CN108694416A - 基于多特征融合算法的振动光纤入侵事件检测方法 - Google Patents

基于多特征融合算法的振动光纤入侵事件检测方法 Download PDF

Info

Publication number
CN108694416A
CN108694416A CN201810502322.4A CN201810502322A CN108694416A CN 108694416 A CN108694416 A CN 108694416A CN 201810502322 A CN201810502322 A CN 201810502322A CN 108694416 A CN108694416 A CN 108694416A
Authority
CN
China
Prior art keywords
signal
short
energy
sample
invasion
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.)
Withdrawn
Application number
CN201810502322.4A
Other languages
English (en)
Inventor
辜小花
王甜
彭军
唐德东
汪宏金
夏钦锋
赵小朝
候松
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.)
Chongqing University of Science and Technology
Original Assignee
Chongqing University of Science and Technology
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 Chongqing University of Science and Technology filed Critical Chongqing University of Science and Technology
Priority to CN201810502322.4A priority Critical patent/CN108694416A/zh
Publication of CN108694416A publication Critical patent/CN108694416A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/02—Mechanical actuation
    • G08B13/12—Mechanical actuation by the breaking or disturbance of stretched cords or wires
    • G08B13/122—Mechanical actuation by the breaking or disturbance of stretched cords or wires for a perimeter fence
    • G08B13/124—Mechanical actuation by the breaking or disturbance of stretched cords or wires for a perimeter fence with the breaking or disturbance being optically detected, e.g. optical fibers in the perimeter fence

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Burglar Alarm Systems (AREA)

Abstract

本发明提供了一种基于多特征融合算法的振动光纤入侵事件检测方法，包括：(1)采集没有入侵事件发生的背景噪声数据以及发生入侵事件的振动信号波形数据，形成样本集[X,Y]；(2)对样本集[X,Y]进行归一化处理，形成归一化样本集在所述归一化样本集中随机抽取部分样本作为训练样本用以训练参数，剩余样本作为测试样本用以测试性能；(3)对训练样本进行加窗分帧处理；(4)利用多特征融合算法检测振动光纤入侵信号的起止端点，判断是否为真正入侵信号；(5)利用测试样本检验所构建的检测起止端点模型是否有效。本发明利用短时能量、短时过零率、短时小波系数能量和三个能量特征融合来区分静默信号和入侵信号，能够较为准确检测振动光纤入侵事件。

