CN105608823B - 基于主成分分析的光纤安防方法及系统 - Google Patents

基于主成分分析的光纤安防方法及系统 Download PDF

Info

Publication number
CN105608823B
CN105608823B CN201610145031.5A CN201610145031A CN105608823B CN 105608823 B CN105608823 B CN 105608823B CN 201610145031 A CN201610145031 A CN 201610145031A CN 105608823 B CN105608823 B CN 105608823B
Authority
CN
China
Prior art keywords
signal
time
frequency domain
optical fiber
event
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
Application number
CN201610145031.5A
Other languages
English (en)
Other versions
CN105608823A (zh
Inventor
彭琨
李青
霍晓练
杨尚文
钱志祥
汪星
胡力文
张儒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Bupt Guoan Technology Corp
Original Assignee
Beijing Bupt Guoan Technology Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Bupt Guoan Technology Corp filed Critical Beijing Bupt Guoan Technology Corp
Priority to CN201610145031.5A priority Critical patent/CN105608823B/zh
Publication of CN105608823A publication Critical patent/CN105608823A/zh
Application granted granted Critical
Publication of CN105608823B publication Critical patent/CN105608823B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/181—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using active radiation detection systems
    • G08B13/183—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using active radiation detection systems by interruption of a radiation beam or barrier
    • G08B13/186—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using active radiation detection systems by interruption of a radiation beam or barrier using light guides, e.g. optical fibres

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Optical Devices Or Fibers (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种光纤安防信号处理方法，包括以下步骤：S100：获取光信号的相位差异；S200：获得时域分析信号包；S300：以预设的时间跨度划分所述时域分析信号包，得到事件信号；S400：获取事件信号的时域信号；S500：对所述时域信号进行快速傅立叶变换获得所述事件信号的实时频域特征；S600：进行主成分分析，获得重构后的频域特征；S700：根据所述重构后的频域特征采用支持向量机算法计算决策函数；S800：根据所述决策函数判断是否存在人为入侵。本发明降低了误报率。

Description

基于主成分分析的光纤安防方法及系统
技术领域
本发明属于安防领域，特别涉及一种基于主成分分析的光纤安防方法及系统。
背景技术
周界安防系统在国防和民用领域都具有非常重要的应用，它主要用于边境线、军事基地、仓库、营房、政府设施、机场、核电站以及监狱等重要区域的周界入侵监测。目前的周界安防技术主要有泄漏电缆、微波对射、红外对射以及光纤传感技术等。光纤周界安防系统是一种对威胁区域安全的突发事件进行监控和警报的现代防御体系，是基于分布式光纤传感技术应用于周界监控防护的新系统。由于光纤及光纤传感器具有体积小、重量轻、抗干扰能力强、灵敏度高、工作可靠性高、成本低廉以及无需外场供电等优点同时还可作为信号传输通道的特点让其在其他周界安防技术中脱颖而出。在实际工程应用中，传感光纤大多数是裸露在外界环境中，这种设计独特的传感光纤对运动、压力和振动非常敏感。它可沿这围栏、围墙铺设来探测攀爬和敲击，也可铺设在土壤草坪下探测踩踏。但光纤的高灵敏度必然带来系统的大量的预警，而基于时域信号能量的分析体系不足以区分大量事件预警导致较高的误报率。
发明内容
针对现有技术的缺陷，本发明提供了一种基于主成分分析的光纤安防方法及系统。
一种光纤安防信号处理方法，包括以下步骤：S100：获取光纤布控区域内光信号的相位差异；S200：将光信号的相位差异按时间上的采样率转变为电信号上的幅值差异，获得时域分析信号包；S300：以预设的时间跨度划分所述时域分析信号包，得到事件信号；S400：提取所述事件信号的交流部分，获取事件信号的时域信号；S500：对所述时域信号进行快速傅立叶变换获得所述事件信号的实时频域特征；S600：对所述实时频域特征进行主成分分析，获得重构后的频域特征；S700：根据所述重构后的频域特征采用支持向量机算法计算决策函数；S800：根据所述决策函数判断是否存在人为入侵。
一种光纤安防信号处理系统，包括以下模块：相位差异获取模块，用于获取光纤布控区域内光信号的相位差异；时域分析信号包获取模块，用于将光信号的相位差异按时间上的采样率转变为电信号上的幅值差异，获得时域分析信号包；划分模块，用于以预设的时间跨度划分所述时域分析信号包，得到事件信号；第一获取模块，提取所述事件信号的交流部分，获取事件信号的时域信号；第二获取模块，用于对所述时域信号进行快速傅立叶变换获取所述事件信号的实时频域特征；主成分分析模块，用于对所述实时频域特征进行主成分分析，获得重构后的频域特征；决策函数计算模块，用于根据所述重构后的频域特征采用支持向量机算法计算决策函数；判断模块，用于根据所述决策函数判断是否存在人为入侵。
本发明的有益效果是：本发明针对M-Z干涉仪型光纤周界安防系统的高灵敏度，在充分分析人类行为特征的基础上，提出一种基于时域去噪，频域滤波的信号识别新方法。在保证不漏报的情况下，收集绝大多数事件信号，通过时域去噪、频域滤波压缩提取具有代表性的频域特征。在获取时频特征后对特征进行主成分分析获取频域特征，根据频域特征采用支持向量机算法计算决策函数，根据所述决策函数判断是否存在人为入侵。本发明在保证识别时间和报警率的情况下，降低误报率，可控压缩所具有的时频特征，为M-Z干涉型光纤周界安防系统提供重要的支撑。
附图说明
图1是本发明光纤安防方法的流程图；
图2是步骤S600的流程图；
图3是步骤S700的流程图；
图4是本发明光纤安防方法系统的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明，使本发明的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按比例绘制附图，重点在于示出本发明的主旨。
实施例1
首先对本发明的光纤安防信号处理方法做介绍，请参阅图1，本发明的安防信号处理方法在充分分析人类行为特征的基础上，提出了一种基于时域去噪，频域滤波的信号识别方法，收集绝大多数事件信号，通过时域去噪、频域滤波压缩提取具有代表性的频域特征，然后通过与聚类分析构建的各类事件模板进行相似性分析，从而判断是否发生入侵事件。
S100：获取光纤布控区域内光信号的相位差异。可以通过M-Z型干涉仪获取所述光信号的相位差异，使用M-Z型光纤周界安防系统实时反馈布控区域内的光信号。如果光信号相位出现异常波动，则认为有事件发生。
S200：将光信号的相位差异按时间上的采样率转变为电信号上的幅值差异，获得时域分析信号包。当有事件发生时，光传感单元(M-Z型)按时间上的采样率将光信号相位的差异转变成电信号上幅值的差异，获得时域分析信号包。
S300：以预设的时间跨度划分所述时域分析信号包，得到事件信号。时域预处理：当光纤相位产生瞬时异动的时候，通过分析通常持续时间不到1秒。相对应的，人的瞬时行为和自然现象的瞬时效应对光纤相位的影响持续是相近的。但是，从人体力学的角度分析，人的瞬时行为是在一定适用范围内的。如人平均一分钟正常行走60～80步。按100米的距离进行奔跑分析，人的步伐为60步左右，奔跑时间为12秒左右。1秒钟内人的出拳次数在5次左右。从最短受力时间来说，人的行为是有趋势的，受限于身体各部分肌肉与骨骼的力学特性，这一切都无法超出肢体动作的速度和频率的能力限度。所以，人对光纤作用的影响从力量速度而言，取决于动作的方向和动作轨迹；从频率而言，取决于动作的部位和方式。人的行为通常是一连串动作，从整体上分析，自然环境的干扰也可能是不连续，间断的一连串干扰。动物的干扰也因符合肌肉与骨骼的力学特性属于一段范围内的速度与频率。从力学角度上分析，要持续保持受力，就必须持续有力做功。而持续做功的典型为机器振动，异常的自然环境。所以从时域上分析，用于实现光纤周界安防的时间分析上限可以为10s。同时从工程实践的领域分析，一个预警系统需要在最短时间内区分触发的事件。充分考虑工程中人行为的特性，大致将单个时域分析信号包划为0.1～1s。通过实验测试不同时间跨度的事件数据包，本发明发现入侵行为中数据包时间跨度为0.25秒左右的时候实际区分度最高。所以本发明建立以0.25秒做为事件数据分析时间跨度的时域体系。
S400：提取所述事件信号的交流部分，获取事件信号的时域信号。采集到的事件信号中会存在一些直流信号，在事件分析中只需要提取信号交流部分特征，因此需要通过算法将信号中的直流信号滤除。每帧信号定义为Si＝{Si(1),Si(2),…,Si(n)}，定义信号均值为：
Figure BDA0000941167970000041
令直流信号分量部分为
Figure BDA0000941167970000042
则交流部分为
Figure BDA0000941167970000043
同时，入侵信号大致在100KHz以内。通过对事件信号降采样。降采样得到压缩后的数据包。
S500：对所述时域信号进行快速傅立叶变换获取所述事件信号的频域信号。由于人为入侵信号与环境噪声的时域波形的能量和过零率上有一些差别，因此本发明根据信号的短时过零率和短时能量大小来提取事件信号的时域特征。如图2所示，其包括以下步骤：
S501：计算短时能量和短时过零率。定义接收到的时域信号为Si，每帧信号短时能量为
Figure BDA0000941167970000051
设每帧的短时过零率为
Figure BDA0000941167970000052
计算环境噪声的短时能量和短时过零率，假设前10帧信号为环境噪声，首先求出每帧噪声的均方差，将这10个均方差的均值作为信号短时过零率的直流偏置。求出前10帧的短时能量和短时过零率的均值Zmean、Emean和标准差Zstd、Estd，就可以得到其初始值Z0＝Zmean+2*Zstd和E0＝Emean+2*Estd，设置两个系数Ecoef和Zcoef作为阈值，改变两个系数值用于调节系统的灵敏度。
S502：每过预设时间，重复步骤S501，只计算小于阈值的帧，修改阈值；预设的时间可以是1小时、1天等。
S503：提取出事件信号的时域信号x(n)。若此时有一帧信号Si被判定为入侵信号，取出该帧信号的前一帧Si-1平分为5个子帧，从后往前分别计算这几个子帧的短时能量。取出子帧中短时能量大于阈值的几个子帧，作为该次入侵信号的起点。同样的方法找出入侵信号的终点。提取出信号x(n)。
S504：频域特征处理：在事件信号在时域上提取特征后，事件信号再通过FFT变换，再将频域数据归一化，作为频域特征。对时域信号x(n)做傅里叶变换得出频域特性：
Figure BDA0000941167970000053
然后对频域信号进行归一化：
Figure BDA0000941167970000061
S600：对所述实时频域特征进行主成分分析，获取重构后的频域特征。设备环境适配过程中，收集指定类型信号的频域特征进行主成分分析重构，将重构特征矩阵的变换矩阵存为变换模板，将重构的特征矩阵根据需求由于构造模板。在设备运行过程中，实时获取的数据频域特征Xnorm(k)与变换矩阵相乘获取重构的特征矩阵。同时此算法体系中可以通过设置阈值，从重构的特征矩阵选取指定数量的特征用于分类分析，请参阅图2。
S601：获取m-1个事件样本的样本频域特征sfrej。采用预先获取的m-1个样本，每个样本频域特征为sfrej＝{sfrej(1),…,sfrej(n)},j＝1,…,m-1。
S602：将所述实时频域特征与m-1个样本特征构造为新的特征合集Sfre。Sfre满足行为数据特征，列为数据样本数。
S603：计算重构特征矩阵YT。Sfre的奇异值分解为Sfre＝WΣVT，其中m*m矩阵W是
Figure BDA0000941167970000062
的本征矢量矩阵，∑是m*n的非负对角矩阵，V是n*n的
Figure BDA0000941167970000063
的的本征矢量矩阵。据此，
Figure BDA0000941167970000064
其中，W是一个正交矩阵，YT是
Figure BDA0000941167970000065
重构，YT的第一列是由第一主成分组成，第二列是第二主成分组成。
S604：计算降维特征矩阵YL。为了降低数据，舍去无关紧要的成分，可以取W前L维度构造WL，把
Figure BDA0000941167970000066
映射到只有L维度的低维空间中：
Figure BDA0000941167970000067
Figure BDA0000941167970000068
其中∑L为L*n。
S605：将与srt对应的YL的那一行作为重构后的频域特征
Figure BDA0000941167970000069
通过分析数据特征，本专利中重构的数据L取720。同时m取720。实时频域特征进行主成分分析后得到YL，其中srt对应的YL的那一行作为重构的频域特征
Figure BDA00009411679700000610
进行后续处理。
S700：根据所述重构后的频域特征采用支持向量机算法计算决策函数。如图3所示，支持向量机处理、构建模板：在系统正式使用前，聚合大量事件的特征进行支持向量机分析，通过支持向量机分析构建出算法所需的支持向量。通过根据实际需求再将所有类型信号划分成工程上所需要的人为入侵类型和非人为入侵类型。
S701：构建特征训练数据集T。聚合大量事件的特征训练数据集为
Figure BDA0000941167970000071
是信号特征，oi是信号类型，分为2类{+1,-1}。
S702：构造分离超平面函数和分离决策函数f(s*)。构造分离超平面
Figure BDA0000941167970000072
其中X为分离超平面函数的函数变量，w*、b*为分离超平面函数的矩阵系数。分离决策函数
Figure BDA0000941167970000073
S703：计算决策函数。定义拉格朗日函数为：
Figure BDA0000941167970000074
α＝(α1,α2,…,αN)T为拉格朗日乘子向量，求出约束最优化问题：
Figure BDA0000941167970000075
同时满足
Figure BDA0000941167970000076
得到最优解
Figure BDA0000941167970000077
带入
Figure BDA0000941167970000078
和
Figure BDA0000941167970000079
计算得到决策函数f(s*)满足
Figure BDA00009411679700000710
的部分训练信号作为支持向量。
S800：根据所述决策函数判断是否存在人为入侵。在使用时，将实时数据与支持向量机算法构建的分类模板进行算法分析得到信号类别。判断模板是属于人为类型还是非人为类型。以此作为输出，人为生成报警信号，非人为生成提示信号。实时输入处理后的特征带入计算后的决策函数f(s*)中，如果判断为负为一种类别，如果判断为正为另外一种类别。
实施例2
相应的，如图4所示，本发明还提供了一种光纤安防信号处理系统，包括以下模块：相位差异获取模块，用于获取光纤布控区域内光信号的相位差异；时域分析信号包获取模块，用于将光信号的相位差异按时间上的采样率转变为电信号上的幅值差异，获得时域分析信号包；划分模块，用于以预设的时间跨度划分所述时域分析信号包，得到事件信号；第一获取模块，提取所述事件信号的交流部分，获取事件信号的时域信号；第二获取模块，用于对所述时域信号进行快速傅立叶变换获取所述事件信号的实时频域特征；主成分分析模块，用于对所述实时频域特征进行主成分分析，获得重构后的频域特征；决策函数计算模块，用于根据所述重构后的频域特征采用支持向量机算法计算决策函数；判断模块，用于根据所述决策函数判断是否存在人为入侵。
本发明根据人体工程学理论上制订了一个合理的数据包时间跨度划分算法，并反复实验验证实践过程中合适的数据包时间跨度。本发明通过对数据特征进行主成分分析构成变换矩阵，聚合大量事件的特征使用支持向量机算法构造各类型模板，通过模板对比判断是否发生入侵，降低了误报率。
在以上的描述中阐述了很多具体细节以便于充分理解本发明。但是以上描述仅是本发明的较佳实施例而已，本发明能够以很多不同于在此描述的其它方式来实施，因此本发明不受上面公开的具体实施的限制。同时任何熟悉本领域技术人员在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (6)

1.一种光纤安防信号处理方法，其特征在于，包括以下步骤：
S100：获取光纤布控区域内光信号的相位差异；
S200：将光信号的相位差异按时间上的采样率转变为电信号上的幅值差异，获得时域分析信号包；
S300：以预设的时间跨度划分所述时域分析信号包，得到事件信号；
S400：提取所述事件信号的交流部分，获取事件信号的时域信号；
S500：对所述时域信号进行快速傅立叶变换获得所述事件信号的实时频域特征；
S600：对所述实时频域特征进行主成分分析，获得重构后的频域特征；
S700：根据所述重构后的频域特征采用支持向量机算法计算决策函数；
S800：根据所述决策函数判断是否存在人为入侵；
所述步骤S600具体包括：
S601：获取m-1个事件样本，其中每个样本的频域特征为sfrej＝{sfrej(1),…,sfrej(n)},j＝1,…,m-1；
S602：将所述实时频域特征与m-1个样本特征构造为新的特征合集Sfre，其中Sfre行为实时频域特征与样本频域特征的数据特征值，列为数据样本数；
S603：计算重构特征矩阵YT，YT＝Sfre TW＝VΣTWTW＝VΣT；
其中：Sfre的奇异值分解为Sfre＝WΣVT，W为m*m的矩阵，W是
Figure FDA0002440697660000011
的本征矢量矩阵，∑是m*n的非负对角矩阵，V是n*n的
Figure FDA0002440697660000012
的本征矢量矩阵；
S604：取W的前L维度构造WL，将Sfre映射到只有L维度的低维空间中，获得降维特征矩阵YL，
Figure FDA0002440697660000013
其中∑L为L*n的非负对角矩阵；
S605：将与实时频域特征对应的YL的那一行作为重构后的频域特征
Figure FDA0002440697660000014
2.根据权利要求1所述的光纤安防信号处理方法，其特征在于，通过M-Z型干涉仪获取所述光信号的相位差异。
3.根据权利要求1所述的光纤安防信号处理方法，其特征在于，所述预设的时间跨度为0.1-1S。
4.根据权利要求1所述的光纤安防信号处理方法，其特征在于，所述预设的时间跨度为0.25S。
5.根据权利要求1所述的光纤安防信号处理方法，其特征在于，所述步骤S400具体包括:每帧事件信号定义为Si(n)，定义事件信号均值为
Figure FDA0002440697660000021
式中n代表第n个采样点，令直流信号分量部分为
Figure FDA0002440697660000022
则交流部分为
Figure FDA0002440697660000023
6.根据权利要求1所述的光纤安防信号处理方法，其特征在于，所述步骤S500具体包括：
S501：接收到的每帧事件信号为Si(n)，每帧事件信号的短时能量Ei为
Figure FDA0002440697660000024
设每帧的短时过零率Zi为
Figure FDA0002440697660000025
式中sgn为符号函数；
计算环境噪声的短时能量和短时过零率，假设前10帧事件信号为环境噪声，首先求出每帧噪声的均方差，将这10个均方差的均值作为信号短时过零率的直流偏置，求出前10帧的短时能量和短时过零率的均值Zmean、Emean和标准差Zstd、Estd，得到其初始值Z0＝Zmean+2*Zstd和E0＝Emean+2*Estd，设置两个系数Ecoef和Zcoef作为阈值，两个阈值用于调节系统灵敏度；
S502：每过预设时间，重复步骤S501，只计算小于阈值的帧，修改阈值；
S503：若此时有一帧信号Si(n)被判定为入侵信号，取出该帧信号的前一帧Si-1(n)平分为5个子帧，从后往前分别计算这几个子帧的短时能量，取出子帧中短时能量大于阈值的几个子帧，作为该次入侵信号的起点，同理找出入侵信号的终点，提取出事件信号的时域信号x(n)；
S504：对时域信号x(n)做傅里叶变换得出频域信号：
Figure FDA0002440697660000031
然后对频域信号进行归一化，得到实时频域特征Xnorm(k)：
Figure FDA0002440697660000032
CN201610145031.5A 2016-03-14 2016-03-14 基于主成分分析的光纤安防方法及系统 Active CN105608823B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610145031.5A CN105608823B (zh) 2016-03-14 2016-03-14 基于主成分分析的光纤安防方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610145031.5A CN105608823B (zh) 2016-03-14 2016-03-14 基于主成分分析的光纤安防方法及系统

Publications (2)

Publication Number Publication Date
CN105608823A CN105608823A (zh) 2016-05-25
CN105608823B true CN105608823B (zh) 2020-09-11

Family

ID=55988730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610145031.5A Active CN105608823B (zh) 2016-03-14 2016-03-14 基于主成分分析的光纤安防方法及系统

Country Status (1)

Country Link
CN (1) CN105608823B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106067244B (zh) * 2016-06-29 2018-08-17 中国科学院上海微系统与信息技术研究所 一种用于周界探测系统的传感器阈值自适应调节方法及系统
CN106408825A (zh) * 2016-12-03 2017-02-15 上海腾盛智能安全科技股份有限公司 一种家庭安全监控系统及方法
CN106600870A (zh) * 2016-12-31 2017-04-26 上海华魏光纤传感技术有限公司 一种分布式光纤围栏振动入侵识别系统
CN107689127B (zh) * 2017-08-17 2020-10-13 北京北邮国安技术股份有限公司 具有自适应调参功能的光纤安防信号双重识别方法与系统
CN108010239A (zh) * 2017-11-28 2018-05-08 威海北洋电气集团股份有限公司 光纤水听器周界安防领域入侵行为识别算法
CN108303173B (zh) * 2018-01-29 2020-11-10 武汉光谷航天三江激光产业技术研究院有限公司 一种分布式光纤传感管道扰动事件检测方法
CN108629376A (zh) * 2018-05-10 2018-10-09 吉林省日月智感互联科技有限公司 一种微震感测区域入侵识别方法及系统
CN109974835B (zh) * 2018-12-29 2021-06-04 无锡联河光子技术有限公司 一种基于光纤信号特征的振动检测识别和时空定位方法和系统
CN110529745B (zh) * 2019-08-05 2021-03-12 上海第二工业大学 一种频域下光纤检测管道泄漏与位置的算法
CN112309063B (zh) * 2020-10-30 2022-09-09 魏运 混合光纤入侵信号特征谱提取方法及装置
CN112836591B (zh) * 2021-01-14 2024-02-27 清华大学深圳国际研究生院 一种油气长输管道光纤预警信号特征提取方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5311592A (en) * 1986-06-11 1994-05-10 Mcdonnell Douglas Corporation Sagnac interferometer based secure communication system
KR20000023915A (ko) * 1999-09-22 2000-05-06 이칠기 표정변화와 주변환경에 독립적인 얼굴인식을 위한 학습 및인식방법.
KR20030051554A (ko) * 2003-06-07 2003-06-25 전명근 퍼지 소속도를 갖는 얼굴인식 방법
CN101216976A (zh) * 2008-01-10 2008-07-09 复旦大学 基于相位载波复用的光纤周界安防系统及其实现方法
CN102360519B (zh) * 2011-07-29 2013-04-03 电子科技大学 一种分布式光纤围栏入侵检测与定位的方法
CN102663032B (zh) * 2012-03-26 2014-03-05 电子科技大学 一种光纤光栅围栏入侵事件模式识别方法
CN104008621B (zh) * 2014-06-03 2016-04-13 天津求实飞博科技有限公司 防区型光纤扰动周界安防系统及入侵扰动快速判定方法
CN105023379B (zh) * 2015-08-13 2017-11-14 中国民航大学 一种机场光纤周界预警系统的信号识别方法
CN105184297B (zh) * 2015-08-24 2018-06-26 西安电子科技大学 基于张量和稀疏自编码器的极化sar图像分类方法

Also Published As

Publication number Publication date
CN105608823A (zh) 2016-05-25

Similar Documents

Publication Publication Date Title
CN105608823B (zh) 基于主成分分析的光纤安防方法及系统
CN106023499B (zh) 一种光纤安防信号双重识别方法及系统
Bernardini et al. Drone detection by acoustic signature identification
CN105654645B (zh) 一种光纤安防信号处理方法及系统
Nenadic et al. Spike detection using the continuous wavelet transform
Tavanaei et al. A spiking network that learns to extract spike signatures from speech signals
CN109974782B (zh) 基于大数据敏感特征优化选取的设备故障预警方法及系统
CN106646587B (zh) 基于声振动信号的目标检测与识别方法及系统
US11892345B2 (en) Method and system for detecting and identifying vibration on basis of optical fiber signal feature to determine time-space
CN112749637B (zh) 一种基于snn的分布式光纤传感信号识别方法
CN113868006A (zh) 时间序列的检测方法、装置、电子设备及计算机存储介质
CN105139029A (zh) 一种监狱服刑人员的行为识别方法及装置
CN112617813B (zh) 一种基于多传感器的非侵入式跌倒检测方法及系统
CN103971702A (zh) 声音监控方法、装置及系统
JP2015207179A (ja) 行動理解システムおよびプログラム
WO2020060830A1 (en) Temporal behavior analysis of network traffic
CN102346948B (zh) 一种周界入侵检测方法和系统
Sekar Power quality disturbance detection using machine learning algorithm
Mehmood et al. Separation of human and animal seismic signatures using non-negative matrix factorization
CN107689127B (zh) 具有自适应调参功能的光纤安防信号双重识别方法与系统
CN112699744A (zh) 跌倒姿态的分类识别方法、装置和可穿戴设备
Lian et al. Improvement to the sources selection to identify the low frequency noise induced by flood discharge
CN114550711A (zh) 基于时频注意力网络模型的电缆周边环境声音识别方法
Rashed-Al-Mahfuz et al. SVM model for feature selection to increase accuracy and reduce false positive rate in falls detection
CN112784683A (zh) 采用新型能量算子和多尺度熵的癫痫检测方法及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant