CN108121878B - 自动编码震源信号的脉冲神经网络模型 - Google Patents

自动编码震源信号的脉冲神经网络模型 Download PDF

Info

Publication number
CN108121878B
CN108121878B CN201810010314.8A CN201810010314A CN108121878B CN 108121878 B CN108121878 B CN 108121878B CN 201810010314 A CN201810010314 A CN 201810010314A CN 108121878 B CN108121878 B CN 108121878B
Authority
CN
China
Prior art keywords
neuron
neurons
lta
pulse
sta
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
CN201810010314.8A
Other languages
English (en)
Other versions
CN108121878A (zh
Inventor
刘富
王柯
侯涛
康冰
刘云
姜守坤
权美静
苗岩
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.)
Jilin University
Original Assignee
Jilin University
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 Jilin University filed Critical Jilin University
Priority to CN201810010314.8A priority Critical patent/CN108121878B/zh
Publication of CN108121878A publication Critical patent/CN108121878A/zh
Application granted granted Critical
Publication of CN108121878B publication Critical patent/CN108121878B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Feedback Control In General (AREA)

Abstract

一种自动编码震源信号的脉冲神经网络模型，属于信息处理技术领域。本发明的目的是将仿生学与信息处理技术结合，利用脉冲神经网络将振动信号编码，用于振动信号定位的自动编码震源信号的脉冲神经网络模型。本发明步骤是：建立IF神经元模型用于发射脉冲；神经元模型加入STA/LTA自动检测模块；定义编码神经元偏好方向；组合编码神经元；使用stacking STA/LTA对震动事件进行定位脉冲拾取；利用PVA对进行震源定位。本发明是一种基于沙蝎定位猎物的神经体感通路建立的用于震源定位的脉冲神经网络模型。所要解决的技术问题是振动信号编码问题，避免传统方法振动信号的初至提取。

