CN109272017A - 分布式光纤传感器的振动信号模式识别方法和系统 - Google Patents
分布式光纤传感器的振动信号模式识别方法和系统 Download PDFInfo
- Publication number
- CN109272017A CN109272017A CN201810896589.6A CN201810896589A CN109272017A CN 109272017 A CN109272017 A CN 109272017A CN 201810896589 A CN201810896589 A CN 201810896589A CN 109272017 A CN109272017 A CN 109272017A
- Authority
- CN
- China
- Prior art keywords
- vibration
- signal
- time
- vibration signal
- space
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种分布式光纤传感器的振动信号模式识别方法及系统,通过信号采集终端获得原始后向瑞利散射信号,构成时间‑空间二维矩阵;当振动发生时,获得包含振动信号的时间‑空间二维矩阵,并映射为对应的灰度共生矩阵,进行边缘检测,得到梯度矩阵;对梯度矩阵进行时间累加可以获得振动信号空间‑幅值曲线的输出,从梯度矩阵中获得振动位置处的振动时间‑幅值信号;将信号进行特征提取与分类器分类识别。本发明能够在复杂、高噪声环境下对振动信号做出精确定位,同时对振动信号进行分类识别,且分类准确率高。
Description
技术领域
本发明涉及周界安防、能源管道入侵检测领域,尤其涉及一种分布式光纤传感器的振动信号模式识别方法及系统。
背景技术
光纤传感技术利用光纤作为传感介质,由于其具有抗电磁干扰能力强、本质安全、铺设方便、隐蔽性好以及可以在恶劣情况下工作等众多优势已被广泛应用于工业、市政交通、航空航天以及军事等诸多领域。而其中的分布式光纤传感由于其具有分布式、远距离测量等优势,已被用在周界安防、能源输送管道实时检测、海底光缆以及智能电网等众多场合。
基于相位敏感光时域反射(Φ-OTDR)原理的分布式光纤振动传感器由于其定位精确、灵敏度高、实时性强、传感距离长等特点,可以有效检测针对周界安防、能源输送管道等情形的非法入侵。通过探测传感光纤周围因第三方入侵所产生的振动信号,来精确定位入侵事件,同时产生报警信号,防患于未然。
然而,传感光纤实际铺设场合环境复杂,常受外界环境如雷电、暴雨,以及无害入侵如鸟类、小动物等影响,容易产生误报,因此仅仅得知振动信号,产生警报显然不能满足实际需要。结合模式识别技术,可以在获取振动定位信息的同时,对振动信号的模式进行识别,准确分类。在得知振源类型的情况下,监控人员可以依据危害等级做出不同措施,可以防止误报警等现象,节约大量的人力、财力。
发明内容
本发明提出了一种分布式光纤传感器的振动信号模式识别方法及系统,目的在于:基于原有的分布式振动传感器的基础上,在做到准确定位的同时,高准确率识别振源的类型,排除受自然环境影响以及小动物入侵等误报类型,以便监控人员依据危害等级做出不同措施。
本发明要解决的技术问题在于:传感器在复杂、高噪声环境下,需要有效提取振动定位点并获得关于振动的时间-幅值信号;由于振动信号所具有的冲击性、随机性、频率成分复杂等特点,常表现为非平稳信号,因此选取合理的特征提取方法与分类器才能保证高分类准确率。
本发明为解决上述问题所采用的技术方案为:一种分布式光纤传感器的振动信号模式识别方法,其特征在于,包括以下步骤:
步骤1,通过一分布式光纤传感器感应振动信号,产生后向散射曲线,将多条后向散射曲线构成时间-空间二维矩阵,并将其映射为灰度共生矩阵;
步骤2,对灰度共生矩阵进行边缘检测,获得梯度矩阵,进而得到振动定位位置以及振动时间-幅值信号;
步骤3,对振动时间-幅值信号进行特征提取,使用小波能量谱作为振动时间-幅值信号的特征输出;
步骤4,将振动时间-幅值信号的特征向量输入到分类器中得到振源的具体类型,完成模式识别。
其中,通过采集分布式光纤振动传感器所产生的多条后向瑞利散射光,得到对应的时间-空间二维矩阵,并将时间-空间二维矩阵映射为灰度共生矩阵,用于步骤二的边缘检测。
其中,采用Prewitt算子水平模板与垂直模板对灰度共生矩阵进行边缘检测,再取两者结果的最大值即为梯度矩阵G=max[Gi,Gj];将梯度矩阵G(x,t)=(L1(x),L2(x),…LN(x))T的行向量Li(x)相加得到∑Li(x)=L(x),L(x)为振动信号的空间-幅值输出,通过空间-幅值信号即可确定振源的定位信息,振动空间-幅值信号的获得源自于边缘检测,以在高噪声的环境下获得高信噪比、高定位精度的结果;在获知定位信息的前提下,直接从梯度矩阵中对应空间位置处提取关于振动的时间-幅值信号,进而用于后续模式识别过程。
其中,在对振动时间-幅值信号进行特征提取的步骤中,针对具有非平稳特性的振动信号,将采用小波分析的方法完成特征提取,通过进行6层小波分解,得到原振动信号的6层高频重构系数与1层低频重构系数,求解其能量,并归一化,得到小波能量谱,即为振动信号的特征向量。
其中,将振动信号的特征向量输进行分类识别的分类器为相关向量机。
一种分布式光纤传感器的振动信号模式识别系统,包括:
信号采集模块,用于采集分布式光纤传感器感应振动信号产生的后向散射曲线,将多条后向散射曲线构成时间-空间二维矩阵,并将其映射为灰度共生矩阵;
信号生成模块,用于对灰度共生矩阵进行边缘检测,获得梯度矩阵,进而得到振动定位位置以及振动时间-幅值信号;
特征提取模块,用于对信号采集模块输出的振动时间-幅值信号进行特征提取,并将其特征输出;
分类输出模块,用于依据振动信号的特征,利用相关向量机进行分类识别。
其中,信号采集模块用于振动事件检测、生成振动时间-空间二维矩阵、映射为灰度共生矩阵,其中振动事件检测主要用于初步检测是否发生振动事件,当发生振动事件,通过队列缓存机制将振动信号缓存至队列中下部分,复制此时队列获得包含振动事件的时间-空间矩阵,之后映射为灰度共生矩阵。
其中,信号生成模块用于Prewitt边缘检测、输出振动定位曲线与时间-幅值信号,其中,利用Prewitt边缘检测法对灰度共生矩阵进行边缘检测,获得梯度矩阵,再对梯度矩阵进行处理可得振动信号的定位位置与振动时间-幅值信号。
其中,特征提取模块用于将信号采集模块输出的振动时间信号进行特征提取,利用小波能量谱将高维的时间信号映射为低维的特征空间,从而输出特征向量。
其中,分类输出模块用于对分类器依据振动信号的特征向量进行分类识别,所选分类器为相关向量机,相关向量机使用前需使用训练集进行训练以获得组成分类器的参数,即权重与相关向量。
本发明产生的有益效果是:本发明基于分布式传感器的振动信号模式识别问题,提供了一种模式识别方法及系统,结合Prewitt边缘检测法能够在实际高噪声、复杂环境下对振动信号做到有效的定位与振动信息的提取,依据振动信号的非平稳特性,使用小波能量谱作为振动信号的特征空间,最后使用已训练的分类器进行分类与识别。本发明可以有效检测分布式振动传感器所采集到的振动信号并定位,同时可以准确识别振动事件,且分类准确率高。
附图说明
图1是本发明振动信号模式识别系统的结构示意图;
图2是本发明振动信号采集模块采集过程的流程示意图;
图3是本发明提供的一种分布式光纤传感器的振动信号模式识别方法的流程示意图。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步更详细的描述。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
请参照图1所示,图1为本发明振动信号模式识别系统结构示意图。
本发明的模式识别系统结构主要由四部分组成:信号采集模块、信号生成模块、特征提取模块、分类输出模块。
信号采集模块与信号生成模块的主要功能包括:检测振动信号,生成时间-空间二维振动矩阵,映射为灰度共生矩阵,边缘检测,输出振动信号的定位曲线与时间-幅值曲线。
具体过程为:由采集卡采集后向散射曲线u(x)并将其传输至本发明的模式识别系统,由Φ-OTDR传感原理可知散射曲线u(x)是包含空间信息的一维曲线。由于模式识别需要得到振动定位点的时间信息,因此需要获得多条散射曲线来截取出时间信息。于是在本发明系统中建立先入先出队列,以便于缓存多条后向散射曲线,队列深度表示缓存的时间长度,通过缓存来记录振动发生时过去与未来的信息,应当了解的是,队列记录的时间与输入至传感光纤的光脉冲频率有关,例如脉冲频率为P,则队列所包含曲线数目N除以频率P即为时间长度,同时时间长度要尽可能涵盖待测振动事件的起止。通过将采集到的后向散射曲线缓存至队列中,可以得到时间-空间二维振动矩阵M(x,t)。
信号采集的流程图如图2所示,为了有效的记录振动信号v(x),加入振动检测部分,即使用差分算法处理振动信号,将后向散射曲线隔条相减,并将获得的差分曲线求和,与振动阈值进行比较,大于该阈值则视为振动发生,否则认为无振动发生。若振动事件未发生,照常利用后向散射曲线更新队列。
为使后续模式识别获得较为优质的振动信号,应使振动所产生的波形居于时间-幅值曲线的中后部分,即应使检测到的振动信号v(x)居于队列的中下部分。因此当振动检测部分检测到振动信号时,启用计数器,计数最大值N_th为队列深度的二分之一到三分之二之间,目的是使振动信号v(x)移至队列的中下部分。在原有队列的基础上,每采集到一条散射信号计数一次并更新队列,计数期间禁止振动检测功能,计数完成后发出标志信号,继续使能振动检测部分,并复制目前队列获得不变的振动时间-空间二维矩阵M(x,t),该矩阵包含振动信号的定位信息与振动点的起止时间信息。
由于系统在实际工作中处于高噪声、复杂环境下,传统的差分处理方法存在着信噪比低、定位误差大等问题。本方法针对实际工作环境,将边缘检测法用于提取振动信号的定位信息与时间信息。首先将上述包含振动信号的时间-空间二维矩阵M(x,t)映射为灰度共生矩阵A(x,t),对灰度矩阵A(x,t)进行Prewitt边缘检测。Prewitt边缘检测利用Prewitt算子模板对原灰度图进行卷积运算,可以实现对灰度渐变和噪声较多的图像进行去噪。通过定义水平方向Gi与垂直方向Gj的梯度:
因此得到的Prewitt算子模板的水平与垂直方向3×3矩阵:
因此使用两个Prewitt模板分别对已获得的灰度共生矩阵的每一个元素点进行卷积运算,即Gx*A,Gy*A。经过卷积运算,获得两个结果矩阵,通过比较每个元素点的大小,取最大值作为梯度矩阵G的元素,即G=max[Gi,Gj]。利用边缘检测,可以获得高信噪比的梯度矩阵G。后续处理是基于梯度矩阵G来完成定位与模式识别。
为获得准确的定位结果,即获得振动的空间信息,将梯度矩阵G(x,t)=(L1(x),L2(x),…LN(x))T的行向量Li(x)相加有∑Li(x)=L(x),L(x)即为振动信号的空间-幅值输出,通过将该曲线输出可以准确看到振源的定位信息,且振动定位曲线的获得源自于边缘检测,可以在高噪声的环境下获得高信噪比、高定位精度的结果。
通过设定振动阈值v_th,将振动定位曲线L(x)中的点逐点与阈值v_th进行比较,大于阈值即视为振动发生,并记录振动的定位点pos。由于模式识别过程需要得到振动信号的时间-幅值曲线,因此从梯度矩阵G中提取pos列即可得到关于振动的时间信号s(t)=G(pos,t)。
在信号采集模块获得两个输出结果:振动定位曲线,振动时间曲线。其中振动定位曲线直接输出,以便监控人员进行观察定位信息。而振动时间曲线则用来识别定位pos处的具体类型。首先应将振动时间曲线输入至模式识别系统的特征提取模块,将高维的振动时间曲线映射至低维的特征空间,而后才能将其输入到分类器中进行分类。
特征提取模块主要包括:小波分解,计算重构系数能量,组合成能量谱,归一化,形成特征向量并输出。
考虑到实际检测的振动信号常为冲击信号,具有随机性、频率成分复杂等特点,常表现为非平稳信号。又由于小波分析在处理非平稳信号有着较大的优势,所以本方法采用小波作为提取特征的手段。
具体过程为:如图1所示,将信号采集模块输出的振动时间信号s(t)输入至特征提取模块的小波分解部分,利用Daubechies 3小波基对振动信号s(t)进行6层分解,得到6个高频重构系数Dl(t)与1个低频重构系数A6(t),即分解为:
可见通过小波分解,将原有的时域信号分解到从高频到低频的不同频率尺度下,综合表征了振动信号的频率特征。通过求取每一层重构系数的能量来构成其能量谱,从而得到低维的特征空间。其能量求解如下所示:
因此得到小波能量谱E=[E1,E2,…E6,E7,],由于需要将所有类型的特征在同一尺度下比较,则归一化有:
于是得到的E'即为特征提取模块所输出的特征向量。通过该模块,用7维特征向量表征了振动信号的时间信息。
最后将使用模式识别系统的分类输出模块,对振动信号进行分类输出。本发明所使用的分类器是相关向量机。相关向量机是基于贝叶斯框架的统计学分类算法,其基础理论与支持向量机的核空间理论相同,除此之外相关向量机还有着训练速度快、核函数不受Mercer定理限制、泛化能力强等诸多优点,相对于神经网络,向量机又不存在过拟合问题。
应当注意的是,相关向量机在使用前应使用训练集对分类模型进行训练,得到组成分类器的参数,训练过程包括:采集样本信号,筛选样本信号组成训练集,提取训练集特征,分类模型训练,获得分类器参数。
具体过程为:首先采集振动信号样本,样本应包含所有待识别模式,采样处应尽可能遍布传感光纤的起止,每类模式不得低于300个样本,以便后续筛选。针对具体模式的具体样本,采集时间应与模式识别系统信号采集模块的队列时间相一致,同样可以得到振动的时间-空间二维矩阵。之后将振动矩阵映射为灰度共生矩阵,利用Prewitt算子进行边缘检测得到其梯度矩阵,直接将其中的时间信号进行提取得到该样本信号。通过对所有样本进行相同处理得到初始的样本空间。
其次需要对初始样本空间进行筛选,显然训练集中样本需要具有振源的典型特征,因此将无效的信号以及受到干扰、质量差的信号进行排除,得到训练集,每类模式不得低于200个样本。
然后需要对训练集进行特征提取,特征提取方法同样是通过6层小波分解获得小波能量谱,通过将所有训练集样本进行特征提取获得特征集。
最后对分类模型进行训练。通过对样本的特征集进行学习,可以得到组成相关向量机的两个重要参数:权重与相关向量。利用训练完的分类器,即可进行分类识别。
通过上述分布式光纤振动信号的模式识别方法及系统,可以实现分布式振动传感器的振动定位与识别,实现入侵事件的实时检测与定位识别。
此外,参阅图3,图3是本发明提供的一种分布式光纤传感器的振动信号模式识别方法的流程示意图。该方法的步骤包括:
步骤1,通过一分布式光纤传感器感应振动信号,产生后向散射曲线,将多条后向散射曲线构成时间-空间二维矩阵,并将其映射为灰度共生矩阵;
步骤2,对灰度共生矩阵进行边缘检测,获得梯度矩阵,进而得到振动定位位置以及振动时间-幅值信号;
步骤3,对振动时间-幅值信号进行特征提取,使用小波能量谱作为振动时间-幅值信号的特征输出;
步骤4,将振动时间-幅值信号的特征向量输入到分类器中得到振源的具体类型,完成模式识别。
本发明所述步骤1的具体方法为:利用队列缓存后向散射曲线,其深度代表时间信息,深度应尽可能包含振动发生的起止时间,当振动发生时,将包含振动信号的散射曲线更新至队列中、下部分,获得时间-空间二维振动矩阵,并且将其映射为灰度共生矩阵。
本发明所述步骤2的具体方法为:利用Prewitt算子的水平模板与垂直模板对灰度共生矩阵进行边缘检测,获得梯度矩阵,对梯度矩阵的所有行求和,获得振动信号的空间-幅值曲线以及振动定位点,通过振动定位点从梯度矩阵中提取振动信号的时间-幅值曲线。
本发明所述步骤3的具体方法为:将步骤2所得的时间-幅值信号进行小波分解,由分解得到的重构系数计算其能量谱,并将能量谱归一化处理,将其作为振动信号的特征向量。
本发明所述步骤4的具体方法为:将振动信号的特征向量输入至分类器中进行分类识别,本发明所用分类器为相关向量机,值得注意的是,相关向量机在使用前需要使用训练集进行训练,其训练方法为:
采集样本信号,样本应包含所有待识别模式,采集时间应与模式识别系统信号采集模块的队列时间相一致;
筛选样本信号,获得训练集;
对训练集进行特征提取,获得样本特征空间;
相关向量机依据训练集特征空间进行学习,得到组成向量机的两类重要参数,权重与相关向量,完成训练过程。
本发明产生的有益效果是:本发明基于分布式传感器的振动信号模式识别问题,提供了一种模式识别方法及系统,结合Prewitt边缘检测法能够在实际高噪声、复杂环境下对振动信号做到有效的定位与振动信息的提取,依据振动信号的非平稳特性,使用小波能量谱作为振动信号的特征空间,最后使用已训练的分类器进行分类与识别。本发明可以有效检测分布式振动传感器所采集到的振动信号并定位,同时可以准确识别振动事件,且分类准确率高。
以上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 (10)
1.一种分布式光纤传感器的振动信号模式识别方法,其特征在于,包括以下步骤:
步骤1,通过一分布式光纤传感器感应振动信号,产生后向散射曲线,将多条后向散射曲线构成时间-空间二维矩阵,并将其映射为灰度共生矩阵;
步骤2,对灰度共生矩阵进行边缘检测,获得梯度矩阵,进而得到振动定位位置以及振动时间-幅值信号;
步骤3,对振动时间-幅值信号进行特征提取,使用小波能量谱作为振动时间-幅值信号的特征输出;
步骤4,将振动时间-幅值信号的特征向量输入到分类器中得到振源的具体类型,完成模式识别。
2.根据权利要求1所述的分布式光纤传感器的振动信号模式识别方法,其特征在于,通过采集分布式光纤振动传感器所产生的多条后向瑞利散射光,得到对应的时间-空间二维矩阵,并将时间-空间二维矩阵映射为灰度共生矩阵,用于步骤二的边缘检测。
3.根据权利要求1所述的分布式光纤传感器的振动信号模式识别方法,其特征在于,采用Prewitt算子水平模板与垂直模板对灰度共生矩阵进行边缘检测,再取两者结果的最大值即为梯度矩阵G=max[G i , G j ];将梯度矩阵的行向量L i (x)相加得到,L(x)为振动信号的空间-幅值输出,通过空间-幅值信号即可确定振源的定位信息,振动空间-幅值信号的获得源自于边缘检测,以在高噪声的环境下获得高信噪比、高定位精度的结果;在获知定位信息的前提下,直接从梯度矩阵中对应空间位置处提取关于振动的时间-幅值信号,进而用于后续模式识别过程。
4.根据权利要求1所述的分布式光纤传感器的振动信号模式识别方法,其特征在于,在对振动时间-幅值信号进行特征提取的步骤中,针对具有非平稳特性的振动信号,将采用小波分析的方法完成特征提取,通过进行6层小波分解,得到原振动信号的6层高频重构系数与1层低频重构系数,求解其能量,并归一化,得到小波能量谱,即为振动信号的特征向量。
5.根据权利要求1所述的方法,其特征在于,将振动信号的特征向量输进行分类识别的分类器为相关向量机。
6.一种分布式光纤传感器的振动信号模式识别系统,其特征在于,包括:
信号采集模块,用于采集分布式光纤传感器感应振动信号产生的后向散射曲线,将多条后向散射曲线构成时间-空间二维矩阵,并将其映射为灰度共生矩阵;
信号生成模块,用于对灰度共生矩阵进行边缘检测,获得梯度矩阵,进而得到振动定位位置以及振动时间-幅值信号;
特征提取模块,用于对信号采集模块输出的振动时间-幅值信号进行特征提取,并将其特征输出;
分类输出模块,用于依据振动信号的特征,利用相关向量机进行分类识别。
7.根据权利要求6所述的分布式光纤传感器的振动信号模式识别系统,其特征在于,所述信号采集模块用于振动事件检测、生成振动时间-空间二维矩阵、映射为灰度共生矩阵,其中振动事件检测主要用于初步检测是否发生振动事件,当发生振动事件,通过队列缓存机制将振动信号缓存至队列中下部分,复制此时队列获得包含振动事件的时间-空间矩阵,之后映射为灰度共生矩阵。
8.根据权利要求6所述的分布式光纤传感器的振动信号模式识别系统,其特征在于,所述信号生成模块用于Prewitt边缘检测、输出振动定位曲线与时间-幅值信号,其中,利用Prewitt边缘检测法对灰度共生矩阵进行边缘检测,获得梯度矩阵,再对梯度矩阵进行处理可得振动信号的定位位置与振动时间-幅值信号。
9.根据权利要求6所述的分布式光纤传感器的振动信号模式识别系统,其特征在于,所述特征提取模块用于将信号采集模块输出的振动时间信号进行特征提取,利用小波能量谱将高维的时间信号映射为低维的特征空间,从而输出特征向量。
10.根据权利要求6所述的分布式光纤传感器的振动信号模式识别系统,其特征在于,所述分类输出模块用于对分类器依据振动信号的特征向量进行分类识别,所选分类器为相关向量机,相关向量机使用前需使用训练集进行训练以获得组成分类器的参数,即权重与相关向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810896589.6A CN109272017B (zh) | 2018-08-08 | 2018-08-08 | 分布式光纤传感器的振动信号模式识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810896589.6A CN109272017B (zh) | 2018-08-08 | 2018-08-08 | 分布式光纤传感器的振动信号模式识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109272017A true CN109272017A (zh) | 2019-01-25 |
CN109272017B CN109272017B (zh) | 2022-07-12 |
Family
ID=65153185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810896589.6A Active CN109272017B (zh) | 2018-08-08 | 2018-08-08 | 分布式光纤传感器的振动信号模式识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272017B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414456A (zh) * | 2019-07-30 | 2019-11-05 | 合肥师范学院 | 一种基于拓展瑞利判据的信号分辨与提取方法 |
CN110570613A (zh) * | 2019-09-18 | 2019-12-13 | 广州亓行智能科技有限公司 | 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 |
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 |
CN111209853A (zh) * | 2020-01-05 | 2020-05-29 | 天津大学 | 基于AdaBoost-ESN算法的光纤传感振动信号模式识别方法 |
CN111785004A (zh) * | 2020-07-01 | 2020-10-16 | 上海广拓信息技术有限公司 | 一种巡线信息传递方法和系统 |
CN112087443A (zh) * | 2020-09-04 | 2020-12-15 | 浙江大学 | 一种大规模工业传感网络信息物理攻击下传感数据异常智能化检测方法 |
CN112364768A (zh) * | 2020-11-11 | 2021-02-12 | 浙江工业大学 | 一种基于空域特征和机器学习的分布式光纤入侵识别方法 |
CN113205036A (zh) * | 2021-04-28 | 2021-08-03 | 同济大学 | 一种基础设施外部侵害振源感知及定位方法 |
WO2023273820A1 (zh) * | 2021-06-30 | 2023-01-05 | 武汉理工光科股份有限公司 | 基于光纤测振系统的油气管道上方雷电定位方法及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156996A (zh) * | 2011-04-01 | 2011-08-17 | 上海海事大学 | 一种图像边缘检测的方法 |
CN102163325A (zh) * | 2011-04-06 | 2011-08-24 | 南京大学 | 一种多光谱图像边缘特征检测方法 |
CN102393964A (zh) * | 2011-08-02 | 2012-03-28 | 中国科学院长春光学精密机械与物理研究所 | 一种条纹间隙检测方法 |
CN103217226A (zh) * | 2013-03-26 | 2013-07-24 | 太原理工大学 | 用于φ-otdr的一种被动零差解调装置及其方法 |
CN104269006A (zh) * | 2014-09-24 | 2015-01-07 | 天津大学 | 一种光纤预警系统及模式识别方法 |
CN104732238A (zh) * | 2015-04-02 | 2015-06-24 | 西安电子科技大学 | 基于方位选择性的灰度图像纹理特征提取的方法 |
CN104766099A (zh) * | 2015-05-05 | 2015-07-08 | 武汉理工光科股份有限公司 | 基于图像的分布式光纤周界振动信号处理与识别方法 |
CN106446935A (zh) * | 2016-09-05 | 2017-02-22 | 哈尔滨工业大学 | 基于核稀疏表示和空间约束的极化sar图像分类方法 |
CN106874833A (zh) * | 2016-12-26 | 2017-06-20 | 中国船舶重工集团公司第七0研究所 | 一种振动事件的模式识别方法 |
CN107360435A (zh) * | 2017-06-12 | 2017-11-17 | 苏州科达科技股份有限公司 | 块效应检测方法、块噪声滤除方法及装置 |
CN107389341A (zh) * | 2017-07-24 | 2017-11-24 | 潍坊学院 | 基于Prewitt算子和t检验的瞬时频率估计方法 |
CN108062514A (zh) * | 2017-11-28 | 2018-05-22 | 西安理工大学 | 一种基于三维谱图分析的胶印机墨辊故障诊断方法 |
CN108344432A (zh) * | 2018-02-07 | 2018-07-31 | 北京交通大学 | 获取布里渊光纤分布式传感系统的传感信息的方法 |
-
2018
- 2018-08-08 CN CN201810896589.6A patent/CN109272017B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156996A (zh) * | 2011-04-01 | 2011-08-17 | 上海海事大学 | 一种图像边缘检测的方法 |
CN102163325A (zh) * | 2011-04-06 | 2011-08-24 | 南京大学 | 一种多光谱图像边缘特征检测方法 |
CN102393964A (zh) * | 2011-08-02 | 2012-03-28 | 中国科学院长春光学精密机械与物理研究所 | 一种条纹间隙检测方法 |
CN103217226A (zh) * | 2013-03-26 | 2013-07-24 | 太原理工大学 | 用于φ-otdr的一种被动零差解调装置及其方法 |
CN104269006A (zh) * | 2014-09-24 | 2015-01-07 | 天津大学 | 一种光纤预警系统及模式识别方法 |
CN104732238A (zh) * | 2015-04-02 | 2015-06-24 | 西安电子科技大学 | 基于方位选择性的灰度图像纹理特征提取的方法 |
CN104766099A (zh) * | 2015-05-05 | 2015-07-08 | 武汉理工光科股份有限公司 | 基于图像的分布式光纤周界振动信号处理与识别方法 |
CN106446935A (zh) * | 2016-09-05 | 2017-02-22 | 哈尔滨工业大学 | 基于核稀疏表示和空间约束的极化sar图像分类方法 |
CN106874833A (zh) * | 2016-12-26 | 2017-06-20 | 中国船舶重工集团公司第七0研究所 | 一种振动事件的模式识别方法 |
CN107360435A (zh) * | 2017-06-12 | 2017-11-17 | 苏州科达科技股份有限公司 | 块效应检测方法、块噪声滤除方法及装置 |
CN107389341A (zh) * | 2017-07-24 | 2017-11-24 | 潍坊学院 | 基于Prewitt算子和t检验的瞬时频率估计方法 |
CN108062514A (zh) * | 2017-11-28 | 2018-05-22 | 西安理工大学 | 一种基于三维谱图分析的胶印机墨辊故障诊断方法 |
CN108344432A (zh) * | 2018-02-07 | 2018-07-31 | 北京交通大学 | 获取布里渊光纤分布式传感系统的传感信息的方法 |
Non-Patent Citations (9)
Title |
---|
J NAVARAJAN M E等: "PLANT DISEASE DETECTION USING PREWITT ALGORITHM AND NEURAL NETWORK IN IMAGE PROCESSING", 《INT. J. ELEC&ELECTR.ENG&TELECOMS.》 * |
JING ZHANG等: "Texture-Based Image Retrieval by Edge Detection Matching GLCM", 《THE 10TH IEEE INTERNATIONAL CONFERENCE ON HIGH PERFORMANCE COMPUTING AND COMMUNICATIONS》 * |
YU WANG等: "Real-Time Distributed Vibration Monitoring System Using Ф-OTDR", 《IEEE SENSORS JOURNAL》 * |
付群健等: "相 位敏感光时域反射系统模式识别方法综述", 《红外与激光工程》 * |
吴瑞东等: "光纤振动传感系统相位调制模块的嵌入式设计", 《传感技术学报》 * |
周正仙等: "分布式光纤振动传感器及振动信号模式识别技术研究", 《光学仪器》 * |
孙茜: "Ф-OTDR光纤预警系统模式识别方法研究", 《万方数据》 * |
张博: "基于φ-OTDR的高灵敏光纤振动传感器的研究", 《万方数据》 * |
肖嵩,杜建超编著: "《计算机图形学原理与应用》", 30 June 2014 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414456A (zh) * | 2019-07-30 | 2019-11-05 | 合肥师范学院 | 一种基于拓展瑞利判据的信号分辨与提取方法 |
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 |
CN110570613A (zh) * | 2019-09-18 | 2019-12-13 | 广州亓行智能科技有限公司 | 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 |
CN111209853A (zh) * | 2020-01-05 | 2020-05-29 | 天津大学 | 基于AdaBoost-ESN算法的光纤传感振动信号模式识别方法 |
CN111785004A (zh) * | 2020-07-01 | 2020-10-16 | 上海广拓信息技术有限公司 | 一种巡线信息传递方法和系统 |
CN112087443A (zh) * | 2020-09-04 | 2020-12-15 | 浙江大学 | 一种大规模工业传感网络信息物理攻击下传感数据异常智能化检测方法 |
CN112364768A (zh) * | 2020-11-11 | 2021-02-12 | 浙江工业大学 | 一种基于空域特征和机器学习的分布式光纤入侵识别方法 |
CN112364768B (zh) * | 2020-11-11 | 2024-03-22 | 浙江工业大学 | 一种基于空域特征和机器学习的分布式光纤入侵识别方法 |
CN113205036A (zh) * | 2021-04-28 | 2021-08-03 | 同济大学 | 一种基础设施外部侵害振源感知及定位方法 |
WO2023273820A1 (zh) * | 2021-06-30 | 2023-01-05 | 武汉理工光科股份有限公司 | 基于光纤测振系统的油气管道上方雷电定位方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109272017B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272017A (zh) | 分布式光纤传感器的振动信号模式识别方法和系统 | |
CN105931402B (zh) | 基于图像识别的光纤周界入侵监测方法 | |
CN106503642B (zh) | 一种应用于光纤传感系统的振动模型建立方法 | |
CN104751163B (zh) | 对货物进行自动分类识别的透视检查系统和方法 | |
CN104751580B (zh) | 分布式光纤传感信号模式识别方法及系统 | |
CN108241870A (zh) | 用于分配测量数据内特定的感兴趣类别的方法 | |
Hernández et al. | Deep-learning-based earthquake detection for fiber-optic distributed acoustic sensing | |
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 | |
CN104766099B (zh) | 基于图像的分布式光纤周界振动信号处理与识别方法 | |
CN109063741A (zh) | 一种基于希尔伯特曲线变换与深度学习的能谱分析方法 | |
CN108760305A (zh) | 一种轴承故障检测方法、装置及设备 | |
CN105606198A (zh) | 光纤振动传感系统两级信号特征提取与判别方法 | |
Guo et al. | Non-contact vibration sensor using deep learning and image processing | |
CN112364768B (zh) | 一种基于空域特征和机器学习的分布式光纤入侵识别方法 | |
CN108801437A (zh) | 基于扰动信号特征提取的分布式光纤振动传感定位方法及装置 | |
CN110533007A (zh) | 一种桥梁车载应变影响线特征智能识别与提取方法 | |
CN107390259A (zh) | 一种基于svd和svm的核素识别方法 | |
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 | |
CN110717461A (zh) | 一种疲劳状态识别方法、装置和设备 | |
CN106203253B (zh) | 一种基于多源信息的磨机振动与振声特征提取方法 | |
Fan et al. | Magnetic anomaly detection using one-dimensional convolutional neural network with multi-feature fusion | |
CN108506736A (zh) | 一种入侵信号诊断系统和方法 | |
CN105138886B (zh) | 机器人生物体征识别系统 | |
CN114093106B (zh) | 基于EfficientNET分类网络的入侵信号报警方法及系统 | |
CN111222461A (zh) | 一种光纤振动探测系统入侵信号的识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |