CN109654383A - 一种供水管道的泄露程度确定方法及系统 - Google Patents

一种供水管道的泄露程度确定方法及系统 Download PDF

Info

Publication number
CN109654383A
CN109654383A CN201811311647.0A CN201811311647A CN109654383A CN 109654383 A CN109654383 A CN 109654383A CN 201811311647 A CN201811311647 A CN 201811311647A CN 109654383 A CN109654383 A CN 109654383A
Authority
CN
China
Prior art keywords
vibration signal
modal components
supply line
water supply
energy
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
Application number
CN201811311647.0A
Other languages
English (en)
Inventor
钟华
祝向辉
陈坤
舒莉丹
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.)
Sanchuan Wisdom Technology Co Ltd
Original Assignee
Sanchuan Wisdom Technology Co Ltd
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 Sanchuan Wisdom Technology Co Ltd filed Critical Sanchuan Wisdom Technology Co Ltd
Priority to CN201811311647.0A priority Critical patent/CN109654383A/zh
Publication of CN109654383A publication Critical patent/CN109654383A/zh
Pending legal-status Critical Current

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D5/00—Protection or supervision of installations
    • F17D5/02—Preventing, monitoring, or locating loss
    • F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明实施例提供一种供水管道的泄露程度确定方法及系统。其中，方法包括：将布置于供水管道各水表上的任一采集器采集到的振动信号进行经验模态分解，以得到若干个本征模态分量；基于所述若干个本征模态分量的能量，获取所述振动信号的特征向量；将所述特征向量输入至训练好的神经网络模型中，以确定所述供水管道的泄露程度。本发明实施例提供的一种供水管道的泄露程度确定方法及系统，通过将振动信号进行经验模态分解，并根据经验模态分解后的本征模态分量的能量获取振动信号的特征向量，以将特征向量输入至训练好的神经网络模型中，进而确定供水管道的泄露程度，能够保证得到的泄露程度的有效性和准确性。

Description

一种供水管道的泄露程度确定方法及系统
技术领域
本发明实施例涉及信号处理技术领域，尤其涉及一种供水管道的泄露程度确定方法及系统。
背景技术
城市供水管道由于服役期较长、介质腐蚀和材料老化等因素的影响不可避免地会发生泄漏，对于不同泄露程度的泄露，通常会有不同的解决措施。
供水管道所处的环境相对比较复杂，采集器采集到的振动信号通常为泄漏信号和噪声信号的叠加信号，属于非平稳随机信号，因此传统的时频分析方法不再适用。针对该问题，相关文献首先利用相关分析法对供水管道漏点定位技术展开了实验研究，接着又提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)和能量特征提取相结合的供水管道泄漏定位方法。以上两种方法均能够准确定位泄漏位置，但并不适用于泄露程度的确定。因此，供水管道的泄露程度确定问题成为了亟待解决的问题。
发明内容
针对现有技术中存在的技术问题，本发明实施例提供一种供水管道的泄露程度确定方法及系统。
第一方面，本发明实施例提供一种供水管道的泄露程度确定方法，包括：
将布置于供水管道各水表上的任一采集器采集到的振动信号进行经验模态分解，以得到若干个本征模态分量；
基于所述若干个本征模态分量的能量，获取所述振动信号的特征向量；
将所述特征向量输入至训练好的神经网络模型中，以确定所述供水管道的泄露程度。
第二方面，本发明实施例提供一种供水管道的泄露程度确定系统，包括：
经验模态分解模块，用于将布置于供水管道各水表上的任一采集器采集到的振动信号进行经验模态分解，以得到若干个本征模态分量；
特征向量获取模块，用于基于所述若干个本征模态分量的能量，获取所述振动信号的特征向量；
泄露程度确定模块，用于将所述特征向量输入至训练好的神经网络模型中，以确定所述供水管道的泄露程度。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种供水管道的泄露程度确定方法及系统，通过将振动信号进行经验模态分解，并根据经验模态分解后的本征模态分量的能量获取振动信号的特征向量，以将特征向量输入至训练好的神经网络模型中，进而确定供水管道的泄露程度。能够保证得到的泄露程度的有效性和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种供水管道的泄露程度确定方法流程图；
图2为本发明实施例提供的一种包含供水管道与采集器的环境模拟示意图；
图3为本发明实施例提供的一种深度随机森林模型的结构示意图；
图4为本发明实施例提供的一种供水管道的泄露程度确定系统的结构示意图；
图5为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的一种供水管道的泄露程度确定方法流程图，如图1所示，该方法包括：
步骤101，将布置于供水管道各水表上的任一采集器采集到的振动信号进行经验模态分解，以得到若干个本征模态分量。
步骤102，基于所述若干个本征模态分量的能量，获取所述振动信号的特征向量。
步骤103，将所述特征向量输入至训练好的神经网络模型中，以确定所述供水管道的泄露程度。
结合图2对本发明实施例进行具体说明。图2为本发明实施例提供的一种包含供水管道与采集器的环境模拟示意图，如图2所示，供水管道位于地面下，采集器安装在与供水管道相连的水表上，水表一般位于地面上。由于供水管道位于地面下，难以获知供水管道的泄露程度，其中，泄露程度可以是无泄漏、轻度泄露、中度泄露或重度泄露等。因此，需要使用采集器采集包含该供水管道的环境中的信号，在此，将包含该供水管道的环境中的信号称为振动信号，以根据振动信号判定供水管道的泄露程度。需要说明的是，对于一条供水管道来说，可以在其多个水表上安装多个采集器，但在本发明实施例中，仅以其中的一个采集器为例进行说明。
当供水管道发生泄漏时，由于供水管道内外压力的作用，供水管道内喷出的高压水会与供水管道裂口以及周围土壤等介质发生摩擦，从而产生不同频率的振荡信号(也即泄露信号)。此外，由于采集环境比较复杂，采集器实际采集到的振动信号不仅包含泄漏信号，还混杂有随机干扰噪声信号(也即噪声信号)，一般可认为是二者的加性组合。采集器实际采集到的振动信号x(t)可表示为：
其中，ai和wi分别表示第i个振幅和振荡频率，r表示泄漏点到采集器的距离，v为泄漏信号在供水管道中的传播速度，n(t)为随机干扰噪声信号。振动信号x(t)是泄漏信号与噪声信号的组合，属于非平稳随机信号。
对于步骤101，对振动信号进行经验模态分解(Empirical ModelDecomposition，EMD)，以得到若干个本征模态分量(Intrinsic Mode Function，IMF)。其中，EMD的本质是基于信号本身的时间尺度特征，无需选择基函数就可把复杂信号按照频率由高到低依次分解为若干个IMF和一个残余分量。EMD的特点是能够对非线性、非平稳信号进行线性化和平稳化处理，并在分解的过程中保留信号本身的特性。特别适合处理本发明实施例中振动信号这类非平稳随机信号。
对振动信号x(t)进行EMD的过程如下：
步骤1011：确定振动信号x(t)中的所有极值点，用三次样条函数依次连接振动信号x(t)的极大值点和极小值点，得到其上下包络，取这两个包络线的平均值，得到m1(t)，从振动信号x(t)中分离出m1(t)，得h1(t)：
h1(t)＝x(t)-m1(t) (2)
如果h1(t)不满足IMF的基本条件，将h1(t)作为原始数据，重复上述过程，得到：
h11(t)＝h1(t)-m11(t) (3)
其中，m11(t)为h1(t)的上下包络的平均值。若h11(t)仍不满足，重复以上过程k次，直到h1k(t)满足IMF的条件为止，记c1(t)＝h1k(t)，将c1(t)作为第一个分量。
步骤1012：将c1(t)从振动信号x(t)中分离出来，得到：
r1(t)＝x(t)-c1(t) (4)
将r1(t)作为新的原始数据，重复以上过程，即可得到第二个分量c2(t)，依次重复下去直到满足所设定的终止条件或rn(t)不能再分解为止。
步骤1013：原始被分析的振动信号x(t)可表示为：
式(5)中，i表示IMF的分解阶数；分量c1(t)，c2(t)，......，cn(t)分别包含了振动信号x(t)从高到低不同频率段的IMF；rn(t)为残余分量，能够反映振动信号x(t)的整体变化趋势。
对于步骤102，对于每一本征模态分量，计算其能量，以基于能量获取振动信号的特征向量。
对于步骤103，将振动信号的特征向量输入至训练好的神经网络模型中，该模型会输出供水管道的泄露程度。
本发明实施例提供的方法，通过将振动信号进行经验模态分解，并根据经验模态分解后的本征模态分量的能量获取振动信号的特征向量，以将特征向量输入至训练好的神经网络模型中，进而确定供水管道的泄露程度。该方法为一种基于经验模态分解和神经网络模型结合的供水管道的泄露程度确定方法，能够保证得到的泄露程度的有效性和准确性。
在上述各实施例的基础上，基于所述若干个本征模态分量的能量，获取所述振动信号的特征向量，进一步包括：
S1021，对于所述若干个本征模态分量，获取每一本征模态分量的能量。
具体地，本发明实施例从能量的角度对振动信号进行特征提取。振动信号第i个IMF的能量Ei为
其中，ci(t)(i＝1，...，n)为第i个IMF，Cj为离散点的幅度值，j为采样点个数，j＝1，...，m。
S1022，基于每一本征模态分量的能量，获取所述若干个本征模态分量的总能量。
若干个IMF的总能量Etotal为：
其中，Ei为第i个IMF的能量，i＝1，...，n。
S1023，根据每一本征模态分量的能量和所述总能量，获取所述振动信号的特征向量。
在上述各实施例的基础上，根据每一本征模态分量的能量和所述总能量，获取所述振动信号的特征向量，进一步包括：
步骤10231，对于每一本征模态分量，将所述本征模态分量的能量与所述总能量相除，以得到所述本征模态分量的归一化能量。
具体地，对于第i个本征模态分量，其归一化能量Ei-normalization为：
Ei-normalization＝Ei/Etotal (8)
步骤10232，将所述若干个本征模态分量的归一化能量进行组合，以生成所述振动信号的特征向量。
具体地，若振动信号有n个IMF，则振动信号的特征向量E′可表示为：
E′＝[E1-normalization，…，En-normalization] (9)
在上述各实施例的基础上，所述训练好的神经网络模型，通过以下步骤获取：
获取振动信号样本集。
具体地，振动信号样本集中包含若干个振动信号样本，每一个振动信号样本都携带有表面该振动信号对应的供水管道的泄露程度的标签。例如，振动信号样本1的标签为无泄漏，振动信号样本2的标签为轻度泄露，振动信号样本3的标签为中度泄露，振动信号样本4的标签为重度泄露。
通过所述振动信号样本集，对神经网络模型进行训练，以获取所述训练好的神经网络模型。
在上述各实施例的基础上，通过所述振动信号样本集，对神经网络模型进行训练，进一步包括：
获取振动信号样本集中每一振动信号样本的特征向量。
需要说明的时，振动信号样本的特征向量的获取过程与上述实施例中提到的振动信号的获取过程一致，此处不再赘述。
将所述振动信号样本集中所有振动信号样本的特征向量组成矩阵，并通过所述矩阵对神经网络模型进行训练。
具体地，若振动信号样本集中有40个振动信号样本，且每个振动信号样本的特征向量有8个元素，则组成的矩阵为40*8的矩阵。
需要说明的是，神经网络模型可以是深度随机森林模型，图3为本发明实施例提供的一种深度随机森林模型的结构示意图，如图3所示，深度随机森林模型是基于深度学习结构将随机森林堆积成多层结构的一种深度模型。该模型的最大特点在于其具有训练速度快，在训练多层随机森林时耗时非常小。在本发明实施例中，以深度随机森林模型进行举例说明。
深度随机森林模型的训练流程如下：假设深度随机森林模型是n(n≥4)层结构模型，分别是输入层、随机森林层及输出层，其中随机森林层一共有n-2层。给定一组振动信号样本集{xm}，振动信号样本总数为M，每一个振动信号样本的特征向量有N个元素，xm表示第m个样本，类标签记为om。
S1：首先利用振动信号样本集{xm}训练第一层随机森林，输入的是M*N的矩阵，并得到第一层的输出y1；
S2：将第一层的输出y1作为第二层的输入来训练第二层随机森林，比如第一层有T1棵树，那么每个振动信号样本xm在通过第一层后每棵树都会给出其属于正例的概率值，这样每个振动信号样本xm都会有T1个输出值，然后将这T1个值处理成向量作为第二层随机森林的输入，即输入是M*T1的矩阵，而类别标签仍然不变，继续训练第二层，得到第二层的输出y2；
S3：将第二层的输出y2作为第三层的输入再进行训练，依此类推，直到全部训练结束。
图4为本发明实施例提供的一种供水管道的泄露程度确定系统的结构示意图，如图4所示，该系统包括：
经验模态分解模块401，用于将布置于供水管道各水表上的任一采集器采集到的振动信号进行经验模态分解，以得到若干个本征模态分量；特征向量获取模块402，用于基于所述若干个本征模态分量的能量，获取所述振动信号的特征向量；泄露程度确定模块403，用于将所述特征向量输入至训练好的神经网络模型中，以确定所述供水管道的泄露程度。
具体地，经验模态分解模块401将布置于供水管道各水表上的任一采集器采集到的振动信号进行经验模态分解，以得到若干个本征模态分量。其中，经验模态分解的本质是基于信号本身的时间尺度特征，无需选择基函数就可把复杂信号按照频率由高到低依次分解为若干个本征模态分量和一个残余分量。经验模态分解的特点是能够对非线性、非平稳信号进行线性化和平稳化处理，并在分解的过程中保留信号本身的特性。特别适合处理本发明实施例中振动信号这类非平稳随机信号。特征向量获取模块402基于所述若干个本征模态分量的能量，获取振动信号的特征向量。泄露程度确定模块403将振动信号的特征向量输入至训练好的神经网络模型中，该模型会输出供水管道的泄露程度。
本发明实施例提供的系统，具体执行上述各方法实施例流程，具体请详见上述各方法实施例的内容，此处不再赘述。本发明实施例提供的系统，通过将振动信号进行经验模态分解，并根据经验模态分解后的本征模态分量的能量获取振动信号的特征向量，以将特征向量输入至训练好的神经网络模型中，进而确定供水管道的泄露程度。该系统为一种基于经验模态分解和神经网络模型结合的供水管道的泄露程度确定系统，能够保证得到的泄露程度的有效性和准确性。
图5为本发明实施例提供的一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储在存储器503上并可在处理器501上运行的计算机程序，以执行上述各实施例提供的方法，例如包括：将布置于供水管道各水表上的任一采集器采集到的振动信号进行经验模态分解，以得到若干个本征模态分量；基于所述若干个本征模态分量的能量，获取所述振动信号的特征向量；将所述特征向量输入至训练好的神经网络模型中，以确定所述供水管道的泄露程度。
此外，上述的存储器503中的逻辑指令可以通过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，本发明实施例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)执行本发明各个实施例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，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：将布置于供水管道各水表上的任一采集器采集到的振动信号进行经验模态分解，以得到若干个本征模态分量；基于所述若干个本征模态分量的能量，获取所述振动信号的特征向量；将所述特征向量输入至训练好的神经网络模型中，以确定所述供水管道的泄露程度。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本发明实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分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各实施例技术方案的精神和范围。

