本发明属于深度学习和模式识别
技术领域：
，更具体地，涉及一种田野文物保护系统中的地下入侵信号识别方法和系统。
背景技术：
：如今，有效地监测田野文物盗掘行为是保护全国田野文物的关键，田野文物被盗窃时，违法分子的盗掘行为往往会产生单一的地下入侵信号，而有效地监测田野文物盗掘行为的一个重要手段就是对盗掘行为所产生的地下入侵信号进行实时监测识别，这不仅有助于保护全国田野文物不受盗掘倒卖影响，而且能使国家避免巨大的经济、文化损失，有着十分重大的意义。如今的地下入侵信号监测主要通过以下两种方式实现，第一种是当前广泛应用的视频监控、红外监控技术等手段，通过监控摄像头人为地监测田野文物保护现场的情况；第二种是基于时频能量比(time-frequencyenergyratio)、短时傅里叶(short-timefouriertransform，简称stft)等时频域特征提取方法，其将提取的时频特征引入到诸如支持向量机(supportvectormachine，简称svm)、小波神经网络(waveletnetwork)等算法中，使用计算得到的模型来识别地下入侵信号。然而，上述现有的地下入侵监测方法均存在一些不可忽略的技术问题，上述第一种方法中，监控摄像头容易受到天气、安装环境的影响，同时监控依赖于值班人员观察，限于人类自身的缺点，难以长时间集中注意力，造成漏报；针对第二种方法而言，其为了提高识别准确率，在时频特征的提取过程中，时域分割窗和特征频带参数需要经过人工分析得到，鲁棒性较差；此外，小波神经网络的泛用性较弱。技术实现要素：针对现有技术的以上缺陷或改进需求，本发明提供了一种田野文物保护系统中的地下入侵信号识别方法和系统，其目的在于，解决现有基于人为监控的田野文物保护方法中存在的容易出现漏报和误报的技术问题，以及现有基于机器学习等算法的田野文物保护方法中存在的模型鲁棒性和泛用性较差的技术问题。为实现上述目的，按照本发明的一个方面，提供了一种田野文物保护系统中的地下入侵信号识别方法，包括以下步骤：(1)从田野文物保护系统获取地下入侵信号，判断该地下入侵信号的幅值是否大于预设阈值，如果大于则进入步骤(2)，否则继续获取地下入侵信号，并重复本步骤；(2)获取从当前时刻开始t时刻内的地下入侵信号，利用模数转换器对该地下入侵信号进行模数转换处理，以得到离散地下入侵信号序列；(3)设置计数器i＝1；(4)判断计数器i是否大于步骤(2)得到的离散地下入侵信号序列的总长度，如果是则过程结束，否则转入步骤(5)；(5)判断步骤(2)得到的离散地下入侵信号序列的第i个元素是否大于等于预设阈值，如果是则进入步骤(6)，否则进入步骤(8)；(6)取离散地下入侵信号序列的第i个元素的前m个元素和后m个元素组成信号序列，其中如果不存在前m个元素或后m个元素，则执行补零操作，以形成最终长度为2m 1的信号序列，并对得到的信号序列进行补零或截断处理，以得到固定长度的新信号序列，其中m的取值范围是1600到2400；(7)将步骤(6)得到的固定长度的信号序列输入到已训练好的一维卷积神经网络分类模型，并根据一维卷积神经网络分类模型输出的结果判断地下入侵信号的类别，设置计数器i＝i m，并返回步骤(4)；(8)设置计数器i＝i 1，并返回步骤(4)。优选地，步骤(1)中的预设阈值的取值范围是1到3.3伏，优选等于1.5；步骤(2)中t的取值范围是8到12秒，优选为10秒；步骤(5)中预设阈值的取值范围是1000到1500，优选为1200。优选地，步骤(6)中固定长度的新信号序列其长度为3993；如果长度为2m 1的信号序列的长度大于3993，则步骤(6)是对其采用截断处理，即截断该信号序列末尾的元素使得该序列长度等于3993，如果长度为2m 1的信号序列的长度小于3993，则步骤(6)是对其采用补零处理，即在该信号序列末尾补零使得该序列长度等于3993。优选地，步骤(7)中，如果一维卷积神经网络分类模型输出的结果为0，则表示地下入侵信号是步行信号，如果输出的结果为1，则表示地下入侵信号是挖掘信号。优选地，一维卷积神经网络分类模型是通过以下步骤训练得到的：(1-1)获取从当前时刻开始t时刻内的地下入侵信号，利用模数转换器对该地下入侵信号进行模数转换处理，以得到离散地下入侵信号序列；(1-2)设置计数器j＝1；(1-3)判断计数器j是否大于离散地下入侵信号序列的长度，如果是则进入步骤(1-8)，否则转入步骤(1-4)；(1-4)获取步骤(1-1)得到的离散地下入侵信号序列的第j个元素，并判断第j个元素是否大于等于预设阈值，如果是则进入步骤(1-5)，否则进入步骤(1-6)；(1-5)在离散地下入侵信号序列中取该第j个元素的前n个和后n个元素构成信号序列，其中如果不存在前n个元素或后n个元素，则执行补零操作，以形成最终长度为2n 1的信号序列，并对得到的信号序列进行补零或截断处理，以得到固定长度的新信号序列，然后进入步骤(1-7)，其中n的取值范围是1600到2400；(1-6)设置计数器j＝j 1，并返回步骤(1-3)；(1-7)设置计数器j＝j n，并返回步骤(1-3)；(1-8)将得到的所有固定长度的新信号序列进行归一化处理，以得到多个归一化后的新信号序列；(1-9)将步骤(1-8)得到的多个归一化后的新信号序列按照9:1的比例划分为训练集和测试集，从所有训练集中取出n个数据集并输入一维卷积神经网络分类模型中，并使用反向传播算法对一维卷积神经网络分类模型中每层的权重参数进行更新和优化，使得损失值收敛，以得到训练好的一维卷积神经网络分类模型；其中n为自然数，其最小值为16，最大值为训练集的总数。优选地，步骤(1-8)的归一化过程采用以下公式：其中，x为固定长度的新信号序列中的一个元素，xmin为固定长度的新信号序列中的最小值，xmax为固定长度的新信号序列中的最大值。优选地，一维卷积神经网络分类模型包括输入层、输出层、3个卷积层、3个池化层、以及1个全连接层，其具体网络结构如下：第一层是输入层，对n个数据集构建输入层，输入大小为n*3993*1；第二层是卷积层，其输入的大小为n*3993*1的数据，使用8个大小为1*3的卷积核，以步长为3对输入数据做卷积，使用全0填充，得到的输出数据大小为n*1331*8，并输入到第三层；第三层是池化层，其输入的大小为n*1331*8的数据，使用大小为1*3的池化尺寸，以步长为2做最大池化操作，得到的输出数据大小为n*666*8，并输入到第四层；第四层是卷积层，其输入的大小为n*666*8的数据，使用16个大小为1*3的卷积核，以步长为3对输入数据做卷积，使用全0填充，得到的输出数据大小为n*222*16，并输入到第五层；第五层是池化层，其输入的大小为n*222*16的数据，使用大小为1*3的池化尺寸，以步长为2做最大池化操作，得到的输出数据大小为n*111*16，并输入到第六层；第六层是卷积层，其输入的大小为n*111*8的数据，使用32个大小为1*3的卷积核，以步长为3对输入数据做卷积，使用全0填充，得到的输出数据大小为n*37*32，并输入到第七层；第七层是池化层，其输入的大小为n*37*32的数据，使用大小为1*3的池化尺寸，以步长为2做最大池化操作，得到的输出数据大小为n*19*32，并输入到第八层；第八层是全连接层，将第七层输入的数据组合为一个大小为1*608的数据，该层共有128个神经元，每个神经元与大小为1*608的数据中的每个数据进行全连接，每个神经元输出一个数据，这样该层输出数据大小为n*128，并输入到第九层。第九层是输出层，共有2个神经元，输出数据大小为n*2，分别输出地下入侵信号是步行信号的概率、以及地下入侵信号是挖掘信号的概率。优选地，在训练一维卷积神经网络分类模型时，第p个卷积层输出量的计算公式为：其中n∈[1，3]，表示一维卷积神经网络分类模型中第p个卷积层的第s个特征向量；表示一维卷积神经网络分类模型第p-1个卷积层的第q个特征向量；*表示一维卷积运算；表示一维卷积神经网络分类模型中第p个卷积层中第q个特征向量的第s个权重参数，表示一维卷积神经网络分类模型中第p个卷积层的第s个偏置参数，σ(·)表示激活函数relu()。优选地，一维卷积神经网络分类模型中每层需要更新的参数包括权重参数和偏置参数，权重参数的初始值是使用了标准差为0.1的截断式正态分布输出的随机值，偏置参数的初始值为0；一维卷积神经网络分类模型的损失值l为：其中k表示类别的个数，tl,k表示第k类第l个归一化后的新信号序列输入一维卷积神经网络分类模型后的预测结果，yi,k表示第k类第l个归一化后的新信号序列对应的真实结果，k∈[1，k]，λ表示正则化程度，其取值为0.01，w是一维卷积神经网络分类模型的权重参数，其随着网络的训练而更新。按照本发明的另一方面，提供了一种田野文物保护系统中的地下入侵信号识别系统，包括：第一模块，用于从田野文物保护系统获取地下入侵信号，判断该地下入侵信号的幅值是否大于预设阈值，如果大于则进入第二模块，否则继续获取地下入侵信号，并重复本模块；第二模块，用于获取从当前时刻开始t时刻内的地下入侵信号，利用模数转换器对该地下入侵信号进行模数转换处理，以得到离散地下入侵信号序列；第三模块，用于设置计数器i＝1；第四模块，用于判断计数器i是否大于第二模块得到的离散地下入侵信号序列的总长度，如果是则过程结束，否则转入第五模块；第五模块，用于判断第二模块得到的离散地下入侵信号序列的第i个元素是否大于等于预设阈值，如果是则进入第六模块，否则进入第八模块；第六模块，用于取离散地下入侵信号序列的第i个元素的前m个元素和后m个元素组成信号序列，其中如果不存在前m个元素或后m个元素，则执行补零操作，以形成最终长度为2m 1的信号序列，并对得到的信号序列进行补零或截断处理，以得到固定长度的新信号序列，其中m的取值范围是1600到2400；第七模块，用于将第六模块得到的固定长度的信号序列输入到已训练好的一维卷积神经网络分类模型，并根据一维卷积神经网络分类模型输出的结果判断地下入侵信号的类别，设置计数器i＝i m，并返回第四模块；第八模块，用于设置计数器i＝i 1，并返回第四模块。总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：1、由于本发明采用了步骤(1)到(8)，其利用采集设备对地下入侵事件所造成的入侵信号进行采集，分割单次入侵样本数据，利用一维卷积神经网络分类模型作为识别分类器，能够有效地利用卷积神经网络的特征学习能力对入侵事件进行识别分类，有效地解决了现有基于摄像监控的田野文物保护系统中的入侵监测方法存在的容易误报和漏报的技术问题。2、由于本发明采用了步骤(6)和(7)，其数据处理方面对每组样本数据进行了单次地下入侵信号样本分割，提高了数据处理的普适性，且更具智能化，从而有效地解决了现有基于机器学习等算法的田野文物保护系统中的地下入侵信号识别方法存在的鲁棒性和泛用性差的技术问题。附图说明图1是本发明田野文物保护系统中的地下入侵信号识别方法的流程图。图2是本发明训练过程中使用的损失值和分类准确率的曲线。图3是本发明中使用的一维卷积神经网络分类模型的结构示意图。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。本发明提供了一种田野文物保护系统中的地下入侵信号识别方法，该方法将信号分类的思想和地下入侵信号微震动监测技术进行结合，这是由于在土壤中传播的不同触发事件产生的地下入侵信号拥有其特定的时频特征。因此，本发明将地下入侵信号的触发原因作为信号的标记，并使用一维卷积神经网络分类模型作为分类器进行预测。如图1所示，本发明提供了一种田野文物保护系统中的地下入侵信号识别方法，包括以下步骤：(1)从田野文物保护系统获取地下入侵信号，判断该地下入侵信号的幅值是否大于预设阈值，如果大于则进入步骤(2)，否则继续获取地下入侵信号，并重复本步骤；具体而言，本步骤是通过微震动传感器获取田野文物保护系统中的地下入侵信号；预设阈值的取值范围是1到3.3伏，优选等于1.5伏；(2)获取从当前时刻开始t时刻内的地下入侵信号，利用模数转换器对该地下入侵信号进行模数转换处理，以得到离散地下入侵信号序列；具体而言，t的取值范围是8到12秒，优选为10秒。(3)设置计数器i＝1；(4)判断计数器i是否大于步骤(2)得到的离散地下入侵信号序列的总长度，如果是则过程结束，否则转入步骤(5)；(5)判断步骤(2)得到的离散地下入侵信号序列的第i个元素是否大于等于预设阈值，如果是则进入步骤(6)，否则进入步骤(8)；具体而言，预设阈值的取值范围是1000到1500，优选为1200。(6)取离散地下入侵信号序列的第i个元素的前m个元素和后m个元素组成信号序列，其中如果不存在前m个元素或后m个元素，则执行补零操作，以形成最终长度为2m 1的信号序列，并对得到的信号序列进行补零或截断处理，以得到固定长度的新信号序列；具体而言，m的取值范围是1600到2400，优选为2000。本步骤中固定长度的新信号序列，其长度为3993。如果长度为2m 1的信号序列的长度大于3993，则对其采用截断处理，即截断该信号序列末尾的元素使得该序列长度等于3993，如果长度为2m 1的信号序列的长度小于3993，则对其采用补零处理，即在该信号序列末尾补零使得该序列长度等于3993。(7)将步骤(6)得到的固定长度的信号序列输入到已训练好的一维卷积神经网络分类模型，并根据一维卷积神经网络分类模型输出的结果判断地下入侵信号的类别，设置计数器i＝i m，并返回步骤(4)；具体而言，如果一维卷积神经网络分类模型输出的结果为0，则表示地下入侵信号是步行信号，如果输出的结果为1，则表示地下入侵信号是挖掘信号。(8)设置计数器i＝i 1，并返回步骤(4)。本发明中的一维卷积神经网络分类模型是通过以下步骤训练得到的：(1)获取从当前时刻开始t时刻内的地下入侵信号，利用模数转换器对该地下入侵信号进行模数转换处理，以得到离散地下入侵信号序列；(2)设置计数器j＝1；(3)判断计数器j是否大于离散地下入侵信号序列的长度，如果是则进入步骤(8)，否则转入步骤(4)；(4)获取步骤(1)得到的离散地下入侵信号序列的第j个元素，并判断第j个元素是否大于等于预设阈值，如果是则进入步骤(5)，否则进入步骤(6)；具体而言，预设阈值的取值范围是1000到1500，优选等于1200。(5)在离散地下入侵信号序列中取该第j个元素的前n个和后n个元素构成信号序列，其中如果不存在前n个元素或后n个元素，则执行补零操作，以形成最终长度为2n 1的信号序列，并对得到的信号序列进行补零或截断处理，以得到固定长度的新信号序列，然后进入步骤(7)；具体而言，n的取值范围是1600到2400，优选为2000。本步骤中固定长度的新信号序列，其长度为3993。(6)设置计数器j＝j 1，并返回步骤(3)；(7)设置计数器j＝j n，并返回步骤(3)；(8)将得到的所有固定长度的新信号序列进行归一化处理，以得到多个归一化后的新信号序列；具体而言，归一化过程采用以下公式：归一化的目的是提高模型精度，加快网络学习速度。其中，x为固定长度的新信号序列中的一个元素，xmin为固定长度的新信号序列中的最小值，xmax为固定长度的新信号序列中的最大值。(9)将步骤(8)得到的多个归一化后的新信号序列按照9:1的比例划分为训练集和测试集，从所有训练集中取出n个数据集并输入一维卷积神经网络分类模型中，并使用反向传播算法对一维卷积神经网络分类模型中每层的权重参数进行更新和优化，使得损失值收敛，以得到训练好的一维卷积神经网络分类模型；其中n为自然数，其最小值为16，最大值为训练集的总数。如图3所示，对于本发明中的一维卷积神经网络分类模型而言，其包括输入层、输出层、3个一维的卷积层、3个一维的池化层、以及1个全连接层，其具体网络结构如下：第一层是输入层，对n个数据集构建输入层，输入大小为n*3993*1；第二层是卷积层，其输入的大小为n*3993*1的数据，使用8个大小为1*3的卷积核，以步长为3对输入数据做卷积，使用全0填充，得到的输出数据大小为n*1331*8，并输入到第三层；第三层是池化层，其输入的大小为n*1331*8的数据，使用大小为1*3的池化尺寸，以步长为2做最大池化操作，得到的输出数据大小为n*666*8，并输入到第四层；第四层是卷积层，其输入的大小为n*666*8的数据，使用16个大小为1*3的卷积核，以步长为3对输入数据做卷积，使用全0填充，得到的输出数据大小为n*222*16，并输入到第五层；第五层是池化层，其输入的大小为n*222*16的数据，使用大小为1*3的池化尺寸，以步长为2做最大池化操作，得到的输出数据大小为n*111*16，并输入到第六层；第六层是卷积层，其输入的大小为n*111*8的数据，使用32个大小为1*3的卷积核，以步长为3对输入数据做卷积，使用全0填充，得到的输出数据大小为n*37*32，并输入到第七层；第七层是池化层，其输入的大小为n*37*32的数据，使用大小为1*3的池化尺寸，以步长为2做最大池化操作，得到的输出数据大小为n*19*32，并输入到第八层；第八层是全连接层，将第七层输入的数据组合为一个大小为1*608的数据(一维数据)，该层共有128个神经元，每个神经元与大小为1*608的数据中的每个数据进行全连接，每个神经元输出一个数据，这样该层输出数据大小为n*128，并输入到第九层。第九层是输出层，共有2个神经元，输出数据大小为n*2，分别输出地下入侵信号是步行信号的概率、以及地下入侵信号是挖掘信号的概率。具体而言，在训练一维卷积神经网络分类模型时，第p个(其中p∈[1，3])卷积层输出量的计算公式为：其中，表示一维卷积神经网络分类模型中第p个卷积层的第s个特征向量；表示一维卷积神经网络分类模型第p-1个卷积层的第q个特征向量；*表示一维卷积运算；表示一维卷积神经网络分类模型中第p个卷积层中第q个特征向量的第s个权重参数，表示一维卷积神经网络分类模型中第p个卷积层的第s个偏置参数，σ(·)表示激活函数relu()。一维卷积神经网络分类模型中每层需要更新的参数包括权重参数和偏置参数，权重参数的初始值是使用了标准差为0.1的截断式正态分布输出的随机值，偏置参数的初始值为0。其中，一维卷积神经网络分类模型的损失值l为：其中k表示类别的个数(在本实施方式中，其为2)，tl,k表示第k类第l个归一化后的新信号序列输入一维卷积神经网络分类模型后的预测结果，yi,k表示第k类第l个归一化后的新信号序列对应的真实结果，k∈[1，k]，λ表示正则化程度，其取值为0.01，w是一维卷积神经网络分类模型的权重参数，其随着网络的训练而更新。