本发明涉及配网设备仓库防盗报警领域，更具体地，涉及一种仓库防盗报警方法。
背景技术：
现如今公司越来越注重配电网设备仓库的管理，而由于未安置防盗报警装置，以致仓库被盗时有发生，给电网造成了较大的损失。而现如今其他行业采用防盗模式大多基于声音识别，如基于小波包的声音识别防盗法、基于支持向量机的声音识别防盗法等，但这些方法要么无法很好提取非线性信号特征，要么使用的算法过于复杂，涉及到多种参数的训练整定，严重影响了判别的效率。因此为了进一步确保仓库安全，有必要研究一种新的仓库报警体系。
中国专利cn104900228b公开了一种可疑开门声音的识别装置及识别方法，识别装置包括依次连接的声音触发模块、声音采集模块、声音特征提取处理模块、声音识别模块和报警模块，当大于门限值时进行声音采集，将采集的声音预处理并转化为数字信号；对数字信号进行特征提取得到特征参数，消除数量级差异后得到待识别特征向量fi′；计算fi′与预存的开门声音对应的特征向量f′i存的相似度si，根据si决定待识别样本的类别，从而判定采集的声音是否为可疑开门声音，此方案在大于门限值时进行声音采集，不能确保对仓库的实时防盗报警。
技术实现要素：
本发明的目的在于克服现有技术的不足，提供一种配网设备仓库防盗报警方法，能实时采集仓库开门声音信号，对声音信号进行判别，确保对仓库的防盗报警。
为解决上述技术问题，本发明采用的技术方案是：一种仓库防盗报警方法，包括以下步骤：
采集仓库开门实时原始声音信号，对实时原始声音信号进行小波包分析，得到实时相对小波包系数能量，以实时相对小波包系数能量为特征量，按核fisher分析法计算映射值zk*；
收集历史声音信号组成的训练集e，对训练集e进行小波包分析，得到历史相对小波包系数能量，以历史相对小波包系数能量为特征量，按核fisher分析法计算阈值z0；
将所述zk*与所述z0进行比较，当zk*＞z0时，原始声音信号正常，当zk*≤z0时，原始声音信号不正常，系统报警。
本发明的仓库防盗报警方法，通过对实时采集的仓库开门原始声音信号进行小波包分析，计算出各频段的小波包系数信号的小波包系数能量，进而计算出相对小波包系数能量，按核fisher分析法计算映射值zk*利用收集的历史声音信号组成的训练集，计算出历史相对小波包系数能量，按核fisher分析法计算阈值z0，将相对小波包系数能量通过核fisher分析法进行分类，当zk*≤z0时，原始声音信号不正常，系统报警，本发明的仓库防盗报警方法，能实时采集仓库开门声音信号，对声音信号进行判别，确保对仓库的防盗报警。
优选地，对实时原始声音信号进行小波包分析，即原始声音信号通过j层小波包变换分解和重构后会得到2j个不同频段的小波包系数信号。
优选地，各频段的小波包系数信号的小波包系数能量的计算方法为：
式中，n为采集的原始声音信号的样本点总数，eji为小波包变换后节点(j，i)的小波包系数能量，xji(k)为节点(j，i)中第k个小波包系数。
优选地，相对小波包系数能量的计算方法为：
式中，eji为小波包变换后节点(j，i)的相对小波包系数能量。
优选地，以相对小波包系数能量为特征量，历史声音信号组成的训练集e为n个训练样本组成的相对小波包系数能量矩阵，包括正常原始声音信号相对小波包系数能量矩阵e1和非正常原始声音信号相对小波包系数能量矩阵e2，将提取到的非线性数据通过核函数映射到一个高维空间中，得到一个线性的变化矩阵k，此时再对变化矩阵k进行中心化处理得到中心化矩阵
式中，μn＝one(n)/n
式中，one(n)是一个n维的单位矩阵；
因此，基于训练样本的训练协方差矩阵
优选地，训练协方差矩阵ex包含样本数分别为n1和n2的正常原始声音信号数据矩阵ex1和非正常原始声音信号数据矩阵ex2，正常原始声音信号数据矩阵ex1和非正常原始声音信号数据矩阵ex2的均值向量分别为m1和m2，计算方法如下：
优选地，核fisher分析法的内部参数包括fisher判据j(w)，fisher判据j(w)定义如下：
式中，w为fisher判据中的权重向量。
优选地，当j(w)最大时的权重向量是最优向量w*，其中w*的计算方法为：
优选地，训练协方差矩阵exi在1行ni列的映射空间下的映射zi向量如下所示：
zi＝(w*)texi，(i＝1，2)
fisher判据的阈值z0，可通过下式计算：
优选地对实时提取到的原始声音信号进行小波包分析得到相对小波包系数e*，则映射向量z*如下所示：
当第k个样本所代表的映射值zk*满足zk*≤z0，则表示第k个样本为非正常样本，系统报警。
本发明的仓库防盗报警方法与背景技术相比，产生的技术效果为：
实时采集仓库开门声音信号，对声音信号进行判别，确保对仓库的防盗报警。
附图说明
图1为本发明实施例中仓库防盗报警方法的流程图；
图2为本发明实施例中的核fisher映射空间映射值显示图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。
实施例
一种仓库防盗报警方法，如图1所示，包括以下步骤：
采集仓库开门实时原始声音信号，对实时原始声音信号进行小波包分析，得到实时相对小波包系数能量，以实时相对小波包系数能量为特征量，按核fisher分析法计算映射值zk*；
收集历史声音信号组成的训练集e，对训练集e进行小波包分析，得到历史相对小波包系数能量，以历史相对小波包系数能量为特征量，按核fisher分析法计算阈值z0；
将zk*与z0进行比较，当zk*＞z0时，原始声音信号正常，当zk*≤z0时，原始声音信号不正常，系统报警。
上述的仓库防盗报警方法，通过对实时采集的仓库开门原始声音信号进行小波包分析，计算出各频段的小波包系数信号的小波包系数能量，进而计算出相对小波包系数能量，按核fisher分析法计算映射值zk*利用收集的历史声音信号组成的训练集，计算出历史相对小波包系数能量，按核fisher分析法计算阈值z0，将相对小波包系数能量通过核fisher分析法进行分类，当zk*≤z0时，原始声音信号不正常，系统报警，本发明的仓库防盗报警方法，能实时采集仓库开门声音信号，对声音信号进行判别，确保对仓库的防盗报警。
对实时原始声音信号进行小波包分析，即原始声音信号通过j层小波包变换分解和重构后会得到2j个不同频段的小波包系数信号，各频段的小波包系数信号的小波包系数能量的计算方法为：
式中，n为采集的原始声音信号的样本点总数，eji为小波包变换后节点(j，i)的小波包系数能量，xji(k)为节点(j，i)中第k个小波包系数。
相对小波包系数能量的计算方法为：
式中，eji为小波包变换后节点(j，i)的相对小波包系数能量。
以相对小波包系数能量为特征量，历史声音信号组成的训练集e为n个训练样本组成的相对小波包系数能量矩阵，包括正常原始声音信号相对小波包系数能量矩阵e1和非正常原始声音信号相对小波包系数能量矩阵e2，将提取到的非线性数据通过核函数映射到一个高维空间中，得到一个线性的变化矩阵k，此时再对变化矩阵k进行中心化处理得到中心化矩阵
式中，μn＝one(n)/n
式中，one(n)是一个n维的单位矩阵；
因此，基于训练样本的训练协方差矩阵
训练协方差矩阵ex包含样本数分别为n1和n2的正常原始声音信号数据矩阵ex1和非正常原始声音信号数据矩阵ex2，正常原始声音信号数据矩阵ex1和非正常原始声音信号数据矩阵ex2的均值向量分别为m1和m2，计算方法如下：
在其中一个实施例中，步骤(1)中，核fisher分析法的内部参数包括fisher判据j(w)，fisher判据j(w)定义如下：
式中，w为fisher判据中的权重向量。
当j(w)最大时的权重向量是最优向量w*，其中w*的计算方法为：
训练协方差矩阵exi在1行ni列的映射空间下的映射zi向量如下所示：
zi＝(w*)texi，(i＝1，2)
fisher判据的阈值z0，可通过下式计算：
对实时提取到的原始声音信号进行小波包分析得到相对小波包系数e*，则映射向量z*如下所示：
当第k个样本所代表的映射值zk*满足zk*≤z0，则表示第k个样本为非正常样本，系统报警。
采用上述仓库防盗报警方法进行试验：首先分别从电力设备仓库现场收集了39组钥匙开门时的声音信号即正常原始声音信号和40组撬门声音信号即非正常原始声音信号，以此作为原始数据。然后对其进行小波包分析，其中利用的小波包分解函数是wpdec函数，采用的小波基是db3小波，分解层数为3层，而利用到的小波包分解系数重构的函数是wprcoef函数，每个声音信号通过它们均可分解出节点(3，0)、(3，1)、(3，2)、(3，3)、(3，4)、(3，5)、(3，6)、(3，7)共8个节点的小波包系数。随后可通过小波包系数能量公式求取这79组信号各节点小波包系数能量表1所示。
表179组信号的相对小波包系数能量
选取的核函数为sigmoid函数，依靠对上述79条数据形成的矩阵计算出的相对小波包系数能量矩阵进行核函数线处理，以最后得到矩阵为训练协方差矩阵确定核函数中的内部参数、核fisher分析法中最优向量及阈值，其中阈值z0为0。本文把这79个信号所组成的训练协方差矩阵作为测试协方差矩阵进行基于sigmoid函数的核fisher分析，可算出79个信号数据在fisher映射空间中的映射值如图2所示。
通过图2可知基于sigmoid函数的核fisher分析法对正常开门声音信号和非正常声音信号的结构数据是非常适用，正确率100％，且正常开门声音信号与非正常开门声音信号这两类的类内离散度非常小，而类间的离散度则是非常大的，即正常开门声音信号与非正常开门声音信号在fisher空间中的映射值与阈值相差很大，判据裕度非常高，不存在误判的情况。因此可以很好地判别仓库门、窗是否被撬，最终实现仓库防盗报警功能。
在上述具体实施方式的具体内容中，各技术特征可以进行任意不矛盾的组合，为使描述简洁，未对上述各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
1.一种仓库防盗报警方法，其特征在于，包括以下步骤：
采集仓库开门实时原始声音信号，对实时原始声音信号进行小波包分析，得到实时相对小波包系数能量，以实时相对小波包系数能量为特征量，按核fisher分析法计算映射值zk*；
收集历史声音信号组成的训练集e，对训练集e进行小波包分析，得到历史相对小波包系数能量，以历史相对小波包系数能量为特征量，按核fisher分析法计算阈值z0；
将所述的zk*与所述z0进行比较，当zk*＞z0时，原始声音信号正常，当zk*≤z0时，原始声音信号不正常，系统报警。
2.根据权利要求1所述的仓库防盗报警方法，其特征在于，对实时原始声音信号进行小波包分析，即实时原始声音信号通过j层小波包变换分解和重构后会得到2j个不同频段的实时小波包系数信号。
3.根据权利要求2所述的仓库防盗报警方法，其特征在于，各频段的实时小波包系数信号的小波包系数能量的计算方法为：
式中，n为采集的实时原始声音信号的样本点总数，eji为小波包变换后节点(j,i)的小波包系数能量，xji(k)为节点(j,i)中第k个小波包系数。
4.根据权利要求3所述的仓库防盗报警方法，其特征在于，实时相对小波包系数能量的计算方法为：
式中，eji为小波包变换后节点(j,i)的相对小波包系数能量。
5.根据权利要求1至4任一项所述的仓库防盗报警方法，其特征在于，以历史相对小波包系数能量为特征量，历史声音信号组成的训练集e为n个训练样本组成的相对小波包系数能量矩阵，包括正常原始声音信号相对小波包系数能量矩阵e1和非正常原始声音信号相对小波包系数能量矩阵e2，将提取到的非线性数据通过核函数映射到一个高维空间中，得到一个线性的变化矩阵k，再对变化矩阵k进行中心化处理得到中心化矩阵
式中，μn＝one(n)/n
式中，one(n)是一个n维的单位矩阵；
因此，基于训练样本的训练协方差矩阵
6.根据权利要求5所述的仓库防盗报警方法，其特征在于，训练协方差矩阵ex包含样本数分别为n1和n2的正常原始声音信号数据矩阵ex1和非正常原始声音信号数据矩阵ex2，正常原始声音信号数据矩阵ex1和非正常原始声音信号数据矩阵ex2的均值向量分别为m1和m2，计算方法如下：
7.根据权利要求6所述的仓库防盗报警方法，其特征在于，核fisher分析法的内部参数包括fisher判据j(w)，fisher判据j(w)定义如下：
式中，w为fisher判据中的权重向量。
8.根据权利要求7所述的仓库防盗报警方法，其特征在于，当j(w)最大时的权重向量是最优向量w*，其中w*的计算方法为：
9.根据权利要求8所述的仓库防盗报警方法，其特征在于，训练协方差矩阵exi在1行ni列的映射空间下的映射zi向量如下所示：
zi＝(w*)texi，(i＝1，2)
fisher判据的阈值z0，可通过下式计算：
10.根据权利要求9所述的仓库防盗报警方法，其特征在于，对提取到的实时原始声音信号进行小波包分析得到相对小波包系数e*，则映射向量z*如下所示：
w*te*＝(z1*,z2*,......zn*)＝z*
当第k个样本所代表的映射值zk*满足zk*≤z0，则表示第k个样本为非正常样本，系统报警。
技术总结