CN108132092A - 基于自适应均值去阈值光纤振动事件识别方法 - Google Patents
基于自适应均值去阈值光纤振动事件识别方法 Download PDFInfo
- Publication number
- CN108132092A CN108132092A CN201611086634.9A CN201611086634A CN108132092A CN 108132092 A CN108132092 A CN 108132092A CN 201611086634 A CN201611086634 A CN 201611086634A CN 108132092 A CN108132092 A CN 108132092A
- Authority
- CN
- China
- Prior art keywords
- vibration
- fiber
- signal
- optic
- vibration signal
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
- G01H9/004—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means using fibre optic sensors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种光纤振源识别方法、装置及系统。其中,该方法包括:识别终端获取光纤振动信号;采用究自适应均值去阈值算法对所述光纤振动信号进行分类,得到所述光纤振动信号的振源类型。通过上述方式,本发明能够实现智能识别光纤振源,将振源信息正确分类。
Description
技术领域
本发明涉及光纤通信领域,特别是涉及一种光纤振源识别方法、装置及系统。
背景技术
分布式光纤振动传感系统具有抗电磁干扰、电绝缘性好、耐腐蚀、灵敏度高以及可以实现大范围的周界监测,并且传感光纤可埋藏于地下,具有很好的隐蔽性。可用于监测和保护国境、军事基地、发电厂、石油管道、核设施及监狱等重要区域和场所。当检测光纤受到外界干扰影响发生振动时,光纤中传输光的部分特性就会改变,识别终端对信号进行采集,分析采集信号的特征以判断其光特性的改变,进而可检测出发生振动位置对应的信号,进而根据该信号识别出其振源类型。
然而,由于φ-OTDR 的高灵敏度以及光纤中偏振衰落的影响,系统误报率较高。现有光纤振源识别方法通常采用固定阈值过滤无法与外界环境的变化自适应,报警准确率低。
发明内容
本发明主要解决的技术问题是提供一种光纤振源识别方法、装置及系统,能够实现智能识别光纤振动振源,进行振源分类并提高识别准确率。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种光纤振源识别方法,包括:识别终端获取光纤振动信号;采用基于时间域单点振动判断和空间域相邻点振动判断的算法作为依据,设计了自适应均值去阈值的方法,对入侵事件所包含的振动频率信息进行识别与分类。得到所述光纤振动信号的振源类型。
其中,所述采用时间域单点振动判断,包括:将连续振动区域与非振动区域数据进行分析处理,记录每一数据段所包含的数据帧数,数据总帧数、光纤全程总采样点数。并运用时间域单点振动判断算法为任意一点处数据经过处理后,全部位置点均采用此算法即得到处理后的一帧数据,对得到的数据经过合适的阈值处理即可提取出振动特征量组成的矩阵。通常为了提高识别振动事件准确率的同时不过分影响实时性,以1s内的历史数据判断为宜。并将其作为空间域相邻点振动判断的数据源。
其中。所述采用空间域相邻点振动判断。将所述光纤振动信号经过时间域单点振动处理后的特征,在任一位置周围的采样点,特征量连续出现的点数超过阈值,则认为算法提取出的为振动特征量,没有达到阈值的则认为干扰。并根据匹配结果,继续进行与其他预设特征模型进行匹配或者将所述光纤振动信号的振源类型确定为与所述预设特征模型对应的振源类型的步骤包括:时间域单点振动处理后得到的矩阵,将其每一列中元素全部大于零的数组组成新矩阵,分别计算矩阵每列数组的长度,剔除长度小于阈值的数组,最后得到新的处 理后的特征量矩阵。在保障算法的实时性、算法复杂性不变的前提下提高了识别入侵事件的准确率。
其中,所述自适应均值去阈值将根据光纤振动特征信号即瑞利散射的光功率的振动特征量矩阵。结合光纤中的衰减率,计算采样点之间衰减系数,将任意点的衰减系数与光纤衰减率均值后乘以特征量矩阵对应特征量得到自适应去阈值。
其中,所述将所述光纤振动信号的特征频率识别与分类。将φ-OTDR 监测到的振动位置光功率数据,一个周期性非常一致,但并不以固定频率发生变化。将振动频率信息直接反应振动事件的主体进行匹配,并从数据变化的周期性与外界振动 事件的周期性保持一致的角度出发。将传感光纤上空间振动位置点,由时间域单点振动判断和空间域相邻点振动判断算法确定,采样的数据帧序数,对应不同时刻,φ-OTDR 采集的空间振动位置点,并以该点作为振动位置的基准值,可以取一段时间内的滑动均值或者经验值, 将前后时刻两帧数据差分值, 差分值的阈值根据自适应去阈值的结果,以一阶差分 过阈值次数,即是以光功率数据波峰和波谷出现的次数为判断依据,并根据经验值划分不同频率范围的振动源。
其中,所述方法还包括:确定所述光纤振动信号对应的振源类型所属的通知级别;按照所述通知级别进行对应通知。
为解决上述技术问题,本发明采用的另一个技术方案是:提供一种光纤振源识别装置,包括:获取模块,用于获取光纤振动信号;振动发生器,用来模拟模拟入侵行为产生的振动;分类模块,用基于自适应均值去阈值的方法对所述光纤振动信号进行分类,得到所述光纤振动信号的振源类型。
上述方案,识别终端采用基于时间域单点振动判断、空间域相邻点振动判断以及自适应均值去阈值的方法对光线振动信号进行分类,无需人工参与,实现了对光纤振源的智能识别,而且,本方法可对全线任意节点进行并发处理、实时分类,其效果比人工识别更快更准确,故提高了识别效率和准确性。
附图说明
图1是本发明光纤振源识别方法一实施方式的流程图;
图2是本发明光纤振源识别系统装置图;
图3是本发明光纤振源识别系统振动信号处理的效果图;
图4是本发明光纤振源识别频率响应范围分析效果图;
图5是本发明光纤振源识别实施例中采用的识别结果图;
图6是本发明光纤振源识别方法分类结果图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、接口、技术之类的具体细节,以便透彻理解本申请。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施方式中也可以实现本申请。在其它情况中,省略对众所周知的装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
请参阅图1,本发明光纤振源识别方法一实施方式的流程图,该方法包括:
S11:识别终端获取光纤振动信号。
其中,所述光纤振动信号为光纤振源的数字信号,该光纤电信号由光纤反射的光信号得到。
S12:识别终端将单点采集连续帧数并提取振动信号特征量矩阵。
S13:识别终端提取相邻区域的特征量矩阵,并剔除小于阈值的数组组成新矩阵。
S14:识别终端利用自适应均值去阈值方法结合光功率、采样点之间衰减系数等确定阈值。
S15:识别终端计算振动事件频率并分类。
结合图2举例说明,图2示出一光纤振源识别系统装置,实验在 4 km 长的单模光纤上进行测试,在 2 km 附近 20 m 光纤圈上,利用 1~400 Hz 振动台产生固定频率振动,模拟入侵行为产生的振动,共抽取 25 组不同的频率进行实验。采用中心波长为 1 550 nm的 DFB 激光器,线宽 4 kHz,脉宽 100 ns。数据采集系统采样率为 50 M,采集传感光纤上S个点的数据,然后将采集的连续 100 组数据累加输出得到一帧数据,根据光纤长度调整激光脉冲周期约为 0.1 ms,每秒共采集F帧数据,每组频率下我们都取 3 s 内共 N帧数据作为分析样本。
光纤传感器设置于需监测的环境中以监测该环境状况。采用普通通信光缆中的一根空闲纤芯作传感单元,进行分布式多点振动测量。在本试验中取M=30,共得到 271 组处理结果,单模光纤衰减率按 0.2 dB/km 计算,式(4)中取 的采样点之间衰减系数为0.0001、去阈值系数10, 并加入 10 个点为阈值的空间域相邻点振动判断算法,得到 25 组不同频率振动实验的准确识别率,统计结 果如表 1。40 Hz 和 80 Hz 振动频率下,可以通过调整 η=11 将准确识别率提高到 100%;对于 100 Hz 和 200 Hz 振动频率满足 f/F=整数时,理论上应该无法识别,造成这种与理论偏差的原因有激光器脉冲周期不稳定、采样率不稳定,以及环境噪声的影响等,这些影响引起每秒采样帧数只在 100 左右,并非精确帧数。由于当外界的振动作用于通信光缆时,引起光缆中纤芯发生形变,使纤芯长度和折射率发生变化,导致光缆中光的相位发生变化。当光在光缆中传输时,由于光子与纤芯晶格发生作用,不断向后传输瑞利散射光。当外界有振动发生时,背向瑞利散射光的相位随之发生变化,这些携带外界振动信息的信号光,经光学系统处理,转换为相应电信号处理后,进人识别终端进行数据分析。由实验结果可知,上述设计的算法及设计的自适应均值去阈值方法,识别入侵事件准确率非常好,实时性 0.3 s,算法稳定,且实验结果得到的频率响应范围和理论仿真相一致。 在对频率信息进行分类时,由于 F=100,根据采样定理,只能识别 0~50Hz 的振动频率信息。取 L=300, 利用 coif3 小波对信号进行 3 层分解,经过启发式阈值降噪处理后重构,图 5 是 8 个不同频率振动事件对 应的后向散射信号经过降噪处理后的数据图像。
