CN111157099B - 一种分布式光纤传感器振动信号分类方法及识别分类系统 - Google Patents
一种分布式光纤传感器振动信号分类方法及识别分类系统 Download PDFInfo
- Publication number
- CN111157099B CN111157099B CN202010000759.5A CN202010000759A CN111157099B CN 111157099 B CN111157099 B CN 111157099B CN 202010000759 A CN202010000759 A CN 202010000759A CN 111157099 B CN111157099 B CN 111157099B
- Authority
- CN
- China
- Prior art keywords
- signal
- optical fiber
- time
- vibration signal
- short
- 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
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
- G01H9/004—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means using fibre optic sensors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (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振动信号分类方法及识别分类系统,方法为:首先用光纤传感系统获取作用在光缆上的振动信号;对光纤振动信号进行预处理;计算光纤振动信号的短时能量和短时过零率;设置短时能量和短时过零率的双门限值,若超过阈值则提取有效数据段,并判断为扰动事件;绘制光纤振动信号时频域上的谱图;提取光纤振动信号的Mel频率倒谱系数;建立基于扰动事件信号的Mel频率倒谱系数和时频域谱图的深度学习识别模型;基于振动信号时频域上的谱图和Mel频率倒谱系数两种特征与深度学习识别模型进行匹配,判断光纤振动信号类别。本发明实现了对光纤传感信号的特征提取,准确识别分类,解决了光纤传感入侵信号识别分类准确率低的技术问题。
Description
技术领域
本发明属于信号检测技术领域,具体涉及一种分布式光纤传感器振动信号分类方法及识别分类系统。
背景技术
分布式光纤传感扰动检测技术,因其抗电磁干扰能力强、灵敏度高、动态范围大、便于快速捕捉和高精度监测动态变化信息等技术优点,日益成为入侵行为安全监测的主流技术。例如,在石油管线中,利用分布式光纤扰动监测系统代替人工巡逻,及时发现偷油,漏油,破坏管线等行为,智能化管理管线,确保管线安全。在安防领域中,由于光纤的隐蔽性与抗电磁性,分布式光纤扰动监测系统十分适合实时监测各类突发事件,且监测成功率较普通光电系统高。
现有的光纤周界系统的振动信号识别方法主要有两种,一种是采用基于入侵振动信号的时域特征进行分析,如振动信号幅度或者过零率等。该方法由于进行模式识别的特征参数数量少,因此不能准确地区分各种外界振动信号,误报率高。另一种是采用信号的频谱技术,根据多维的频谱特征作为判别的依据。该方法计算量大,算法复杂,实时性较差。并且,分布式光纤传感器的信号是基于光在光纤内干涉形成,并不能很好的适合已有模型。
发明内容
为解决上述问题,本发明提出一种针对光纤传感振动信号识别方法及系统,实现了对光纤传感信号的特征提取,准确识别分类,解决了光纤传感入侵信号识别分类准确率低的技术问题。
本发明采用如下技术方案,一种分布式光纤传感器振动信号分类方法,具体步骤如下:
S1:光纤电缆探测由外界振动产生的信号,使光信号携带外界振动信息,通过光电探测器得到振动信号;
S2:对振动信号进行归一化、去噪、分帧和加窗的预处理;
S3:计算振动信号的短时能量和短时过零率;
S4:依据噪声信号的短时能量、短时过零率和振动信号的短时能量、短时过零率的差异,设定短时能量、短时过零率门限;若振动信号的短时能量和短时过零率超过设定的门限,则判断是扰动事件,截取有效数据段,进入S5,否则返回S1;
S5:绘制振动信号时频域上的谱图;
S6:提取振动信号的Mel频率倒谱系数;
S7:建立基于扰动事件信号的Mel频率倒谱系数和时频域上谱图的深度学习识别模型;
S8:基于振动信号的Mel频率倒谱系数和时频域上的谱图与步骤7的识别模型进行匹配。
优选地,S1中所述光纤传感振动信号是由外界振动产生的振动信号采集来的,采集的方法为相位解调光信号,使光信号携带外界振动信息,通过光电探测器得到振动信号。
优选地,所述S6中提取振动信号Mel频率倒谱系数的步骤如下:
61)对预处理后的振动信号的每一帧做快速傅里叶变换,得到每一帧的频率谱图;
62)用梅尔滤波器每一帧的频率谱图进行功率谱滤波,并求出滤波后每帧的能量总和;
63)求出每帧能量经滤波后的对数;
64)保留滤波器的系数对每帧能量的对数做离散余弦变换。
优选地,所述S7中基于扰动事件信号的Mel频率倒谱系数和时频域上的谱图训练深度学习识别模型的步骤如下:
71)对光纤传感系统实际采集到的扰动事件的信号进行分类,并标签和编码。
72)对每个扰动事件信号分别提取Mel频率倒谱系数并绘制时频域的谱图。
73)固定每个扰动事件信号时频域谱图的尺寸得到一个三维数组,并在第三维上扩展Mel频率倒谱系数的参数,将Mel频率倒谱系数的参数从二维拉伸成一维,根据固定尺度第二维的维度铺满整个第三维,得到多个N*N*4的三维特征数组。
74)将提取好的特征数组按扰动事件类别进行分类,并标签和编码制成一个训练集。
75)构建对光纤传感振动信号识别系统的网络识别模型,使用训练集对光纤传感振动信号识别系统的网络模型进行训练,使之满足每个扰动事件信号与预设类别相符。
优选地,所述S8基于振动信号的Mel频率倒谱系数和时频域上的谱图与识别模型进行匹配。
81)对传入的扰动事件信号分别提取Mel频率倒谱系数并绘制时频域的谱图。
82)固定每个扰动事件信号时频域谱图的尺寸得到一个三维数组,并在第三维上扩展Mel频率倒谱系数的参数,将Mel频率倒谱系数的参数从二维拉伸成一维,根据固定尺度第二维的维度铺满整个第三维,得到多个N*N*4的三维特征数组。
83)将提取好的特征数组使用预先训练的网络进行分类。
一种针对光纤传感振动信号识别分类的系统,系统包括:光纤信号探测模块和光纤信号识别模块,其中,
所述光纤信号探测系统包括光纤光缆,光电探测器和数据采集卡,光纤光缆携带的振动信息通过光电探测器转换为电信号,经数据采集卡传回主机。
所述光纤信号识别系统包括信号处理模块,特征提取模块和信号分类识别模块,电信号传入信号处理模块对原始信号做预处理,预处理后的信号的短时能量和短时过零率超过阈值的话会传入特征提取模块,提取传入信号的Mel频率倒谱系数和时频域上的谱图,并将两类特征融合,最后将融合的特征传入信号分类识别模块。
发明所达到的有益效果:本发明是一种针对光纤传感振动信号识别方法及系统,实现了对入侵信号行为种类的判断并做出及时的预警,解决了光纤传感入侵信号识别分类准确率低的技术问题。本发明参考了声音信号在低频域和光纤振动信号波形振动相似的特性,利用已经成熟的Mel频率倒谱系数特征提取法,并佐之时频域上的谱图,将两个特征共同作为卷积神经网络的特征参数进行分类识别。实现了对入侵信号行为种类识别精度的提升,在安防领域具有较强的普适性。
附图说明
图1是本发明实施例的一种针对光纤传感振动信号识别方法的流程示意图;
图2是提取Mel频率倒谱系数的流程示意图;
图3是本发明实施例的一种针对光纤传感振动信号识别分类的系统的模块示意图。
具体实施方式
下面根据附图并结合实施例对本发明的技术方案作进一步阐述。
图1是本发明实施例的一种针对光纤传感振动信号识别方法的流程示意图,一种分布式光纤传感器振动信号分类方法,包括以下步骤:
S1:光纤光缆探测由外界振动产生的信号,设备采样率和参数的设置以光缆铺设的具体位置来调整,采集到的信号有非入侵信号和入侵信号,还有环境噪声的干扰。
S2:对采集到的信号做预处理,根据实际的采样率和采集到的离散信号的点数确定合适的分帧窗函数,由于信号频率集中在低频域,要预加重信号的高频部分,再对其做小波去噪处理。
S3:对分帧后的振动信号分别计算短时能量和短时过零率,公式如下:
其中m表示窗的起点,N表示帧的长度,w(m)是窗函数,x(n)是一帧传感系统输出信号。
其中,sgn[]为符号函数,
x(n)是一帧传感系统输出信号。
S4:依据噪声信号的短时能量、短时过零率和振动信号的短时能量、短时过零率的差异,设定短时能量、短时过零率门限;若振动信号的短时能量和短时过零率超过设定的门限,则判断是扰动事件,截取有效数据段,进入S5,否则返回S1;
S5:利用傅里叶变换绘制待处理信号时频域上的谱图。
S6:提取振动信号的Mel频率倒谱系数,如图2所示:
提取振动信号的Mel频率倒谱系数的步骤如下:
61)对预处理后的振动信号的每一帧做快速傅里叶变换,得到每一帧信号的频率谱图;
62)采用13个三角滤波器组成滤波器组,每个滤波器都对每帧的频率谱图进行滤波,梅尔尺度的转换公式为M(f)=1125ln(1+f/700.0),再把每帧的每个滤波器滤波后的能量加起来。
63)基于人的听觉原理,使用倒数均值法求出每帧的每个滤波器能量的对数。
64)滤波器组是有重叠的,每帧使用滤波器所得的能量是有相关的,使用离散余弦变换对能量做去相关处理。
S7:基于扰动事件信号的Mel频率倒谱系数和时频域上的谱图训练深度学习识别模型;
71)根据铺设实际情况采集到的各类信号进行标签分类,截取信号短时能量和短时过零率都超出阈值的部分,利用短时傅里叶变换对已分类的信号批处理绘制时频域上的谱图,将其保存为jpg格式,并依次分类和编号;
72)再对分类后的信号固定帧数提取Mel频率倒谱系数,每帧通过13个三角滤波器,固定提取保留有效信息的50帧的参数,将其保存为txt或者npy格式;
73)将信号的谱图和Mel频率倒谱系数一一对应,谱图固定尺寸大小为896*1184*3,并在第三维上扩展Mel频率倒谱系数的参数,将二维的参数拉伸成一维数组并铺满整个第三维,每帧信号提取了一个896*1184*4的数组,制成一个训练集。用pytorch的框架进行模型训练,光纤传感振动信号识别系统的网络识别模型共有七层,第一、第三、第五层为卷积层,第二和第四层为降采样层,第六层全连接层,最后一层为输出层。其中,卷积层通过多个滤波器提取三维特征数组的多个特征图谱,降采样层是利用了图像特征的局部相关性原理,减小了数据量的计算,提取了特征图谱的多个子图。全连接层计算输入向量和权重向量之间的点积,再加上偏置。利用softmax判断该训练集属于哪个类别。
S8:基于振动信号的Mel频率倒谱系数和时频域上的谱图与识别模型进行匹配。
81)对传入的扰动事件信号分别提取固定帧数的Mel频率倒谱系数并绘制时频域的谱图。
82)固定每个扰动事件信号时频域谱图的尺寸得到一个三维数组,并在第三维上扩展Mel频率倒谱系数的参数,将Mel频率倒谱系数的参数从二维拉伸成一维,根据固定尺度第二维的维度铺满整个第三维,得到N*N*4的三维特征数组。
83)使用预先训练的网络对提取好的特征数组进行分类。
一种针对光纤传感振动信号识别分类系统,系统包括:光纤信号探测模块和光纤信号识别模块如图3所示,其中,
所述光纤信号探测系统包括光纤光缆,光纤传感模块,光电探测器和数据采集卡,光纤携带的振动信息通过光电探测器转换为电信号,经数据采集卡传回主机。
所述光纤信号识别系统包括信号处理模块,特征提取模块和信号分类识别模块,经光纤传感系统采集到的光纤传感振动信号传入信号处理模块对原始信号做预处理,预处理后的信号的短时能量和短时过零率超过阈值的话会传入特征提取模块,提取传入信号的频率倒谱系数和时频域上的谱图,并将两类特征融合,最后将融合的特征信息送入信号分类识别模块。
以上所述仅为本发明的优选实施方式,用以说明本发明的技术方案,而非对其限制;应当指出: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,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 (5)
1.一种分布式光纤传感器振动信号分类方法,其特征在于,包括以下步骤:
步骤1:光纤传感检测系统相位解调携带外界振动信息的光信号,得到光纤传感振动信号;
步骤2:对振动信号进行归一化、去噪、分帧和加窗的预处理;
步骤3:计算振动信号的短时能量和短时过零率;
步骤4:依据噪声信号的短时能量、短时过零率和振动信号的短时能量、短时过零率的差异,设定短时能量、短时过零率门限;若振动信号的短时能量和短时过零率超过设定的门限,则判断是扰动事件,截取有效数据段,进入步骤5,否则返回步骤1;
步骤5:绘制振动信号时频域上的谱图;
步骤6: 提取振动信号的Mel频率倒谱系数;
步骤7:建立基于扰动事件信号的Mel频率倒谱系数和时频域上谱图的深度学习识别模型;
71)对光纤传感检测系统实际采集到的扰动事件的信号进行分类,并标签和编码;
72)对每个扰动事件信号分别提取Mel频率倒谱系数并绘制时频域的谱图;
73)固定每个扰动事件信号时频域谱图的尺寸得到一个三维数组,并在第三维上扩展Mel频率倒谱系数的参数,将Mel频率倒谱系数的参数从二维拉伸成一维,根据固定尺度第二维的维度铺满整个第三维,得到多个N*N*4的三维特征数组;
74)将提取好的特征数组按扰动事件类别进行分类,并标签和编码制成一个训练集;
75)构建对光纤传感振动信号识别系统的网络识别模型,使用训练集对光纤传感振动信号识别系统的网络模型进行训练,使之满足每个扰动事件信号与预设类别相符;
步骤8: 基于振动信号的Mel频率倒谱系数和时频域上的谱图与步骤7的识别模型进行匹配。
2.根据权利要求1所述的一种分布式光纤传感器振动信号分类方法,其特征在于,所述步骤1中光纤传感振动信号是由外界振动产生的振动信号采集来的,采集的方法为相位解调光信号,使光信号携带外界振动信息,通过光电探测器得到振动信号。
3.根据权利要求1所述的一种分布式光纤传感器振动信号分类方法,其特征在于,所述步骤6提取振动信号的Mel频率倒谱系数的步骤如下:
31)对预处理后的振动信号的每一帧做快速傅里叶变换,得到每一帧的时频域谱图;
32)用梅尔滤波器每一帧的频率谱图进行功率谱滤波,并求出滤波后每帧的能量总和;
33)求出每帧能量经滤波后的对数;
34)保留滤波器的系数对每帧能量的对数做离散余弦变换。
4.根据权利要求1所述的一种分布式光纤传感器振动信号分类方法,其特征在于,所述步骤8基于振动信号的Mel频率倒谱系数和时频域上的谱图与识别模型进行匹配的步骤如下:
41)对传入的扰动事件信号分别提取Mel频率倒谱系数并绘制时频域的谱图;
42)固定每个扰动事件信号时频域谱图的尺寸得到一个三维数组,并在第三维上扩展Mel频率倒谱系数的参数,将Mel频率倒谱系数的参数从二维拉伸成一维,根据固定尺度第二维的维度铺满整个第三维,得到多个N*N*4的三维特征数组;
43)将提取好的特征数组使用预先训练的网络进行分类。
5.一种执行权利要求1所述的分布式光纤传感器振动信号分类方法的光纤传感振动信号识别分类系统,其特征在于,所述系统包括光纤信号探测系统和光纤信号识别系统,其中,
所述光纤信号探测系统包括光纤光缆,光电探测器和数据采集卡,光纤光缆携带的振动信息通过光电探测器转换为电信号,经数据采集卡传回主机;
所述光纤信号识别系统包括信号处理模块,特征提取模块和信号分类识别模块,电信号传入信号处理模块对原始信号做预处理,预处理后的信号的短时能量和短时过零率超过门限的话会传入特征提取模块,提取传入信号的Mel频率倒谱系数和时频域上的谱图,并将两类特征融合,最后将融合的特征传入信号分类识别模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010000759.5A CN111157099B (zh) | 2020-01-02 | 2020-01-02 | 一种分布式光纤传感器振动信号分类方法及识别分类系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010000759.5A CN111157099B (zh) | 2020-01-02 | 2020-01-02 | 一种分布式光纤传感器振动信号分类方法及识别分类系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111157099A CN111157099A (zh) | 2020-05-15 |
CN111157099B true CN111157099B (zh) | 2022-07-15 |
Family
ID=70560888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010000759.5A Active CN111157099B (zh) | 2020-01-02 | 2020-01-02 | 一种分布式光纤传感器振动信号分类方法及识别分类系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111157099B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743154A (zh) * | 2020-05-28 | 2021-12-03 | 宁波陆禾科技有限公司 | 一种基于图像特征识别的光纤振动信号处理与识别方法 |
CN111461090B (zh) * | 2020-06-17 | 2020-09-22 | 杭州云智声智能科技有限公司 | 一种基于环境样本基云模型的声振信号处理方法及系统 |
CN111649817B (zh) * | 2020-06-30 | 2022-03-11 | 郑州信大先进技术研究院 | 一种分布式光纤振动传感器系统及其模式识别方法 |
CN112383921B (zh) * | 2020-08-14 | 2022-08-05 | 南京航空航天大学 | 一种基于异构分布式光纤传感器的在线外部入侵监测方法 |
CN112268608A (zh) * | 2020-10-13 | 2021-01-26 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 一种强干扰dvs的高精度解调算法 |
CN112504428A (zh) * | 2020-10-19 | 2021-03-16 | 威海北洋光电信息技术股份公司 | 低功耗嵌入式高速分布式光纤振动传感系统及其应用 |
CN112539772B (zh) * | 2020-11-02 | 2023-04-07 | 上海大学 | 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 |
CN112397043B (zh) * | 2020-11-03 | 2021-11-16 | 北京中科深智科技有限公司 | 一种语音转化成歌曲的方法和系统 |
CN114121305B (zh) * | 2021-11-23 | 2024-02-23 | 浙江大学 | 一种基于扫频技术的传感器安全检测方法和系统 |
GB2614421A (en) * | 2021-12-30 | 2023-07-05 | Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi | Frequency response estimation method to compensate for channel differences in distributed acoustic sensing systems |
CN114295195B (zh) * | 2021-12-31 | 2023-06-13 | 河海大学常州校区 | 基于特征提取的光纤传感振动信号的异常判断方法和系统 |
CN115479219B (zh) * | 2022-09-20 | 2024-03-01 | 无锡科晟光子科技有限公司 | 智能管道状态监测方法、监测装置及智能管道系统 |
CN116026449B (zh) * | 2023-03-30 | 2023-06-16 | 广东恒志信息技术有限公司 | 一种基于单芯光纤传感的振动定位监测系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104729667A (zh) * | 2015-03-25 | 2015-06-24 | 北京航天控制仪器研究所 | 一种分布式光纤振动传感系统中的扰动类型识别方法 |
CN105095624A (zh) * | 2014-05-15 | 2015-11-25 | 中国电子科技集团公司第三十四研究所 | 一种光纤传感振动信号的识别方法 |
CN105606198A (zh) * | 2016-01-28 | 2016-05-25 | 吉林大学 | 光纤振动传感系统两级信号特征提取与判别方法 |
CN108709633A (zh) * | 2018-08-29 | 2018-10-26 | 中国科学院上海光学精密机械研究所 | 基于深度学习的分布式光纤振动传感智能安全监测方法 |
CN109374115A (zh) * | 2018-12-07 | 2019-02-22 | 武汉理工光科股份有限公司 | 基于φ-OTDR的油气管线外破振动监测识别方法 |
CN109827652A (zh) * | 2018-11-26 | 2019-05-31 | 河海大学常州校区 | 一种针对光纤传感振动信号识别方法与系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107425906B (zh) * | 2017-07-25 | 2019-09-27 | 电子科技大学 | 面向地下管网安全监测的分布式光纤传感信号处理方法 |
-
2020
- 2020-01-02 CN CN202010000759.5A patent/CN111157099B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095624A (zh) * | 2014-05-15 | 2015-11-25 | 中国电子科技集团公司第三十四研究所 | 一种光纤传感振动信号的识别方法 |
CN104729667A (zh) * | 2015-03-25 | 2015-06-24 | 北京航天控制仪器研究所 | 一种分布式光纤振动传感系统中的扰动类型识别方法 |
CN105606198A (zh) * | 2016-01-28 | 2016-05-25 | 吉林大学 | 光纤振动传感系统两级信号特征提取与判别方法 |
CN108709633A (zh) * | 2018-08-29 | 2018-10-26 | 中国科学院上海光学精密机械研究所 | 基于深度学习的分布式光纤振动传感智能安全监测方法 |
CN109827652A (zh) * | 2018-11-26 | 2019-05-31 | 河海大学常州校区 | 一种针对光纤传感振动信号识别方法与系统 |
CN109374115A (zh) * | 2018-12-07 | 2019-02-22 | 武汉理工光科股份有限公司 | 基于φ-OTDR的油气管线外破振动监测识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111157099A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111157099B (zh) | 一种分布式光纤传感器振动信号分类方法及识别分类系统 | |
CN102045120B (zh) | 光纤周界系统的振动信号识别方法 | |
CN108648748B (zh) | 医院噪声环境下的声学事件检测方法 | |
CN111104891B (zh) | 基于BiLSTM的复合特征光纤传感扰动信号模式识别方法 | |
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 | |
CN106846803B (zh) | 基于音频的交通事件检测装置及方法 | |
CN101556724B (zh) | 光纤周界安全管理系统及其模式识别方法 | |
CN105023379B (zh) | 一种机场光纤周界预警系统的信号识别方法 | |
CN110823356B (zh) | 基于梅尔频谱的分布式光纤入侵检测方法 | |
CN111178155B (zh) | 基于惯性传感器的步态特征提取和步态识别方法 | |
CN107659314A (zh) | 分布式光纤传感时空二维信号的稀疏化表示及压缩方法 | |
CN108801437B (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 | |
CN103196465A (zh) | 一种相敏光时域反射仪传感信号噪声分离及信号提取方法 | |
CN113221673B (zh) | 基于多尺度特征聚集的说话人认证方法及系统 | |
CN114510960A (zh) | 一种分布式光纤传感器系统模式识别的方法 | |
CN103226028A (zh) | 一种相敏光时域反射仪扰动信号检测与识别方法 | |
CN112364768A (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 | |
Xu et al. | Seismic target recognition based on parallel recurrent neural network for unattended ground sensor systems | |
CN113990303B (zh) | 基于多分辨率空洞深度可分卷积网络的环境声音辨识方法 | |
CN115265750A (zh) | 一种光纤分布式声波传感系统及方法 | |
CN107576380A (zh) | 一种面向φ‑otdr技术的三维振动信号分类方法 | |
CN114295195A (zh) | 基于特征提取的光纤传感振动信号的异常判断方法和系统 | |
CN105139852A (zh) | 一种基于改进的mfcc声音特征的工程机械识别方法及识别装置 | |
CN116312635A (zh) | 一种融合机器识别和听觉脑机接口的声音目标探测方法 | |
CN113191321B (zh) | 基于生成对抗网络的光纤分布式地震波信号降噪方法 |
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 |