CN110458219B - 一种基于stft-cnn-rvfl的φ-otdr振动信号识别算法 - Google Patents
一种基于stft-cnn-rvfl的φ-otdr振动信号识别算法 Download PDFInfo
- Publication number
- CN110458219B CN110458219B CN201910708004.8A CN201910708004A CN110458219B CN 110458219 B CN110458219 B CN 110458219B CN 201910708004 A CN201910708004 A CN 201910708004A CN 110458219 B CN110458219 B CN 110458219B
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- neural network
- time
- phi
- rvfl
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06F18/24—Classification techniques
-
- 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
-
- 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
Abstract
本发明涉及基于STFT‑CNN‑RVFL的Φ‑OTDR振动信号识别算法,一种对Φ‑OTDR振动信号时频图进行识别分类的方法,属于图片处理与模式识别领域,其特征在于采用如下步骤:(1)对Φ‑OTDR振动信号做STFT变换,获取时频图;(2)对时频图做灰度处理;(3)构建CNN网络,提取图像特征;(4)随机初始化连接权值和阈值;(5)构建RVFL神经网络;(6)计算输出权值。本发明将振动信号的时频图像作为输入,通过卷积神经网络实现振动信号特征自动提取,将卷积神经网络的强大的图像识别及分类功能结合到振动信号识别当中。实验结果表明本发明设计的振动信号识别算法有着较好的信号识别效果,为振动信号识别领域提供了准确的识别算法。
Description
技术领域
本发明涉及图片处理与模式识别领域,主要是一种对Φ-OTDR振动信号时频图进行识别分类的方法。
背景技术
目前,针对Φ-OTDR振动信号分类问题,主要是利用传统的机器学习算法实现,一般的处理流程是先对信号进行去噪,分解,提取有用特征,最后根据提取的特征训练模型实现分类,但是由于信号复杂多变,在提取信号特征的过程中,可能出现时频精度低、虚假成分干扰的情况,从而影响到后续信号分类的准确率。而传统的依靠梯度下降法的神经网络虽然具有很好的泛化能力,但是在模型训练过程中收敛速度太慢,导致训练时间过长,此外还存在容易陷入局部极小值、收敛速度慢、对初始所设置的参数依赖性很强等问题。特别是对于一些深度的神经网络,有可能存在梯度爆炸或者梯度消失等问题。以BP神经网络为例,BP神经网络无需知道输入输出之间的映射关系,仅仅通过对数据的训练,从而获得某种潜在的学习规则。它采用梯度下降法,在每次训练过程中,尽量缩小实际输出值与期望输出值的误差,从而逼近目标函数,但经常会出现陷入局部极小值的情况。
在Φ-OTDR振动信号识别方面,在很多领域得到了广泛应用。例如,利用SVM、决策树、或者神经网络等算法在周界安防系统、智能交通、振动安全预警系统等方面实现了较好的振动信号识别。随着人们安全意识的提高以及气体泄漏、人工挖掘和步行等振动信号在入侵信号识别领域中的广泛应用,对振动信号的识别精度和速度提出了更高的要求。因此,要实时准确地实现振动信号识别,达到振动信号识别的要求,必须要建立一种高效、准确的Φ-OTDR振动信号识别方法,有效的减少识别时间,提高Φ-OTDR振动信号的识别率,为管道等重要场所提供实时、准确的入侵种类预警,以便于工作人员及时发现问题,提前做出决策。
发明内容
针对上述现有技术中存在的问题,本发明要解决的技术问题是提供一种基于STFT-CNN-RVFL的Φ-OTDR振动信号识别算法,其具体流程如图1所示。
技术方案实施步骤如下:
(1)对Φ-OTDR振动信号做STFT变换,获取时频图:
式中,X(τ,w)表示STFT变换后得到的时频图像素值,x(t)表示Φ-OTDR振动信号,w(t)表示窗函数,w表示频率,t表示时间,τ表示时间窗间隔。
(2)对时频图做灰度处理:
式中,X(τ,w)表示STFT变换后得到的时频图像素值,L表示图像总的灰度级数,[a,b]表示原图像的灰度范围,[c,d]表示变换后图像的灰度范围,g(i)表示灰度处理后的图像像素,i表示第i个数据点。
(3)构建CNN网络,提取图像特征:
式中,i表示第i个数据点,n表示整数时移,h(n)表示时移变换函数,g(n)表示原始图像特征,x(n)表示提取得到的图像特征。
(4)随机初始化连接权值wj和阈值b:
随机初始化阈值b,输入层神经元和隐藏层神经元之间的连接权值w(w1,w2,...ws),其中s为隐藏层的神经元个数;
(5)构建RVFL神经网络:
训练数据集为S={(x(1),L1),(x(2),L2),...,(x(n),Ln)},其中x(n)和Ln分别表示用于训练的特征向量和相应的类别标签。假设RVFL神经网络的预测误差为ε,则神经网络可以等价表示为:
T=Φβ+ε
式中,Φ表示神经网络激活函数的输出矩阵,β表示隐含层与输出层之间的权值矩阵,T表示目标输出矩阵,上述矩阵分别表示为:
(6)计算输出权值β:
在训练过程中,输入层神经元和隐藏层神经元之间的连接权值w(w1,w2,...ws)和阈值b保持不变,隐含层与输出层之间的权值矩阵β可以通过最小二乘法求解,即:
β=(ΦTΦ)-1ΦTT
式中,Φ表示神经网络激活函数的输出矩阵,β表示隐含层与输出层之间的权值矩阵,T表示目标输出矩阵。对训练好的RVFL神经网络,将测试集样本作为利用卷积神经网络的输入实现特征自提取后进行对Φ-OTDR振动信号分类,得到分类结果,完成基于STFT-CNN-RVFL的Φ-OTDR振动信号识别算法。
本发明比现有技术具有的优点:
(1)本发明将对Φ-OTDR振动信号的时频图像作为卷积神经网络的输入,通过卷积神经网络实现对Φ-OTDR振动信号特征自动提取,避免了前期特征提取不全面、丢失部分信息情况的出现。
(2)本发明将卷积神经网络和随机神经网络的优势相结合应用到对Φ-OTDR振动信号的识别中,与现有技术相比取得了明显的信号识别效果,说明本发明针对Φ-OTDR振动信号进行分类时,可以达到较高的准确率。
附图说明
为了更好地理解本发明,下面结合附图作进一步的说明。
图1是建立基于STFT-CNN-RVFL的Φ-OTDR振动信号识别算法的步骤流程图;
图2是建立基于STFT-CNN-RVFL的Φ-OTDR振动信号识别算法流程图;
图3是STFT-CNN-RVFL模型结构示意图;
图4是RVFL神经网络训练曲线图;
图5是本发明和3种机器学习算法的识别结果对比图;
具体实施方案
下面通过实施案例对本发明作进一步详细说明。
本实施案例选用敲击、攀越、行人路过三种典型入侵振动信号和刮风、下雨、动物触碰3种非入侵振动信号进行实验。初始采集到的Φ-OTDR振动信号文件为二进制文件,需要对其进行格式转换。每类振动信号的采集次数为30次,采样频率为10KHz,对应于6种振动信号,一共有180组实验数据。将每组数据分为10段,将1到5段信号划分为一个样本,2到6段划分为一个样本,依次类推,每组信号可得6个样本,30组数据可得180个样本。随机选取140个作为训练样本,剩余的作为测试样本。最后,总共有840个训练样本,240个测试样本。
本发明所提供的对Φ-OTDR振动信号识别算法整体流程如图1所示,具体步骤如下:
(1)对Φ-OTDR振动信号做STFT变换,获取时频图:
(2)对时频图做灰度处理:
式中,X(τ,w)表示STFT变换后得到的时频图像素值,L表示图像总的灰度级数,[a,b]表示原图像的灰度范围,[c,d]表示变换后图像的灰度范围,g(i)表示灰度处理后的图像像素,i表示第i个数据点。本案例中,L的值为256,a,b的取值分别为10,100,c,d的取值分别为0,255。将其代入可得:
(3)构建CNN网络,提取图像特征:
式中,i表示第i个数据点,n表示整数时移,h(n)表示时移变换函数,g(n)表示原始图像特征,x(n)表示提取得到的图像特征。本案例中选取的高斯核大小为3X3。
(4)随机初始化连接权值wj和阈值b:
随机初始化阈值b,输入层神经元和隐藏层神经元之间的连接权值w(w1,w2,...ws),其中s为隐藏层的神经元个数;
本例中,输入层神经元和隐藏层神经元之间的连接权值w(w1,w2,...ws)为(0.1,0.005,0.12,…,0.2),阈值b为0.5。
(5)构建RVFL神经网络:
训练数据集为S={(x(1),L1),(x(2),L2),...,(x(n),Ln)},其中x(n)和Ln分别表示用于训练的特征向量和相应的类别标签。假设随机神经网络的预测误差为ε,则神经网络可以等价表示为:
T=Φβ+ε
式中,Φ表示神经网络激活函数的输出矩阵,β表示隐含层与输出层之间的权值矩阵,T表示目标输出矩阵,上述矩阵分别表示为:
其中,N表示输入样本个数,L表示输入样本维数,s表示隐藏层的神经元个数,gL(xN)表示神经网络激活函数,表示神经网络输出。本例中,RVFL神经网络的输入层神经元个数为10,隐含层神经元个数为70,输出层神经元个数为6。
(6)计算输出权值β:
在训练过程中,输入层神经元和隐藏层神经元之间的连接权值w(w1,w2,...ws)和阈值b保持不变,隐含层与输出层之间的权值矩阵β可以通过最小二乘法求解,即:
β=(ΦTΦ)-1ΦTT
式中,Φ表示神经网络激活函数的输出矩阵,β表示隐含层与输出层之间的权值矩阵,T表示目标输出矩阵。本案例中最终求得的值为:
对训练好的RVFL神经网络,将测试集样本作为利用卷积神经网络的输入实现特征自提取后进行振动信号分类,得到分类结果,完成基于STFT-CNN-RVFL的Φ-OTDR振动信号识别算法。
为了验证本发明对振动信号分类的准确性,对本发明进行了多组振动信号分类仿真实验,并将结果与一些模型算法进行了对比,实验结果如图5所示。由图5可知,本发明所建立的振动信号识别方法能够达到较高的准确率,和其他三种典型的机器学习算法相比,分类准确率更高。这表明本发明建立的振动信号识别方法是有效的,为建立精确的振动信号识别模型提供了更好的方法,更适用于实际中使用。
Claims (1)
1.一种基于STFT-CNN-RVFL的Φ-OTDR振动信号识别方法,其特征在于:(1)对Φ-OTDR振动信号做STFT变换,获取时频图;(2)对时频图做灰度处理;(3)构建CNN网络,提取图像特征;(4)随机初始化连接权值和阈值;(5)构建RVFL神经网络;(6)计算输出权值,具体包括以下六个步骤:
步骤一:对Φ-OTDR振动信号做STFT变换,获取时频图:
式中,X(τ,w)表示STFT变换后得到的时频图像素值,x(t)表示Φ-OTDR振动信号,w(t)表示窗函数,w表示频率,t表示时间,τ表示时间窗间隔,j表示虚单位;
步骤二:对时频图做灰度处理:
式中,X(τ,w)表示STFT变换后得到的时频图像素值,L表示图像总的灰度级数,[a,b]表示原图像的灰度范围,[c,d]表示变换后图像的灰度范围,g(i)表示灰度处理后的图像像素,i表示第i个数据点;
步骤三:构建CNN网络,提取图像特征:
式中,i表示第i个数据点,n表示整数时移,h(n)表示时移变换函数,k(n)表示原始图像特征,x(n)表示提取得到的图像特征;
步骤四:随机初始化连接权值vm和阈值b:
随机初始化阈值b,输入层神经元和隐藏层神经元之间的连接权值v(v1,v2,...vs),其中s为隐藏层的神经元个数;
步骤五:构建RVFL神经网络:
训练数据集为S={(x(1),L1),(x(2),L2),...,(x(n),Ln)},其中x(n)和Ln分别表示用于训练的特征向量和相应的类别标签,定义RVFL神经网络的预测误差为ε,则神经网络可以等价表示为:
T=Φβ+ε;
式中,Φ表示神经网络激活函数的输出矩阵,β表示隐含层与输出层之间的权值矩阵,T表示目标输出矩阵,上述矩阵分别表示为:
步骤六:计算输出权值β:
在训练过程中,输入层神经元和隐藏层神经元之间的连接权值v(v1,v2,...vs)和阈值b保持不变,隐含层与输出层之间的权值矩阵β可以通过最小二乘法求解,即:
β=(ΦTΦ)-1ΦTT;
式中,Φ表示神经网络激活函数的输出矩阵,β表示隐含层与输出层之间的权值矩阵,T表示目标输出矩阵,对训练好的RVFL神经网络,将测试集样本作为利用卷积神经网络的输入实现特征自提取后进行对Φ-OTDR振动信号分类,得到分类结果,完成基于STFT-CNN-RVFL的Φ-OTDR振动信号识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910708004.8A CN110458219B (zh) | 2019-08-01 | 2019-08-01 | 一种基于stft-cnn-rvfl的φ-otdr振动信号识别算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910708004.8A CN110458219B (zh) | 2019-08-01 | 2019-08-01 | 一种基于stft-cnn-rvfl的φ-otdr振动信号识别算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110458219A CN110458219A (zh) | 2019-11-15 |
CN110458219B true CN110458219B (zh) | 2021-04-27 |
Family
ID=68484624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910708004.8A Active CN110458219B (zh) | 2019-08-01 | 2019-08-01 | 一种基于stft-cnn-rvfl的φ-otdr振动信号识别算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458219B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446289B (zh) * | 2020-09-25 | 2023-08-22 | 华南理工大学 | 一种提高p300拼写器性能的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106706109A (zh) * | 2016-12-15 | 2017-05-24 | 北方工业大学 | 一种基于时域二维特性的振动源识别方法及系统 |
CN106886660A (zh) * | 2017-03-23 | 2017-06-23 | 哈尔滨理工大学 | EEMD‑Hilbert包络谱与DBN相结合的变负载下滚动轴承状态识别方法 |
CN108426713A (zh) * | 2018-02-26 | 2018-08-21 | 成都昊铭科技有限公司 | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 |
CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11507064B2 (en) * | 2016-05-09 | 2022-11-22 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for industrial internet of things data collection in downstream oil and gas environment |
-
2019
- 2019-08-01 CN CN201910708004.8A patent/CN110458219B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106706109A (zh) * | 2016-12-15 | 2017-05-24 | 北方工业大学 | 一种基于时域二维特性的振动源识别方法及系统 |
CN106886660A (zh) * | 2017-03-23 | 2017-06-23 | 哈尔滨理工大学 | EEMD‑Hilbert包络谱与DBN相结合的变负载下滚动轴承状态识别方法 |
CN108426713A (zh) * | 2018-02-26 | 2018-08-21 | 成都昊铭科技有限公司 | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 |
CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110458219A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826630B (zh) | 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法 | |
CN112364779A (zh) | 信号处理与深-浅网络多模型融合的水声目标识别方法 | |
CN109190544B (zh) | 一种基于序列深度图像的人体身份识别方法 | |
CN109002848B (zh) | 一种基于特征映射神经网络的弱小目标检测方法 | |
CN110796057A (zh) | 行人重识别方法、装置及计算机设备 | |
CN105528794A (zh) | 基于混合高斯模型与超像素分割的运动目标检测方法 | |
CN111103976B (zh) | 手势识别方法、装置及电子设备 | |
CN112087774B (zh) | 一种基于残差神经网络的通信辐射源个体识别方法 | |
CN101893704A (zh) | 一种基于粗糙集的雷达辐射源信号识别方法 | |
CN107563433A (zh) | 一种基于卷积神经网络的红外小目标检测方法 | |
CN105718889A (zh) | 基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法 | |
CN111343182B (zh) | 一种基于灰度图的异常流量检测方法 | |
CN111126332B (zh) | 基于轮廓特征的跳频信号分类方法 | |
CN115527269B (zh) | 一种人体姿态图像智能识别方法及系统 | |
CN104036526A (zh) | 一种基于自适应窗的灰度目标跟踪方法 | |
CN113780242A (zh) | 一种基于模型迁移学习的跨场景水声目标分类方法 | |
CN116386081A (zh) | 一种基于多模态图像的行人检测方法及系统 | |
CN110458219B (zh) | 一种基于stft-cnn-rvfl的φ-otdr振动信号识别算法 | |
Wu et al. | Single shot multibox detector for vehicles and pedestrians detection and classification | |
CN109448024B (zh) | 利用深度数据构建约束相关滤波器的视觉跟踪方法、系统 | |
Lee et al. | Fast object localization using a CNN feature map based multi-scale search | |
Zhao et al. | Hybrid generative/discriminative scene classification strategy based on latent Dirichlet allocation for high spatial resolution remote sensing imagery | |
CN114049537A (zh) | 一种基于卷积神经网络的对抗样本防御方法 | |
CN107679467B (zh) | 一种基于hsv和sdalf的行人重识别算法实现方法 | |
CN110826459B (zh) | 基于姿态估计的可迁移校园暴力行为视频识别方法 |
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 |