由于背向散射的光信号及其微弱,且其信噪比较小,在对光信号处理的过程中难度较大、精度较小,因此系统将上述多个采样光信号通关光电转换电路转换为对应的采样电信号便于信号的处理。这里可以通过一般的光电转换电路如APD转换得到模拟信号,再通过模数转换器将模拟信号转换成数字信号,并发送至识别终端。或者,识别终端获取与预设振动信号匹配的采样电信号后,分析所述第一采样电信号在时域和空域的平稳特性;对应所述采样电信号不同时域和空域的平稳特性,采用不同的检测方式对所述采样电信号进行检测;若所述检测通过,则将所述采样电信号确认为光纤振动信号。
本实施例中,识别终端采用本文在时间域单点振动判断、空间域相邻点振动判断算法、自适应均值去阈值的算法对光线振动信号进行分类,无需人工参与,实现了对光纤振源的智能识别,这种方法结合当前时刻之前一段时间内光纤全程的光功率数据,且考虑了光纤中的衰减因素影 响,实验证实这种去阈值的方法适应性非常好,因而使得原算法识别准确率高,实时性好,且算法简单稳 定,满足应用于工程实际的要求;2) 频率响应范围的分析与仿真,得出频率响应上限并非每秒采样帧数的 结论,只要振动事件的频率不是每秒采样帧数的整数倍,且振动幅度达到一定要求,则可以通过这种算法 识别振动事件,不过频率过高时由于幅度小也无法响应,通过实验证实了这些理论分析;3) 设计了两种算 法对振动事件所包含的频率信息进行分类,并实验验证了这种算法的准确性。而且本方法可对多个甚至上万个节点进行分类,其效果比人工识别更快更准确,故提高了识别效率和准确性。
在本发明所提供的几个实施方式中,应该理解到,所揭露的方法以及装置,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本发明各个实施方式中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述其他实施方式中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的实施方式,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种光纤振源识别方法,其特征在于,包括:
识别终端获取光纤振动信号;
采用基于时间域单点振动判断、空间域相邻点振动判断的振动特征矩阵,并按照自适应均值去阈值的方法对所述光纤振动信号进行分类,得到所述光纤振动信号的振源类型。
2.根据权利要求1所述的方法,其特征在于,所述适应均值去阈值分类算法对所述光纤振动信号进行分类的步骤包括:
将所述光纤振动信号单点采集连续帧数并提取振动信号特征量矩阵、并提取相邻区域的特征量矩阵,并剔除小于阈值的数组组成新矩阵、利用自适应均值去阈值方法结合光功率、采样点之间衰减系数等确定阈值、计算振动事件频率并分类,将所述光纤振动信号的振源类型确定为与所述预设特征模型对应的振源类型。
3.根据权利要求2所述的方法,其特征在于,所述将所述光纤振动信号的特征是提取连续N帧振动信号,利用时间域单点振动判断算法处理后的数据得到矩阵。
4.根据权利要求3所述的方法,其特征在于,所述将所述光纤振动信号位置周围的采样点,特征量连续出现的点数 超过阈值则认为算法提取出的为振动特征量.将方法3中每一列中元素全部大于零的数组组成新矩阵并剔除长度小于阈值的数组。
5.根据权利要求4所述的方法,其特征在于,所述将所述光纤振动信号的瑞利散射的光功率,结合光纤中的衰减 率,采样点之间衰减系数,进行自适应均值去阈值计算。
6.根据权利要求5所述的方法,其特征在于,所述对所述光纤振动信号进行从数据变化的周期性与外界振动 事件的周期性保持一致的角度出发,传感光纤上空间振动位置点,由时间域单点振动判断和空间域相邻点振动判断算法确定,φ-OTDR 采集的空间振动位置点,可以取一段时间内的滑动均值或者经验值,前后时刻两帧数据差分值,经过频率识别算法处理后的数据。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述方法还包括:
确定所述光纤振动信号对应的振源类型所属的振源类别;
按照所述振源类别进行对应通知。
8.一种光纤振源识别装置,其特征在于,包括:
获取模块,用于获取光纤振动信号;
振动信号模拟模块,用于模拟入侵振源;
识别模块用于采用自适应均值去阈值方法对所述光纤振动信号进行分类,得到所述光纤振动信号的振源类型。
9.一种光纤振源识别系统,其特征在于,包括光纤传感器及识别终端、振动信号模拟端;
所述光纤传感器用于在一端发出第一光信号,并从所述一端接收由所述第一光信号反射得到的第二光信号;
所属振动动信号模拟端利用振动台产生固定频率振动,模拟入侵行为产生的振动;
所述识别终端用于确定第二光信号对应的电信号为光纤振动信号时,对所述光纤振动信号进行振源识别,其中,所述识别终端包括权利要求8所述的光纤振源识别装置,以对所述光纤振动信号进行振源识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611086634.9A CN108132092A (zh) | 2016-12-01 | 2016-12-01 | 基于自适应均值去阈值光纤振动事件识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611086634.9A CN108132092A (zh) | 2016-12-01 | 2016-12-01 | 基于自适应均值去阈值光纤振动事件识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108132092A true CN108132092A (zh) | 2018-06-08 |
Family
ID=62387890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611086634.9A Pending CN108132092A (zh) | 2016-12-01 | 2016-12-01 | 基于自适应均值去阈值光纤振动事件识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108132092A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108645500A (zh) * | 2018-06-11 | 2018-10-12 | 桂林电子科技大学 | 一种车辆振动传感增敏的方法及装置 |
CN109374116A (zh) * | 2018-12-07 | 2019-02-22 | 武汉理工光科股份有限公司 | 地埋式光纤传感振动探测系统的挖掘行为识别方法 |
CN109682457A (zh) * | 2019-01-23 | 2019-04-26 | 江苏光为传感设备有限公司 | 基于角度检测的光纤事件识别方法 |
CN109768828A (zh) * | 2018-12-27 | 2019-05-17 | 武汉研希科技有限公司 | 一种针对振动光缆智能终端设备的标定方法 |
CN110011729A (zh) * | 2019-03-15 | 2019-07-12 | 国网北京市电力公司 | 一种干扰的检测方法、装置、存储介质及电子装置 |
CN110657879A (zh) * | 2019-09-23 | 2020-01-07 | 郑州信大先进技术研究院 | 一种基于fft的分布式光纤振动传感定位方法及装置 |
CN110672196A (zh) * | 2019-08-22 | 2020-01-10 | 北京航天易联科技发展有限公司 | 一种基于图像算子的移动干扰振源过滤方法 |
CN112362304A (zh) * | 2020-10-15 | 2021-02-12 | 高勘(广州)技术有限公司 | 一种在多根光缆中识别目标光缆的方法及相应的系统 |
CN112419635A (zh) * | 2020-12-10 | 2021-02-26 | 武汉理工光科股份有限公司 | 融合光栅和视频的周界报警方法 |
CN112629643A (zh) * | 2020-12-11 | 2021-04-09 | 无锡科晟光子科技有限公司 | 一种基于mse算法的自动调节光功率的光纤振动探测系统 |
CN116760466A (zh) * | 2023-08-23 | 2023-09-15 | 青岛诺克通信技术有限公司 | 一种光缆定位方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105841793A (zh) * | 2016-04-15 | 2016-08-10 | 深圳艾瑞斯通技术有限公司 | 一种光纤振源识别方法、装置及系统 |
CN105973449A (zh) * | 2016-04-15 | 2016-09-28 | 深圳艾瑞斯通技术有限公司 | 一种光纤振源识别方法、装置及系统 |
CN106052728A (zh) * | 2016-06-22 | 2016-10-26 | 深圳艾瑞斯通技术有限公司 | 一种光纤信号的滤波方法、装置及光纤传感系统 |
-
2016
- 2016-12-01 CN CN201611086634.9A patent/CN108132092A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105841793A (zh) * | 2016-04-15 | 2016-08-10 | 深圳艾瑞斯通技术有限公司 | 一种光纤振源识别方法、装置及系统 |
CN105973449A (zh) * | 2016-04-15 | 2016-09-28 | 深圳艾瑞斯通技术有限公司 | 一种光纤振源识别方法、装置及系统 |
CN106052728A (zh) * | 2016-06-22 | 2016-10-26 | 深圳艾瑞斯通技术有限公司 | 一种光纤信号的滤波方法、装置及光纤传感系统 |
Non-Patent Citations (1)
Title |
---|
郑印等: "φ-OTDR识别不同频率振动事件研究", 《光电工程》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108645500A (zh) * | 2018-06-11 | 2018-10-12 | 桂林电子科技大学 | 一种车辆振动传感增敏的方法及装置 |
CN109374116B (zh) * | 2018-12-07 | 2020-12-29 | 武汉理工光科股份有限公司 | 地埋式光纤传感振动探测系统的挖掘行为识别方法 |
CN109374116A (zh) * | 2018-12-07 | 2019-02-22 | 武汉理工光科股份有限公司 | 地埋式光纤传感振动探测系统的挖掘行为识别方法 |
CN109768828A (zh) * | 2018-12-27 | 2019-05-17 | 武汉研希科技有限公司 | 一种针对振动光缆智能终端设备的标定方法 |
CN109768828B (zh) * | 2018-12-27 | 2021-08-17 | 武汉研希科技有限公司 | 一种针对振动光缆智能终端设备的标定方法 |
CN109682457A (zh) * | 2019-01-23 | 2019-04-26 | 江苏光为传感设备有限公司 | 基于角度检测的光纤事件识别方法 |
CN110011729A (zh) * | 2019-03-15 | 2019-07-12 | 国网北京市电力公司 | 一种干扰的检测方法、装置、存储介质及电子装置 |
CN110672196A (zh) * | 2019-08-22 | 2020-01-10 | 北京航天易联科技发展有限公司 | 一种基于图像算子的移动干扰振源过滤方法 |
CN110672196B (zh) * | 2019-08-22 | 2021-09-24 | 北京航天易联科技发展有限公司 | 一种基于图像算子的移动干扰振源过滤方法 |
CN110657879B (zh) * | 2019-09-23 | 2021-06-11 | 郑州信大先进技术研究院 | 一种基于fft的分布式光纤振动传感定位方法及装置 |
CN110657879A (zh) * | 2019-09-23 | 2020-01-07 | 郑州信大先进技术研究院 | 一种基于fft的分布式光纤振动传感定位方法及装置 |
CN112362304A (zh) * | 2020-10-15 | 2021-02-12 | 高勘(广州)技术有限公司 | 一种在多根光缆中识别目标光缆的方法及相应的系统 |
CN112419635A (zh) * | 2020-12-10 | 2021-02-26 | 武汉理工光科股份有限公司 | 融合光栅和视频的周界报警方法 |
CN112629643A (zh) * | 2020-12-11 | 2021-04-09 | 无锡科晟光子科技有限公司 | 一种基于mse算法的自动调节光功率的光纤振动探测系统 |
CN116760466A (zh) * | 2023-08-23 | 2023-09-15 | 青岛诺克通信技术有限公司 | 一种光缆定位方法及系统 |
CN116760466B (zh) * | 2023-08-23 | 2023-11-28 | 青岛诺克通信技术有限公司 | 一种光缆定位方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108132092A (zh) | 基于自适应均值去阈值光纤振动事件识别方法 | |
Shiloh et al. | Efficient processing of distributed acoustic sensing data using a deep learning approach | |
Liu et al. | Vehicle detection and classification using distributed fiber optic acoustic sensing | |
Tejedor et al. | Toward prevention of pipeline integrity threats using a smart fiber-optic surveillance system | |
Shao et al. | Data-driven distributed optical vibration sensors: a review | |
Wu et al. | Pattern recognition in distributed fiber-optic acoustic sensor using an intensity and phase stacked convolutional neural network with data augmentation | |
Che et al. | Partial discharge recognition based on optical fiber distributed acoustic sensing and a convolutional neural network | |
Kandia et al. | Detection of sperm whale clicks based on the Teager–Kaiser energy operator | |
CN101556724B (zh) | 光纤周界安全管理系统及其模式识别方法 | |
CN105931402A (zh) | 基于图像识别的光纤周界入侵监测方法 | |
CN111854921A (zh) | 一种分布式光纤减速带振动预警系统及方法 | |
CN104217513B (zh) | 提高相位敏感光时域反射计识别入侵事件准确率的方法 | |
WO2016198683A1 (en) | Method and apparatus for monitoring pipeline using an optical fiber sensor system | |
CN103116957B (zh) | 一种光纤周界安防系统屏蔽气候影响的方法 | |
CN104751580A (zh) | 分布式光纤传感信号模式识别方法及系统 | |
CN112985574B (zh) | 基于模型融合的光纤分布式声波传感信号高精度分类识别方法 | |
Jia et al. | Event Identification by F-ELM Model for $\varphi $-OTDR Fiber-Optic Distributed Disturbance Sensor | |
Kershenbaum et al. | An image processing based paradigm for the extraction of tonal sounds in cetacean communications | |
CN114613116B (zh) | 防外破预警方法、装置、设备及存储介质 | |
Tabi Fouda et al. | Research and Software Design of an Φ‐OTDR‐Based Optical Fiber Vibration Recognition Algorithm | |
Shi et al. | A recognition method for multi-radial-distance event of Φ-OTDR system based on CNN | |
CAO et al. | Practical Pattern Recognition System for Distributed Optical Fiber Intrusion Monitoring Based on Ф-COTDR | |
Wu et al. | Multi-point disturbance detection and high-precision positioning of polarization-sensitive optical time-domain reflectometry | |
CN105991188B (zh) | 一种检测共享风险链路组的方法及装置 | |
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 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180608 |
|
WD01 | Invention patent application deemed withdrawn after publication |