CN110472540B - 一种基于lmd-ica-pnn的φ-otdr振动信号分类算法 - Google Patents
一种基于lmd-ica-pnn的φ-otdr振动信号分类算法 Download PDFInfo
- Publication number
- CN110472540B CN110472540B CN201910708045.7A CN201910708045A CN110472540B CN 110472540 B CN110472540 B CN 110472540B CN 201910708045 A CN201910708045 A CN 201910708045A CN 110472540 B CN110472540 B CN 110472540B
- Authority
- CN
- China
- Prior art keywords
- signal
- envelope
- representing
- determining
- local
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及基于LMD‑ICA‑PNN的Φ‑OTDR振动信号分类算法,是一种对振动信号进行识别分类的方法,属于信号处理与机器学习领域,其特征在于采用如下步骤:(1)确定相邻极值点的平均值和包络估计值;(2)确定剩余信号;(3)确定调频信号和包络信号;(4)进行LMD分解,确定第一个PF分量;(5)建立ICA数学模型;(6)构建PNN神经网络;(7)确定输出变量的判别函数。本发明克服了小波分解自适应较差和EMD分解的模态混叠与端点效应问题,利用PNN神经网络可以用线性学习算法完成非线性学习算法的优势,与LMD相结合,取得了较高的分类准确率。为振动信号识别分类领域提供了一种拥有较高分类准确率的方法。
Description
技术领域
本发明涉及信号处理与机器学习领域,主要是一种对Φ-OTDR振动信号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。对于振动信号分解问题,常用的方法有小波分解、EMD分解等分解方法,小波分解适用性较差,而EMD分解过程中又容易出现模态混叠和端点效应的情况。此外,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。对于振动信号分类问题,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,有可能出现梯度爆炸或者梯度消失等情况。
关于Φ-OTDR振动信号分类的应用,在很多领域的发展都相对成熟。例如,利用决策树、SCN以及各种神经网络算法在建筑结构监测、周界安防报警、智能交通等方面都实现了较好的振动信号识别分类。随着人们安全意识的提高以及分布式光纤传感技术在石油化工、土木工程、隧道交通等领域的广泛应用,在振动信号的分类精度和速度方面,都提出了相对较高的要求。因此,要实时准确地实现振动信号分类,达到振动信号分类的要求,必须要建立一种高效、准确的Φ-OTDR振动信号分类方法,有效的减少识别时间,提高Φ-OTDR振动信号的分类准确率,为分布式光纤传感技术的众多应用领域提供实时、准确的异常信号分类,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LMD-ICA-PNN的Φ-OTDR振动信号分类算法,其具体流程如图1所示。
技术方案实施步骤如下:
(1)确定原始振动信号x(t)的相邻极值点的平均值mi和包络估计值ai:
式中,mi表示相邻极值点的平均值,ai表示包络估计值,ni和ni+1分别表示第i个和第i+1个局部极值点。
(2)确定剩余信号h11(t):
将mi和ai用折线连接起来,再利用滑动平均法对其进行平滑处理,从而得到局部均值函数m11(t)和局部包络估计函数a11(t)。将局部均值函数m11(t)从原始振动信号x(t)中分离出来,得到剩余信号h11(t),即:
h11(t)=x(t)-m11(t)
式中,h11(t)表示剩余信号,x(t)表示原始振动信号,m11(t)表示局部均值函数。
(3)确定调频信号s1l(t)和包络信号a1(t):
对h11(t)进行解调,得到调频信号s11(t):
式中,s11(t)表示调频信号,h11(t)表示剩余信号,a11(t)表示局部包络估计函数。
重复以上步骤,直至第i+1次的局部包络估计函数a1(i+1)(t)满足条件a1(i+1)(t)=1为止。最后得到l个局部包络估计函数a11(t),a12(t),...,a1l(t)和最后一次解调出的纯调频信号s1l(t),将所有局部包络估计函数相乘,便可得到包络信号a1(t)为:
式中,a1(t)表示包络信号,a11(t),a12(t),...,a1l(t)分别表示局部包络估计函数,l表示局部包络函数的个数,q表示当前第q个包络函数。
(4)进行LMD分解,确定第一个PF分量P1:
P1=a1(t)s1l(t)
式中,a1(t)表示包络信号,s1l(t)表示调频信号。
将第一个PF分量从原始振动信号x(t)中分离出来,得到一个新的信号u1(t)。将u1(t)作为新的原始信号并重复上述步骤,循环k次,直至uk(t)满足单调条件为止。至此,得到k个PF分量,即P={P1,P2,...,Pk}。
(5)建立ICA数学模型:
P=A·S
式中,A表示未知的混合矩阵,S=[S1,S2...,Sd]T表示源信号,d表示源信号的维数,P=[P1,P2,...,Pk]T表示k维观测到的信号特征向量。
最终,确定振动信号的特征向量Y:
Y=W·P
式中,Y表示振动信号的特征向量,W表示混合矩阵A的逆矩阵,P=[P1,P2,...,Pk]T表示k维观测到的信号特征向量。
(6)构建PNN神经网络:
式中,h表示特征维数,u表示样本的类别数,v=1,2,...,M表示每类样本的样本数,M表示每类样本的样本总数,Y表示输入特征向量,Yuv表示第u个神经元的第v个数据,w表示平滑参数。
(7)确定输出变量的判别函数Hu(Y):
式中,M表示每类样本的样本总数,v=1,2,...,M表示每类样本的样本数,在输出层,使得判别函数Hu(Y)取得最大值的类别作为样本x(t)的分类结果。
本发明比现有技术具有的优点:
(1)本发明克服了小波分解自适应较差和EMD分解的模态混叠与端点效应问题,提取的特征更准确,可以有效地提高振动信号分类准确率。
(2)本发明将PNN神经网络可以用线性学习算法完成非线性学习算法的优势应用到Φ-OTDR振动信号的识别分类中,与LMD相结合取得了较高的分类准确率。这说明本发明针对Φ-OTDR振动信号进行分类时,可以达到较好的分类效果。
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LMD-ICA-PNN的Φ-OTDR振动信号分类算法的步骤流程图;
图2是建立基于LMD-ICA-PNN的Φ-OTDR振动信号分类算法流程图;
图3是PNN神经网络的结构示意图;
图4是利用本发明对四组Φ-OTDR振动信号进行分类的结果;
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。
本实施案例选用的数据集一共有800组样本,其中,敲击、攀越、行人路过、人工挖掘和正常情况下的Φ-OTDR振动信号各160组,采用随机抽样的方法从5组数据中各抽取120组样本作为训练集,剩余的40组作为测试集。最终,用作训练的样本总数为600,用作测试的样本总数为200。
本发明所提供的Φ-OTDR振动信号分类算法整体流程如图1所示,具体步骤如下:
(1)确定原始振动信号x(t)的相邻极值点的平均值mi和包络估计值ai:
选取其中一组敲击信号数据进行计算可得,原始振动信号x(t)共有25个局部极值点,即i的取值为1,2,…,24。极值点的值分别为6.75,-8.00,5.82,…,-7.47。确定相邻极值点的平均值mi和包络估计值ai分别为:
式中,mi表示相邻极值点的平均值,ai表示包络估计值,ni和ni+1分别表示第i个和第i+1个局部极值点。得到的mi和ai分别为-0.625,-1.09,…,-0.36和7.375,6.91,…,7.11。
(2)确定剩余信号h11(t):
将mi和ai用折线连接起来,再利用滑动平均法对其进行平滑处理,从而得到局部均值函数m11(t)和局部包络估计函数a11(t)。将局部均值函数m11(t)从原始振动信号x(t)中分离出来,得到剩余信号h11(t),即:
h11(t)=x(t)-m11(t)
式中,h11(t)表示剩余信号,x(t)表示原始振动信号,m11(t)表示局部均值函数。
(3)确定调频信号s1l(t)和包络信号a1(t):
对h11(t)进行解调,得到调频信号s1l(t):
式中,s1l(t)表示调频信号,h11(t)表示剩余信号,a11(t)表示局部包络估计函数。
重复以上步骤,直至第i+1次的局部包络估计函数a1(i+1)(t)满足条件a1(i+1)(t)=1为止。最后得到7个局部包络估计函数a11(t),a12(t),...,a17(t)和最后一次解调出的纯调频信号s17(t),将所有局部包络估计函数相乘,便可得到包络信号a1(t)为
式中,a1(t)表示包络信号,a11(t),a12(t),...,a1l(t)分别表示局部包络估计函数,l表示局部包络函数的个数,q表示当前第q个包络函数。
(4)进行LMD分解,确定第一个PF分量P1:
式中,a1(t)表示包络信号,s1l(t)表示调频信号。
将第一个PF分量从原始振动信号x(t)中分离出来,得到一个新的信号u1(t)。将u1(t)作为新的原始信号并重复上述步骤,循环5次后,uk(t)满足单调条件。至此,得到5个PF分量,即P={P1,P2,...,P5}。
(5)建立ICA数学模型:
S=[S1,S2,...,S5]T表示源信号。
最终,确定振动信号的特征向量Y:
(6)构建PNN神经网络:
本案例中,输入向量的特征维数h为5,样本的类别数u为5,每类样本的样本数v为1,2,…,120,平滑参数ω为0.25。构建得到的PNN神经网络模型为:
式中,Y表示输入特征向量,Yuv表示第u个神经元的第v个数据。
(7)确定输出变量的判别函数Hu(Y):
在输出层,使得判别函数Hu(Y)取得最大值的类别作为样本x(t)的分类结果。
对训练好的PNN神经网络,利用测试集样本对模型进行测试,实现Φ-OTDR振动信号分类,得到分类结果,完成基于LMD-ICA-PNN的Φ-OTDR振动信号分类算法。
为了验证本发明对Φ-OTDR振动信号分类的准确性,对本发明进行了四组振动信号分类实验,实验结果如图4所示。由图4可知,本发明所建立的Φ-OTDR振动信号识别方法对Φ-OTDR振动信号进行分类的准确率均保持在99%以上,能够在保证稳定性的基础上达到较高的准确率,分类效果良好。这表明本发明建立的Φ-OTDR振动信号分类方法是有效的,为建立精确的振动信号分类模型提供了更好的方法,具有一定的实用性。
Claims (1)
1.一种基于LMD-ICA-PNN的Φ-OTDR振动信号分类方法 ,其特征在于:(1)确定相邻极值点的平均值和包络估计值;(2)确定剩余信号;(3)确定调频信号和包络信号;(4)进行LMD分解,确定第一个PF分量;(5)建立ICA数学模型;(6)构建PNN神经网络;(7)确定输出变量的判别函数,具体包括以下七个步骤:
步骤一:确定原始振动信号x(t)的相邻极值点的平均值mi和包络估计值ai:
式中,mi表示相邻极值点的平均值,ai表示包络估计值,ni和ni+1分别表示第i个和第i+1个局部极值点;
步骤二:确定剩余信号h11(t):
将mi和ai用折线连接起来,再利用滑动平均法对其进行平滑处理,从而得到局部均值函数m11(t)和局部包络估计函数a11(t),将局部均值函数m11(t)从原始振动信号x(t)中分离出来,得到剩余信号h11(t),即:
h11(t)=x(t)-m11(t)
式中,h11(t)表示剩余信号,x(t)表示原始振动信号,m11(t)表示局部均值函数;
步骤三:确定调频信号s1l(t)和包络信号a1(t):
对h11(t)进行解调,得到调频信号s11(t):
式中,s11(t)表示调频信号,h11(t)表示剩余信号,a11(t)表示局部包络估计函数;
重复以上步骤,直至第i+1次的局部包络估计函数a1(i+1)(t)满足条件a1(i+1)(t)=1为止,最后得到l个局部包络估计函数a11(t),a12(t),...,a1l(t)和最后一次解调出的纯调频信号s1l(t),将所有局部包络估计函数相乘,便可得到包络信号a1(t)为:
式中,a1(t)表示包络信号,a11(t),a12(t),...,a1l(t)分别表示局部包络估计函数,l表示局部包络函数的个数,q表示当前第q个包络函数;
步骤四:进行LMD分解,确定第一个PF分量P1:
P1=a1(t)s1l(t)
式中,a1(t)表示包络信号,s1l(t)表示调频信号;
将第一个PF分量从原始振动信号x(t)中分离出来,得到一个新的信号u1(t),将u1(t)作为新的原始信号并重复上述步骤,循环k次,直至uk(t)满足单调条件为止,至此,得到k个PF分量,即
P={P1,P2,...,Pk};
步骤五:建立ICA数学模型:
P=A·S
式中,A表示未知的混合矩阵,S=[S1,S2,...,Sd]T表示源信号,d表示源信号的维数,P=[P1,P2,...,Pk]T表示k维观测到的信号特征向量;
最终,确定振动信号的特征向量Y:
Y=W·P
式中,Y表示振动信号的特征向量,W表示混合矩阵A的逆矩阵,P=[P1,P2,...,Pk]T表示k维观测到的信号特征向量;
步骤六:构建PNN神经网络:
式中,h表示特征维数,u表示样本的类别数,υ=1,2,...,M表示每类样本的样本数,M表示每类样本的样本总数,Y表示输入特征向量,Yuv表示第u个神经元的第υ个数据,w表示平滑参数;
步骤七:确定输出变量的判别函数Hu(Y):
式中,M表示每类样本的样本总数,υ=1,2,...,M表示每类样本的样本数,在输出层,使得判别函数Hu(Y)取得最大值的类别作为样本x(t)的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910708045.7A CN110472540B (zh) | 2019-08-01 | 2019-08-01 | 一种基于lmd-ica-pnn的φ-otdr振动信号分类算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910708045.7A CN110472540B (zh) | 2019-08-01 | 2019-08-01 | 一种基于lmd-ica-pnn的φ-otdr振动信号分类算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110472540A CN110472540A (zh) | 2019-11-19 |
CN110472540B true CN110472540B (zh) | 2020-12-29 |
Family
ID=68508491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910708045.7A Active CN110472540B (zh) | 2019-08-01 | 2019-08-01 | 一种基于lmd-ica-pnn的φ-otdr振动信号分类算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472540B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111562358B (zh) * | 2020-05-06 | 2021-03-16 | 武汉大学 | 基于联合模型的变压器油中气体含量预测方法及系统 |
CN114142931B (zh) * | 2021-12-13 | 2023-09-12 | 北京邮电大学 | 一种基于bic-daf-moea的复杂信道通信方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9752955B2 (en) * | 2014-07-31 | 2017-09-05 | Ii-Vi Incorporated | Edge propagating optical time domain reflectometer and method of using the same |
CN104373338A (zh) * | 2014-11-19 | 2015-02-25 | 北京航空航天大学 | 一种基于lmd-svd和ig-svm的液压泵故障诊断方法 |
US10866584B2 (en) * | 2016-05-09 | 2020-12-15 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data processing in an industrial internet of things data collection environment with large data sets |
CN106225907B (zh) * | 2016-06-28 | 2018-11-20 | 浙江大学 | 一种基于φ-otdr技术的光纤振动识别系统及方法 |
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 |
CN109444728A (zh) * | 2018-09-21 | 2019-03-08 | 国网河南省电力公司济源供电公司 | 一种基于动态加权混合聚类算法的断路器故障诊断方法 |
-
2019
- 2019-08-01 CN CN201910708045.7A patent/CN110472540B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110472540A (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112308158B (zh) | 一种基于部分特征对齐的多源领域自适应模型及方法 | |
Hu et al. | A multiscale fusion convolutional neural network for plant leaf recognition | |
CN109171707A (zh) | 一种智能心电图分类方法 | |
CN111832417B (zh) | 基于cnn-lstm模型和迁移学习的信号调制样式识别方法 | |
CN104616664B (zh) | 一种基于声谱图显著性检测的音频识别方法 | |
CN107305774A (zh) | 语音检测方法和装置 | |
CN106909784A (zh) | 基于二维时频图像深度卷积神经网络的癫痫脑电识别方法 | |
CN110472540B (zh) | 一种基于lmd-ica-pnn的φ-otdr振动信号分类算法 | |
CN103971124A (zh) | 一种基于相位同步的多类别运动想象脑电信号分类方法 | |
CN104966085A (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
CN105304078B (zh) | 目标声数据训练装置和目标声数据训练方法 | |
CN109116312A (zh) | 基于qmfb与卷积神经网络的雷达信号分类方法 | |
CN110176250A (zh) | 一种基于局部学习的鲁棒声学场景识别方法 | |
CN111639589B (zh) | 基于对抗学习和类颜色空间的视频虚假人脸检测方法 | |
CN108806718A (zh) | 基于对enf相位谱和瞬时频率谱分析的音频鉴定方法 | |
CN114091661B (zh) | 一种基于生成对抗网络和k-近邻算法提高入侵检测性能的过采样方法 | |
CN108470155A (zh) | 一种雷达辐射源个体识别的大规模流式数据处理方法 | |
CN109034227A (zh) | 一种输电线路外力破坏智能识别的方法 | |
CN111000555A (zh) | 一种癫痫脑电信号的训练数据生成方法、自动识别模型建模方法和自动识别方法 | |
CN103268498A (zh) | 一种感兴趣区域模糊图像语义理解的方法 | |
CN113901448A (zh) | 基于卷积神经网络和轻量级梯度提升机的入侵检测方法 | |
CN111600878A (zh) | 一种基于maf-adm的低速率拒绝服务攻击检测方法 | |
CN108573241A (zh) | 一种基于融合特征的视频行为识别方法 | |
CN112383488B (zh) | 一种适用于加密与非加密数据流的内容识别方法 | |
CN114520758A (zh) | 一种基于瞬时特征的信号调制识别方法 |
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 |