时域波形和频域包络上的差异正好用于验证后续的多目标分离算法。3.3 数据采集与标注同步打标和多目标标签体系采集这块有个容易踩的坑——不同步打标。你做了多目标实验但采集数据时没记录每个PZT的触发时间事后就无法对每个入侵事件做精确标注算法训练和评价都无从谈起。我常用的做法是AWG提供一个同步触发信号接入采集卡的数字输入通道。每当PZT开始振动触发信号同时标记在数据流上离线处理时按触发沿切分事件import numpy as np from scipy.io import loadmat # 数据格式约定原始OTDR数据每帧为 NxM 矩阵N为空间采样点M为时间采样数 data loadmat(exp1_dual_target.mat)[data] # 空间采样数256, 时间采样数10000 trigger loadmat(exp1_dual_target.mat)[trigger] # 数字触发通道 # 找出触发沿PZT1在样本点500处启动PZT2在样本点3000处启动 edge1 np.where(np.diff(trigger[0, :] 1.0))[0][0] edge2 np.where(np.diff(trigger[1, :] 1.0))[0][0] # 事件窗口以触发点前50样本和后300样本作为单事件区间 # 参数说明前50样本用于估算噪声基底后300样本覆盖单次入侵的有效振动时长 event1 data[:, edge1-50:edge1300] event2 data[:, edge2-50:edge2300]逻辑说明触发通道的数据标记了两个事件的起点。数据矩阵的行是空间维列是时间维。取事件窗口时留出前50个样本做噪声基底后300个样本覆盖信号能量集中的时段——这个窗口长度来自对真实入侵信号衰减时间的统计不要随意缩短。参数说明空间采样点数256对应2km光纤在约8m空间分辨率下的采样格点数时间采样数10000在2MHz采样率下对应5ms的数据窗。事件窗口的具体数值要按你的系统参数调核心是保证窗口内包含完整的瞬态响应又不至于把无关噪声框进来。标注标签体系建议每条样本标记三个属性——空间位置编号1、2或双目标、入侵类型攀爬/敲击/剪切/无、信号重叠状态不重叠/部分重叠/完全重叠。后两个属性是多目标识别中训练和评价的关键很多论文只说“识别准确率”不提重叠状态实际工程里重叠样本占比高时准确率掉得很快。4. 入侵信号处理流程检测、分离与特征提取4.1 信号预处理去趋势、带通滤波与噪声基底估计OTDR原始信号里有三个主要干扰源光源强度漂移带来的低频趋势、系统电噪声和外界环境振动耦合。预处理的目标是把趋势去掉、把目标频带外的噪声压下去、同时估计出当前噪声基底用于后续自适应阈值。我的标准处理链是from scipy import signal import numpy as np def preprocess_otdr(raw_data, fs2e6, lp_freq2000.0, hp_freq1.0): 原始信号去均值 - 带通滤波 - 噪声基底估计 raw_data: 形状为 空间点数x时间点数 的2D矩阵 fs: 时间维采样率默认2MHz # 1. 去均值减去每个空间点的时间序列均值消除光源直流漂移 data raw_data - np.mean(raw_data, axis1, keepdimsTrue) # 2. 带通滤波设计Butterworth 4阶带通滤波器 b, a signal.butter(4, [hp_freq/(fs/2), lp_freq/(fs/2)], btypeband) data_f signal.filtfilt(b, a, data, axis1) # 3. 噪声基底估计取每帧信号能量最低的5%样本点作为噪声样本 energy np.mean(data_f**2, axis1) # 每个空间点的平均能量 noise_floor np.percentile(energy, 5) # 5%分位数作为噪声基底 return data_f, noise_floor逻辑说明去均值是必须的第一步光源直流漂移会让后续滤波器产生瞬态响应。用filtfilt做零相位滤波避免普通filter带来的相位偏移导致事件定位不准。噪声基底估计用能量低百分位而不是整体均值因为入侵信号只占一小段空间均值会被目标能量拉高。参数说明低通截止频率2000Hz覆盖了入侵信号主要频段和高频噪声分界高通去除1Hz以下的环境慢变。如果你所在环境有严重的工频干扰50Hz及其谐波建议在高通上再叠加一个50Hz的陷波器。这些频率的选择在信号特征挑选阶段可能进一步微调。4.2 多目标检测与分离短时能量检测 空间窗聚类多目标检测的核心是把“有入侵”和“无入侵”分开然后在有入侵的区域内把不同目标在空间上归组。我用的方法分两步短时能量检测确认入侵帧然后空间聚类区分目标。