CN111951505B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111951505B CN111951505B CN202010866358.8A CN202010866358A CN111951505B CN 111951505 B CN111951505 B CN 111951505B CN 202010866358 A CN202010866358 A CN 202010866358A CN 111951505 B CN111951505 B CN 111951505B
- Authority
- CN
- China
- Prior art keywords
- intrusion
- vibration
- pattern recognition
- optical fiber
- module
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/181—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using active radiation detection systems
- G08B13/183—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using active radiation detection systems by interruption of a radiation beam or barrier
- G08B13/186—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using active radiation detection systems by interruption of a radiation beam or barrier using light guides, e.g. optical fibres
-
- 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
-
- 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
Abstract
本发明属于安防系统技术领域,公开了一种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,通过构建模式识别分类器,并利用数据训练集对模式识别分类器进行训练和测试,当分布式光纤系统采集到振动信号时,通过采集到振动信号的传感器的位置对入侵点进行定位,通过模式识别分类器对振动信号的具体入侵模式进行识别。本发明通过构建模式识别分类器,可以对获取的分布式光纤系统水位振动信号的具体入侵模式进行识别,为安防人员的应对提供依据,同时避免了在室外复杂环境下误报率过高的问题;采用布拉格光栅阵列作为传感单元,其在不同温度、不同应力及不同振动信号条件下均表现出了良好的检测结果,进一步保证了监测的准确度。
Description
技术领域
本发明属于安防系统技术领域,尤其涉及一种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。
背景技术
目前:高速铁路、仓库、监狱等区域的围栏的安全防范非常重要,及时发现并识别入侵行为具有重要的意义。分布式光纤入侵监测系统使用长距离光纤作为传感介质,基于光的干涉或后向散射原理来进行高灵敏度的无盲点振动监测,兼具抗电磁干扰、功耗小、布设灵活、成本较低等优势,特别适用于周界安防、油气管道泄漏监测、建筑物结构健康监测,及通信链路安全预警等领域。
但是由于光纤传感器对任何外界扰动都很敏感,室外环境中的各种干扰信号,如人、动物走动,车辆行驶等都会导致分布式光纤入侵监测系统产生误报,故而难以推广应用。现有的大多数光纤围栏监测系统只能对入侵信号进行监测,并不能对具体的入侵方式进行识别,不便于为安防人员的应对提供依据。而且风、雨等自然环境因素引起的光纤振动也容易被误判为入侵行为,导致安防系统的误报率较高。
通过上述分析,现有技术存在的问题及缺陷为:
现有的大多数光纤围栏监测系统只能对入侵信号进行监测,并不能对具体的入侵方式进行识别,不便于为安防人员的应对提供依据;而且容易受到外界环境影响,导致安防系统的误报率较高。
发明内容
针对现有技术存在的问题,本发明提供了一种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。
本发明是这样实现的,一种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,所述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包括以下步骤:
步骤一,在外部入侵防区的边缘布设分布式光纤系统,利用探测主机对铺设的分布式光纤系统的振动状态进行实时监测;
步骤二,对布设的分布式光纤系统进行不同入侵模式的人为模拟实验,提取不同入侵模式的振动信号,对振动信号进行降噪处理,构建数据训练集以及测试集;
所述对振动信号进行降噪处理包括:
(2.1)获取不同入侵模式的含噪振动信号;
(2.2)根据所述含噪振动信号对其进行自相关运算,并分解获得振动信号的自相关函数、噪声的自相关函数、以及振动信号和噪声的互相关函数,对含噪振动信号的初步降噪处理;
(2.3)对经过自相关运算初步降噪处理后的含噪振动信号进行小波降噪处理,得到小波降噪处理后的含噪振动信号,对所述小波降噪处理后的含噪振动信号逆变处理,重构所述小波降噪处理后的含噪振动信号;
步骤三,构建模式识别分类器,通过训练集以及测试集数据分别对模式识别分类器进行训练和测试;
所述建模式识别分类器,通过训练集以及测试集数据分别对模式识别分类器进行训练和测试包括:
(3.1)运用Softmax算法构建模式识别分类器,构建Softmax回归模型:
其中,P(y(i)=j|x(i);θ)表示输入x(i)属于第j类的概率,j表示所属类别,x(i)表示需要进行分类的输入矩阵,θ表示模型参数;
(2)定义Softmax回归模型的代价函数:
(3)基于训练集数据采用梯度下降法求最小值,得到Softmax模型参数;
(4)采用测试集对训练好的Softmax模型进行测试,当测试结果准确率达到预期要求时,则训练好的Softmax模型即为模式识别分类器,若不满足要求,则返回聚类步骤进行重新聚类,直至Softmax模型达到要求;
步骤四,当分布式光纤系统采集到振动信号时,通过采集到振动信号的传感器的位置对入侵点进行定位;
步骤五,将步骤四中采集的振动信号放入步骤三中训练后的模式识别分类器中,通过模式识别分类器对振动信号的具体入侵模式进行识别。
进一步,步骤一中,所述分布式光纤系统采用布拉格光栅阵列作为传感单元,基于结构模式耦合理论得出:
R=tan2(kL)
式中:R为光栅的反射率,Δλ为光栅的带宽,Δλ=3dB,λB为布拉格波长,L为光栅长度,k为相机参数,s为折减系数,Δn为反射角,neff为有效反射角,P为单次横向传播长度。
进一步,步骤(2.3)中,所述对经过自相关运算初步降噪处理后的含噪振动信号进行小波降噪处理包括:
采用以正交小波分解为基础的小波阈值去噪法进行去噪,任意第j次分解都遵从Mallat算法:
式中:aj(k)、dj(k)分别为原始信号逐级分解后的离散逼近系数中的低频和高频;k为向量的维数;*为卷积运算符号;h0(k)、h1(k)表示2个滤波器。
进一步,步骤五中,对振动信号的具体入侵模式进行识别时,具体包括:
S11,将采集到的振动信号经过小波去噪和信号切分处理后,得到完整信号的分段结果,计算出平均片段间隔;
S12,从各片段信号中选出能量最大的信号片段,提取其片段长度和PAR特征;
S13,采用小波包分解计算出振动信号频域能量的分布特征,利用多组入侵信号提取出多个综合特征向量;
S14,将提取的综合特征向量输入训练过的模式识别分类器中进行分类,输出入侵事件的识别结果。
进一步,步骤S11中,所述信号切分处理的具体方法包括:
S21,求门限幅值Vth,Vth=0.1Vmax,其中Vmax为去噪后信号幅值的最大值;
S22,找出信号中所有幅值大于Vth的点的索引组成集合;
S23,找出索引集合中相邻两点之差大于100的点,则第一个点的索引对应前一片段的终点,第二个点的索引对应后一片段的起点;
S24,去除片段长度小于30和片段最大值小于0.15倍完整去噪信号幅值最大值的片段。
本发明的另一目的在于提供一种基于分布式光纤系统的围栏振动入侵定位和模式识别系统,所述基于分布式光纤系统的围栏振动入侵定位和模式识别系统包括:
光纤检测模块,与中央处理和控制模块连接,用于通过构建分布式光纤系统对外部入侵防区的边缘进行入侵检测;
信号采集模块,与中央处理和控制模块连接,用于通过探测主机对铺设的分布式光纤系统的振动状态进行实时采集;
模型构建模块,与中央处理和控制模块连接,用于构建对入侵模式进行识别的模式识别分类器;
中央处理和控制模块,与光纤检测模块、信号采集模块、模型构建模块、入侵定位模块、模式识别模块和报警模块连接,用于对接收信息进行处理,并根据处理结果和预设参数对各个受控模块进行协调控制;
入侵定位模块,与中央处理和控制模块连接,用于通过采集到振动信号的传感器的位置信息对入侵点进行定位;
模式识别模块,与中央处理和控制模块连接,用于将采集的振动信息通过模式识别分类器进行处理,识别具体入侵模式。
进一步,所述模型构建模块包括:
数据库单元,用于对构建的数据训练集进行存储;
分类器构建单元,用于对模式识别分类器进行构建;
分类器训练单元,用于通过训练集以及测试集数据分别对模式识别分类器进行训练和测试。
进一步,所述基于分布式光纤系统的围栏振动入侵定位和模式识别系统还包括有报警模块;
所述报警模块与中央处理和控制模块连接,用于在检测到入侵信息时发出报警提醒。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明通过构建模式识别分类器,可以对获取的分布式光纤系统水位振动信号的具体入侵模式进行识别,为安防人员的应对提供依据,同时避免了在室外复杂环境下误报率过高的问题;分布式光纤系统采用布拉格光栅阵列作为传感单元,其在不同温度、不同应力及不同振动信号条件下均表现出了良好的检测结果,进一步保证了监测的准确度。在训练样本数量较小的情况下,模式识别分类器相比传统的RBF神经网络有更高的识别正确率和稳定性,对行人脚踩、自行车轧过、拍击围栏、剪切光缆入侵信号的平均识别正确率达到了98.7%。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,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是本发明实施例提供的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流程图。
