1．目的及意义

1.1 研究目的及意义

信息技术高速发展，各行各业积累了大量的数据，人类社会已经进入到大数据时代。数据挖掘是当前最流行的数据分析技术之一，通过数据挖掘，可以将潜在有用的信息从数据中提取出来，建立计算机程序以发现规律或者模式，从而达到对数据进行识别、预测和分类等目的。

随着分布式光纤传感技术的高速发展，光纤传感系统的数据量在也不断提升，其中包含了各类振动信号数据。作为研究对象的光纤光栅振动信号，其复杂程度不亚于任何的动态信号^[1]，在实际应用中，通过传统方式对振动信号数据集进行识别和分类效率低下，那么通过构建算法模型实现对各类信号的自动化识别和分类就显得尤为重要。

研究的意义在于相较于传统识别方式，提高了光纤光栅振动信号自动化识别的分类效率和分类准确度。

1.2 国内外研究现状

光纤光栅振动信号由于振动信号的随机性、非平稳性，致使振动信号具有较大的不确定性，其复杂程度不亚于任何的动态信号，所以在对各种振动信号的识别中容易产生误报现象^[2-3]。然而随着信号处理技术和模式识别方法的不断进步，光纤光栅振动信号的识别研究取得了较大进展。这些研究主要集中在以下两个方面：（1）采用光纤信号预处理和特征提取方法，主要是通过小波分析法降噪，然后提取时域或频域特征。由于信号的峰值、功率谱和频带能量等特征容易受到高斯噪声的影响^[4]，小波方法处理中会造成对信号本质特征的模糊提取和线性稳态的缺陷问题；（2）采用经典的分类识别方法，如支持向量机方法或经验阈值法^[5]，使用这些方法的模型训练效果较好，但当光纤振动信号受到外界噪声影响时，容易导致正确识别率下降。

近年来，决策树与随机森林算法由于具有分类精度高，运算速度快，鲁棒性好等特点，被广泛应用于各类数据分类任务中^[6]。随机森林（Random Forest,RF）算法是由美国科学院院Leo Breimam在2001年提出的一种继承机器学习方法，Breimam从理论上证明了随机森林中的基分类器（决策树）的分类强度以及基分类器之间的相关度，基分类器的分类性越好、基分类器之间的相关性就越弱，则随机森林的分类性就越好。从此RF正式成为数据挖掘算法中的重要组成部分部分之一，并应用于众多领域。

在金融领域方面，为了使高校财务管理更加科学，将数据仓库、数据挖掘技术和决策支持系统等技术应用到高校事务决策中。金茂珠等人^[7]针对高校财务管理系统生成的大量财务数据，采用决策树算法实现高校财务管理与决策，为高校的管理提供了有效的支持，使高校财务管理和决策更加方便有效；在遥感地理方面，PO Gislason^[8]等人将随机森林算法应用到遥感信息处理的目标检测、土地覆盖分类和变化检测三个重要方面；另外随机森林算法在机械设备故障诊断^[9]、交通事件估计^[10]、医学病理数据分析^[11]等领域，也取得了比较满意的结果。{title}

2. 研究的基本内容与方案

{title}

2.1 研究的基本内容

本课题希望实现基于决策树与随机森林的光纤光栅振动信号的识别与分类系统。借助于官方提供的开源库，搭建系统平台对各类振动信号进行特征提取、训练和测试，实现光纤光栅振动信号的识别与分类，并对分类结果进行验证。

2.2 研究目标