CN104751580B - 分布式光纤传感信号模式识别方法及系统 - Google Patents
分布式光纤传感信号模式识别方法及系统 Download PDFInfo
- Publication number
- CN104751580B CN104751580B CN201510162887.9A CN201510162887A CN104751580B CN 104751580 B CN104751580 B CN 104751580B CN 201510162887 A CN201510162887 A CN 201510162887A CN 104751580 B CN104751580 B CN 104751580B
- Authority
- CN
- China
- Prior art keywords
- sample
- signal
- characteristic vector
- storehouse
- grader
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/02—Mechanical actuation
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种分布式光纤传感信号模式识别方法及系统,其中方法包括以下步骤:样本采集,对每种行为激励信号,各自采集多组样本,得到样本库;样本粗筛选,对采集到的样本库进行筛选,剔除离散度大的样本;样本细筛选,利用经过筛选后的样本库,训练生成用于信号模式识别的分类器,并存储;信号模式识别,对新触发读入的一段信号数据,计算其特征向量,将特征向量经过已存储好的分类器计算后,得到模式识别结果。本发明可在信号带有噪声或变形的情况下,能够有效识别入侵或破坏信号,同时减少误报。
Description
技术领域
本发明涉及信号模式识别领域,尤其涉及一种分布式光纤传感信号模式识别方法及系统。
背景技术
分布式光纤传感是利用光纤的一维空间连续性进行测量的技术。光纤既作为传感元件,又作为传输元件,可在整个光纤长度上对沿光纤几何路径分布的环境物理参量进行连续实时的测量,非常适合较大空间范围,如输油管道、通信干线、周界安防、森林防火等场合的测量。其技术优势是敏感度高、成本低、连续实时、监控距离长、隐蔽性高、抗电磁等环境因素干扰。
虽然分布式光纤传感对于外界触发源信号的敏感度较高,但是仅凭监控有无触发源是难以满足安防性能需求的,需要判别触发系统监控区域的具体行为信息。此外,当系统的触发源并不是入侵或破坏行为,而只是小动物或自然环境的影响时,频繁的误报会造成系统和人力资源的浪费。目前,多采用的是单阈值或联合阈值等方法判断,然而分布式光纤传感器的实际应用环境范围广而且复杂多样,信号易受影响具有一定的随机性,仅凭阈值判断会使监测识别发生较高的误报警率。专利号为201010523552.2的《光纤周界系统的振动信号识别方法》提出引入更多特征参数作为振动信号判断的阈值;专利号为201310672088.7的《干涉型光纤周界振动入侵识别算法》增加了对原始信号模态分解处理,同时采用多特征值门限检测方式;专利号为201310410322.9的《一种新型振动入侵探测行为特征识别算法》采用向量空间相似度算法输出识别行为和置信概率;专利号为201410140433.7的《基于模糊域特征的光纤振动信号识别方法》提出一种基于模糊域特征的识别方法;专利号为201410348394.X的《光纤传感系统的入侵信号识别方法》依据信号峰穿越浮动阈值的次数来识别入侵信号。这些方法侧重于特征和阈值的计算与判别,但没有关注所用参考样本自身对分类效果的影响,以及识别方法的应用环境适应性。
发明内容
本发明要解决的技术问题在于:在复杂多变的应用环境中,使得分布式光纤传感系统在识别入侵或破坏行为的同时,减少或避免误报。利用有监督模式识别算法的自学习、自适应、容错性好等优势,同时考虑到参考样本自身质量对分类算法泛化能力的影响,并基于概率统计的思路,提出一种可适用于对分布式光纤传感信号进行模式识别的方法及系统。
本发明解决其技术问题所采用的技术方案是:
提供一种分布式光纤传感信号模式识别方法,包括以下步骤:
S1、样本采集,对每种行为激励信号,各自采集多组样本,并计算预设的多种特征参数,组成特征向量,得到特征样本库;
S2、样本粗筛选,对采集到的样本库进行筛选,剔除离散度大的样本;
S3、样本细筛选,利用经过粗筛选后的样本库,训练生成用于信号模式识别的分类器,并存储;
S4、信号模式识别,对新触发读入的一段信号数据,计算其特征向量,将特征向量经过已存储好的分类器计算后,得到模式识别结果。
本发明所述的方法中,步骤S1中,其中一个样本采集的具体过程为:人为界定需要识别的行为并进行相应激励,当外界振动信号幅度大于预先设置的信号触发阈值时,根据预设时间长度读入一段信号数据,计算设定好的多种特征参数,组成特征向量,存为一个样本。
本发明所述的方法中,步骤S1中在根据预设时间长度读入一段信号数据时,同时采集这个预设时间长度的前一秒和之后几秒数据,以保证采集信号的完整。
本发明所述的方法中,步骤S2具体为:
S21.用所有采集到的样本训练出一个分类器,再用该分类器对采集的样本自身进行模式分类测试,记录此次被错误识别的样本序号;所述分类器为单隐含层MLP网络结构;
S22.重复步骤S21五次以上,记录每次被错误识别的样本序号;
S23.对步骤S22记录的几次结果求交集,找出每次都被错误识别的样本,将这些样本从样本库中剔除。
本发明所述的方法中,步骤S3重复多次,得到多个分类器并存储;步骤S4中,将特征向量经过已存储好的多个分类器同时计算,根据计算结果的统计概率,得到最终的模式识别结果,允许存在判别为“未知”的情况,以减少误判。
本发明所述的方法中,根据应用环境的不同,对读入数据时间长度、分类器中的训练参数以及特征向量进行随时的人工调整。
本发明还提供了一种分布式光纤传感信号模式识别系统,包括:
样本采集模块,用于对每种行为激励信号,各自采集多组样本,得到样本库;
样本粗筛选模块,用于对采集到的样本库进行筛选,剔除离散度大的样本;
样本细筛选模块,用于利用经过筛选后的样本库,训练生成用于信号模式识别的分类器,并存储;
信号模式识别模块,用于对新触发读入的一段信号数据,计算其特征向量,将特征向量经过已存储好的分类器计算后,得到模式识别结果。
本发明所述的系统中,所述样本采集模块具体用于根据人为界定需要识别的行为并进行相应激励,当外界振动信号幅度大于预先设置的信号触发阈值时,根据预设时间长度读入一段信号数据,计算设定好的多种特征参数,组成特征向量,存为一个样本;所述样本采集模块还用于在根据预设时间长度读入一段信号数据时,同时采集这个预设时间长度的前一秒和之后几秒数据,以保证采集信号的完整。
本发明所述的系统中,所述样本粗筛选模块具体包括:
筛选错误识别样本号子模块,用于用所有采集到的样本训练出一个分类器,再用该分类器对采集的样本自身进行模式分类测试,重复五次以上;所述分类器为单隐含层MLP网络结构;
错误样本序号记录子模块,用于记录每次被错误识别的样本序号;
错误样本剔除子模块,用于对记录的几次结果求交集,找出每次都被错误识别的样本,将这些样本从样本库中剔除。
本发明所述的系统中,所述样本细筛选模块还用于利用经过筛选后的样本库,多次训练生成多个分类器并存储;
所述信号模式识别模块还用于将特征向量经过已存储好的多个分类器同时计算,根据计算结果的统计概率,得到最终的模式识别结果,允许存在判别为“未知”的情况,以减少误判。
本发明产生的有益效果是:本发明基于实际工程应用的考虑,在采集样本的数量比例和分布规律难以确定的情况下,利用模式分类器自身对样本进行筛选,以保证之后训练生成分类器的容错性、准确性和泛化能力,此筛选方法简单有效。同时,利用有监督模式识别算法良好的自学习、自适应和非线性映射能力,并且基于概率统计的思路,可对分布式光纤振动传感信号进行有效识别,环境适应性好,误识别率低。可在信号带有噪声或变形的情况下,识别入侵或破坏信号同时减少误报警。可以应对复杂多样的应用环境。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例分布式光纤传感信号模式识别方法流程图;
图2是本发明另一实施例样本筛选和训练存储分类器模块示意图;
图3是本发明另一实施例分布式光纤传感信号模式识别方法流程图;
图4A是本发明实施例某次实测的车经过引起的振动信号的时域波形图;
图4B是本发明实施例某次实测的人行走引起的振动信号的时域波形图;
图4C是本发明实施例某次实测的人敲击引起的振动信号的时域波形图;
图5是本发明实施例分布式光纤传感信号模式识别系统结构示意图。
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用以解释本发明,并不用于限定本发明。
本发明的分布式光纤传感信号模式识别方法,可在信号带有噪声或变形的情况下,能够有效识别入侵或破坏信号,同时减少误报。
本发明实施例的分布式光纤传感信号模式识别方法,如图1所示,包括以下步骤:
S1、样本采集,对每种行为激励信号,各自采集多组样本,得到样本库;在采集其中一个样本时,可人为界定需要识别的行为并进行相应激励,当外界振动信号幅度大于预先设置的信号触发阈值时,根据预设时间长度读入一段信号数据,计算设定好的多种特征参数,组成特征向量,存为一个样本,
S2、样本粗筛选,对采集到的样本库进行筛选,剔除离散度大的样本;可利用BP神经网络,
S3、样本细筛选,利用经过筛选后的样本库,训练生成用于信号模式识别的分类器,并存储;分类器可以为多层感知器、多项式分类器、BP神经网络分类器、RBF神经网络分类器、支持向量机分类器、决策树分类器、贝叶斯分类器等有监督模式识别算法的分类器。
S4、信号模式识别,对新触发读入的一段信号数据,计算其特征向量,将特征向量经过已存储好的分类器计算后,得到模式识别结果。
其中,步骤S1中,在根据预设时间长度读入一段信号数据时,同时采集这个预设时间长度的前一秒和之后几秒数据,以保证采集信号的完整。
本发明的另一实施例中,分布式光纤传感信号模式识别方法主要包括以下步骤:
1、样本采集,由分布式光纤振动传感系统采集信号,经小波滤波抑制系统背景噪声,在本实施例中,选用5阶Daubechies小波基,对原始数据进行7层分解。人为界定需要识别的行为并进行相应激励,需要识别的行为激励信号是:车经过、人行走和人敲击等3种,当信号达到触发阈值时,采集这个时间点的前一秒和之后四秒数据,以保证采集信号的完整,采集一段信号数据的时间长度为五秒。计算设定好的6种特征参数,需要计算的特征参数包括:时域均值、时域能量、频域能量、能量变换率、裕度系数和Lipschitz常数,组成特征向量,存为一个样本。对于每种行为激励信号,各自至少采集100组样本,建立样本库。
2、样本粗筛选,考虑到参考样本对分类器的泛化性能的影响,本发明提出了利用选定的模式分类器自身对采集到的样本库进行粗筛选的方法,用以剔除样本库中的奇异数据,此步骤除了可起到降低计算代价,加快学习速度的作用之外,还可避免过拟合现象的发生,以保证之后训练生成的分类器的容错性、准确性和泛化能力。此筛选方法基于实际工程应用的考虑,在采集样本的数量比例和分布规律难以确定的情况下,对参考样本进行简单有效的筛选。
利用所选定的模式分类器对采集到的样本库进行筛选,具体步骤为:
2a.用所有采集到的样本训练一个分类器,再用这个分类器对这些样本自身进行模式分类测试,记录此次被错误识别的样本序号;
2b.重复步骤2a五次,记录每次被错误识别的样本序号;
2c.统计步骤2b记录的五次结果,求交集,找出每次都被错误识别的样本,将这些样本从样本库中剔除。
3、样本细筛选,考虑到参考样本对分类器的泛化性能的影响,本发明提出了利用选定的模式分类器自身对采集到的样本库进行细筛选的方法,用以应对样本库中的边界数据。具体步骤为:
3a.用经过步骤2粗筛选后的样本库训练一个分类器,再用这个分类器对这些样本自身进行模式分类测试,记录此次被错误识别的样本序号;
3b.重复步骤3a五次,记录每次被错误识别的样本序号;
3c.统计步骤3b记录的五次结果,找到出现三次及以上的样本,将这些样本从样本库中剔除。
4、利用经过步骤3细筛选后的样本库,生成并存储一个用于信号模式识别的分类器。再将样本库还原为经过步骤2粗筛选后的状态,重复步骤3细筛选和步骤4训练分类器过程,存储多个分类器。在本实施例中,采用单隐含层MLP网络结构,存储有5个分类器。重复步骤3和步骤4的目的是为了应对样本库中的边界数据,避免过度删除,而存储多个网络同时进行计算和判断可以在概率上提高分类效果的稳定性。
5、信号模式识别,经小波滤波后新读入的一段信号数据计算特征向量,此特征向量经过已存储好的5个分类器同时计算后,根据识别结果的统计概率,得到最终的模式识别结果。在本实施例中,识别规则定为:当有新特征样本输入时,5个分类器同时判断,当有半数以上(3个及以上)判断结果一致时,再给出最终结果,若不满足识别规则所定的条件,可以判别为“未知”,以减少误判。
可人为设定需要报警的行为,当某种特定行为的信号出现并被识别时,根据已有的设置,判断是否输出报警信号。如“人敲击”需报警,而“人行走”和“车经过”不报警。
当触发信号识别为“未知”时,若信号幅度超过预先设定的报警阈值,则输出报警信号,标记为“未知”,并存储这段信号的信息,供以后分析。