def detect_and_separate(data_f, fs2e6, frame_len200, hop50, thr_factor8.0): 短时能量检测 空间聚类 返回事件列表每个事件含空间索引区间和时间索引区间 n_space, n_time data_f.shape events [] # 参数滑动窗长度200样本(0.1ms2MHz)步进50样本 for t_start in range(0, n_time - frame_len, hop): frame data_f[:, t_start:t_startframe_len] energy np.mean(frame**2, axis1) # 每个空间点的短时能量 # 自适应阈值噪声基底乘系数 noise np.percentile(energy, 10) thr noise * thr_factor active_idx np.where(energy thr)[0] if len(active_idx) 0: continue # 空间聚类间隔小于3个空间采样点视为同一目标 groups [] group [active_idx[0]] for i in range(1, len(active_idx)): if active_idx[i] - active_idx[i-1] 3: group.append(active_idx[i]) else: groups.append(group) group [active_idx[i]] groups.append(group) for g in groups: if len(g) 2: events.append({ space_range: (g[0], g[-1]), time_range: (t_start, t_startframe_len), energy: np.max(energy[g]) }) # 合并时间上重叠的事件同一空间位置上时间相连的事件合并 merged merge_events(events) return merged逻辑说明检测的核心是短时能量在空间维上的分布——入侵点的振动能量显著高于周边噪声。空间聚类把连成一片的高能区归为一个目标间距超过3个采样点的归为不同目标。这3个采样点的间隔阈值来自系统空间分辨率——如果分辨率是1米3个采样点就是3米内归一个目标。参数说明thr_factor8.0意味着只有能量超过噪声基底8倍的候选才进入事件列表这个值在灵敏度和误报率之间取平衡太小会把环境扰动当入侵太大会漏掉弱入侵。我一般在现场标定阶段用10分钟环境噪声数据重新计算这个系数。事件合并这步容易被省略但价值很大。同一个目标连续活动会在相邻时间窗产生多个碎片事件不合并的话后续特征提取会对同一目标重复计算导致多目标计数虚高。4.3 特征提取时域、频域与空间三维度的事件级特征事件级特征是多目标识别的输入直接影响分类器上限。我常用的特征分三组每组都有明确的物理意义时域特征事件窗口内的峰值幅度、峰值时间、上升时间、衰减时间、能量、过零率。峰值幅度与入侵强度相关上升时间反映入侵动作的突然性攀爬缓、敲击急衰减时间反映围栏结构的阻尼特性。频域特征功率谱中1~50Hz、50~200Hz、200~500Hz、500~1000Hz四个子带的能量占比、谱质心、谱带宽。攀爬信号的谱质心低集中在50Hz附近工具敲击的谱质心更高。空间特征事件占用的空间采样点数、能量在空间维的分布标准差。多目标分离的质量可以直接用空间分布均匀性衡量。代码示意def extract_event_features(data_f, event): 从单个事件窗口中提取特征向量 s_start, s_end event[space_range] t_start, t_end event[time_range] # 空间维取事件区域的能量加权平均波形 region data_f[s_start:s_end1, t_start:t_end] signal_wave np.mean(region**2, axis0) # 空间能量加权波形 # 时域特征 peak np.max(signal_wave) rise_time np.argmax(signal_wave) / len(signal_wave) crossing_rate np.sum(np.abs(np.diff(signal_wave np.mean(signal_wave)))) / len(signal_wave) # 频域特征 spec np.abs(np.fft.rfft(signal_wave)) freqs np.fft.rfftfreq(len(signal_wave), d1/2000) # 按2kHz有效采样率 subband1 np.sum(spec[(freqs1)(freqs50)]) subband2 np.sum(spec[(freqs50)(freqs200)]) subband3 np.sum(spec[(freqs200)(freqs500)]) total subband1 subband2 subband3 1e-9 spectral_centroid np.sum(freqs * spec) / np.sum(spec) # 空间特征 space_std np.std(np.arange(s_start, s_end1)) feat np.array([ peak, rise_time, crossing_rate, subband1/total, subband2/total, subband3/total, spectral_centroid, space_std ]) return feat逻辑说明特征向量合并了时域、频域和空间三个维度的信息8维特征对于多目标识别任务已经够用。攀爬信号上升时间更长、谱能量集中在低频敲击信号上升时间短、中频占比高。空间标准差区分“单目标集中”和“多目标分散”的能量形态。参数说明子带划分的依据是前述三类入侵动作的主频区间——攀爬20~100Hz、剪切50~150Hz、工具冲击200~500Hz。如果你的现场有独特干扰源在对应频段做针对性划分。特征设计有个常见误区把所有可测的量都堆进特征向量比如把256个空间点的原始幅值直接展开成特征。特征维度高容易过拟合且无法解释。我会用“8~15维可解释特征”而不是“256维原始数据”方便调试和现场排查。5. 分类器选型与模型训练随机森林还是1D-CNN5.1 随机森林和XGBoost小样本下的稳健起点多目标识别任务里样本量通常不大——一次现场测试能标出几百到几千个事件这对深度学习来说捉襟见肘但对树模型来说足够。而且特征维度只有8~15维树模型训练快、可解释性强每个特征的重要性可以直接输出用于反推哪些特征区分度差。我用随机森林初版的做法from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split, cross_val_score # X: 事件级特征矩阵, 形状(样本数, 8) # y: 标签0无入侵, 1单目标攀爬, 2单目标敲击, 3双目标 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.3, stratifyy, random_state42 ) # 关键参数树数量、树深度、最小叶节点样本数 clf RandomForestClassifier( n_estimators300, max_depth10, min_samples_leaf2, class_weightbalanced, random_state42 ) clf.fit(X_train, y_train) # 5折交叉验证检验泛化性能 scores cross_val_score(clf, X_train, y_train, cv5) print(fCV准确率: {np.mean(scores):.3f} (/-{np.std(scores):.3f}))逻辑说明class_weightbalanced是必须的——无入侵事件的样本远多于入侵事件不平衡数据会让模型把所有样本都判为无入侵准确率高但毫无意义。交叉验证用5折而不是10折因为样本量小10折每折训练集更小方差更大。参数说明树数量300、最大深度10、最小叶子样本2。树太少欠拟合太多不涨性能还拖慢推理深度限制在10避免对训练集过度记忆。现场推理时300棵树的预测耗时约几毫秒对于秒级响应的安防系统来说完全可接受。XGBoost一般比随机森林高1~3个百分点但代价是调参复杂度上升。我会先用随机森林做baseline如果测试集准确率低于90%先回头查特征而不是急着换模型——特征质量差的信号什么模型都救不回来。5.2 1D-CNN的边界序列建模能做什么、不能做什么1D-CNN直接输入原始振动波形或短时频谱序列理论上省去了特征工程但需要更多数据和更长的训练时间。我在实践中发现1D-CNN在多目标识别上有明确边界能做的是单目标的细分类比如区分攀爬、剪切、不同位置敲击。CNN对时域波形的局部模式敏感能学到手写特征捕捉不到的微细差异前提是样本量足够单类500条以上。不能做的是目标数未知的重叠事件分离。两个入侵信号在时域叠加后网络无法凭空分解出两个独立源——这不是网络能力问题而是信息论极限时域混叠信号在单通道采集下是欠定问题无法无歧义分离。所以我的建议是多目标识别里把“检测出有几个目标”和“识别每个目标的类型”分开处理。目标数检测用空间聚类能量分布目标类型识别用树模型或1D-CNN做单目标窗口内的分类。两阶段方案的稳定性显著优于端到端多标签模型。5.3 模型评估混淆矩阵和逐类准确率比总体准确率诚实总体准确率在多目标识别里严重误导。假设无入侵样本占90%模型把所有样本都判为无入侵准确率90%看起来不错实际一条入侵都没告警业务上完全不可用。我建议三个评价指标配合使用缺一不可混淆矩阵按类别查看——单目标两类各自的误报率和漏报率双目标类被误判为单目标的比例是多少。逐类精确率、召回率和F1-score。精确率高代表告警了基本是真入侵漏报率低代表入侵了基本能告警这两者在安防里的代价完全不同。按空间位置拆分的正确率。如果系统把25m处的入侵报告成24m处虽然“位置误差1m”听起来不算错但防区下级的处置人员会扑空。我会单独统计位置误差超过3个空间采样点的比例超过1%就需要回头检查空间分辨率或聚类参数。评估代码同样用sklearnfrom sklearn.metrics import confusion_matrix, classification_report y_pred clf.predict(X_test) # 混淆矩阵行真实标签列预测标签 print(confusion_matrix(y_test, y_pred)) # 逐类精确率、召回率、F1 print(classification_report(y_test, y_pred, target_names[无入侵, 单目标攀爬, 单目标敲击, 双目标]))逻辑说明classification_report输出每个类别的精确率、召回率和F1直接对应安防业务考核指标——精确率低了误报多召回率低了漏报多。F1是两者平衡的单一指标模型调参时看F1比看准确率可靠得多。6. 多目标识别避坑指南现场环境里的五个实战坎6.1 现象下雨天系统疯狂误报晴天一切正常原因雨滴打在围栏上产生的高频振动频率范围和攀爬信号重叠度高。更隐蔽的是雨水改变了围栏的机械阻尼同样强度的入侵在雨天产生的信号形态和晴天完全不同。解决识别模型里加入环境上下文特征——从气象API获取降雨量或使用系统自带的湿度和风速传感器数据作为模型辅助输入。对雨滴噪声频段1~3kHz高频成分做针对性压制但保留攀爬频段。同时要意识到性能下降是必然的标定时保留雨天数据单独评估。6.2 现象双目标识别时弱目标总是被强目标掩盖原因两个目标同时入侵时能量强的目标在检测阶段就把能量弱的目标“吃”掉了——空间聚类把两个目标合并成一个因为强目标的旁瓣能量把弱目标的空间区域覆盖了。解决检测阶段用更低的聚类阈值宁可把目标拆碎等分类阶段再合并。具体做法是把空间聚类间隔从3个采样点改成5~6个让微弱目标有机会单独成团。分类阶段再用空间邻近性做合并判定。这个改动会让单目标场景产生少量碎片事件但误报可以通过后处理的“同一位置短时间连续事件”过滤掉。6.3 现象模型在实验室准确率高现场直线下降原因实验室光纤是裸纤贴地或缠绕在PZT上现场是挂网围栏固定在立柱上——不同的安装结构对应完全不同的振动传递函数。围栏立柱会让振动信号产生谐振放大和谐波失真模型的输入分布从训练集偏移了。解决现场标定是不可避免的环节。进场后至少收集2~3天的环境样本用这些样本微调模型的阈值或重训。如果现场条件不允许长时间采集用仿真方法——把实验室信号卷积上现场安装结构的传递函数——至少能让趋势性的性能下降提前暴露。6.4 现象小狗或兔子从围栏边跑过也会触发报警原因小型动物身体接触围栏或脚踢围栏下沿产生的振动幅度和攀爬信号接近单看能量难以区分。解决接入多类标签的训练数据——动物、人体靠近、车辆驶过、风引起的围栏晃动。安防验收标准一般允许动物误报率低于一定比例而不是绝对零误报。实际项目中动物活动的信号时长比人类入侵短得多单次触发小于0.5秒加上空间足迹小1~2个采样点这两个特征加到模型里能压掉大部分动物误报。6.5 现象多目标经过声光调制器脉冲率限制空间维数据时断时续原因Φ-OTDR的空间扫描依赖于脉冲重复率脉冲重复率决定了时间维采样率。当入侵频率接近脉冲重复率的1/2时会出现欠采样混叠信号在空间维“跳”着出现而非连续变化。解决选型时查阅脉冲重复率指标推荐系统的PRF≥2kHz才能可靠捕获1kHz以内的入侵频率上包络。已经使用的系统如果PRF不够预处理阶段增加低通滤波截止频率的约束并接受高频入侵信号的响应时间变长——这是在硬件限制下的“后悔药”有条件升级时优先换高PRF的采集方案。7. 多目标识别性能验证用真实场景数据做增量式确认多目标识别的最终验收不能停在实验室指标上。我的习惯是在现场用“裸手测试”确认整条链路——不拿标注好的数据实时看系统输出的时空轨迹图与真实事件的吻合程度。增量验证分三步走第一步验证空间定位精度每隔5米打一次标准脉冲统计定位误差分布第二步验证单目标类型识别按预先录制的动作类型清单逐一执行记录每个动作的识别置信度第三步验证双目标同时性——两个人分别在两个防区执行不同动作看系统能否正确报出两条独立告警。位置误差分布的计算方法如下# true_positions 是真实位置pred_positions 是多目标识别模型的定位结果 errs np.abs(np.array(pred_positions) - np.array(true_positions)) # 空间采样点间距由系统空间分辨率决定比如1米/采样点 spatial_resolution 1.0 # 单位米/采样点 # 误差超过3个采样点的事件占比 bad_ratio np.sum(errs 3) / len(errs) print(f定位误差3米占比: {bad_ratio:.1%})参数说明误差阈值取3米不是拍脑袋——现场处置人员在夜间按报警位置排查时3米以内的搜索范围是可控的超过3米会显著拖慢处置时间。如果这个指标不达标优先检查的是系统空间分辨率和聚类算法的合并参数而不是模型本身。最后送给所有做这个方向的人一个习惯每一条现场误报和漏报都要归档成带原始波形、特征向量和判决结果的样本作为模型迭代的训练数据。系统上线前三个月每周用新增样本重训一次模型误报率通常会在这期间下降一半以上。这套“数据飞轮”看起来土但在分布式光纤周界安防领域比任何漂亮的理论都更有效。希望帮到你。本文还有配套的精品资源点击获取