Description

基于多特征融合算法的振动光纤入侵事件检测方法
技术领域
本发明涉及振动光纤安防系统技术领域，具体为一种基于多特征融合算法的振动光纤入侵事件检测方法。
背景技术
石油行业采油站点、传输管道、油库等场所分布零散，多个采油站点只有一个管理站进行管理，一个采油站点通常设置多个监视机，工作人员难以做到24小时巡视和管理。
目前，随着天然气管道站场“无人值守”理念的推行，振动光纤技术凭借着比其他安防技术误报率低、安装便捷，适用于各种形式的围栏，并可实现无死角的防范等优势，在相关领域发挥重要作用，因“无人值守”，以致盗油、盗窃及破坏事件时有发生。因此，周界防范就显得尤为重要。
正确检测入侵事件是一个复杂的过程，涉及环境因素与人为因素，由于部分环境因素与人为因素引起报警所产生的信号特征相似，使其当前安防预警系统的误报率与漏报率高，其检测方法因其信号特征相似受到了极大的限制。并且随着我国对油气田页岩气的大力开发，对安全系统装置要求的不断提升。因此，一种适用于振动光纤入侵事件的检测方法是十分必要。
发明内容
针对现有技术中的缺陷，本发明提供一种基于多特征融合算法的振动光纤入侵事件检测方法，其利用短时能量、短时过零率、短时小波系数能量三个能量特征融合来区分入侵信号和静默信号，能够较为准确的检测振动光纤入侵事件。
本发明技术方案如下：
一种基于多特征融合算法的振动光纤入侵事件检测方法，其关键在于，包括以下步骤：
步骤1：采集没有入侵事件发生的背景噪声数据以及发生入侵事件的振动信号波形数据，形成样本集[X,Y]；
步骤2：对样本集[X,Y]进行归一化处理，形成归一化样本集在所述归一化样本集中随机抽取部分样本作为训练样本用以训练参数，剩余样本作为测试样本用以测试性能；
步骤3：对训练样本进行加窗分帧处理得到第i帧的检测信号Xi(n)；
步骤4：利用多特征融合算法检测振动光纤入侵信号的起止端点，判断是否为真正入侵信号；
步骤5：将测试样本中的输入到已确定阈值的检测端点模型中，并得到结果，将所述结果与测试样本中的实际输出进行比较，如果比较结果小于预设误差值，所构建的检测端点模型有效；否则重复上述步骤1至步骤5，直至所述比较结果小于所述预设误差值为止。
本发明具有如下有益效果：
本发明首先采集没有入侵事件发生的背景噪声数据以及发生入侵事件的振动信号波形数据，形成样本集[X,Y]，并进行归一化处理，形成归一化样本集归一化样本集中随机抽取部分样本作为训练样本，剩余样本作为测试样本；再通过短时能量、短时过零率、短时小波系数能量和三个能量特征融合来区分静默信号和入侵信号，判断是否为真正的入侵信号，若有连续两个空间节点显示有入侵信号，则判定该位置有入侵行为发生，进而判断是否发生入侵事件；最后通过测试样本来检验结果是否准确。本发明能够较为准确的判断振动光纤是否发生入侵事件，减少振动光纤安防系统的误报率和漏报率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为振动光纤入侵信号检测流程图；
图2为攀爬入侵方式对应的振动光纤信号原始波形图；
图3为攀爬入侵样本的原始波形、短时能量分布图
图4为攀爬入侵样本的原始波形、短时平均过零率分布图；
图5为攀爬入侵样本的原始波形、短时小波系数能量和分布图；
图6为振动光纤攀爬入侵信号检测结果图。
具体实施方式
下面结合附图对本发明的实施例作进一步详细说明。
如图1所示的一种基于多特征融合算法的振动光纤入侵事件检测方法，按以下步骤进行：
步骤1：采集没有入侵事件发生的背景噪声数据以及发生入侵事件的振动信号波形数据，形成样本集[X,Y]。
步骤2：对样本集[X,Y]进行归一化处理，形成归一化样本集在所述归一化样本集中随机抽取60％样本作为训练样本用以训练参数，剩余 40％样本作为测试样本用以测试性能。
步骤3：对训练样本进行加窗分帧处理得；
其中，分帧处理第n帧信号如下：
其中：flen表示帧长，Fs表示帧移，N表示信号长度；
对经分帧处理的数据做加窗处理：
其中，w[m]是窗函数；n＝1,1Fs,2Fs,…,FnFs。
步骤4：利用多特征融合算法检测振动光纤入侵信号的起止端点，判断是否为真正入侵信号。
步骤5：将测试样本中的输入到已确定阈值的检测端点模型中，并得到结果，将所述结果与测试样本中的实际输出进行比较，如果比较结果小于预设误差值，所构建的检测端点模型有效；否则重复上述步骤1至步骤5，直至所述比较结果小于所述预设误差值为止。
上述步骤4包括：
步骤4.1：计算每一帧振动信号的短时能量，对于信号短时能量的定义如下：
其中w[m]是窗函数。
步骤4.2：计算每一帧振动信号的短时过零率，对于信号短时过率零的定义如下：
其中，sgn(x)为符号函数，表示为：
步骤4.3：计算每一帧振动信号的短时小波系数能量和。
将分帧后的信号xn[m]与低通滤波器和高通滤波器做卷积，对信号做小波分解，得到两组小波系数，分别为每层小波系数以及每层小波系数的个数，
基于离散小波变换的函数：
ψ(x)i,k＝2-j/2ψ(2-jx-k) (6)
其中，j是小波变换伸缩因子，k是小波变换平移因子；
在分解过程中使用到标量函数，公式如下：
φ(x)i,k＝2-j/2Φ(2-jx-k) (7)
第m层小波系数能量：
其中，Nm是第m层小波系数的个数；是第m层第b个小波系数。
短时小波系数能量和：
步骤4.4：寻找最优阀值，设置入侵事情的起始门限thin、终止门限thout、最大静默端长度maxsilence以及最小信号长度minsignal，其中起始门限thin和终止门限thout的设定是通过计算训练样本集中所有背景信号的短时能量En、短时平均过零率Zn和短时小波系数能量和E，同时，对训练样本集中的入侵信号的三个特征进行相应计算，首先得到这三个特征值的近似范围，其次在这三个特征值的近似范围内给定一组起始门限thin和终止门限thout，搜索出最大静默端长度maxsilence和最小信号长度minsignal，在确定最大静默端长度maxsilence 和最小信号长度minsignal后，使用网格搜索法，将具有最佳检测性能的起止端点参数thin和thout用作最优参数设置。
步骤4.4中判断入侵事件起点的条件为信号f大于thin，判断入侵事件终点的条件为信号f小于thout并且该事件静默端长度silence_len大于最大静默端长度maxsilence；通过起止端点判断检测到的入侵信号长度是否已达到最小信号长度minsignal，如果达到最小信号长度，则判断为入侵信号，否则被视为干扰并且丢弃。
步骤4.5：依次遍历每个空间节点的信号帧，检测该节点有无入侵，直至最后一个空间节点的信号帧处理结束，若有连续两个空间节点显示有入侵信号，则判定该位置有入侵行为发生。
步骤4.6：利用短时能量区分入侵信号和静默信号，在振动信号中，入侵信号和静默信号具有不同的能量特征，入侵信号的能量值较大，静默信号的能量值较小，因此可以利用短时能量来初步区分入侵信号和静默信号，计算该空间节点信号帧的短时能量，若短时能量大于该点的短时能量阈值，则进入步骤4.7；若未大于该点的短时能量阈值，则判定为不存在入侵信号，回到步骤4.5。
步骤4.7：利用短时过零率区分入侵信号和静默信号，计算该空间节点信号帧的短时过零率，短时平均过零率指每帧内信号通过零值的次数，它是检测信号时域分析中的一种特征参数。短时平均过零率可以在一定程度上反映频率的高低，因此在入侵信号段，一般具有较高的过零率，而静默信号段具有较低的过零率，可用于区别入侵信号与静默信号，若短时过零率大于该点的短时过零率阈值，则进入步骤4.8；否则判定不存在入侵信号，回到步骤4.5。
步骤4.8：利用短时小波系数能量和区分入侵信号和静默信号，计算该空间节点信号帧的短时小波系数能量和，在振动信号中，入侵信号和静默信号具有不同的小波系数能量特征，所述小波系数能量特征为入侵信号的能量值较大，静默信号的能量值较小，因此可以利用小波系数能量来区分入侵信号和静默信号可用于区别入侵信号与静默信号，若短时小波系数能量和大于该点的短时小波系数能量和阈值，则判定为入侵信号；否则判定不存在入侵信号，回到步骤4.5。
参考图2至图6，利用本发明的方法对攀爬入侵事件测试得到如下技术效果：
图2为攀爬入侵方式对应的振动光纤信号原始波形图；图3为攀爬入侵样本的原始波形、短时能量分布图；图4为攀爬入侵样本的原始波形、短时平均过零率分布图；图5为攀爬入侵样本的原始波形、短时小波系数能量和分布图；图6为振动光纤攀爬入侵信号检测结果图。
利用多特征融合算法检测振动光纤的入侵信号(本实施例中入侵方式为攀爬入侵)的起止端点，实验检测结果如图6所示，其中虚线表示入侵信号的起点，点画线表示入侵信号的终点，实验结果表明攀爬被检测到为入侵信号，进而判断该位置是否发生入侵行为。
通过对300组测试样本进行入侵信号检测分析。通过统计得到多特征融合算法正确检测出入侵信号的检测率达到97.83％，满足确定入侵事件的误差要求。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (4)

1.一种基于多特征融合算法的振动光纤入侵事件检测方法，其特征在于，包括以下步骤：
步骤1：采集没有入侵事件发生的背景噪声数据以及发生入侵事件的振动信号波形数据，形成样本集[X,Y]；
步骤2：对样本集[X,Y]进行归一化处理，形成归一化样本集在所述归一化样本集中随机抽取部分样本作为训练样本用以训练参数，剩余样本作为测试样本用以测试性能；
步骤3：对样本进行加窗分帧处理；
步骤4：利用多特征融合算法检测振动光纤入侵信号的起止端点，判断是否为真正入侵信号；
步骤5：将测试样本中的输入到已确定阈值的检测端点模型中，并得到结果，将所述结果与测试样本中的实际输出进行比较，如果比较结果小于预设误差值，所构建的检测端点模型有效；否则重复上述步骤1至步骤5，直至所述比较结果小于所述预设误差值为止。
2.根据权利要求1所述的基于多特征融合算法的振动光纤入侵事件检测方法，其特征在于，步骤3中对训练样本进行加窗分帧处理，其中，分帧处理第n帧信号如下：
其中：flen表示帧长，Fs表示帧移，N表示信号长度；
对经分帧处理的数据做加窗处理：
其中，w[m]是窗函数；n＝1,1Fs,2Fs,…,Fn*Fs。
3.根据权利要求1所述的基于多特征融合算法的振动光纤入侵事件检测方法，其特征在于，步骤4包括：
步骤4.1：计算每一帧振动信号的短时能量，对于信号短时能量的定义如下：
其中w[m]是窗函数；
步骤4.2：计算每一帧振动信号的短时过零率，对于信号短时过率零的定义如下：
其中，sgn(x)为符号函数，表示为：
步骤4.3：计算每一帧振动信号的短时小波系数能量和；
将分帧后的信号xn[m]与低通滤波器和高通滤波器做卷积，对信号做小波分解，得到两组小波系数，分别为每层小波系数以及每层小波系数的个数，
基于离散小波变换的函数：
ψ(x)i,k＝2-j/2ψ(2-jx-k) (6)
其中，j是小波变换伸缩因子，k是小波变换平移因子；
在分解过程中使用到标量函数，公式如下：
φ(x)i,k＝2-j/2Φ(2-jx-k) (7)
第m层小波系数能量：
其中，Nm是第m层小波系数的个数；是第m层第b个小波系数。
短时小波系数能量和：
步骤4.4：寻找最优阀值，设置入侵事情的起始门限thin、终止门限thout、最大静默端长度maxsilence以及最小信号长度minsignal，其中起始门限thin和终止门限thout的设定是通过计算训练样本集中所有背景信号的短时能量En、短时平均过零率Zn和短时小波系数能量和E，同时，对训练样本集中的入侵信号的三个特征进行相应计算，首先得到这三个特征值的近似范围，其次在这三个特征值的近似范围内给定一组起始门限thin和终止门限thout，搜索出最大静默端长度maxsilence和最小信号长度minsignal，在确定最大静默端长度maxsilence和最小信号长度minsignal后，使用网格搜索法，将具有最佳检测性能的起止端点参数thin和thout用作最优参数设置；
步骤4.5：依次遍历每个空间节点的信号帧，检测该节点有无入侵，直至最后一个空间节点的信号帧处理结束，若有连续两个空间节点显示有入侵信号，则判定该位置有入侵行为发生；
步骤4.6：利用短时能量区分入侵信号和静默信号，计算该空间节点信号帧的短时能量，若短时能量大于该点的短时能量阈值，则进入步骤4.7；若未大于该点的短时能量阈值，则判定为不存在入侵信号，回到步骤4.5；
步骤4.7：利用短时过零率区分入侵信号和静默信号，计算该空间节点信号帧的短时过零率，若短时过零率大于该点的短时过零率阈值，则进入步骤4.8；否则判定不存在入侵信号，回到步骤4.5；
步骤4.8：利用短时小波系数能量和区分入侵信号和静默信号，计算该空间节点信号帧的短时小波系数能量和，若短时小波系数能量和大于该点的短时小波系数能量和阈值，则判定为入侵信号；否则判定不存在入侵信号，回到步骤4.5。
4.根据权利要求3所述的基于多特征融合算法的振动光纤入侵事件检测方法，其特征在于，步骤4.4中判断入侵事件起点的条件为信号f大于thin，判断入侵事件终点的条件为信号f小于thout并且该事件静默端长度silence_len大于最大静默端长度maxsilence；通过起止端点判断检测到的入侵信号长度是否已达到最小信号长度minsignal，如果达到最小信号长度，则判断为入侵信号，否则被视为干扰并且丢弃。
CN201810502322.4A 2018-05-23 2018-05-23 基于多特征融合算法的振动光纤入侵事件检测方法 Withdrawn CN108694416A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810502322.4A CN108694416A (zh) 2018-05-23 2018-05-23 基于多特征融合算法的振动光纤入侵事件检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810502322.4A CN108694416A (zh) 2018-05-23 2018-05-23 基于多特征融合算法的振动光纤入侵事件检测方法

Publications (1)

Publication Number Publication Date
CN108694416A true CN108694416A (zh) 2018-10-23

Family

ID=63846954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810502322.4A Withdrawn CN108694416A (zh) 2018-05-23 2018-05-23 基于多特征融合算法的振动光纤入侵事件检测方法

Country Status (1)

Country Link
CN (1) CN108694416A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276921A (zh) * 2019-07-08 2019-09-24 重庆邮电大学 基于无线信号特征的室内入侵和空间结构变化识别方法
CN111043967A (zh) * 2019-12-13 2020-04-21 北京航天控制仪器研究所 分布式光纤温度传感系统光纤长度实时监测的方法和装置
CN111060983A (zh) * 2019-12-02 2020-04-24 上海微波技术研究所（中国电子科技集团公司第五十研究所） 一种振动传感系统的自适应阈值计算方法及系统
CN111145475A (zh) * 2019-12-12 2020-05-12 上海微波技术研究所（中国电子科技集团公司第五十研究所） 基于振动光纤和深度学习的入侵报警系统、方法及介质
CN111160106A (zh) * 2019-12-03 2020-05-15 上海微波技术研究所（中国电子科技集团公司第五十研究所） 一种基于gpu的光纤振动信号特征提取及分类的方法及系统
CN113269938A (zh) * 2021-05-10 2021-08-17 国网新疆电力有限公司电力科学研究院 一种基于输电线路opgw的杆塔防盗在线监测系统及方法
CN114063144A (zh) * 2021-11-09 2022-02-18 北京科技大学 一种利用短时过零率识别煤岩失稳前兆特征的方法
CN116579889A (zh) * 2023-07-13 2023-08-11 江苏创时信息科技有限公司 一种基于物联网门锁的无感巡楼物业管理系统及方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1897109A (zh) * 2006-06-01 2007-01-17 电子科技大学 一种基于mfcc的单一音频信号识别方法
CN101290766A (zh) * 2007-04-20 2008-10-22 西北民族大学 安多藏语语音音节切分的方法
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
CN103065627A (zh) * 2012-12-17 2013-04-24 中南大学 基于dtw与hmm证据融合的特种车鸣笛声识别方法
CN103295573A (zh) * 2013-05-06 2013-09-11 东南大学 基于费舍比率最优小波包分解的语音情感特征提取方法
CN104008622A (zh) * 2014-06-03 2014-08-27 天津求实飞博科技有限公司 基于短时能量和过零率的光纤周界安防系统端点检测方法
CN104485103A (zh) * 2014-11-21 2015-04-01 东南大学 一种基于矢量泰勒级数的多环境模型孤立词识别方法
CN107045870A (zh) * 2017-05-23 2017-08-15 南京理工大学 一种基于特征值编码的语音信号端点检测方法
CN107368799A (zh) * 2017-07-12 2017-11-21 内蒙古大学 基于多特征和自适应时延估计的泄漏检测与定位方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1897109A (zh) * 2006-06-01 2007-01-17 电子科技大学 一种基于mfcc的单一音频信号识别方法
CN101290766A (zh) * 2007-04-20 2008-10-22 西北民族大学 安多藏语语音音节切分的方法
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
CN103065627A (zh) * 2012-12-17 2013-04-24 中南大学 基于dtw与hmm证据融合的特种车鸣笛声识别方法
CN103295573A (zh) * 2013-05-06 2013-09-11 东南大学 基于费舍比率最优小波包分解的语音情感特征提取方法
CN104008622A (zh) * 2014-06-03 2014-08-27 天津求实飞博科技有限公司 基于短时能量和过零率的光纤周界安防系统端点检测方法
CN104485103A (zh) * 2014-11-21 2015-04-01 东南大学 一种基于矢量泰勒级数的多环境模型孤立词识别方法
CN107045870A (zh) * 2017-05-23 2017-08-15 南京理工大学 一种基于特征值编码的语音信号端点检测方法
CN107368799A (zh) * 2017-07-12 2017-11-21 内蒙古大学 基于多特征和自适应时延估计的泄漏检测与定位方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
左冬森: "光纤周界安防入侵振动信号识别与定位方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
徐铖晋: "分布式光纤传感系统的信号处理技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
邢立钊: "语音信号端点检测算法的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
郭永亮 等: "基于小波系数能量及其方差的语音端点检测", 《微型电脑应用》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276921A (zh) * 2019-07-08 2019-09-24 重庆邮电大学 基于无线信号特征的室内入侵和空间结构变化识别方法
CN111060983A (zh) * 2019-12-02 2020-04-24 上海微波技术研究所（中国电子科技集团公司第五十研究所） 一种振动传感系统的自适应阈值计算方法及系统
CN111160106A (zh) * 2019-12-03 2020-05-15 上海微波技术研究所（中国电子科技集团公司第五十研究所） 一种基于gpu的光纤振动信号特征提取及分类的方法及系统
CN111160106B (zh) * 2019-12-03 2023-12-12 上海微波技术研究所（中国电子科技集团公司第五十研究所） 一种基于gpu的光纤振动信号特征提取及分类的方法及系统
CN111145475A (zh) * 2019-12-12 2020-05-12 上海微波技术研究所（中国电子科技集团公司第五十研究所） 基于振动光纤和深度学习的入侵报警系统、方法及介质
CN111043967A (zh) * 2019-12-13 2020-04-21 北京航天控制仪器研究所 分布式光纤温度传感系统光纤长度实时监测的方法和装置
CN111043967B (zh) * 2019-12-13 2021-10-01 北京航天控制仪器研究所 分布式光纤温度传感系统光纤长度实时监测的方法和装置
CN113269938A (zh) * 2021-05-10 2021-08-17 国网新疆电力有限公司电力科学研究院 一种基于输电线路opgw的杆塔防盗在线监测系统及方法
CN113269938B (zh) * 2021-05-10 2023-06-23 国网新疆电力有限公司电力科学研究院 一种基于输电线路opgw的杆塔防盗在线监测系统及方法
CN114063144A (zh) * 2021-11-09 2022-02-18 北京科技大学 一种利用短时过零率识别煤岩失稳前兆特征的方法
CN116579889A (zh) * 2023-07-13 2023-08-11 江苏创时信息科技有限公司 一种基于物联网门锁的无感巡楼物业管理系统及方法
CN116579889B (zh) * 2023-07-13 2023-10-20 江苏创时信息科技有限公司 一种基于物联网门锁的无感巡楼物业管理系统及方法

Similar Documents

Publication Publication Date Title
CN108694416A (zh) 基于多特征融合算法的振动光纤入侵事件检测方法
CN109344195B (zh) 基于hmm模型的管道安全事件识别及知识挖掘方法
CN108682101A (zh) 基于双门限法的振动光纤入侵事件检测方法
CN103968933A (zh) 基于模糊域特征的光纤振动信号识别方法
CN103226028B (zh) 一种相敏光时域反射仪扰动信号检测与识别方法
CN116805061B (zh) 基于光纤传感的泄漏事件判断方法
CN111665560A (zh) 油气层识别方法、装置、计算机设备及可读存储介质
CN108335467B (zh) 一种基于突变点探测的火灾在线预警与快速分析方法
CN106706119B (zh) 一种基于信号频域特征的振动源识别方法及系统
CN108961638A (zh) 基于小波系数能量和算法的振动光纤入侵事件检测方法
US20230024104A1 (en) Identification of false transformer humming using machine learning
CN110346032A (zh) 一种基于恒虚警与过零率相结合的φ-otdr振动信号端点检测方法
CN113534276B (zh) 基于Faster R-CNN的铁路入侵行为检测方法
Lanjile et al. Exploiting multi-modal sensing for increased detection fidelity of pipeline leakage
Vahabi et al. Convolutional neural networks to classify oil, water and gas wells fluid using acoustic signals
Gao et al. Acoustic emission-based small leak detection of propulsion system pipeline of sounding rocket
CN114925722A (zh) 基于广义s变换与迁移学习的周界安防入侵信号检测方法
Di Lecce et al. Discriminating gaseous emission patterns in low-cost sensor setups
CN113705547B (zh) 环境弄虚作假行为识别动态管控方法、装置
CN110532635A (zh) 一种基于时域的管道泄漏检测算法
CN103903270A (zh) 光纤链路监测信号的规整化有效特征段选取方法
CN117033983B (zh) 一种无人船自噪声检测识别方法及系统
CN117345344B (zh) 一种矿井声电信号智能预测方法与系统
CN112836591B (zh) 一种油气长输管道光纤预警信号特征提取方法
CN114088308B (zh) 一种基于低反射啁啾光栅阵列的输运管道拾振检漏方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20181023