基于本方法,对新输入的50段车经过、150段人行走和150段人敲击触发信号进行模式分类结果统计,识别正确率如下:
样本类别 | “车经过”正确率 | “人行走”正确率 | “人敲击”正确率 |
正确率 | 98% | 99.33% | 99.33% |
由以上统计结果,本方法对于不同类别信号的识别正确率可以满足一般工程应用的要求。
本发明实施例分布式光纤传感信号模式识别系统,如图5所示,包括:
样本采集模块10,用于根据人为界定需要识别的行为并进行相应激励,当外界振动信号幅度大于预先设置的信号触发阈值时,根据预设时间长度读入一段信号数据,计算设定好的多种特征参数,组成特征向量,存为一个样本,对于每种行为激励信号,各自采集多组样本,得到样本库;
样本粗筛选模块20,用于对采集到的样本库进行筛选,剔除离散度大的样本;
样本细筛选模块30,用于利用经过筛选后的样本库,训练生成用于信号模式识别的分类器,并存储;
信号模式识别模块40,用于对新触发读入的一段信号数据,计算其特征向量,将特征向量经过已存储好的BP神经网络分类器计算后,得到模式识别结果。
样本采集模块10还用于在根据预设时间长度读入一段信号数据时,同时采集这个预设时间长度的前一秒和之后几秒数据,以保证采集信号的完整。
样本粗筛选模块20具体包括:
筛选错误识别样本号子模块,用于用所有采集到的样本训练出一个分类器,可选用单隐含层MLP网络结构,由输入层、隐含层、输出层组成。
错误样本序号记录子模块,用于记录每次被错误识别的样本序号;
错误样本剔除子模块,用于对记录的几次结果求交集,找出每次都被错误识别的样本,将这些样本从样本库中剔除。
样本细筛选模块30还用于利用经过筛选后的样本库,多次训练生成多个分类器并存储;
信号模式识别模块40还用于将特征向量经过已存储好的多个分类器同时计算,根据计算结果的统计概率,得到最终的模式识别结果,允许存在判别为“未知”的情况,以减少误判。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种分布式光纤传感信号模式识别方法,其特征在于,包括以下步骤:
S1、样本采集,对每种行为激励信号,各自采集多组样本,并计算预设的多种特征参数,组成特征向量,得到特征样本库;
S2、样本粗筛选,对采集到的样本库进行筛选,剔除离散度大的样本;
S3、样本细筛选,利用经过粗筛选后的样本库,训练生成用于信号模式识别的分类器,并存储;
S4、信号模式识别,对新触发读入的一段信号数据,计算其特征向量,将特征向量经过已存储好的分类器计算后,得到模式识别结果;
其中,步骤S2具体为:
S21.用所有采集到的样本训练出一个分类器,再用该分类器对采集的样本自身进行模式分类测试,记录此次被错误识别的样本序号;所述分类器为单隐含层MLP网络结构;
S22.重复步骤S21五次以上,记录每次被错误识别的样本序号;
S23.对步骤S22记录的几次结果求交集,找出每次都被错误识别的样本,将这些样本从样本库中剔除。
2.根据权利要求1所述的方法,其特征在于,步骤S1中,其中一个样本采集的具体过程为:人为界定需要识别的行为并进行相应激励,当外界振动信号幅度大于预先设置的信号触发阈值时,根据预设时间长度读入一段信号数据,计算设定好的多种特征参数,组成特征向量,存为一个样本。
3.根据权利要求2所述的识别方法,其特征在于,步骤S1中在根据预设时间长度读入一段信号数据时,同时采集这个预设时间长度的前一秒和之后几秒数据,以保证采集信号的完整。
4.根据权利要求1所述的方法,其特征在于,步骤S3重复多次,得到多个分类器并存储;步骤S4中,将特征向量经过已存储好的多个分类器同时计算,根据计算结果的统计概率,得到最终的模式识别结果,允许存在判别为“未知”的情况,以减少误判。
5.根据权利要求1所述的方法,其特征在于,根据应用环境的不同,对读入数据时间长度、分类器的特征参数以及特征向量进行随时的人工调整。
6.一种分布式光纤传感信号模式识别系统,其特征在于,包括:
样本采集模块,用于对每种行为激励信号,各自采集多组样本,得到样本库;
样本粗筛选模块,用于对采集到的样本库进行筛选,剔除离散度大的样本;
样本细筛选模块,用于利用经过筛选后的样本库,训练生成用于信号模式识别的分类器,并存储;
信号模式识别模块,用于对新触发读入的一段信号数据,计算其特征向量,将特征向量经过已存储好的分类器计算后,得到模式识别结果;
其中,所述样本粗筛选模块具体包括:
筛选错误识别样本号子模块,用于用所有采集到的样本训练出一个分类器,再用该分类器对采集的样本自身进行模式分类测试,重复五次以上;所述分类器为单隐含层MLP网络结构;
错误样本序号记录子模块,用于记录每次被错误识别的样本序号;
错误样本剔除子模块,用于对记录的几次结果求交集,找出每次都被错误识别的样本,将这些样本从样本库中剔除。
7.根据权利要求6所述的系统,其特征在于,所述样本采集模块具体用于根据人为界定需要识别的行为并进行相应激励,当外界振动信号幅度大于预先设置的信号触发阈值时,根据预设时间长度读入一段信号数据,计算设定好的多种特征参数,组成特征向量,存为一个样本;所述样本采集模块还用于在根据预设时间长度读入一段信号数据时,同时采集这个预设时间长度的前一秒和之后几秒数据,以保证采集信号的完整。
8.根据权利要求6所述的系统,其特征在于,所述样本细筛选模块还用于利用经过筛选后的样本库,多次训练生成多个分类器并存储;
所述信号模式识别模块还用于将特征向量经过已存储好的多个分类器同时计算,根据计算结果的统计概率,得到最终的模式识别结果,允许存在判别为“未知”的情况,以减少误判。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510162887.9A CN104751580B (zh) | 2015-04-08 | 2015-04-08 | 分布式光纤传感信号模式识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510162887.9A CN104751580B (zh) | 2015-04-08 | 2015-04-08 | 分布式光纤传感信号模式识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104751580A CN104751580A (zh) | 2015-07-01 |
CN104751580B true CN104751580B (zh) | 2017-07-11 |
Family
ID=53591193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510162887.9A Active CN104751580B (zh) | 2015-04-08 | 2015-04-08 | 分布式光纤传感信号模式识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104751580B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184319B (zh) * | 2015-09-02 | 2019-07-30 | 同方威视技术股份有限公司 | 光纤周界入侵信号的识别方法、装置及周界入侵报警系统 |
CN105608822B (zh) * | 2015-12-25 | 2021-09-14 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 铁路周界入侵振动光纤报警方法及装置 |
CN105703832B (zh) * | 2016-03-01 | 2018-08-31 | 深圳艾瑞斯通技术有限公司 | 一种光纤信号处理方法及装置 |
CN107576380A (zh) * | 2017-09-20 | 2018-01-12 | 北京邮电大学 | 一种面向φ‑otdr技术的三维振动信号分类方法 |
CN108932480B (zh) * | 2018-06-08 | 2022-03-15 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
CN109064696A (zh) * | 2018-08-17 | 2018-12-21 | 成都九洲电子信息系统股份有限公司 | 基于深度学习实现的光纤周界安防系统 |
CN109614744B (zh) * | 2018-12-28 | 2022-11-22 | 浙江理工大学 | 一种基于大数据的降水量检测方法及系统 |
CN112071009B (zh) * | 2019-06-11 | 2023-01-03 | 中国石油化工股份有限公司 | 光纤管道预警系统及其方法 |
CN110335430A (zh) * | 2019-06-19 | 2019-10-15 | 中国科学院自动化研究所 | 基于深度学习的管道安全监测系统、方法和装置 |
CN112241664A (zh) * | 2019-07-18 | 2021-01-19 | 顺丰科技有限公司 | 人脸识别方法、装置、服务器及存储介质 |
CN112307821A (zh) * | 2019-07-29 | 2021-02-02 | 顺丰科技有限公司 | 一种视频流处理方法、装置、设备及存储介质 |
CN110631682A (zh) * | 2019-09-26 | 2019-12-31 | 华北水利水电大学 | 一种电缆隧道承重体应变安全监测方法 |
CN110631683A (zh) * | 2019-09-26 | 2019-12-31 | 华北水利水电大学 | 一种建筑刚性件应变安全监测方法 |
CN112542046B (zh) * | 2020-12-07 | 2022-03-11 | 无锡科晟光子科技有限公司 | 基于das的长距离管道重型车辆预警监测方法 |
CN114268365B (zh) * | 2021-12-02 | 2023-07-11 | 国网甘肃省电力公司酒泉供电公司 | 一种基于可视化技术的通信光缆智能预警方法及系统 |
CN114495393B (zh) * | 2022-02-28 | 2023-06-16 | 中国人民公安大学 | 一种基于物联网的地下异常振动安全监测系统 |
CN114624336B (zh) * | 2022-05-16 | 2022-09-02 | 四川升拓检测技术股份有限公司 | 基于轮式隔音的冲击回波声频法的信号检测装置及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6289328B2 (en) * | 1998-04-17 | 2001-09-11 | The United States Of America As Represented By The Secretary Of The Navy | Chemical sensor pattern recognition system and method using a self-training neural network classifier with automated outlier detection |
CN102663032A (zh) * | 2012-03-26 | 2012-09-12 | 电子科技大学 | 一种光纤光栅围栏入侵事件模式识别方法 |
CN103236127A (zh) * | 2013-05-06 | 2013-08-07 | 无锡成电光纤传感科技有限公司 | 一种光纤围栏入侵监测系统及其模式识别方法 |
CN103968933A (zh) * | 2014-04-09 | 2014-08-06 | 西安电子科技大学 | 基于模糊域特征的光纤振动信号识别方法 |
-
2015
- 2015-04-08 CN CN201510162887.9A patent/CN104751580B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6289328B2 (en) * | 1998-04-17 | 2001-09-11 | The United States Of America As Represented By The Secretary Of The Navy | Chemical sensor pattern recognition system and method using a self-training neural network classifier with automated outlier detection |
CN102663032A (zh) * | 2012-03-26 | 2012-09-12 | 电子科技大学 | 一种光纤光栅围栏入侵事件模式识别方法 |
CN103236127A (zh) * | 2013-05-06 | 2013-08-07 | 无锡成电光纤传感科技有限公司 | 一种光纤围栏入侵监测系统及其模式识别方法 |
CN103968933A (zh) * | 2014-04-09 | 2014-08-06 | 西安电子科技大学 | 基于模糊域特征的光纤振动信号识别方法 |
Non-Patent Citations (1)
Title |
---|
基于特征筛选的加权SVM 入侵检测系统;王耀普,潘晓中;《计算机安全》;20140131;参加正文1-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104751580A (zh) | 2015-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104751580B (zh) | 分布式光纤传感信号模式识别方法及系统 | |
CN110570613A (zh) | 基于分布式光纤系统的围栏振动入侵定位和模式识别方法 | |
Godino-Llorente et al. | Automatic detection of voice impairments by means of short-term cepstral parameters and neural network based detectors | |
CN107422643A (zh) | 基于振动检测的智能家居监控方法及系统 | |
CN109754012A (zh) | 实体语义关系分类方法、模型训练方法、装置及电子设备 | |
CN109272017A (zh) | 分布式光纤传感器的振动信号模式识别方法和系统 | |
CN104766099B (zh) | 基于图像的分布式光纤周界振动信号处理与识别方法 | |
JPWO2020138154A1 (ja) | 光ファイバ信号の特徴に基づき振動を検知及び識別し且つ時空間を特定する方法及びシステム | |
CN114563150B (zh) | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 | |
CN110456320A (zh) | 一种基于自由空间步态时序特征的超宽带雷达身份识别方法 | |
CN107016233A (zh) | 运动行为和认知能力的关联分析方法及系统 | |
CN107669278A (zh) | 运动状态识别方法和系统、动物行为识别系统 | |
CN111209853B (zh) | 基于AdaBoost-ESN算法的光纤传感振动信号模式识别方法 | |
CN114926825A (zh) | 一种基于时空特征融合的车辆驾驶行为检测方法 | |
CN115438765A (zh) | 基于进化神经网络的移动目标识别方法、装置和设备 | |
CN106197646A (zh) | 一种光纤振动检测减小误差的方法及纤振动检测装置 | |
CN111476102A (zh) | 一种安全防护方法、中控设备及计算机存储介质 | |
Khan et al. | Prior recognition of flash floods: Concrete optimal neural network configuration analysis for multi-resolution sensing | |
CN116881783A (zh) | 道路损伤检测方法、装置、计算机设备、存储介质 | |
CN106175822A (zh) | 一种基于声音传感器的肠电图检测系统 | |
Bin et al. | Intelligent moving target recognition based on compressed seismic measurements and deep neural networks | |
Matavulj et al. | Domain adaptation with unlabeled data for model transferability between airborne particle identifiers | |
De Vries | A low cost fence impact classification system with neural networks | |
Duque-Montoya et al. | Automatic ecosystem identification using Psychoacoustical features | |
KR102421158B1 (ko) | 실시간 음향분석에 의한 소음도에 따른 음성 안내시스템의 스마트 볼륨 조절 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |