In this paper, an interferometric optical fiber perimeter security system based on multi-domain feature fusion and support vector machine (SVM) is reported. To improve the intrusion event classification accuracy and reduce the overall cost, advanced optical fiber sensor technique and data analysis method are synthesized to build the system. For the optical component, the Michelson interferometer sensor structure and the rectangular-pulse binary phase modulation method are adopted to reduce the system complexity and cost. For the electronic data analysis component, mixed domains (including time, frequency and wavelet domains) features are selected and the SVM is adopted to classify the intrusion event type. Specifically, the zero-crossing rate (ZCR) is chosen as the feature element in the time domain, whose threshold is determined by analyzing the environmental noise. The variance of the power spectral density (PSD) of the phase signal in four frequency bands are selected as the feature element in the frequency domain. The energy of the phase signal by using the wavelet packet decomposition in four full frequency bands is chosen as the feature element in the wavelet domain. All the acquired features corresponding to various event conditions are combined into the feature vector data set, which are trained and predicted by the SVM. In the field experiment test, the proposed identification scheme was used to identify and classify five kinds of events, including non-intrusion, climbing, shaking, iron bar knocking and fiber cable shearing. The achieved average classification accuracy reached 94.4%.

中文翻译：

---

基于多域特征融合和支持向量机的干涉光纤周界安全系统

本文提出了一种基于多域特征融合与支持向量机的干涉光纤周边安全系统。为了提高入侵事件分类的准确性并降低总体成本，综合了先进的光纤传感器技术和数据分析方法来构建系统。对于光学元件，采用了迈克尔逊干涉仪传感器结构和矩形脉冲二进制相位调制方法，以降低系统的复杂性和成本。对于电子数据分析组件，选择混合域（包括时间，频率和小波域）特征，并采用SVM对入侵事件类型进行分类。具体而言，将零交叉率（ZCR）选择为时域中的特征元素，其阈值是通过分析环境噪声确定的。选择四个频带中的相位信号的功率谱密度（PSD）的方差作为频域中的特征元素。通过使用四个全频带中的小波包分解来选择相位信号的能量作为小波域中的特征元素。将与各种事件条件相对应的所有获取的特征组合到特征向量数据集中，由SVM对其进行训练和预测。在现场实验测试中，提出的识别方案用于识别和分类五种事件，包括非侵入，攀爬，摇晃，铁棒敲打和光缆剪切。达到的平均分类准确率达到94.4％。选择四个频带中的相位信号的功率谱密度（PSD）的方差作为频域中的特征元素。通过使用四个全频带中的小波包分解来选择相位信号的能量作为小波域中的特征元素。将与各种事件条件相对应的所有获取的特征组合到特征向量数据集中，由SVM对其进行训练和预测。在现场实验测试中，提出的识别方案用于识别和分类五种事件，包括非侵入，攀爬，摇晃，铁棒敲打和光缆剪切。达到的平均分类准确率达到94.4％。选择四个频带中的相位信号的功率谱密度（PSD）的方差作为频域中的特征元素。通过使用四个全频带中的小波包分解来选择相位信号的能量作为小波域中的特征元素。将与各种事件条件相对应的所有获取的特征组合到特征向量数据集中，由SVM对其进行训练和预测。在现场实验测试中，提出的识别方案用于识别和分类五种事件，包括非侵入，攀爬，摇晃，铁棒敲打和光缆剪切。达到的平均分类准确率达到94.4％。