Description

自动编码震源信号的脉冲神经网络模型
技术领域
本发明属于信息处理技术领域。
背景技术
振动监控系统的任务是检测和识别震源信号。振动接收器接收运动目标或其他振动事件产生的波信号。目标的类型和位置都是通过对震源信号的分析和判断得到的。振动监控系统可以实现全天候不间断的监控工作，不断接收振动信号，不需要额外的复杂装置进行辅助，同时不受光线和视觉的限制，有很好的隐蔽性。振动监控系统是一种被动监控模式，可以进行大面积的实时监控。震源定位常用的方法有时差定位法(Time Difference ofArrival，TDOA)和地震发射层析成像法(seismic tomography，SET)等。TDOA方法必须精确提取波的初至时间，但实际监测过程中，通常地震监测信号会受到干扰，所以震源定位计算出的结果误差较大。SET方法不需要提取地震波的初至时间，但需要通过增加监测站点数量解决微震信号信噪比低的问题。
发明内容
本发明的目的是将仿生学与信息处理技术结合，利用脉冲神经网络将振动信号编码，用于振动信号定位的自动编码震源信号的脉冲神经网络模型。
本发明步骤是：
(1)建立IF神经元模型用于发射脉冲
依据神经元的基本特征利用RC电路模型建立神经元模型，8个神经元输入电流如下式所示
Figure GDA0001617360940000011
其中，I(t)为神经元模型电流输入；u(t)为神经元膜电势；E代表神经元静息电势；Rm、Cm分别为漏电阻和电容；令du(t)＝u(t+dt)-u(t)，则根据式(1)得到u(t+dt)为
Figure GDA0001617360940000012
(2)神经元模型加入STA/LTA自动检测模块
在电流输入神经元模型前加入STA/LTA模块，对于振动事件有
Figure GDA0001617360940000013
Figure GDA0001617360940000021
Figure GDA0001617360940000022
其中，STA(t)是长度为ns的短窗平均，LTA(t)是长度为nl的长窗平均，λ为STA/LTA的阈值，当CF(t)为特征函数，为CF(t)＝I2(t)-I(t)I(t-1)；加入自动检测模块后，即当
Figure GDA0001617360940000023
时有神经元的膜电势
Figure GDA0001617360940000024
(3)定义编码神经元偏好方向，将8个神经元的按圆形排列，并且定义8个编码神经元的偏好方向；
(4)组合编码神经元，利用3/1构型建立脉冲神经网络
用8个步骤2中的神经元组成一个神经网络，第k个接收器采集的震源信号为Vk(t)(k＝1,2,...,8)，第k个神经元的兴奋输入为Iexk(t)＝Vk(t)(k＝1,2,...,8)；同时第k个方向即γk方向的神经元会抑制反向相邻三个方向
Figure GDA0001617360940000025
的指令神经元
Figure GDA0001617360940000026
即第k个神经元的抑制输入为
Figure GDA0001617360940000027
其中，w为抑制输入的权重系数，依据神经元与应用模型特性相结合令w＝0.2；每个神经元构成一个3/1构型，即一个兴奋输入和一个反向的三重抑制输入，即Ik(t)＝Iexk(t)-Iink(t)；则当
Figure GDA0001617360940000028
时计算神经元的膜电势
Figure GDA0001617360940000029
当膜电势uk(t)达到Uthre时，神经元k发射一个脉冲，并且令膜电势下降到静息电势；
(5)使用stacking STA/LTA对震动事件进行定位脉冲拾取
使用stacking STA/LTA值对事件脉冲进行提取，振动事件的stacking STA/LTA值，λ′为判断一个振动事件的stacking STA/LTA的阈值，当第一个满足
Figure GDA00016173609400000210
时说明在t1时刻开始有震动事件发生，直到有第一个满足
Figure GDA0001617360940000031
的时刻结束，即t1～t2时间段内是一个完整的振动事件，对这一时间段内脉冲神经网络产生的脉冲进行拾取并计数，则偏好方向γk的神经元在t1～t2时间内产生的脉冲数为nk(k＝1,2,...,8)；
(6)利用PVA对进行震源定位
使用群向量编码对振动事件进行定位，定义
Figure GDA0001617360940000032
其中，n为模长，φ为方向，exp(iφ)＝cosφ+isinφ，exp(iγk)＝cosγk+isinγk，相角φ表示经过整体向量处理后得到的定位角度，即
Figure GDA0001617360940000033
本发明是一种基于沙蝎定位猎物的神经体感通路建立的用于震源定位的脉冲神经网络模型。所要解决的技术问题是振动信号编码问题，避免传统方法振动信号的初至提取。
附图说明
图1是脉冲发射神经元的电路模型；
图2是脉冲发射神经元对不同信号的编码情况；
图3是神经元自动编码模型；
图4是通道1、通道3、通道5和通道7输入的STA/LTA值；
图5是8个通道的stacking STA/LTA值；
图6是实验系统框图；
图7是接收器采集的振动信号；
图8是脉冲神经网络对振动信号的编码脉冲；
图9是实验结果图。
具体实施方式
本发明本发明是采用如下的技术方案实现的：
1、建立IF神经元模型用于发射脉冲
依据神经元的基本特征利用RC电路模型建立神经元模型。
2、神经元模型加入STA/LTA自动检测模块；
在电流输入神经元模型前加入STA/LTA(short-term average/long-termaverage)模块。
3、定义编码神经元偏好方向
将8个神经元的按圆形排列，并且定义8个编码神经元的偏好方向。
4、组合编码神经元，利用3/1构型建立脉冲神经网络
用8个步骤2的神经元组成一个神经网络，将接收器接收到的信号输入脉冲神经网络编码模型，自动对震动事件进行编码，产生一组事件脉冲。
5、使用stacking STA/LTA对震动事件进行定位脉冲拾取
使用stacking STA/LTA值对事件脉冲进行提取，对一个完整振动事件的脉冲神经网络产生的脉冲进行拾取并计数。
6、利用PVA(Population vector algorithm)对进行震源定位
使用群向量编码对振动事件进行定位，其相角表示经过整体向量处理后得到的定位角度。
下面结合附图对本发明做详细的描述：
本发明所述的震源信号编码是利用脉冲神经网络将到达不同接收器的振动信号进行联合编码，编码后可以使用群向量编码直接得到震源信号的方位信息，是仿生沙蝎定位猎物的定位编码机制。
本发明所述的震源信号编码及定位包括如下步骤：
(1)建立IF神经元模型用于发射脉冲
依据神经元的基本特征利用RC电路模型建立神经元模型如图1所示，8个神经元输入电流如下式所示
Figure GDA0001617360940000041
其中，I(t)为神经元模型电流输入；u(t)为神经元膜电势；E代表神经元静息电势；Rm、Cm分别为漏电阻和电容；当膜电势u(t)达到Uthre时，开关S断开连接，神经元发射一个脉冲，并且令膜电势下降到静息电势。不应期结束后开关S闭合，神经元重新开始累积电势。不同信号的编码情况如图2所示。令du(t)＝u(t+dt)-u(t)，则根据式(1)得到u(t+dt)为
Figure GDA0001617360940000042
(2)神经元模型加入STA/LTA(short-term average/long-term average)自动检测模块
在电流输入神经元模型前加入STA/LTA模块，如图3所示。对于振动事件有
Figure GDA0001617360940000043
Figure GDA0001617360940000051
Figure GDA0001617360940000052
其中，STA(t)是长度为ns的短窗平均，LTA(t)是长度为nl的长窗平均，λ为STA/LTA的阈值，当CF(t)为特征函数，为CF(t)＝I2(t)-I(t)I(t-1)，单个通道输入计算的STA/LTA值如图4所示。因此，加入自动检测模块后，即当
Figure GDA0001617360940000053
时有神经元的膜电势
Figure GDA0001617360940000054
(3)定义编码神经元偏好方向，将8个神经元的按圆形排列，并且定义8个编码神经元的偏好方向；分别为γ1＝22.5°，γ2＝67.5°，γ3＝112.5°，γ4＝157.5°，γ5＝-157.5°，γ6＝-112.5°，γ7＝-67.5°，γ8＝-22.5°。
(4)组合编码神经元，利用3/1构型建立脉冲神经网络
8个步骤2中的神经元组成一个神经网络，第k个接收器采集的震源信号为Vk(t)(k＝1,2,...,8)，第k个神经元的兴奋输入为Iexk(t)＝Vk(t)(k＝1,2,...,8)；同时第k个方向即γk方向的神经元会抑制反向相邻三个方向
Figure GDA0001617360940000055
的指令神经元
Figure GDA0001617360940000056
即第k个神经元的抑制输入为
Figure GDA0001617360940000057
其中，w为抑制输入的权重系数，依据神经元与应用模型特性相结合令w＝0.2；每个神经元构成一个3/1构型，即一个兴奋输入和一个反向的三重抑制输入，即Ik(t)＝Iexk(t)-Iink(t)；则当
Figure GDA0001617360940000058
时计算神经元的膜电势
Figure GDA0001617360940000059
当膜电势uk(t)达到Uthre时，神经元k发射一个脉冲，并且令膜电势下降到静息电势；将接收器接收到的信号输入脉冲神经网络编码模型，自动对震动事件进行编码，产生一组事件脉冲。
(5)使用stacking STA/LTA对震动事件进行定位脉冲拾取
使用stacking STA/LTA值对事件脉冲进行提取，振动事件的stacking STA/LTA值如图5所示，λ′为判断一个振动事件的stacking STA/LTA的阈值，当第一个满足
Figure GDA0001617360940000061
时说明在t1时刻开始有震动事件发生，直到有第一个满足
Figure GDA0001617360940000062
的时刻结束，即t1～t2时间段内是一个完整的振动事件，对这一时间段内脉冲神经网络产生的脉冲进行拾取并计数，则偏好方向γk的神经元在t1～t2时间内产生的脉冲数为nk(k＝1,2,...,8)；
(6)利用PVA对进行震源定位
使用群向量编码对振动事件进行定位，定义
Figure GDA0001617360940000063
其中，n为模长，φ为方向，exp(iφ)＝cosφ+isinφ，exp(iγk)＝cosγk+isinγk，相角φ表示经过整体向量处理后得到的定位角度，即
Figure GDA0001617360940000064
图示详细说明：
图1是脉冲发射神经元的电路模型，利用RC电路规定神经元膜电势的变化规律。I(t)表示模型的电流输入，u(t)表示神经元膜电势；直流电源E代表神经元静息电势；Rm、Cm分别为漏电阻和电容。电容Cm并联直流电源E和漏电阻Rm作为膜电势变化模型，来规定膜电势的变化规律，输入电流I(t)和开关S与膜电势变化模型电路并联，I(t)、Rm、Cm相连接的端点接地，S、Cm、E的端点表示神经元膜电势u(t)。从u(t)端点接一个比较器，比较器的另一端接发射脉冲的阈值电势Uthre，比较器的输出给出神经元发射脉冲的信号。当膜电势u(t)达到Uthre时，开关S断开连接，神经元即可发射一个脉冲，并且令膜电势下降到静息电势，即令u(t)＝E。不应期结束后开关S闭合，神经元重新开始累积电势。根据基尔霍夫定律有公式(1)。
图2是脉冲发射神经元对不同信号的编码情况。图中上方曲线表示振动衰减信号、阶跃信号、随机信号、周期信号，将四种信号依次输入到脉冲发射神经元，编码结果为图中下方脉冲曲线。
图3是神经元自动编码模型。Ie表示神经元输入；STA/LTA表示STA/LTA模块，模块输入为Ie，输出为STA/LTA值；M表示输入相乘，将Ie与STA/LTA值相乘，乘积输入到神经元N；N表示脉冲发射神经元模型。Ie在输入神经元N之前增加了STA/LTA模块。
图4是通道1、通道3、通道5和通道7输入的STA/LTA值。采集装置的八个通道接收对应的8个传感器的振动信号。图中每个通道2～3s之间出现的尖峰表示的是同一个微震事件；每个通道3～4s出现的尖峰都是干扰信号。
图5是8个通道的stacking STA/LTA值。λ′为判断一个振动事件的stacking STA/LTA的阈值。当第一个满足
Figure GDA0001617360940000071
时说明在t1时刻开始有震动事件发生，直到有第一个满足
Figure GDA0001617360940000072
的时刻结束，即t1～t2时间段内是一个完整的振动事件。stacking STA/LTA值出现尖峰但是没有超过阈值λ′时，则认为该尖峰为干扰信号，将其滤掉。
图6是实验系统框图。8个传感器组成的圆形阵列连接到恒流适配器，恒流适配器连接到AD转换模块将模拟信号转换成数字信号，通过STM32嵌入式系统读取AD模块的数字信号并将其传递到上位机；在上位机使用Labview读取并存储信号，MATLAB编程读取存储文件并进行信号定位计算；最后通过GUI界面，显示信号波形、STA/LTA值的波形、定位角度等。
图7是接收器采集的振动信号。圆形阵列传感器接收的振动信号Vk(t)(k＝1,2,...,8)，序号对应神经元偏好方向γk的编号。
图8是脉冲神经网络对振动信号的编码脉冲。将信号输入脉冲神经网络，由于3/1构型使得每个神经元产生的输出脉冲个数不同。使用stacking STA/LTA对震动事件进行定位脉冲拾取，偏好方向γk的神经元在t1～t2时间内产生的脉冲数为nk(k＝1,2,...,8)，从而进行震源方向定位。
图9是实验结果图，是震源定位的误差结果，误差角度均小于10°。
实验结果
使用振动接收器对振动信号进行采集，接收器阵列呈圆形分布，角度按照神经元偏好方向进行布置，采集系统和数据采集框图如图6所示，接收器接收到的振动信号如图7所示。设定参数E＝0V、R＝10Ω、C＝5×10-5F、ns＝100、nl＝1000、λ＝5、λ′＝30，脉冲神经网络对振动信号的编码如图8所示。震源定位的误差结果如图9所示。
本发明中有8个传感器接收振动信号，将同一时刻的STA/LTA值进行叠加后得到stacking STA/LTA值，使用stacking STA/LTA可以准确检测到随机发生的振动事件，并且滤除了单一通道上干扰信号产生的脉冲，提高了振动定位的效率，减小了定位误差。

Claims (1)

1.一种利用自动编码震源信号的脉冲神经网络模型的定位方法，其特征在于：其步骤是：
(1)建立IF神经元模型用于发射脉冲
依据神经元的基本特征利用RC电路模型建立神经元模型，8个神经元输入电流如下式所示
Figure FDA0003536768210000011
其中，I(t)为神经元模型电流输入；u(t)为神经元膜电势；E代表神经元静息电势；Rm、Cm分别为漏电阻和电容；令du(t)＝u(t+dt)-u(t)，则根据式(1)得到u(t+dt)为
Figure FDA0003536768210000012
(2)神经元模型加入STA/LTA自动检测模块
在电流输入神经元模型前加入STA/LTA模块，对于振动事件有
Figure FDA0003536768210000013
Figure FDA0003536768210000014
Figure FDA0003536768210000015
其中，STA(t)是长度为ns的短窗平均，LTA(t)是长度为nl的长窗平均，λ为STA/LTA的阈值，当CF(t)为特征函数，为CF(t)＝I2(t)-I(t)I(t-1)；加入自动检测模块后，即当
Figure FDA0003536768210000016
时有神经元的膜电势
Figure FDA0003536768210000017
(3)定义编码神经元偏好方向，将8个神经元的按圆形排列，并且定义8个编码神经元的偏好方向；
(4)组合编码神经元，利用3/1构型建立脉冲神经网络
用8个步骤(2)中的神经元组成一个神经网络，第k个接收器采集的震源信号为Vk(t)，其中k＝1,2,...,8，第k个神经元的兴奋输入为Iexk(t)＝Vk(t)，其中k＝1,2,...,8；同时第k个方向即γk方向的神经元会抑制反向相邻三个方向
Figure FDA0003536768210000018
的指令神经元，其中
Figure FDA0003536768210000019
即第k个神经元的抑制输入为
Figure FDA00035367682100000110
其中，k＝1,2,...,8；w为抑制输入的权重系数，依据神经元与应用模型特性相结合令w＝0.2；每个神经元构成一个3/1构型，即一个兴奋输入和一个反向的三重抑制输入，即
Ik(t)＝Iexk(t)-Iink(t)；则当
Figure FDA0003536768210000021
时计算神经元的膜电势
Figure FDA0003536768210000022
当膜电势uk(t)达到Uthre时，神经元k发射一个脉冲，并且令膜电势下降到静息电势；
(5)使用stacking STA/LTA对震动事件进行定位脉冲拾取
使用stacking STA/LTA值对事件脉冲进行提取，振动事件的stacking STA/LTA值，λ′为判断一个振动事件的stacking STA/LTA的阈值，当第一个满足
Figure FDA0003536768210000023
时说明在t1时刻开始有震动事件发生，直到有第一个满足
Figure FDA0003536768210000024
的时刻结束，即t1～t2时间段内是一个完整的振动事件，对这一时间段内脉冲神经网络产生的脉冲进行拾取并计数，则偏好方向γk的神经元在t1～t2时间内产生的脉冲数为nk，其中k＝1,2,...,8；
(6)利用PVA对进行震源定位
使用群向量编码对振动事件进行定位，定义
Figure FDA0003536768210000025
其中，n为模长，φ为相角，exp(iφ)＝cosφ+isinφ，exp(iγk)＝cosγk+isinγk，相角φ表示经过整体向量处理后得到的定位角度，即
Figure FDA0003536768210000026
CN201810010314.8A 2018-01-05 2018-01-05 自动编码震源信号的脉冲神经网络模型 Active CN108121878B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810010314.8A CN108121878B (zh) 2018-01-05 2018-01-05 自动编码震源信号的脉冲神经网络模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810010314.8A CN108121878B (zh) 2018-01-05 2018-01-05 自动编码震源信号的脉冲神经网络模型

Publications (2)

Publication Number Publication Date
CN108121878A CN108121878A (zh) 2018-06-05
CN108121878B true CN108121878B (zh) 2022-05-31

Family

ID=62233790

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810010314.8A Active CN108121878B (zh) 2018-01-05 2018-01-05 自动编码震源信号的脉冲神经网络模型

Country Status (1)

Country Link
CN (1) CN108121878B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109613610B (zh) * 2019-01-17 2020-04-14 中南大学 微震信号到时差的自动拾取方法
CN113483885B (zh) * 2021-07-06 2022-05-31 吉林大学 一种基于蝎子毛缝耦合定位机理的复合脉冲振源定位方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760930A (zh) * 2016-02-18 2016-07-13 天津大学 用于aer的多层脉冲神经网络识别系统
CN107092959A (zh) * 2017-04-07 2017-08-25 武汉大学 基于stdp非监督学习算法的硬件友好型脉冲神经网络模型

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB9023909D0 (en) * 1990-11-02 1990-12-12 Secr Defence Radar apparatus
CN105607041B (zh) * 2015-09-22 2018-04-10 吉林大学 基于仿生沙蝎定位功能的脉冲定位模型
CN105510959B (zh) * 2015-11-30 2018-08-28 山东康威通信技术股份有限公司 一种隧道的振源类型识别方法及振源位置定位方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760930A (zh) * 2016-02-18 2016-07-13 天津大学 用于aer的多层脉冲神经网络识别系统
CN107092959A (zh) * 2017-04-07 2017-08-25 武汉大学 基于stdp非监督学习算法的硬件友好型脉冲神经网络模型

Also Published As

Publication number Publication date
CN108121878A (zh) 2018-06-05

Similar Documents

Publication Publication Date Title
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
CN108121878B (zh) 自动编码震源信号的脉冲神经网络模型
CN105277853B (zh) 一种基于二次脉冲的海底电缆故障定位装置及方法
CN106353821B (zh) 一种微地震事件定位方法
CN109085477B (zh) 用于电力电缆分布式局部放电监测系统的信号识别和定位方法
CN102928873B (zh) 基于四维能量聚焦的地面微地震定位方法
CN105210088A (zh) 采用神经网络的局部放电信号处理方法及装置
CN103226028B (zh) 一种相敏光时域反射仪扰动信号检测与识别方法
CN109343118B (zh) 一种异常初至时间修正方法
CN108828548A (zh) 一种基于fmcw雷达的三参数融合数据集构建方法
CN104266894A (zh) 一种基于相关性分析的矿山微震信号初至波时刻提取方法
CN110119397B (zh) 一种同时实现数据异常检测及数据压缩的深度学习方法
CN111079559A (zh) 一种基于卷积神经网络的泥浆脉冲信号识别方法
CN106772299B (zh) 一种基于距离匹配的pd雷达微弱目标动态规划检测方法
CN114488100A (zh) 一种齿鲸回声定位单脉冲信号提取方法
CN109613610A (zh) 微震信号到时差的自动拾取方法
CN116129314A (zh) 一种基于多源信息融合的周界入侵识别方法
CN111610428B (zh) 一种基于响应混叠性度量小波包分解算法的参数优化方法
CN108254064B (zh) 一种光纤振动传感检测方法及装置
CN114282647A (zh) 基于脉冲神经网络的神经形态视觉传感器目标检测方法
CN107123126A (zh) 一种人流运动场景热度估计方法
CN114371474A (zh) 基于卷积降噪自编码器的雷达信号智能分选方法及系统
CN117172601A (zh) 一种基于残差全卷积神经网络的非侵入式负荷监测方法
Zhao et al. Study of UGS target recognition method based on recurrent neural network and peak value region extraction
CN105956566B (zh) 一种深海钻井气侵检测信号处理方法及处理电路

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