CN106646587A - 基于声振动信号的目标检测与识别方法及系统 - Google Patents
基于声振动信号的目标检测与识别方法及系统 Download PDFInfo
- Publication number
- CN106646587A CN106646587A CN201611248676.8A CN201611248676A CN106646587A CN 106646587 A CN106646587 A CN 106646587A CN 201611248676 A CN201611248676 A CN 201611248676A CN 106646587 A CN106646587 A CN 106646587A
- Authority
- CN
- China
- Prior art keywords
- frame
- signal
- feature
- bipolar
- characteristic
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/001—Acoustic presence detection
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
本发明公开了一种基于声振动信号的目标检测与识别方法及系统。所述方法包括:利用M个或等效为M个光纤传感器获取预设节点位置且预设时间段内的振动信号并保存到振动数据矩阵;利用预加重方法对振动数据矩阵预处理以获取K帧双极性信号数据,并从中选取包括目标信号的双极性数据帧;从双极性数据帧中提取每类信号每一列的速度特征、能量分布特征和谱估计特征,并根据上述各特征及对应加权值获取一个较长的特征向量矩阵并对其降维处理;利用长短期选择记忆神经网络模型识别双极性信号数据、双极性信号数据帧及降维处理后的较长的特征向量的振动信号类别。本发明可以根据不同步骤的信息的共同作用决定声振动信号识别,提高目标识别的辨识正确率。
Description
技术领域
本发明涉及音频技术领域,尤其涉及一种基于声振动信号的目标检测与识别方法及系统。
背景技术
安防系统是以维护社会公共安全为目的,运用安全防范产品和其它相关产品所构成的入侵报警系统、视频安防监控系统、出入口控制系统、防爆安全检查等的系统。目前,安防系统通常采用人工、视频及红外等监控方式,由于维护成本高、环境敏感度低、检测精度和范围受硬件设备限制,从而使现有安防系统的使用范围存在一定的局限性。因此,如何进一步提高安防系统的可靠性和鲁棒性并降低监控成本,成为需要研究的重点问题之一。
当地面目标运行时,所激发的声音和振动信号分别通过空气和地球表面向四面传播,利用声音和/或地震动传感器采集上述声音和振动信号进行分析,可以对地面目标进行探测、分类和定位等。并且,振动对于其他信号而言,不易伪装在探测行进人员方面具有独特的优势。
例如,美军开发的“伦巴斯”(REMBASS)系统包括声震、红外和电磁模块,利用电池供电,可以对地面的人员和车辆进行探测及报警。该“论巴斯”系统升级后,可以探测75m以外的人员和250m以外的车辆。又如,美国史蒂文森理工学院研究的地震动传感器可以分别探测到67m、83m和140m以外的人员走动、跑动和跳动信号。
在实现本发明技术方案的过程中,发明人发现:基于声音和振动信号的地面目标识别已经经过了多年的发展,各种新技术如自适应滤波、频谱分析、人工神经网络等都被应用于地面目标识别中,取到了一定的成果。但是,地面目标检测与识别时,实际环境复杂多变,目标类型多种多样,导致现有振动信号目标识别系统在真实数据条件下的识别正确率在80%左右,距离高探测率、高准确识别率和低虚警率的实用需求仍有一定距离。
发明内容
针对现有技术中的缺陷,本发明提供一种基于声振动信号的目标检测与识别方法及系统,用以解决现有技术中在实际环境复杂多变、目标类型多种多样时振动目标识别系统识别正确率80%左右无法满足实际需求的情况。
第一方面,本发明提供了一种基于声振动信号的目标检测与识别方法,所述方法包括:
利用M个或等效为M个光纤传感器获取预设节点位置且预设时间段内的振动信号,并保存所有预设节点位置的振动信号数据得到振动数据矩阵;M为非零自然数;
利用预加重方法对所述振动数据矩阵进行预处理以获取K帧双极性信号数据;
根据每帧双极性信号数据的能量E和过零率Z从所述K帧双极性信号数据选取包括目标信号的双极性数据帧;
利用小波变换方法从包括目标信号的双极性数据帧中提取每类信号每一列的速度特征、能量分布特征和谱估计特征;
根据每一双极性数据帧的速度特征、能量分布特征和谱估计特征以及对应加权值获取一个较长的特征向量矩阵并对其降维处理;
根据双极性信号数据、双极性信号数据帧及其速度特征、能量分布特征和谱估计特征和降维处理后的较长的特征向量获取长短期选择记忆神经网络模型,并根据该模块输出每一双极性数据帧中振动信号类别。
可选地,所述利用预加重方法对所述振动数据矩阵进行预处理以获取K帧双极性信号数据的步骤包括:
利用预加重公式对所述振动数据矩阵中每列数据进行滤波以得到对应的双极性信号;
将预设数量的双极性信号作为一帧双极性信号数据从而得到K帧双极性信号数据,并且相邻两帧双极性信号数据中前一帧的后半帧为后一帧的前半帧;
利用汉明函数对上述K帧双极性信号数据加窗。
可选地,所述根据每帧双极性信号数据的能量E和过零率Z从所述K帧双极性信号数据选取包括目标信号的双极性数据帧的步骤包括:
获取每帧双极性信号数据内所有项数据的平方和即能量E以及每帧双极性信号数据内各项数据穿过横轴次数之和即过零率Z,并获取每项数据的能量E和过零率Z之积;
将上述每项数据的能量E和过零率Z之积与预设阈值比较,若积超过预设阈值则该帧双极性信号数据内存在目标信号并保存。
可选地,所述利用小波变换方法从包括目标信号的双极性数据帧中提取每类信号每一列的速度特征、能量分布特征和谱估计特征的步骤包括:
对包括目标信号的双极性数据帧做小波变换;
对小波变换后的双极性数据帧的每层系数量化处理,并将量化后系数与设定阈值比较,将量化后系数小于设定阈值的当前层所有项数据置零;
逆小波变换重构去噪信号;
随后去除每行数据最开始的一些零值,统计移除零的个数作为速度特征。
可选地,所述利用小波变换方法从包括目标信号的双极性数据帧中提取每类信号每一列的速度特征、能量分布特征和谱估计特征的步骤包括:
对包括目标信号的双极性数据帧做小波变换;
计算小波变换不同层内的能量分布作为能量分布特征。
可选地,所述利用小波变换方法从包括目标信号的双极性数据帧中提取每类信号每一列的速度特征、能量分布特征和谱估计特征的步骤包括:
计算包括目标信号的双极性数据帧的线性预测系数LPC特征;
利用牛顿-拉夫逊算法或者倒谱法计算线性预测系数LPC特征全极点模型中分母多项式A(z)的复根,根据所得复根确定共振峰;
计算所述共振峰的形状统计量作为谱估计特征。
可选地,所述根据每一双极性数据帧的速度特征、能量分布特征和谱估计特征以及对应加权值获取一个较长的特征向量矩阵并对其降维处理的步骤包括:
分别定义每一双极性数据帧的速度特征、能量分布特征和谱估计特征的加权值,计算每个预设节点的双极性数据帧的加权联合特征Vi,k;
将相同时刻将每个预设节点的加权联合特征Vi,k进行联合得到每个预设节点每类信号联合特征Vk;
将M个预设节点的联合特征Vk进行联合得到每类信号特征V即较长的特征向量。
可选地,所述根据每一双极性数据帧的速度特征、能量分布特征和谱估计特征以及对应加权值获取一个较长的特征向量矩阵并对其降维处理的步骤包括:
对所述每类信号特征V求平均值,然后将每类信号特征V减去对应的平均值得到V’;
根据协方差公式计算特征协方差矩阵得到该特征协方差矩阵的特征值和特征向量;
从按照顺序排序的特征值中选取特征值较大的前G个特征值对应的特征向量作为列向量构成特征向量矩阵w;
将每类信号特征V与特征向量矩阵w相乘得到降维后的较长的特征向量矩阵。
可选地,所述长短期选择记忆神经网络模型包括:输入模块、第一Tanh函数模块、第二Tanh函数模块、第一输入门、第一记忆细胞、第二记忆细胞、遗忘门、输出门、第一选择门、第二选择门、隐藏层模块、输出模块、第一乘法器、第二乘法器和第三乘法器;其中,
所述第一Tanh函数的第一输入端连接所述输入模块的输出端,其第二输入端连接所述第二选择门的输出端,其输出端连接所述第一乘法器的第一输入端;
所述输入门的第一输入端连接所述第二选择门的输出端,其第二输入端连接所述第二记忆细胞的输出端,其输出端连接所述第一乘法器的第二输入端;所述第一乘法器的输出端连接所述第一记忆细胞的第一输入端;
所述第二乘法器的第一输入端连接所述第二记忆细胞的输出端,其第二输入端连接所述遗忘门的输出端,其输出端连接所述第一记忆细胞的第二输入端;所述第一记忆细胞的输出端连接所述第二Tanh函数模块的输入端;所述第二Tanh函数模块的输出端连接所述第三乘法器的输入端;
所述遗忘门的输入端连接所述第二选择门的输出端;
所述输出门的第一输入端连接所述第二选择门的输出端,其第二输入端连接所述第二记忆细胞的输出端,其第三输入端连接所述第一Tanh函数模块的输出端,其输出端连接所述第三乘法器的第二输入端;所述第三乘法器的输出端连接所述第一选择门的输入端;
所述隐藏层的输入端连接所述第一选择门的输出端,其输出端连接所述输出模块。
第二方面,本发明实施例还提供了一种基于声振动信号的目标检测与识别系统,所述系统包括:
振动数据矩阵获取模块,用于利用M个或等效为M个光纤传感器获取预设节点位置且预设时间段内的振动信号,并保存所有预设节点位置的振动信号数据得到振动数据矩阵;M为非零自然数;
预处理模块,用于利用预加重方法对所述振动数据矩阵进行预处理以获取K帧双极性信号数据;
双极性数据帧获取模块,用于根据每帧双极性信号数据的能量E和过零率Z从所述K帧双极性信号数据选取包括目标信号的双极性数据帧;
特征提取模块,用于利用小波变换方法从包括目标信号的双极性数据帧中提取每类信号每一列的速度特征、能量分布特征和谱估计特征;
降维处理模块,用于根据每一双极性数据帧的速度特征、能量分布特征和谱估计特征以及对应加权值获取一个较长的特征向量矩阵并对其降维处理;
振动信号类别识别模块,用于根据双极性信号数据、双极性信号数据帧及其速度特征、能量分布特征和谱估计特征和降维处理后的较长的特征向量获取长短期选择记忆神经网络模型,并根据该模块输出每一双极性数据帧中振动信号类别。
本发明通过利用M个或等效为M个光纤传感器获取预设节点位置且预设时间段内的振动信号,并保存所有预设节点位置的振动信号数据得到振动数据矩阵,这样可以采集到每个节点的C类振动信号;然后利用预加重方法对上述振动数据矩阵预处理获取K帧双极性信号数据;根据每帧双极性信号数据的能量E和过零率Z从所述K帧双极性信号数据选取包括目标信号的双极性数据帧,这样方便后续过程中仅对有目标信号的双极性数据帧进行处理,减少计算量;利用小波变换方法从包括目标信号的双极性数据帧中提取每类信号每一列的速度特征、能量分布特征和谱估计特征,并根据上述各特征得到一个较长的特征向量矩阵,然后对该特征向量矩阵进行降维处理,这样通过提取表征不同类型声源引起的声振动信号,有利于提高区分精度;最后利用长短期选择记忆神经网络模型识别出不同步骤中双极性信号数据、双极性信号数据帧及其速度特征、能量分布特征和谱估计特征和降维处理后的较长的特征向量对应的振动信号类别,本发明实施例中长短期选择记忆神经网络模型可以根据不同步骤的信息的共同作用决定声振动信号识别,提高目标识别的辨识正确率。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1是本发明实施例提供的基于声振动信号的目标检测与识别方法流程示意图;
图2是本发明实施例提供的长短期选择记忆神经网络模型结构示意图;
图3是本发明实施例提供的基于声振动信号的目标检测与识别系统结构框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
本发明提供了一种基于声振动信号的目标检测与识别方法,如图1所示,所述方法包括:
S1、利用M个或等效为M个光纤传感器获取预设节点位置且预设时间段内的振动信号,并保存所有预设节点位置的振动信号数据得到振动数据矩阵;M为非零自然数;
S2、利用预加重方法对所述振动数据矩阵进行预处理以获取K帧双极性信号数据;
S3、根据每帧双极性信号数据的能量E和过零率Z从所述K帧双极性信号数据选取包括目标信号的双极性数据帧;
S4、利用小波变换方法从包括目标信号的双极性数据帧中提取每类信号每一列的速度特征、能量分布特征和谱估计特征;
S5、根据每一双极性数据帧的速度特征、能量分布特征和谱估计特征以及对应加权值获取一个较长的特征向量矩阵并对其降维处理;
S6、根据双极性信号数据、双极性信号数据帧及其速度特征、能量分布特征和谱估计特征和降维处理后的较长的特征向量获取长短期选择记忆神经网络模型,并根据该模块输出每一双极性数据帧中振动信号类别。
本发明实施例步骤S1中,利用M个或等效为M个光纤传感器作为信号采集设备,实际应用中一个分布式传感器可以采集多个预设节点位置的数据,此时该分布式传感器可以等效为M个光纤传感器。每个光纤传感器可以采用C(C为非零自然数)类振动信号(如脚步声、车轮碾压声、铲土声等)。每个光纤传感器采集预设节点位置在一预设时间段(例如,5分钟、10分钟等,甚至更长时间)内的振动信号。对于每类振动信号,以N*M大小的矩阵形式保存从而得到振动数据矩阵。其中,N为上述预设时间段,M为预设节点总数。并且,上述振动数据矩阵的每一行代表同一时刻所有预设节点的光纤传感器采集到的振动信号数据,每一列代表同一预设节点位置在预设时间段内采集的振动信号数据。上述N、M值为非零自然数,根据具体使用场景进行设置。
本发明实施例步骤S2中,由于声振动信号具有低频段能量大、高频段能量小的特点,因此本发明实施例中采用预加重方法对振动信号数据进行预处理。首先将上述振动数据矩中第i列振动信号数据定义为xi,i∈[1,M]。根据预加重公式对各列振动信号数据进行滤波,从而得到无直流分量的双极性信号,类似于语音信号。其中预加重公式如下所示:
yi(t)=xi(t)-0.95*x(t-1); (1)
式中,t为采集时刻;x(t-1)为t-1时刻采集的振动信号数据;x(t)为t时刻采集的振动信号数据。
其次,对预处理后的振动数据yi(t)进行分帧,将预设数量的双极性信号作为一帧双极性信号从而得到K帧双极性信号数据,例如L个相邻的yi(t)作为一帧,并且相邻两帧双极性信号数据中前一帧的后半帧为后一帧的前半帧即前一帧和后一帧有1/2的交叠,这样可得K帧双极性信号数据Frame(l)。
最后,本发明实施例采用汉明窗函数对上述K帧双极性信号数据加窗得到K帧加窗后的数据。上述汉明窗函数如下所示:
式中,L为双极性信号数据的数量。
本发明实施例步骤S3中,获取将每帧加窗后的双极性信号数据的能量E和过零率Z。上述能量E为帧内所有项数据的平方和,过零率Z为帧内数据中各项数据信号穿过横轴次数之和。
然后计算每帧双极性信号数据的能量E和过零率Z之积,若该积大于预设阈值,则说明该帧双极性信号数据内存在目标信号,需要保存该帧双极性信号数据;若该积小于预设阈值,则说明该帧双极性信号数据内不存在目标信号,则丢弃该帧双极性信号数据。
实际应用中,由于包含目标信号的双极性信号数据的数量较少,因此本发明通过丢弃不存在目标信号的数据有利于提高后续计算效率。
本发明实施例步骤S4中利用小波变换方法从包括目标信号的双极性数据帧中提取每类信号每一列的速度特征、能量分布特征和谱估计特征。其中:
一、速度特征的提取过程包括:
1、对包括目标信号的双极性数据帧做小波变换。
2、对小波变换后的双极性数据帧的每层系数作量化处理,并将量化后系数与设定阈值比较。若量化后系数小于设定阈值时,将当前层所有项数据置零。
3、逆小波变换重构去噪信号。
4、随后去除每行数据开始的无事件点即零值,统计移除零的个数作为速度特征。另外,去除每行开始的零值并对齐事件数据可以减少计算量,且方便后续特征提取。
二、能量分布特征的提取过程包括:
1、对包括目标信号的双极性数据帧做小波变换;
2、计算小波变换不同层内的能量分布作为能量分布特征。
三、谱估计特征的提取过程包括:
1、计算包括目标信号的双极性数据帧的线性预测系数LPC特征。其中,LPC参数可以表征频谱包络,如下式所示:
式中,P为阶数,根据LPC系数ak即可获得频谱包络。上述ak可以采用杜宾递推算法获取。
2、利用牛顿-拉夫逊算法或者倒谱法计算线性预测系数LPC特征全极点模型中分母多项式A(z)的复根,根据所得复根确定共振峰。可见,本发明实施例中通过获取共振峰可以反映声道谐振特性,代表声振动信号的最直接来源。
3、计算所述共振峰的形状统计量作为谱估计特征,例如上述共振峰的形状统计量可以包括均值、方差、偏度、峰度等特征。还可以根据具体场景选择其他特征,本发明不作限定。
可理解的是,本发明实施例中通过获取声振动信号的速度特征、能量分布特征和谱估计特征,可以提取多种表征不同类型声源声振动信号,防止遗漏有些声源引起的声振动信号,这样有利于提高区分精度。
本发明实施例步骤S5中在得到上述双极性数据帧的全部特征后,对这些特征进行加权联合处理,包括:
分别定义每一双极性数据帧的速度特征、能量分布特征和谱估计特征的加权值为vi,k,1、vi,k,2、vi,k,3,则可计算每个预设节点的双极性数据帧的加权联合特征vi,k为:
其中,wi,i=1,2,3分别为上述三类特征的常数加权值。通常情况下,可令wi=1。然后将同一时刻每个节点的加权联合特征vi,k进行联合可得每类信号联合特征Vk:
式中,M为预设节点总数,且k∈[1,K]。
将M个预设节点的联合特征Vk进行联合得到每类信号特征v即较长的特征向量。
随后对每类信号特征v进行降维,包括:
1、对每类信号特征v求平均值,然后将每类信号特征V减去对应的平均值得到
2、然后根据下式计算协方差矩阵A:
式中,C为声振动信号类别。
3、从按照顺序排序的特征值中选取特征值较大的前G个特征值对应的特征向量作为列向量构成特征向量矩阵w。
4、将每类信号特征v与特征向量矩阵w相乘得到降维后的较长的特征向量矩阵v”=v*w,该较长的特征向量矩阵v”的维数为[1,G]。
实际应用中,长短期记忆循环神经网络LSTM-RNN模型是一种更适合处理和预测事件滞后且时间不定的长时序列的模型,即通过增加记忆模块,将深度神经网络的多层次表征能力与循环神经网络灵活利用长跨度上下文的能力结合。但是声振动信号是由声源发出的震动通过介质传递到传感器而被捕获到的,其传递和转换的过程都是非线性的,且实际采集环境复杂多变、目标数据的分布不确定等因素,在采用一般的深度神经网络进行识别时,仍然在正确率上没有得到满意的提升。为此,本发明实施例步骤S6中采用以下长短期选择记忆神经网络模型对步骤S2、步骤S3、步骤S4和步骤S5,即利用长短期选择记忆神经网络模型识别双极性信号数据、双极性信号数据帧及其速度特征、能量分布特征和谱估计特征和降维处理后的较长的特征向量的振动信号类别。
如图2所示,本发明实施例中长短期选择记忆神经网络模型包括:输入模块、第一Tanh函数模块、第二Tanh函数模块、第一输入门、第一记忆细胞、第二记忆细胞、遗忘门、输出门、第一选择门、第二选择门、隐藏层模块、输出模块、第一乘法器、第二乘法器和第三乘法器;其中,
所述第一Tanh函数的第一输入端连接所述输入模块的输出端,其第二输入端连接所述第二选择门的输出端,其输出端连接所述第一乘法器的第一输入端;
所述输入门的第一输入端连接所述第二选择门的输出端,其第二输入端连接所述第二记忆细胞的输出端,其输出端连接所述第一乘法器的第二输入端;所述第一乘法器的输出端连接所述第一记忆细胞的第一输入端;
所述第二乘法器的第一输入端连接所述第二记忆细胞的输出端,其第二输入端连接所述遗忘门的输出端,其输出端连接所述第一记忆细胞的第二输入端;所述第一记忆细胞的输出端连接所述第二Tanh函数模块的输入端;所述第二Tanh函数模块的输出端连接所述第三乘法器的输入端;
所述遗忘门的输入端连接所述第二选择门的输出端;
所述输出门的第一输入端连接所述第二选择门的输出端,其第二输入端连接所述第二记忆细胞的输出端,其第三输入端连接所述第一Tanh函数模块的输出端,其输出端连接所述第三乘法器的第二输入端;所述第三乘法器的输出端连接所述第一选择门的输入端;
所述隐藏层的输入端连接所述第一选择门的输出端,其输出端连接所述输出模块。
例如,假设信号特征xt为长短期选择记忆神经网络模型的输入,yt为输出,在t时刻有:
it=sigmoid(Wix xt+αt-1 Wim mt-1+Wic ct-1+bi) (7)
ft=sigmoid(Wfx xt+αt-1Wfm mt-1+Wfc ct-1+bf) (8)
ot=sigmoid(Wox xt+αt-1Wom mt-1+Woc ct+bo) (10)
yt=softmax(αt Wym mt+by) (12)
其中it为t时刻输入门的输出,ft为t时刻遗忘门的输出,ct为t时刻记忆细胞的输出,ot为t时刻输出门的输出,mt为t时刻隐藏层的输入,yt为t时刻的输出;xt为t时刻的输入,mt-1为t-1时刻隐藏层的输入,ct-1为t-1时刻记忆细胞的输出;Wix为t时刻输入门i与输入x之间的权重,Wim为t时刻输入门i与t-1时刻隐藏层输入m之间的权重,Wic为t时刻输入门i与t-1时刻记忆细胞c之间的权重,αt-1为t-1时刻选择门的输出,bi为输入门i的偏差量;Wfx为t时刻输入门i与t时刻输入x之间的权重,Wfm为t时刻输入门i与t-1时刻隐藏层输入m之间的权重,Wfc为t时刻遗忘门f与t-1时刻记忆细胞c之间的权重,bf为遗忘门f的偏差量;Wcx为t时刻记忆细胞c与输入x之间的权重,Wcm为t时刻记忆细胞c与t-1时刻隐藏层输入m之间的权重,bc为记忆细胞c的偏差量;Wox为t时刻输出门o与输入x之间的权重,Wom为t时刻输出门o与t-1时刻隐藏层输入m之间的权重,Woc为t时刻输出门o与t时刻记忆细胞c之间的权重,bo为输出门o的偏差量;by为输出y的偏差量;代表矩阵元素相乘。
本发明实施例中步骤S2中双极性信号数据、步骤S3中双极性信号数据帧、步骤S4中速度特征、能量分布特征、谱估计特征和步骤S5中较长的特征向量输入到上述长短期选择记忆神经网络模型,然后输出每一双极性数据帧中振动信号所属类别。
本发明实施例还提供了一种基于声振动信号的目标检测与识别系统,如图3所示,所述系统包括:
振动数据矩阵获取模块M1,用于利用M个或等效为M个光纤传感器获取预设节点位置且预设时间段内的振动信号,并保存所有预设节点位置的振动信号数据得到振动数据矩阵;M为非零自然数;
预处理模块M2,用于利用预加重方法对所述振动数据矩阵进行预处理以获取K帧双极性信号数据;
双极性数据帧获取模块M3,用于根据每帧双极性信号数据的能量E和过零率Z从所述K帧双极性信号数据选取包括目标信号的双极性数据帧;
特征提取模块M4,用于利用小波变换方法从包括目标信号的双极性数据帧中提取每类信号每一列的速度特征、能量分布特征和谱估计特征;
降维处理模块M5,用于根据每一双极性数据帧的速度特征、能量分布特征和谱估计特征以及对应加权值获取一个较长的特征向量矩阵并对其降维处理;
振动信号类别识别模块M6,用于根据双极性信号数据、双极性信号数据帧及其速度特征、能量分布特征和谱估计特征和降维处理后的较长的特征向量获取长短期选择记忆神经网络模型,并根据该模块输出每一双极性数据帧中振动信号类别。
需要说明的是,本发明实施例提供的目标检测与识别装置基于上文所述的目标检测与识别方法实现,包括方法实施例的全部技术特征,因此可以解决相同的技术问题,达到相同的技术效果,具有内容可以参见上述实施例的内容,在此不再赘述。
综上所述,本发明实施例提供的基于声振动信号的目标检测与识别方法及系统,利用M个或等效为M个光纤传感器获取预设节点位置且预设时间段内的振动信号,并保存所有预设节点位置的振动信号数据得到振动数据矩阵,这样可以采集到每个节点的C类即多种振动信号;然后利用预加重方法对上述振动数据矩阵预处理获取K帧双极性信号数据;根据每帧双极性信号数据的能量E和过零率Z从K帧双极性信号数据选取包括目标信号的双极性数据帧,这样方便后续过程中仅对有目标信号的双极性数据帧进行处理,减少计算量;利用小波变换方法从包括目标信号的双极性数据帧中提取每类信号每一列的速度特征、能量分布特征和谱估计特征,并根据上述各特征得到一个较长的特征向量矩阵,然后对该特征向量矩阵进行降维处理,这样通过提取表征不同类型声源引起的声振动信号,有利于提高区分精度;最后利用长短期选择记忆神经网络模型识别出不同步骤中双极性信号数据、双极性信号数据帧及其速度特征、能量分布特征和谱估计特征和降维处理后的较长的特征向量对应的振动信号类别,本发明实施例中长短期选择记忆神经网络模型可以根据不同步骤的信息的共同作用决定声振动信号识别,提高目标识别的辨识正确率。
在本发明中,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上,除非另有明确的限定。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种基于声振动信号的目标检测与识别方法,其特征在于,所述方法包括:
利用M个或等效为M个光纤传感器获取预设节点位置且预设时间段内的振动信号,并保存所有预设节点位置的振动信号数据得到振动数据矩阵;M为非零自然数;
利用预加重方法对所述振动数据矩阵进行预处理以获取K帧双极性信号数据;
根据每帧双极性信号数据的能量E和过零率Z从所述K帧双极性信号数据选取包括目标信号的双极性数据帧;
利用小波变换方法从包括目标信号的双极性数据帧中提取每类信号每一列的速度特征、能量分布特征和谱估计特征;
根据每一双极性数据帧的速度特征、能量分布特征和谱估计特征以及对应加权值获取一个较长的特征向量矩阵并对其降维处理;
根据双极性信号数据、双极性信号数据帧及其速度特征、能量分布特征和谱估计特征和降维处理后的较长的特征向量获取长短期选择记忆神经网络模型,并根据该模块输出每一双极性数据帧中振动信号类别。
2.根据权利要求1所述的目标检测与识别方法,其特征在于,所述利用预加重方法对所述振动数据矩阵进行预处理以获取K帧双极性信号数据的步骤包括:
利用预加重公式对所述振动数据矩阵中每列数据进行滤波以得到对应的双极性信号;
将预设数量的双极性信号作为一帧双极性信号数据从而得到K帧双极性信号数据,并且相邻两帧双极性信号数据中前一帧的后半帧为后一帧的前半帧;
利用汉明函数对上述K帧双极性信号数据加窗。
3.根据权利要求1所述的目标检测与识别方法,其特征在于,所述根据每帧双极性信号数据的能量E和过零率Z从所述K帧双极性信号数据选取包括目标信号的双极性数据帧的步骤包括:
获取每帧双极性信号数据内所有项数据的平方和即能量E以及每帧双极性信号数据内各项数据穿过横轴次数之和即过零率Z,并获取每项数据的能量E和过零率Z之积;
将上述每项数据的能量E和过零率Z之积与预设阈值比较,若积超过预设阈值则该帧双极性信号数据内存在目标信号并保存。
4.根据权利要求1所述的目标检测与识别方法,其特征在于,所述利用小波变换方法从包括目标信号的双极性数据帧中提取每类信号每一列的速度特征、能量分布特征和谱估计特征的步骤包括:
对包括目标信号的双极性数据帧做小波变换;
对小波变换后的双极性数据帧的每层系数量化处理,并将量化后系数与设定阈值比较,将量化后系数小于设定阈值的当前层所有项数据置零;
逆小波变换重构去噪信号;
随后去除每行数据最开始的一些零值,统计移除零的个数作为速度特征。
5.根据权利要求1所述的目标检测与识别方法,其特征在于,所述利用小波变换方法从包括目标信号的双极性数据帧中提取每类信号每一列的速度特征、能量分布特征和谱估计特征的步骤包括:
对包括目标信号的双极性数据帧做小波变换;
计算小波变换不同层内的能量分布作为能量分布特征。
6.根据权利要求1所述的目标检测与识别方法,其特征在于,所述利用小波变换方法从包括目标信号的双极性数据帧中提取每类信号每一列的速度特征、能量分布特征和谱估计特征的步骤包括:
计算包括目标信号的双极性数据帧的线性预测系数LPC特征;
利用牛顿-拉夫逊算法或者倒谱法计算线性预测系数LPC特征全极点模型中分母多项式A(z)的复根,根据所得复根确定共振峰;
计算所述共振峰的形状统计量作为谱估计特征。
7.根据权利要求4~6任一项所述的目标检测与识别方法,其特征在于,所述根据每一双极性数据帧的速度特征、能量分布特征和谱估计特征以及对应加权值获取一个较长的特征向量矩阵并对其降维处理的步骤包括:
分别定义每一双极性数据帧的速度特征、能量分布特征和谱估计特征的加权值,计算每个预设节点的双极性数据帧的加权联合特征Vi,k;
将相同时刻将每个预设节点的加权联合特征Vi,k进行联合得到每个预设节点每类信号联合特征Vk;
将M个预设节点的联合特征Vk进行联合得到每类信号特征V即较长的特征向量。
8.根据权利要求7所述的目标检测与识别方法,其特征在于,所述根据每一双极性数据帧的速度特征、能量分布特征和谱估计特征以及对应加权值获取一个较长的特征向量矩阵并对其降维处理的步骤包括:
对所述每类信号特征V求平均值,然后将每类信号特征V减去对应的平均值得到V’;
根据协方差公式计算特征协方差矩阵得到该特征协方差矩阵的特征值和特征向量;
从按照顺序排序的特征值中选取特征值较大的前G个特征值对应的特征向量作为列向量构成特征向量矩阵w;
将每类信号特征V与特征向量矩阵w相乘得到降维后的较长的特征向量矩阵。
9.根据权利要求1所述的目标检测与识别方法,其特征在于,所述长短期选择记忆神经网络模型包括:输入模块、第一Tanh函数模块、第二Tanh函数模块、第一输入门、第一记忆细胞、第二记忆细胞、遗忘门、输出门、第一选择门、第二选择门、隐藏层模块、输出模块、第一乘法器、第二乘法器和第三乘法器;其中,
所述第一Tanh函数的第一输入端连接所述输入模块的输出端,其第二输入端连接所述第二选择门的输出端,其输出端连接所述第一乘法器的第一输入端;
所述输入门的第一输入端连接所述第二选择门的输出端,其第二输入端连接所述第二记忆细胞的输出端,其输出端连接所述第一乘法器的第二输入端;所述第一乘法器的输出端连接所述第一记忆细胞的第一输入端;
所述第二乘法器的第一输入端连接所述第二记忆细胞的输出端,其第二输入端连接所述遗忘门的输出端,其输出端连接所述第一记忆细胞的第二输入端;所述第一记忆细胞的输出端连接所述第二Tanh函数模块的输入端;所述第二Tanh函数模块的输出端连接所述第三乘法器的输入端;
所述遗忘门的输入端连接所述第二选择门的输出端;
所述输出门的第一输入端连接所述第二选择门的输出端,其第二输入端连接所述第二记忆细胞的输出端,其第三输入端连接所述第一Tanh函数模块的输出端,其输出端连接所述第三乘法器的第二输入端;所述第三乘法器的输出端连接所述第一选择门的输入端;
所述隐藏层的输入端连接所述第一选择门的输出端,其输出端连接所述输出模块。
10.一种基于声振动信号的目标检测与识别系统,其特征在于,所述系统包括:
振动数据矩阵获取模块,用于利用M个或等效为M个光纤传感器获取预设节点位置且预设时间段内的振动信号,并保存所有预设节点位置的振动信号数据得到振动数据矩阵;M为非零自然数;
预处理模块,用于利用预加重方法对所述振动数据矩阵进行预处理以获取K帧双极性信号数据;
双极性数据帧获取模块,用于根据每帧双极性信号数据的能量E和过零率Z从所述K帧双极性信号数据选取包括目标信号的双极性数据帧;
特征提取模块,用于利用小波变换方法从包括目标信号的双极性数据帧中提取每类信号每一列的速度特征、能量分布特征和谱估计特征;
降维处理模块,用于根据每一双极性数据帧的速度特征、能量分布特征和谱估计特征以及对应加权值获取一个较长的特征向量矩阵并对其降维处理;
振动信号类别识别模块,用于根据双极性信号数据、双极性信号数据帧及其速度特征、能量分布特征和谱估计特征和降维处理后的较长的特征向量获取长短期选择记忆神经网络模型,并根据该模块输出每一双极性数据帧中振动信号类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611248676.8A CN106646587B (zh) | 2016-12-29 | 2016-12-29 | 基于声振动信号的目标检测与识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611248676.8A CN106646587B (zh) | 2016-12-29 | 2016-12-29 | 基于声振动信号的目标检测与识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106646587A true CN106646587A (zh) | 2017-05-10 |
CN106646587B CN106646587B (zh) | 2018-08-21 |
Family
ID=58836503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611248676.8A Active CN106646587B (zh) | 2016-12-29 | 2016-12-29 | 基于声振动信号的目标检测与识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106646587B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107329933A (zh) * | 2017-07-14 | 2017-11-07 | 北京知觉科技有限公司 | 基于光纤传感振动信号的故障检测方法及装置 |
CN107356962A (zh) * | 2017-07-14 | 2017-11-17 | 北京知觉科技有限公司 | 基于光纤传感器的地震动信号定位方法及装置 |
CN109738939A (zh) * | 2019-03-21 | 2019-05-10 | 蔡寅 | 一种地震前兆数据异常检测方法 |
CN110243562A (zh) * | 2019-06-24 | 2019-09-17 | 同济大学 | 一种适用于工程结构振动监测信号的在线递推谱分析方法 |
CN110632643A (zh) * | 2019-09-23 | 2019-12-31 | 北京无线电计量测试研究所 | 一种防第三方施工开挖检测报警方法 |
CN111257934A (zh) * | 2020-01-17 | 2020-06-09 | 哈尔滨工业大学 | 基于二阶神经元深度神经网络的地震动峰值加速度预测方法 |
WO2020220416A1 (zh) * | 2019-04-28 | 2020-11-05 | 山东科技大学 | 一种基于深度学习的微震信号分类辨识方法 |
CN113655529A (zh) * | 2021-08-17 | 2021-11-16 | 南京航空航天大学 | 一种针对高采样率的被动磁信号优化提取和检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006258518A (ja) * | 2005-03-16 | 2006-09-28 | Totoku Electric Co Ltd | 光ファイバ振動検出装置 |
CN102045120A (zh) * | 2010-10-29 | 2011-05-04 | 成都九洲电子信息系统有限责任公司 | 光纤周界系统的振动信号识别方法 |
US8452277B2 (en) * | 2007-01-11 | 2013-05-28 | David A. Hurowitz | Data delivered to targeted mobile device |
CN105606198A (zh) * | 2016-01-28 | 2016-05-25 | 吉林大学 | 光纤振动传感系统两级信号特征提取与判别方法 |
-
2016
- 2016-12-29 CN CN201611248676.8A patent/CN106646587B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006258518A (ja) * | 2005-03-16 | 2006-09-28 | Totoku Electric Co Ltd | 光ファイバ振動検出装置 |
US8452277B2 (en) * | 2007-01-11 | 2013-05-28 | David A. Hurowitz | Data delivered to targeted mobile device |
CN102045120A (zh) * | 2010-10-29 | 2011-05-04 | 成都九洲电子信息系统有限责任公司 | 光纤周界系统的振动信号识别方法 |
CN105606198A (zh) * | 2016-01-28 | 2016-05-25 | 吉林大学 | 光纤振动传感系统两级信号特征提取与判别方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107329933B (zh) * | 2017-07-14 | 2020-06-19 | 北京知觉科技有限公司 | 基于光纤传感振动信号的故障检测方法及装置 |
CN107356962A (zh) * | 2017-07-14 | 2017-11-17 | 北京知觉科技有限公司 | 基于光纤传感器的地震动信号定位方法及装置 |
CN107329933A (zh) * | 2017-07-14 | 2017-11-07 | 北京知觉科技有限公司 | 基于光纤传感振动信号的故障检测方法及装置 |
CN109738939A (zh) * | 2019-03-21 | 2019-05-10 | 蔡寅 | 一种地震前兆数据异常检测方法 |
CN109738939B (zh) * | 2019-03-21 | 2022-06-21 | 蔡寅 | 一种地震前兆数据异常检测方法 |
WO2020220416A1 (zh) * | 2019-04-28 | 2020-11-05 | 山东科技大学 | 一种基于深度学习的微震信号分类辨识方法 |