为了加快损失值的下降速度，本发明采用了批梯度下降(batchgradientdescent)算法作为优化器对一维卷积神经网络分类模型的输出结果进行处理，处理的结果再作为一维卷积神经网络分类模型的输入，再得到一维卷积神经网络分类模型的输出结果，…，直到整个网络的损失值收敛为止。使用批梯度下降算法的目的，是由于该算法每次更新都会沿着正确方向收敛，保证收敛于极值点。本发明中训练过程中使用的损失值和分类准确率曲线如图2所示，按照变化曲线可以发现，最终测试集数据能够得到96％的分类准确率。测试结果将148个测试集样本输入到本方法训练好的一维卷积神经网络分类模型中，网络自动识别地下入侵信号类别并给出识别结果。如下表1所示，可以清楚地看出，与本发明“
背景技术：
”中提到的两种本领域所使用的地下入侵信号识别方法比较，本发明的识别准确率更高。表1方法识别准确率基于时频能量比特征的入侵事件识别方法94％基于richer子波神经网络的入侵事件识别方法95％本发明96％本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。当前第1页1 2 3
技术特征：1.一种田野文物保护系统中的地下入侵信号识别方法，其特征在于，包括以下步骤：
(1)从田野文物保护系统获取地下入侵信号，判断该地下入侵信号的幅值是否大于预设阈值，如果大于则进入步骤(2)，否则继续获取地下入侵信号，并重复本步骤；
(2)获取从当前时刻开始t时刻内的地下入侵信号，利用模数转换器对该地下入侵信号进行模数转换处理，以得到离散地下入侵信号序列；
(3)设置计数器i＝1；
(4)判断计数器i是否大于步骤(2)得到的离散地下入侵信号序列的总长度，如果是则过程结束，否则转入步骤(5)；
(5)判断步骤(2)得到的离散地下入侵信号序列的第i个元素是否大于等于预设阈值，如果是则进入步骤(6)，否则进入步骤(8)；
(6)取离散地下入侵信号序列的第i个元素的前m个元素和后m个元素组成信号序列，其中如果不存在前m个元素或后m个元素，则执行补零操作，以形成最终长度为2m 1的信号序列，并对得到的信号序列进行补零或截断处理，以得到固定长度的新信号序列，其中m的取值范围是1600到2400；
(7)将步骤(6)得到的固定长度的信号序列输入到已训练好的一维卷积神经网络分类模型，并根据一维卷积神经网络分类模型输出的结果判断地下入侵信号的类别，设置计数器i＝i m，并返回步骤(4)；
(8)设置计数器i＝i 1，并返回步骤(4)。
2.根据权利要求1所述的地下入侵信号识别方法，其特征在于，
步骤(1)中的预设阈值的取值范围是1到3.3伏，优选等于1.5；
步骤(2)中t的取值范围是8到12秒，优选为10秒；
步骤(5)中预设阈值的取值范围是1000到1500，优选为1200。
3.根据权利要求1所述的地下入侵信号识别方法，其特征在于，
步骤(6)中固定长度的新信号序列其长度为3993；
如果长度为2m 1的信号序列的长度大于3993，则步骤(6)是对其采用截断处理，即截断该信号序列末尾的元素使得该序列长度等于3993，如果长度为2m 1的信号序列的长度小于3993，则步骤(6)是对其采用补零处理，即在该信号序列末尾补零使得该序列长度等于3993。
4.根据权利要求1所述的地下入侵信号识别方法，其特征在于，步骤(7)中，如果一维卷积神经网络分类模型输出的结果为0，则表示地下入侵信号是步行信号，如果输出的结果为1，则表示地下入侵信号是挖掘信号。
5.根据权利要求1所述的地下入侵信号识别方法，其特征在于，一维卷积神经网络分类模型是通过以下步骤训练得到的：
(1-1)获取从当前时刻开始t时刻内的地下入侵信号，利用模数转换器对该地下入侵信号进行模数转换处理，以得到离散地下入侵信号序列；
(1-2)设置计数器j＝1；
(1-3)判断计数器j是否大于离散地下入侵信号序列的长度，如果是则进入步骤(1-8)，否则转入步骤(1-4)；
(1-4)获取步骤(1-1)得到的离散地下入侵信号序列的第j个元素，并判断第j个元素是否大于等于预设阈值，如果是则进入步骤(1-5)，否则进入步骤(1-6)；
(1-5)在离散地下入侵信号序列中取该第j个元素的前n个和后n个元素构成信号序列，其中如果不存在前n个元素或后n个元素，则执行补零操作，以形成最终长度为2n 1的信号序列，并对得到的信号序列进行补零或截断处理，以得到固定长度的新信号序列，然后进入步骤(1-7)，其中n的取值范围是1600到2400；
(1-6)设置计数器j＝j 1，并返回步骤(1-3)；
(1-7)设置计数器j＝j n，并返回步骤(1-3)；
(1-8)将得到的所有固定长度的新信号序列进行归一化处理，以得到多个归一化后的新信号序列；
(1-9)将步骤(1-8)得到的多个归一化后的新信号序列按照9:1的比例划分为训练集和测试集，从所有训练集中取出n个数据集并输入一维卷积神经网络分类模型中，并使用反向传播算法对一维卷积神经网络分类模型中每层的权重参数进行更新和优化，使得损失值收敛，以得到训练好的一维卷积神经网络分类模型；其中n为自然数，其最小值为16，最大值为训练集的总数。
6.根据权利要求5所述的地下入侵信号识别方法，其特征在于，步骤(1-8)的归一化过程采用以下公式：
其中，x为固定长度的新信号序列中的一个元素，xmin为固定长度的新信号序列中的最小值，xmax为固定长度的新信号序列中的最大值。
7.根据权利要求5或6所述的地下入侵信号识别方法，其特征在于，
一维卷积神经网络分类模型包括输入层、输出层、3个卷积层、3个池化层、以及1个全连接层，其具体网络结构如下：
第一层是输入层，对n个数据集构建输入层，输入大小为n*3993*1；
第二层是卷积层，其输入的大小为n*3993*1的数据，使用8个大小为1*3的卷积核，以步长为3对输入数据做卷积，使用全0填充，得到的输出数据大小为n*1331*8，并输入到第三层；
第三层是池化层，其输入的大小为n*1331*8的数据，使用大小为1*3的池化尺寸，以步长为2做最大池化操作，得到的输出数据大小为n*666*8，并输入到第四层；
第四层是卷积层，其输入的大小为n*666*8的数据，使用16个大小为1*3的卷积核，以步长为3对输入数据做卷积，使用全0填充，得到的输出数据大小为n*222*16，并输入到第五层；
第五层是池化层，其输入的大小为n*222*16的数据，使用大小为1*3的池化尺寸，以步长为2做最大池化操作，得到的输出数据大小为n*111*16，并输入到第六层；
第六层是卷积层，其输入的大小为n*111*8的数据，使用32个大小为1*3的卷积核，以步长为3对输入数据做卷积，使用全0填充，得到的输出数据大小为n*37*32，并输入到第七层；
第七层是池化层，其输入的大小为n*37*32的数据，使用大小为1*3的池化尺寸，以步长为2做最大池化操作，得到的输出数据大小为n*19*32，并输入到第八层；
第八层是全连接层，将第七层输入的数据组合为一个大小为1*608的数据，该层共有128个神经元，每个神经元与大小为1*608的数据中的每个数据进行全连接，每个神经元输出一个数据，这样该层输出数据大小为n*128，并输入到第九层。
第九层是输出层，共有2个神经元，输出数据大小为n*2，分别输出地下入侵信号是步行信号的概率、以及地下入侵信号是挖掘信号的概率。
8.根据权利要求7所述的地下入侵信号识别方法，其特征在于，在训练一维卷积神经网络分类模型时，第p个卷积层输出量的计算公式为：
其中n∈[1，3]，表示一维卷积神经网络分类模型中第p个卷积层的第s个特征向量；表示一维卷积神经网络分类模型第p-1个卷积层的第q个特征向量；*表示一维卷积运算；表示一维卷积神经网络分类模型中第p个卷积层中第q个特征向量的第s个权重参数，表示一维卷积神经网络分类模型中第p个卷积层的第s个偏置参数，σ(·)表示激活函数relu()。
9.根据权利要求7所述的地下入侵信号识别方法，其特征在于，
一维卷积神经网络分类模型中每层需要更新的参数包括权重参数和偏置参数，权重参数的初始值是使用了标准差为0.1的截断式正态分布输出的随机值，偏置参数的初始值为0；
一维卷积神经网络分类模型的损失值l为：
其中k表示类别的个数，tl,k表示第k类第l个归一化后的新信号序列输入一维卷积神经网络分类模型后的预测结果，yi,k表示第k类第l个归一化后的新信号序列对应的真实结果，k∈[1，k]，λ表示正则化程度，其取值为0.01，w是一维卷积神经网络分类模型的权重参数，其随着网络的训练而更新。
10.一种田野文物保护系统中的地下入侵信号识别系统，其特征在于，包括：
第一模块，用于从田野文物保护系统获取地下入侵信号，判断该地下入侵信号的幅值是否大于预设阈值，如果大于则进入第二模块，否则继续获取地下入侵信号，并重复本模块；
第二模块，用于获取从当前时刻开始t时刻内的地下入侵信号，利用模数转换器对该地下入侵信号进行模数转换处理，以得到离散地下入侵信号序列；
第三模块，用于设置计数器i＝1；
第四模块，用于判断计数器i是否大于第二模块得到的离散地下入侵信号序列的总长度，如果是则过程结束，否则转入第五模块；
第五模块，用于判断第二模块得到的离散地下入侵信号序列的第i个元素是否大于等于预设阈值，如果是则进入第六模块，否则进入第八模块；
第六模块，用于取离散地下入侵信号序列的第i个元素的前m个元素和后m个元素组成信号序列，其中如果不存在前m个元素或后m个元素，则执行补零操作，以形成最终长度为2m 1的信号序列，并对得到的信号序列进行补零或截断处理，以得到固定长度的新信号序列，其中m的取值范围是1600到2400；
第七模块，用于将第六模块得到的固定长度的信号序列输入到已训练好的一维卷积神经网络分类模型，并根据一维卷积神经网络分类模型输出的结果判断地下入侵信号的类别，设置计数器i＝i m，并返回第四模块；
第八模块，用于设置计数器i＝i 1，并返回第四模块。
技术总结本发明公开了一种田野文物保护系统中的地下入侵信号识别方法，属于深度学习和模式识别领域。包括：对监测到的地下入侵信号做预处理，将其作为卷积神经网络的输入样本；根据待识别的地下入侵信号的类别，将信号样本及其对应的类别分别构建为训练集数据和测试集数据，利用构建的训练集数据训练构建的神经网络；根据训练好的卷积神经网络，对每个预处理后的测试集数据信号样本进行识别，得到计算后的信号的类别，并与正确结果对比。本发明基于一维卷积神经网络分类模型进行地下入侵信号分类识别，克服了传统的人为监测来进行预警的缺点，而且对地下入侵信号的识别具有普适性和灵活性，并且提高了识别的准确率。
技术研发人员：石鸿凌;刘俊辰;丁昊;江小平;李成华;何湘竹
受保护的技术使用者：中南民族大学;武汉旗云高科信息技术有限公司
技术研发日：2020.01.13
技术公布日：2020.06.05