图2是本发明实施例提供的对振动信号进行降噪处理的流程图。
图3是本发明实施例提供的识别方法流程图。
图4是本发明实施例提供的信号切分处理的方法流程图。
图5是本发明实施例提供的基于分布式光纤系统的围栏振动入侵定位和模式识别系统结构框图;
图中:1、光纤检测模块;2、信号采集模块;3、模型构建模块;4、中央处理和控制模块;5、入侵定位模块;6、模式识别模块;7、报警模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种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,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的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包括:
S101,在外部入侵防区的边缘布设分布式光纤系统,利用探测主机对铺设的分布式光纤系统的振动状态进行实时监测;
S102,对布设的分布式光纤系统进行不同入侵模式的人为模拟实验,提取不同入侵模式的振动信号,对振动信号进行降噪处理,构建数据训练集以及测试集;
S103,构建模式识别分类器,通过训练集以及测试集数据分别对模式识别分类器进行训练和测试;
S104,当分布式光纤系统采集到振动信号时,通过采集到振动信号的传感器的位置对入侵点进行定位;
S105,将S104中采集的振动信号放入S103中训练后的模式识别分类器中,通过模式识别分类器对振动信号的具体入侵模式进行识别。
步骤S101中,本发明实施提供的分布式光纤系统采用布拉格光栅阵列作为传感单元,基于结构模式耦合理论得出:
R=tan2(kL)
式中:R为光栅的反射率,Δλ为光栅的带宽,Δλ=3dB,λB为布拉格波长,L为光栅长度,k为相机参数,s为折减系数,Δn为反射角,neff为有效反射角,P为单次横向传播长度。
如图2所示,步骤S102中,本发明实施提供的对振动信号进行降噪处理包括:
S201,获取不同入侵模式的含噪振动信号;
S202,根据所述含噪振动信号对其进行自相关运算,并分解获得振动信号的自相关函数、噪声的自相关函数、以及振动信号和噪声的互相关函数,对含噪振动信号的初步降噪处理;
S203,对经过自相关运算初步降噪处理后的含噪振动信号进行小波降噪处理,得到小波降噪处理后的含噪振动信号,对所述小波降噪处理后的含噪振动信号逆变处理,重构所述小波降噪处理后的含噪振动信号。
步骤S203中,本发明实施提供的小波降噪处理包括:
采用以正交小波分解为基础的小波阈值去噪法进行去噪,任意第j次分解都遵从Mallat算法:
式中:aj(k)、dj(k)分别为原始信号逐级分解后的离散逼近系数中的低频和高频;k为向量的维数;*为卷积运算符号;h0(k)、h1(k)表示2个滤波器。
步骤S103中,本发明实施提供的建模式识别分类器,通过训练集以及测试集数据分别对模式识别分类器进行训练和测试包括:
(3.1)运用Softmax算法构建模式识别分类器,构建Softmax回归模型:
其中,P(y(i)=j|x(i);θ)表示输入x(i)属于第j类的概率,j表示所属类别,x(i)表示需要进行分类的输入矩阵,θ表示模型参数;
(2)定义Softmax回归模型的代价函数:
(3)基于训练集数据采用梯度下降法求最小值,得到Softmax模型参数;
(4)采用测试集对训练好的Softmax模型进行测试,当测试结果准确率达到预期要求时,则训练好的Softmax模型即为模式识别分类器,若不满足要求,则返回聚类步骤进行重新聚类,直至Softmax模型达到要求。
如图3所示,步骤S105中,本发明实施提供的对振动信号的具体入侵模式进行识别时,采用的识别方法具体包括:
S301,将采集到的振动信号经过小波去噪和信号切分处理后,得到完整信号的分段结果,计算出平均片段间隔;
S302,从各片段信号中选出能量最大的信号片段,提取其片段长度和PAR特征;
S303,采用小波包分解计算出振动信号频域能量的分布特征,利用多组入侵信号提取出多个综合特征向量;
S304,将提取的综合特征向量输入训练过的模式识别分类器中进行分类,输出入侵事件的识别结果。
如图4所示,步骤S201中,本发明实施提供的信号切分处理的方法包括:
S401,求门限幅值Vth,Vth=0.1Vmax,其中Vmax为去噪后信号幅值的最大值;
S402,找出信号中所有幅值大于Vth的点的索引组成集合;
S403,找出索引集合中相邻两点之差大于100的点,则第一个点的索引对应前一片段的终点,第二个点的索引对应后一片段的起点;
S404,去除片段长度小于30和片段最大值小于0.15倍完整去噪信号幅值最大值的片段。
如图5所示,本发明实施提供的基于分布式光纤系统的围栏振动入侵定位和模式识别系统包括:
光纤检测模块1,与中央处理和控制模块连接,用于通过构建分布式光纤系统对外部入侵防区的边缘进行入侵检测;
信号采集模块2,与中央处理和控制模块连接,用于通过探测主机对铺设的分布式光纤系统的振动状态进行实时采集;
模型构建模块3,与中央处理和控制模块连接,用于构建对入侵模式进行识别的模式识别分类器;
中央处理和控制模块4,与光纤检测模块1、信号采集模块2、模型构建模块3、入侵定位模块5、模式识别模块6和报警模块7连接,用于对接收信息进行处理,并根据处理结果和预设参数对各个受控模块进行协调控制;