CN110243562A (zh) * | 2019-06-24 | 2019-09-17 | 同济大学 | 一种适用于工程结构振动监测信号的在线递推谱分析方法 |
CN110243562B (zh) * | 2019-06-24 | 2021-10-19 | 同济大学 | 一种适用于工程结构振动监测信号的在线递推谱分析方法 |
CN110632643B (zh) * | 2019-09-23 | 2021-03-16 | 北京无线电计量测试研究所 | 一种防第三方施工开挖检测报警方法 |
CN110632643A (zh) * | 2019-09-23 | 2019-12-31 | 北京无线电计量测试研究所 | 一种防第三方施工开挖检测报警方法 |
CN111257934A (zh) * | 2020-01-17 | 2020-06-09 | 哈尔滨工业大学 | 基于二阶神经元深度神经网络的地震动峰值加速度预测方法 |
CN111257934B (zh) * | 2020-01-17 | 2022-03-11 | 哈尔滨工业大学 | 基于二阶神经元深度神经网络的地震动峰值加速度预测方法 |
CN113655529A (zh) * | 2021-08-17 | 2021-11-16 | 南京航空航天大学 | 一种针对高采样率的被动磁信号优化提取和检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106646587B (zh) | 2018-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106646587A (zh) | 基于声振动信号的目标检测与识别方法及系统 | |
Dong et al. | Denoising the optical fiber seismic data by using convolutional adversarial network based on loss balance | |
CN108226892B (zh) | 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 | |
CN111442827B (zh) | 一种变压器绕组振动的光纤无源在线监测系统 | |
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 | |
CN112418649B (zh) | 基于多维mems惯性传感器的建筑楼梯人流量估计系统 | |
CN108932479A (zh) | 一种人体异常行为检测方法 | |
CN111505705B (zh) | 基于胶囊神经网络的微地震p波初至拾取方法及系统 | |
CN104586398A (zh) | 一种基于多传感器融合的老人跌倒检测方法及系统 | |
CN111649817A (zh) | 一种分布式光纤振动传感器系统及其模式识别方法 | |
CN109919241A (zh) | 基于概率模型和深度学习的高光谱未知类别目标检测方法 | |
Cai et al. | Anomaly detection of earthquake precursor data using long short-term memory networks | |
CN109614942A (zh) | 一种基于云计算平台的森林扰动长时间序列监测方法 | |
CN113850204A (zh) | 一种基于深度学习和超宽带雷达的人体动作识别方法 | |
CN110348434A (zh) | 相机来源鉴别方法、系统、存储介质和计算设备 | |
Song et al. | Recognition of microseismic and blasting signals in mines based on convolutional neural network and stockwell transform | |
CN111209853B (zh) | 基于AdaBoost-ESN算法的光纤传感振动信号模式识别方法 | |
Bin et al. | Moving target recognition with seismic sensing: A review | |
CN116338684A (zh) | 基于毫米波雷达与深度学习的人体跌倒检测方法及系统 | |
CN103839086A (zh) | 视频监控场景中的交互行为检测方法 | |
Wu et al. | Augmenting seismic data using generative adversarial network for low-cost mems sensors | |
Zhong et al. | Multiscale residual pyramid network for seismic background noise attenuation | |
CN114266271A (zh) | 基于神经网络的分布式光纤振动信号模式分类方法和系统 | |
CN113935367A (zh) | 基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法 | |
CN112163494A (zh) | 一种视频虚假人脸检测方法及电子装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |