CN109508631A - 一种基于分布式光纤传感技术的交通流模型构建方法 - Google Patents
一种基于分布式光纤传感技术的交通流模型构建方法 Download PDFInfo
- Publication number
- CN109508631A CN109508631A CN201811146544.3A CN201811146544A CN109508631A CN 109508631 A CN109508631 A CN 109508631A CN 201811146544 A CN201811146544 A CN 201811146544A CN 109508631 A CN109508631 A CN 109508631A
- Authority
- CN
- China
- Prior art keywords
- data
- traffic flow
- vibration data
- fiber
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000013307 optical fiber Substances 0.000 title claims abstract description 27
- 238000010276 construction Methods 0.000 title claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 230000003287 optical effect Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 17
- 230000009467 reduction Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 2
- 238000011946 reduction process Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 13
- 238000000253 optical time-domain reflectometry Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 239000000835 fiber Substances 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000009527 percussion Methods 0.000 description 2
- 238000010079 rubber tapping Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Optical Transform (AREA)
Abstract
本发明涉及一种基于分布式光纤传感技术的交通流模型构建方法,其特征在于,包括以下步骤:在铺设光缆的道路沿线接入分布式光纤传感器,用于采集光缆的振动数据,并通过通讯设备传输到内场软件进行记录。将采集到的振动数据作为输入值输入RBF神经网络算法中,对振动数据进行修补和降噪处理。在道路沿线的若干个点进行定标,将定标点上预处理后的振动数据、光缆的地理位置以及道路的地理位置进行精确匹配。最后把经过校准后的振动数据输入由深层BP神经网络构建的交通流模型,计算出整个铺设沿线光纤振动量所对应的交通流量数据。这种全新的交通流模型构建方法能够有效地提升道路的泛感知能力,并为深化物联网建设和应用提供技术支持。
Description
技术领域
本发明涉及一种基于分布式光纤传感技术的交通流模型构建方法,属于道路监控和交通拥堵分析领域。
背景技术
在智能交通系统中,数据采集是其中重要的组成部分,也是构成整个系统的基础。目前,国内外应用较为广泛的交通信息采集设备有感应线圈、卡口电警、微波和地磁等获取交通流信息。
光纤传感器凭借其优良的特性受到了广泛关注。目前,光纤传感器已经开始向着微型化、智能化和网络化的方向发展,其中,基于相位敏感光时域反射计(Φ-OTDR)技术的分布式光纤传感技术是这个领域中最具代表性的技术之一。
传统的交通流数据检测器大都属于固定点的形式,一般在规划好的地点或者以指定的间隔等条件进行相应的布设。相较于传统的交通信息采集方式,基于Φ-OTDR技术的分布式光纤传感技术具灵敏度高、传输速度快、传输距离远、可靠性和抗干扰能力强等优点外,更重要的是克服了传统检测器仅能对点数据进行采集的劣势,具备了连续检测与采集的特性。此外,由于此项技术可以与通讯传输系统共用光缆,能够有效地减少空间占用、设备以及维护的成本。
发明内容
本发明目的是:提出一种基于相位敏感光时域反射计(Φ-OTDR)技术的分布式光纤传感技术的交通流模型构建方法,将分布式光纤传感技术创新地应用于交通流信息采集领域。
为了达到上述目的,本发明的技术方案是提供了一种基于分布式光纤传感技术的交通流模型构建方法,其特征在于,包括以下步骤:
步骤1、确定数据采集的范围,保证数据采集范围内的道路沿线有铺设光缆且功能完好;
步骤2、铺设的光缆接入分布式光纤传感器,形成光纤链路;
步骤3、通过分布式光纤传感器采集道路沿线的光纤振动数据;
步骤4、将采集到的光纤振动数据存储在数据库内;
步骤5、对数据库内存储的数据进行预处理,通过预处理对因盲区而缺失的数据进行修补/降噪,得到预处理后的光纤振动数据,其中,所述盲区的形成原因为:基于相位敏感光时域反射计在一定距离或时间内不能检测或准确定位光纤链路中的事件点和故障点,从而形成盲区;
步骤6、在道路沿线选取若干个定标点,将预处理后的光纤振动数据、定标点的交通流量、定标点的地理位置和光缆地理位置进行精确匹配;
步骤7、构建交通流模型,并得到实时交通流量数据,包括以下步骤:
步骤7.1、确定深层BP神经网络算法的拓扑结构;
步骤7.2、初始化深层BP神经网络算法的权值和阈值;
步骤7.3、利用步骤6得到的精确匹配后的数据对深层BP神经网络进行网络训练,直至达到设定目标;
步骤7.4、实时采集光纤振动数据,利用步骤5的方法对实时采集的光纤振动数据进行预处理,将预处理后的实时采集的光纤振动数据输入训练后的深层BP神经网络,得到实时交通流量数据。
优选地,在步骤5中,利用RBF神经网络算法对数据库内存储的数据进行预处理。
本发明采用的Φ-OTDR技术,即在光纤的一端注入相干窄脉冲,脉冲宽度内的背向瑞利(Rayleigh)散射光能够进行相关干涉,通过检测背向瑞利散射光干涉条纹变化,判断外界扰动引入的相位变化及其沿光纤的空间分布位置。Φ-OTDR技术系统灵敏度高,同时在传感距离、响应带宽和多点同时检测等方面优于其他分布式光纤动态测量系统。
通过本发明可以得到通过光纤振动数据转换而来的交通流量,进而能够展现道路沿线的交通拥堵等信息;相比传统点式的交通流信息检测器,这种全新的交通流模型构建方法能够有效地提升道路的泛感知能力,同时减少设备占用空间以及额外的硬件投入成本。
附图说明
图1为一种基于分布式光纤传感技术的交通流模型构建方法示意图;
图2为RBF神经网络拓扑结构;
图3为光纤振动数据盲区展示;
图4为深层BP神经网络拓扑结构。
具体实施方式
为使本发明更显易懂,下面结合附图对本发明的实施例作详细说明:本实施例在本发明技术方案下进行实施,给出了本发明的实施过程和实施效果。本发明的保护范围不限于下述的实施例。
结合图1,本发明提供的一种基于分布式光纤传感技术的交通流模型构建方法,包括以下步骤:
步骤S-1:确认道路沿线光缆状况
首先需要确保采集数据的道路范围沿线,铺设有已经投入使用的光缆且主要功能和稳定性完好。
步骤S-2:接入分布式光纤传感器
在不影响光缆正常使用的情况下,接入基于Φ-OTDR技术的分布式光纤传感器用于采集道路沿线的光纤振动数据。
基于Φ-OTDR技术的光纤传感技术的原理是当外界物理量发生改变时,光纤的吸收、损耗特性以及瑞利散射系数等也将发生一系列的变化,从而改变背向散射光的强度。通过检测背向散射光信号的强度,可以得到外界物理量的变化。
此技术是通过记录外界传感光纤背向瑞利散射光的强度,根据光纤的衰减和连续性的变化,从而判断外界扰动引入的相位变化及其沿光纤的空间分布位置。当扰动作用在传感光纤上时,由于光纤的弹光效应,光纤内部结构会产生变化,导致该处折射率的改变,从而影响了散射光的光强。通过探测器探测背向瑞利散射光强随扰动的变化,解调出扰动信号,再根据光在光纤中的速度与扰动信号传递时间的关系,便可对扰动信号的距离进行准确的定位。
步骤S-3:光纤振动数据采集
通过分布式光纤传感技术实时采集道路沿线的光纤振动数据。
步骤S-4:数据记录与存储
将实时采集到的光纤振动数据记录并存储在数据库内,并将历史数据与实时数据进行区分。
步骤S-5:光纤数据预处理
在本步骤中,本发明采用RBF神经网络算法。RBF神经网络是一种性能优良的前馈型神经网络,可以任意精度逼近任意的非线性函数,且拓扑结构紧凑,结构参数可实现分离学习,收敛速度快,适合进行实时数据预处理。
步骤S-5-1:确定网络拓扑结构
在RBF神经网络算法中,需要首先确定网络的拓扑结构。
步骤S-5-2:网络初始化
确定输入层节点数m,隐含层节点数h,输出层节点数n,并初始化隐含层和输出层之间的权值whn,输入层到隐含层之间的权值固定为1。
步骤S-5-3:网络训练
RBF网络训练的参数有三个:基函数中心ci、基函数的方差σi以及隐含层和输出层之间的权值whn。
步骤S-5-3-1:确定基函数中心ci
RBF网络有多种学习方法,其中最常用的有四种学习方法:随机选取中心法、k-均值聚类算法、自组织选取中心法和正交最小二乘法,本发明采用k-均值聚类算法。
首先假设聚类中心有I个;初始化聚类中心,并随机输入训练样本Xk;寻找训练样本Xk距离哪个中心最近,即满足以下公式:
i(Xk)=argmin||Xk-xi(n)||i=1,2,...,h;k=1,2,...,m
式中,xi(n)是第n次迭代时基函数的第i个中心,i(Xk)是训练样本与聚类中心之间的欧式距离取得最小值时的训练样本集合。
通过以下公式来调整基函数的中心:
式中,η是学习步长。
最后通过判断是否所有训练样本完成学习并且中心分布不再变化,是则结束,否则n=n+1继续迭代,直到中心ci的变化足够小为止。
步骤S-5-3-2:求解基函数的方差σi
本发明采用高斯函数作为神经网络的基函数,方差σi通过以下公式来求解:
式中,cmax是所选取中心之间的最大距离,h为隐含层节点数。
步骤S-5-3-3:计算隐含层和输出层之间的权值whn
隐含层和输出层之间的权值可以用以下公式直接计算得到:
式中,xj是第j个输入样本的向量。
步骤S-5-3-4:判断是否完成训练
判断终止条件是否满足,如果不满足,则返回步骤S-5-3-1,直至满足终止条件。
步骤S-5-4:光纤数据修补/降噪
虽然运用分布式光纤传感器采集的数据有很强的泛感知能力,但是由于反射的影响,Φ-OTDR在一定距离(或时间)内不能检测或准确定位光纤链路中的事件点和故障点,从而形成盲区影响实际道路情况的检测,如图3所示(虚线框内即为需要进行预处理的数据)。因此,在将底层数据进行分析处理并输入算法模型之前,必须通过对缺失部分的数据进行修补/降噪,以保证最终输出结果的完整性和准确性。
将实时采集到的光纤振动数据输入到步骤S-5中训练完成的RBF神经网络中,输出预处理之后的光纤振动数据。
步骤S-6:数据校准
步骤S-6-1:定标点选取
在光缆铺设沿线选取若干个试验位置点,试验点需要具备检测器用于检测该点的交通流量,并输入步骤S-7-3中的交通流模型中进行训练。
在定标点通过连续敲击裸露在外面的光纤,每次敲击时间为3分钟,采集敲击条件下整条实验路段的光纤振动量,并对无任何敲击行为下的试验路段进行对比分析,找出敲击点的具体位置。
步骤S-6-2:数据精确匹配
通过将内场软件中展示的光线振动波形与外场敲击的定标点进行一一匹配,最后将采集到的光纤振动数据、检测器采集到的交通流量数据、定标点的地理位置和光缆地理位置进行精确匹配。
步骤S-7:交通流模型构建
在此模块中,本发明采用深层BP神经网络算法。BP神经网络具有很强的非线性映射能力、自学习和自适应能力,是目前应用最广泛的人工神经网络模型。深层BP神经网络相比传统单隐含层的神经网络,泛化能力强,具有更优异的特征学习能力,能够满足交通流信息转换的需求,并在持续积累历史数据的情况下,不断地优化算法精度。
步骤S-7-1:确定网络拓扑结构
在深层BP神经网络算法中,需要首先确定网络的拓扑结构。
步骤S-7-2:初始化网络权值和阈值
确定输入层节点数n,隐含层节点数l,输出层节点数m,并初始化输入层、隐含层和输出层之间的权值wij和wjk以及隐含层阈值a和输出层阈值b。
步骤S-7-3:网络训练,利用步骤S-6得到的精确匹配后的数据对深层BP神经网络进行网络训练,直至达到设定目标
步骤S-7-3-1:隐含层输出计算
Hj表示隐含层输出,f表示隐含层激励函数(根据需求有多种表示式),n表示输入层节点数,xi表示神经网络输入值,aj表示隐含层阈值。
步骤S-7-3-2:输出层输出计算
Ok表示预测输出,bk表示输出层阈值。
步骤S-7-3-3:计算误差
计算预测输出Ok和期望输出Yk之间的误差ek:
ek=Yk-Ok k=1,2,...,m
步骤S-7-3-4:权值和阈值更新
权值更新公式为:
wjk=wjk+ηHjekj=1,2,...,l;k=1,2,...,m
阈值更新公式为:
bk=bk+ek
式中,η表示网络学习率,x(i)表示神经网络输入值。
步骤S-7-3-5:判断是否完成训练
判断终止条件是否满足,如果不满足,则返回步骤S-7-3-1,直至满足终止条件。
步骤S-7-4:交通流信息转换
实时采集光纤振动数据,利用步骤S-5的方法对实时采集的光纤振动数据进行预处理,将预处理后的实时采集的光纤振动数据输入训练后的深层BP神经网络,得到实时交通流量数据。
Claims (2)
1.一种基于分布式光纤传感技术的交通流模型构建方法,其特征在于,包括以下步骤:
步骤1、确定数据采集的范围,保证数据采集范围内的道路沿线有铺设光缆且功能完好;
步骤2、铺设的光缆接入分布式光纤传感器,形成光纤链路;
步骤3、通过分布式光纤传感器采集道路沿线的光纤振动数据;
步骤4、将采集到的光纤振动数据存储在数据库内;
步骤5、对数据库内存储的数据进行预处理,通过预处理对因盲区而缺失的数据进行修补/降噪,得到预处理后的光纤振动数据,其中,所述盲区的形成原因为:基于相位敏感光时域反射计在一定距离或时间内不能检测或准确定位光纤链路中的事件点和故障点,从而形成盲区;
步骤6、在道路沿线选取若干个定标点,将预处理后的光纤振动数据、定标点的交通流量、定标点的地理位置和光缆地理位置进行精确匹配;
步骤7、构建交通流模型,并得到实时交通流量数据,包括以下步骤:
步骤7.1、确定深层BP神经网络算法的拓扑结构;
步骤7.2、初始化深层BP神经网络算法的权值和阈值;
步骤7.3、利用步骤6得到的精确匹配后的数据对深层BP神经网络进行网络训练,直至达到设定目标;
步骤7.4、实时采集光纤振动数据,利用步骤5的方法对实时采集的光纤振动数据进行预处理,将预处理后的实时采集的光纤振动数据输入训练后的深层BP神经网络,得到实时交通流量数据。
2.如权利要求1所述的一种基于分布式光纤传感技术的交通流模型构建方法,其特征在于,在步骤5中,利用RBF神经网络算法对数据库内存储的数据进行预处理。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811061147 | 2018-09-12 | ||
CN2018110611476 | 2018-09-12 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109508631A true CN109508631A (zh) | 2019-03-22 |
Family
ID=65746230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811146544.3A Pending CN109508631A (zh) | 2018-09-12 | 2018-09-29 | 一种基于分布式光纤传感技术的交通流模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109508631A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113654642A (zh) * | 2021-08-23 | 2021-11-16 | 之江实验室 | 一种基于参考传感器的分布式声波传感降噪系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120072096A1 (en) * | 2006-03-03 | 2012-03-22 | Chapman Craig H | Dynamic prediction of road traffic conditions |
CN102496284A (zh) * | 2011-12-24 | 2012-06-13 | 重庆大学 | 一种道路交通流量采集及预测方法 |
CN103839415A (zh) * | 2014-03-19 | 2014-06-04 | 重庆攸亮科技有限公司 | 基于路面图像特征识别的交通流量和占有率信息获取方法 |
CN106600979A (zh) * | 2016-12-20 | 2017-04-26 | 浙江中电智能科技有限公司 | 基于分布式光纤传感器的交通状况监测系统及监测方法 |
CN107293115A (zh) * | 2017-05-09 | 2017-10-24 | 上海电科智能系统股份有限公司 | 一种用于微观仿真的交通流量预测方法 |
CN107591002A (zh) * | 2017-09-21 | 2018-01-16 | 电子科技大学 | 一种基于分布式光纤的高速公路交通参数实时估计方法 |
CN108431880A (zh) * | 2015-10-30 | 2018-08-21 | 光学感应器控股有限公司 | 监测交通流量 |
-
2018
- 2018-09-29 CN CN201811146544.3A patent/CN109508631A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120072096A1 (en) * | 2006-03-03 | 2012-03-22 | Chapman Craig H | Dynamic prediction of road traffic conditions |
CN102496284A (zh) * | 2011-12-24 | 2012-06-13 | 重庆大学 | 一种道路交通流量采集及预测方法 |
CN103839415A (zh) * | 2014-03-19 | 2014-06-04 | 重庆攸亮科技有限公司 | 基于路面图像特征识别的交通流量和占有率信息获取方法 |
CN108431880A (zh) * | 2015-10-30 | 2018-08-21 | 光学感应器控股有限公司 | 监测交通流量 |
CN106600979A (zh) * | 2016-12-20 | 2017-04-26 | 浙江中电智能科技有限公司 | 基于分布式光纤传感器的交通状况监测系统及监测方法 |
CN107293115A (zh) * | 2017-05-09 | 2017-10-24 | 上海电科智能系统股份有限公司 | 一种用于微观仿真的交通流量预测方法 |
CN107591002A (zh) * | 2017-09-21 | 2018-01-16 | 电子科技大学 | 一种基于分布式光纤的高速公路交通参数实时估计方法 |
Non-Patent Citations (6)
Title |
---|
巢国平: "分布式光纤传感技术在城市快速路的应用研究", 《科学与信息化》 * |
巢国平: "分布式光纤传感技术在城市快速路的应用研究", 《科学与信息化》, 15 July 2018 (2018-07-15), pages 2 - 3 * |
巢国平等: "分布式光纤传感技术在城市快速路的应用研究", 科学与信息化, pages 2 - 3 * |
王逸凡: "基于 RBF 神经网络的光纤振动数据修补技术", 《物流科技》 * |
王逸凡: "基于 RBF 神经网络的光纤振动数据修补技术", 《物流科技》, 10 August 2018 (2018-08-10), pages 65 - 66 * |
王逸凡: "基于 RBF 神经网络的光纤振动数据修补技术", 物流科技, pages 412 - 414 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113654642A (zh) * | 2021-08-23 | 2021-11-16 | 之江实验室 | 一种基于参考传感器的分布式声波传感降噪系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11562224B2 (en) | 1D-CNN-based distributed optical fiber sensing signal feature learning and classification method | |
Liu et al. | Vehicle detection and classification using distributed fiber optic acoustic sensing | |
CN106289691B (zh) | 一种基于微波雷达装置的桥梁分块冲击振动检测方法及检测装置 | |
CN111222743B (zh) | 一种光纤感知事件的垂直偏移距离及威胁级别判断方法 | |
CN109344195B (zh) | 基于hmm模型的管道安全事件识别及知识挖掘方法 | |
CN104729667B (zh) | 一种分布式光纤振动传感系统中的扰动类型识别方法 | |
CN113049084B (zh) | 一种基于注意力机制的Resnet的分布式光纤传感信号识别方法 | |
CN109357747B (zh) | 一种基于光纤振动信号的在线列车识别及速度估计方法 | |
CN112413414B (zh) | 一种供热管网泄漏的综合检测方法 | |
CN103913676B (zh) | 基于可变行波辨识时窗的输电线路单端故障定位方法 | |
CN104794839B (zh) | 一种基于potdr光纤入侵识别算法 | |
CN114692681B (zh) | 基于scnn的分布式光纤振动及声波传感信号识别方法 | |
WO2021051863A1 (zh) | 水位预警监控方法、装置、存储介质及电子设备 | |
CN104794895A (zh) | 一种面向高速公路的多源交通信息融合方法 | |
CN109947129A (zh) | 基于Dijkstra与改进粒子群算法的旋翼无人机路径规划方法 | |
CN115469267A (zh) | 一种基于粒子群优化支持向量机和自主完好性监测的uwb定位方法 | |
CN109508631A (zh) | 一种基于分布式光纤传感技术的交通流模型构建方法 | |
CN105651373A (zh) | 一种基于偏振光时域反射技术中测量两点同频振动的方法 | |
CN112539772B (zh) | 一种基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法 | |
Kim et al. | Automated damping identification of long-span bridge using long-term wireless monitoring data with multiple sensor faults | |
CN116026449B (zh) | 一种基于单芯光纤传感的振动定位监测系统 | |
CN105222885A (zh) | 一种光纤振动检测方法及装置 | |
CN113687192B (zh) | 输电线路放电信号采集及定位方法 | |
CN111367972B (zh) | 一种基于人工智能的社区排水管道探查方法和系统 | |
CN109470986A (zh) | 一种不等长双回线路的单端行波测距方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190322 |