Claims (8)

1.一种供水管道的泄露程度确定方法，其特征在于，包括：
将布置于供水管道各水表上的任一采集器采集到的振动信号进行经验模态分解，以得到若干个本征模态分量；
基于所述若干个本征模态分量的能量，获取所述振动信号的特征向量；
将所述特征向量输入至训练好的神经网络模型中，以确定所述供水管道的泄露程度。
2.根据权利要求1所述的方法，其特征在于，基于所述若干个本征模态分量的能量，获取所述振动信号的特征向量，进一步包括：
对于所述若干个本征模态分量，获取每一本征模态分量的能量；
基于每一本征模态分量的能量，获取所述若干个本征模态分量的总能量；
根据每一本征模态分量的能量和所述总能量，获取所述振动信号的特征向量。
3.根据权利要求2所述的方法，其特征在于，根据每一本征模态分量的能量和所述总能量，获取所述振动信号的特征向量，进一步包括：
对于每一本征模态分量，将所述本征模态分量的能量与所述总能量相除，以得到所述本征模态分量的归一化能量；
将所述若干个本征模态分量的归一化能量进行组合，以生成所述振动信号的特征向量。
4.根据权利要求1所述的方法，其特征在于，所述训练好的神经网络模型，通过以下步骤获取：
获取振动信号样本集；
通过所述振动信号样本集，对神经网络模型进行训练，以获取所述训练好的神经网络模型。
5.根据权利要求4所述的方法，其特征在于，通过所述振动信号样本集，对神经网络模型进行训练，进一步包括：
获取振动信号样本集中每一振动信号样本的特征向量；
将所述振动信号样本集中所有振动信号样本的特征向量组成矩阵，并通过所述矩阵对神经网络模型进行训练。
6.一种供水管道的泄露程度确定系统，其特征在于，包括：
经验模态分解模块，用于将布置于供水管道各水表上的任一采集器采集到的振动信号进行经验模态分解，以得到若干个本征模态分量；
特征向量获取模块，用于基于所述若干个本征模态分量的能量，获取所述振动信号的特征向量；
泄露程度确定模块，用于将所述特征向量输入至训练好的神经网络模型中，以确定所述供水管道的泄露程度。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
CN201811311647.0A 2018-11-06 2018-11-06 一种供水管道的泄露程度确定方法及系统 Pending CN109654383A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811311647.0A CN109654383A (zh) 2018-11-06 2018-11-06 一种供水管道的泄露程度确定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811311647.0A CN109654383A (zh) 2018-11-06 2018-11-06 一种供水管道的泄露程度确定方法及系统

Publications (1)

Publication Number Publication Date
CN109654383A true CN109654383A (zh) 2019-04-19

Family

ID=66110501

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811311647.0A Pending CN109654383A (zh) 2018-11-06 2018-11-06 一种供水管道的泄露程度确定方法及系统

Country Status (1)

Country Link
CN (1) CN109654383A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110440148A (zh) * 2019-07-15 2019-11-12 清华大学 一种漏损声信号分类识别方法、装置及系统
CN110841143A (zh) * 2019-10-22 2020-02-28 江苏爱朋医疗科技股份有限公司 一种用于预测输液管路状态的方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090037147A1 (en) * 2007-08-03 2009-02-05 Oracle International Corporation Fast intrinsic mode decomposition of time series data with sawtooth transform
CN104091074A (zh) * 2014-07-12 2014-10-08 西安浐灞生态区管理委员会 一种基于经验模态分解的中长期水文预报方法
CN105928666A (zh) * 2016-04-20 2016-09-07 中国石油大学(华东) 基于希尔伯特黄变换与盲源分离的泄漏声波特征提取方法
CN107461611A (zh) * 2017-08-24 2017-12-12 南京邮电大学 基于小波和emd重构相结合的泄漏检测方法及泄漏检测装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090037147A1 (en) * 2007-08-03 2009-02-05 Oracle International Corporation Fast intrinsic mode decomposition of time series data with sawtooth transform
CN104091074A (zh) * 2014-07-12 2014-10-08 西安浐灞生态区管理委员会 一种基于经验模态分解的中长期水文预报方法
CN105928666A (zh) * 2016-04-20 2016-09-07 中国石油大学(华东) 基于希尔伯特黄变换与盲源分离的泄漏声波特征提取方法
CN107461611A (zh) * 2017-08-24 2017-12-12 南京邮电大学 基于小波和emd重构相结合的泄漏检测方法及泄漏检测装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
段乐峥: "基于HHT的供水管道泄漏检测研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110440148A (zh) * 2019-07-15 2019-11-12 清华大学 一种漏损声信号分类识别方法、装置及系统
CN110841143A (zh) * 2019-10-22 2020-02-28 江苏爱朋医疗科技股份有限公司 一种用于预测输液管路状态的方法及系统

Similar Documents

Publication Publication Date Title
Yang et al. Decentralizing feature extraction with quantum convolutional neural network for automatic speech recognition
Miyoshi et al. The 10,240‐member ensemble Kalman filtering with an intermediate AGCM
US20180182377A1 (en) Method and device for extracting speech feature based on artificial intelligence
CN107481717B (zh) 一种声学模型训练方法及系统
CN109931506A (zh) 管道泄露检测方法及装置
WO2019111118A1 (en) Robust gradient weight compression schemes for deep learning applications
CN107168992A (zh) 基于人工智能的文章分类方法及装置、设备与可读介质
Bishop et al. Gain form of the ensemble transform Kalman filter and its relevance to satellite data assimilation with model space ensemble covariance localization
Goyal et al. Nonparametric statistical downscaling of temperature, precipitation, and evaporation in a semiarid region in India
US11797839B2 (en) Training neural networks using priority queues
Amezcua et al. The effects of the RAW filter on the climatology and forecast skill of the SPEEDY model
CN104050240A (zh) 一种确定搜索查询词类别属性的方法和装置
US20210279279A1 (en) Automated graph embedding recommendations based on extracted graph features
Shoaib et al. A wavelet based approach for combining the outputs of different rainfall–runoff models
CN109340586A (zh) 一种供水管道泄露的检测方法及系统
CN109654383A (zh) 一种供水管道的泄露程度确定方法及系统
WO2018222775A1 (en) Broad area geospatial object detection
CN114330110A (zh) 模型训练方法、光伏发电功率预测方法及系统
US20200057708A1 (en) Tracking Missing Data Using Provenance Traces and Data Simulation
CN115758876A (zh) 一种风速和风向预报准确率方法、系统及计算机设备
CN107402905A (zh) 基于神经网络的计算方法及装置
CN106503726A (zh) 一种带标签信息子字典级联学习的电能质量扰动识别方法
Kriesche et al. Stochastic simulation model for tropical cyclone tracks, with special emphasis on landfall behavior
CN108876853A (zh) 图像定位方法、装置、系统和存储介质
Wu et al. Automatic leaf recognition based on deep convolutional networks

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190419