入侵定位模块5,与中央处理和控制模块连接,用于通过采集到振动信号的传感器的位置信息对入侵点进行定位;
模式识别模块6,与中央处理和控制模块连接,用于将采集的振动信息通过模式识别分类器进行处理,识别具体入侵模式。
报警模块7,与中央处理和控制模块连接,用于在检测到入侵信息时发出报警提醒。
本发明实施例中的模型构建模块3包括:
数据库单元,用于对构建的数据训练集进行存储;
分类器构建单元,用于对模式识别分类器进行构建;
分类器训练单元,用于通过训练集以及测试集数据分别对模式识别分类器进行训练和测试。
以上所述,仅为本发明较优的具体的实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种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,其特征在于,所述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包括以下步骤:
步骤一,在外部入侵防区的边缘布设分布式光纤系统,利用探测主机对铺设的分布式光纤系统的振动状态进行实时监测;
步骤二,对布设的分布式光纤系统进行不同入侵模式的人为模拟实验,提取不同入侵模式的振动信号,对振动信号进行降噪处理,构建数据训练集以及测试集;
所述对振动信号进行降噪处理包括:
(2.1)获取不同入侵模式的含噪振动信号;
(2.2)根据所述含噪振动信号对其进行自相关运算,并分解获得振动信号的自相关函数、噪声的自相关函数、以及振动信号和噪声的互相关函数,对含噪振动信号的初步降噪处理;
(2.3)对经过自相关运算初步降噪处理后的含噪振动信号进行小波降噪处理,得到小波降噪处理后的含噪振动信号,对所述小波降噪处理后的含噪振动信号逆变处理,重构所述小波降噪处理后的含噪振动信号;
步骤三,构建模式识别分类器,通过训练集以及测试集数据分别对模式识别分类器进行训练和测试;
所述建模式识别分类器,通过训练集以及测试集数据分别对模式识别分类器进行训练和测试包括:
(3.1)运用Softmax算法构建模式识别分类器,构建Softmax回归模型:
其中,k表示类别总数,e表示学习率,T表示每种类别结果出现的概率,P(y(i)=j|x(i);θ)表示输入x(i)属于第j类的概率,j表示所属类别,x(i)表示需要进行分类的输入矩阵,θ表示模型参数;
(2)定义Softmax回归模型的代价函数:
其中,J(θ)表示代价函数,λ为衰减因子,n表示样本总量,k表示类别总数,e表示学习率,T表示每种类别结果出现的概率,1是指每个类别概率之和为1,1{y(i)=j}表示{y(i)=j}时1{y(i)=j}=1,当{y(i)≠j}时1{y(i)=j}=0,为衰减项,m表示训练集中样本的数量;
(3)基于训练集数据采用梯度下降法求最小值,得到Softmax模型参数;
(4)采用测试集对训练好的Softmax模型进行测试,当测试结果准确率达到预期要求时,则训练好的Softmax模型即为模式识别分类器,若不满足要求,则返回聚类步骤进行重新聚类,直至Softmax模型达到要求;
步骤四,当分布式光纤系统采集到振动信号时,通过采集到振动信号的传感器的位置对入侵点进行定位;
步骤五,将步骤四中采集的振动信号放入步骤三中训练后的模式识别分类器中,通过模式识别分类器对振动信号的具体入侵模式进行识别;
步骤五中,对振动信号的具体入侵模式进行识别时,具体包括:
S11,将采集到的振动信号经过小波去噪和信号切分处理后,得到完整信号的分段结果,计算出平均片段间隔;
S12,从各片段信号中选出能量最大的信号片段,提取其片段长度和PAR特征;
S13,采用小波包分解计算出振动信号频域能量的分布特征,利用多组入侵信号提取出多个综合特征向量;
S14,将提取的综合特征向量输入训练过的模式识别分类器中进行分类,输出入侵事件的识别结果;
步骤S11中,所述信号切分处理的具体方法包括:
S21,求门限幅值Vth,Vth=0.1Vmax,其中Vmax为去噪后信号幅值的最大值;
S22,找出信号中所有幅值大于Vth的点的索引组成集合;
S23,找出索引集合中相邻两点之差大于100的点,则第一个点的索引对应前一片段的终点,第二个点的索引对应后一片段的起点;
S24,去除片段长度小于30和片段最大值小于0.15倍完整去噪信号幅值最大值的片段。
4.一种实施如权利要求1~3任意一项所述的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的基于分布式光纤系统的围栏振动入侵定位和模式识别系统,其特征在于,所述基于分布式光纤系统的围栏振动入侵定位和模式识别系统包括:
光纤检测模块,与中央处理和控制模块连接,用于通过构建分布式光纤系统对外部入侵防区的边缘进行入侵检测;
信号采集模块,与中央处理和控制模块连接,用于通过探测主机对铺设的分布式光纤系统的振动状态进行实时采集;
模型构建模块,与中央处理和控制模块连接,用于构建对入侵模式进行识别的模式识别分类器;
中央处理和控制模块,与光纤检测模块、信号采集模块、模型构建模块、入侵定位模块、模式识别模块和报警模块连接,用于对接收信息进行处理,并根据处理结果和预设参数对各个受控模块进行协调控制;
入侵定位模块,与中央处理和控制模块连接,用于通过采集到振动信号的传感器的位置信息对入侵点进行定位;
模式识别模块,与中央处理和控制模块连接,用于将采集的振动信息通过模式识别分类器进行处理,识别具体入侵模式。
5.如权利要求4所述的基于分布式光纤系统的围栏振动入侵定位和模式识别系统,其特征在于,所述模型构建模块包括:
数据库单元,用于对构建的数据训练集进行存储;
分类器构建单元,用于对模式识别分类器进行构建;
分类器训练单元,用于通过训练集以及测试集数据分别对模式识别分类器进行训练和测试。
6.如权利要求4所述的基于分布式光纤系统的围栏振动入侵定位和模式识别系统,其特征在于,所述基于分布式光纤系统的围栏振动入侵定位和模式识别系统还包括有报警模块;
所述报警模块与中央处理和控制模块连接,用于在检测到入侵信息时发出报警提醒。
7.一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施如权利要求1~3任意一项所述的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。
8.一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1~3任意一项所述的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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010866358.8A CN111951505B (zh) | 2020-08-25 | 2020-08-25 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010866358.8A CN111951505B (zh) | 2020-08-25 | 2020-08-25 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111951505A CN111951505A (zh) | 2020-11-17 |
CN111951505B true CN111951505B (zh) | 2022-02-08 |
Family
ID=73366363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010866358.8A Active CN111951505B (zh) | 2020-08-25 | 2020-08-25 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951505B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114257313B (zh) * | 2021-12-18 | 2023-04-07 | 江苏中天科技股份有限公司 | 基于深度学习的光纤光栅传感系统降噪方法及其相关设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101828092A (zh) * | 2007-08-17 | 2010-09-08 | 瑞尼斯豪公司 | 非接触探头 |
CN102624349A (zh) * | 2012-03-15 | 2012-08-01 | 北京航空航天大学 | 一种对原始数据低失真的谐波噪声干扰和白噪声干扰的去除方法 |
CN104240455A (zh) * | 2014-08-07 | 2014-12-24 | 北京航天控制仪器研究所 | 一种分布式光纤管线安全预警系统中的扰动事件识别方法 |
CN106197646A (zh) * | 2016-06-24 | 2016-12-07 | 深圳艾瑞斯通技术有限公司 | 一种光纤振动检测减小误差的方法及纤振动检测装置 |
CN106409351A (zh) * | 2016-09-13 | 2017-02-15 | 中广核工程有限公司 | 一种核电厂松动部件振动信号的处理方法及装置 |
CN108133559A (zh) * | 2016-11-30 | 2018-06-08 | 光子瑞利科技(北京)有限公司 | 光纤端点检测在周界预警系统中的应用 |
CN108304567A (zh) * | 2018-02-09 | 2018-07-20 | 杭州安脉盛智能技术有限公司 | 高压变压器工况模式识别与数据分类方法及系统 |
CN110570613A (zh) * | 2019-09-18 | 2019-12-13 | 广州亓行智能科技有限公司 | 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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3175447A1 (en) * | 2009-05-27 | 2010-12-02 | Silixa Ltd | Method and apparatus for optical sensing |
CN110852187B (zh) * | 2019-10-22 | 2023-04-07 | 华侨大学 | 一种周界入侵事件的识别方法与系统 |
-
2020
- 2020-08-25 CN CN202010866358.8A patent/CN111951505B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101828092A (zh) * | 2007-08-17 | 2010-09-08 | 瑞尼斯豪公司 | 非接触探头 |
CN102624349A (zh) * | 2012-03-15 | 2012-08-01 | 北京航空航天大学 | 一种对原始数据低失真的谐波噪声干扰和白噪声干扰的去除方法 |
CN104240455A (zh) * | 2014-08-07 | 2014-12-24 | 北京航天控制仪器研究所 | 一种分布式光纤管线安全预警系统中的扰动事件识别方法 |
CN106197646A (zh) * | 2016-06-24 | 2016-12-07 | 深圳艾瑞斯通技术有限公司 | 一种光纤振动检测减小误差的方法及纤振动检测装置 |
CN106409351A (zh) * | 2016-09-13 | 2017-02-15 | 中广核工程有限公司 | 一种核电厂松动部件振动信号的处理方法及装置 |
CN108133559A (zh) * | 2016-11-30 | 2018-06-08 | 光子瑞利科技(北京)有限公司 | 光纤端点检测在周界预警系统中的应用 |
CN108304567A (zh) * | 2018-02-09 | 2018-07-20 | 杭州安脉盛智能技术有限公司 | 高压变压器工况模式识别与数据分类方法及系统 |
CN110570613A (zh) * | 2019-09-18 | 2019-12-13 | 广州亓行智能科技有限公司 | 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 |
Non-Patent Citations (1)
Title |
---|
模式可识别及其神经网络模型;杨国为;《哈尔滨工业大学学报》;20160731;第38卷(第7期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111951505A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11562224B2 (en) | 1D-CNN-based distributed optical fiber sensing signal feature learning and classification method | |
CN103617684B (zh) | 干涉型光纤周界振动入侵识别算法 | |
CN110995339B (zh) | 一种分布式光纤传感信号时空信息提取与识别方法 | |
CN104240455B (zh) | 一种分布式光纤管线安全预警系统中的扰动事件识别方法 | |
CN102045120B (zh) | 光纤周界系统的振动信号识别方法 | |
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 | |
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 | |
CN111649817B (zh) | 一种分布式光纤振动传感器系统及其模式识别方法 | |
CN114692681B (zh) | 基于scnn的分布式光纤振动及声波传感信号识别方法 | |
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 | |
CN109064696A (zh) | 基于深度学习实现的光纤周界安防系统 | |
CN116805061B (zh) | 基于光纤传感的泄漏事件判断方法 | |
CN114857504A (zh) | 基于分布式光纤传感器和深度学习的管道安全监测方法 | |
CN111507310A (zh) | 一种基于φ-otdr的光缆通道内人为触缆作业信号识别方法 | |
CN112985574A (zh) | 基于模型融合的光纤分布式声波传感信号高精度分类识别方法 | |
CN115984767A (zh) | 一种基于监控画面实时分析的异常预警方法及系统 | |
CN111951505B (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 | |
CN114510960A (zh) | 一种分布式光纤传感器系统模式识别的方法 | |
CN111476102A (zh) | 一种安全防护方法、中控设备及计算机存储介质 | |
CN114266271A (zh) | 基于神经网络的分布式光纤振动信号模式分类方法和系统 | |
CN116186642B (zh) | 一种基于多维特征融合的分布式光纤传感事件预警方法 | |
Khan et al. | Prior recognition of flash floods: Concrete optimal neural network configuration analysis for multi-resolution sensing | |
CN116838955A (zh) | 一种两阶段的油气管道沿线干扰识别方法 | |
Liang | Study on the fiber-optic perimeter sensor signal processor based on neural network classifier | |
CN111597994A (zh) | 一种光纤周界安防入侵事件识别模型构建方法和安防系统 |
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 |