CN112187349A - 一种基于光时域反射的光纤的数据识别方法及存储介质 - Google Patents
一种基于光时域反射的光纤的数据识别方法及存储介质 Download PDFInfo
- Publication number
- CN112187349A CN112187349A CN202011103910.4A CN202011103910A CN112187349A CN 112187349 A CN112187349 A CN 112187349A CN 202011103910 A CN202011103910 A CN 202011103910A CN 112187349 A CN112187349 A CN 112187349A
- Authority
- CN
- China
- Prior art keywords
- data
- characteristic
- basic data
- basic
- average
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/071—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using a reflected signal, e.g. using optical time domain reflectometers [OTDR]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
- H04B10/0795—Performance monitoring; Measurement of transmission parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
- H04B10/0795—Performance monitoring; Measurement of transmission parameters
- H04B10/07955—Monitoring or measuring power
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本发明涉及信号传输技术领域,具体涉及一种基于光时域反射的光纤的数据识别方法及存储介质,其中一种基于光时域反射的光纤的数据识别方法,包括,于第一环境中被监控对象上设置有至少两个采样点,按照预定的频率获取每个采样点的采样数据;根据所诉采集数据形成预测模型;于第二环境中获取实际采样数据,将所述实际采样数据导入至所述预测模型以形成一预测结果;根据所述预测结果执行与所述预测结果匹配的动作。
Description
技术领域
本发明涉及信号传输技术领域,具体涉及一种基于光时域反射的光纤的数据识别方法及存储介质。
背景技术
光纤通信技术从光通信中脱颖而出,成为现代通信的重要支柱,在现代电信网中起着举足轻重的作用。光纤作为该技术的传输媒介,在骨干网、城域网上广泛部署,时刻承载着海量数据的传输和交互。光纤通信除了通信容量大、通信距离远、抗干扰能力强等诸多优点之外,还存在着质地脆、机械强度差的不足。光纤一旦被意外损坏,造成的损失不可估量。现有的监控系统,根据Φ-OTDR(光时域反射)技术,利用光的后向散射与菲涅耳反向原理,通过光在光纤中传播时产生的后向散射光来获取衰减的信息。通过该信息可以定位出发生震动的位置点。然而仅仅获取到震动点的位置是不够的,因为光纤震动既包含了正常事件(比如车辆行驶造成的),又包含了危险事件(比如挖掘机施工、偷盗光纤等)。基于这一问题,在监测光纤传输环境中,主要有两种监控方法,一种为主动监控方法,即实时观测光传输环境的实时状态,一旦出现异常即立刻报警,例如一旦光纤所处物理环境发生震动,此时监控系统即发出警报,工作人员会立刻前去维系,此种其中情况发生的误报概率较高,大大浪费人力成本;另一种是被动监控,即在光纤环境发生实质无法传输的客观情况时才报警,此时造成的损失已经无法弥补。这两种监控方式都相对较为极端,其维护成本或造成的损失相对较高。
发明内容
基于此,本发明提供一种基于光时域反射的光纤的数据识别方法及存储介质。
一方面,本发明提供一种基于光时域反射的光纤的数据识别方法,其中:包括,
于第一环境中被监控对象上设置有至少两个采样点,按照预定的频率获取每个采样点的采样数据;根据所诉采集数据形成预测模型;
于第二环境中获取实际采样数据,将所述实际采样数据导入至所述预测模型以形成一预测结果;
根据所述预测结果执行与所述预测结果匹配的动作。
优选地,上述的一种基于光时域反射的光纤的数据识别方法,其中:于第一环境中被监控对象上设置有至少两个采样点,按照预定的频率获取每个采样点的采样数据;根据所诉采集数据形成预测模型具体包括:
于第一环境中被监控对象上设置有至少两个采样点,按照预定的频率获取每个采样点的采样数据;
获取当前特征采样点的采样数据、所述特征采样点上一个采样点的采样数据和所述特征采样点下一个采样点的采样数据并形成采集数据;
于所述采集数据中获取至少两个事件特征数据;
对每个所述事件特征数据做归一化处理以形成特征数据矩阵;
对所述特征数据矩阵做降维处理以形成降维基础数据;
根据所述降维基础数据形成训练基础数据和测试基础数据;
基于所述训练基础数据形成预测模型,并通过测试基础数据优化所述预测模型。
优选地,上述的一种基于光时域反射的光纤的数据识别方法,其中:于所述采集数据中获取至少两个事件特征数据包括
于所述采集数据中获取每个采集数据的能量值,并根据所述能量值对所述采集数据做排序处理;
根据所述能量值形成峰值特征数据、均值特征数据、峰均比特征数据、中值特征数据、中位数特征数据、方差特征数据、标准差特征数据、前五十平均特征数据、前三十平均特征数据、前二十平均特征数据、前十平均特征数据、功率谱密度最大值特征数据、功率谱密度最小值特征数据、功率谱密度平均值特征数据。
优选地,上述的一种基于光时域反射的光纤的数据识别方法,其中:对每个所述事件特征数据做归一化处理以形成特征数据矩阵具体包括:
对所述峰值特征数据做归一化处理以形成峰值特征基础数据;
对所述均值特征数据做归一化处理以形成均值特征基础数据;
对所述峰均比特征数据做归一化处理以形成峰均比特征基础数据;
对所述中值特征数据做归一化处理以形成中值特征基础数据;
对所述中位数特征数据做归一化处理以形成中位数特征基础数据;
对所述方差特征数据做归一化处理以形成方差特征基础数据;
对所述标准差特征数据做归一化处理以形成标准差特征基础数据;
对所述前五十平均特征数据做归一化处理以形成前五十平均特征基础数据;
对所述前三十平均特征数据做归一化处理以形成前三十平均特征基础数据;
对所述前二十平均特征数据做归一化处理以形成前二十平均特征基础数据;
对所述前十平均特征数据做归一化处理以形成前十平均特征基础数据;
对所述功率谱密度最大值特征数据做归一化处理以形成功率谱密度最大值特征基础数据;
对所述功率谱密度最小值特征数据做归一化处理以形成功率谱密度最小值特征基础数据;
对所述功率谱密度平均值特征数据做归一化处理以形成功率谱密度平均值特征基础数据;
根据所述峰值特征基础数据、所述均值特征基础数据、峰均比特征基础数据、中值特征基础数据、中位数特征基础数据、方差特征基础数据、标准差特征基础数据、前五十平均特征基础数据、前二十平均特征基础数据、前十平均特征基础数据、功率谱密度最大值特征基础数据、功率谱密度最小值特征基础数据、功率谱密度平均值特征基础数据形成所述特征数据矩阵。
优选地,上述的一种基于光时域反射的光纤的数据识别方法,其中:根据所述峰值特征基础数据、所述均值特征基础数据、峰均比特征基础数据、中值特征基础数据、中位数特征基础数据、方差特征基础数据、标准差特征基础数据、前五十平均特征基础数据、前二十平均特征基础数据、前十平均特征基础数据、功率谱密度最大值特征基础数据、功率谱密度最小值特征基础数据、功率谱密度平均值特征基础数据。
优选地,上述的一种基于光时域反射的光纤的数据识别方法,其中:对所述特征数据矩阵做降维处理以形成降维基础数据包括:
对所述特征数据矩阵中的每一个特征基础数据做相似度比对,并形成一相似度比较值;
于相似度比较值不小于第一阈值的状态下,删除于所述相似度比较值匹配的任意所述特征基础数据,
对保留数据继续做相似度比对,直至形成N维基础特征数据;
根据所述N维基础特征数据形成所述N维基础特征数据。
优选地,上述的一种基于光时域反射的光纤的数据识别方法,其中:根据所述降维基础数据形成训练基础数据和测试基础数据包括:
对所述N维基础特征数据做划分处理,选取其中80%的所述N维基础特征数据形成训练基础数据,剩余的所述N维基础特征数据形成测试基础数据。
优选地,上述的一种基于光时域反射的光纤的数据识别方法,其中:基于所述训练基础数据形成预测模型,并通过测试基础数据优化所述预测模型具体包括:
于所述预测模型被训练形成后,将所述测试基础数据导入所述预测训练模型,所述预测训练模型根据所述测试基础数据形成预测结果数据;
根据所述预测结果数据结合与所述测试基础数据匹配的实际结果数据做比较并形成一预测比较结果;
根据所述预测比较结果优化所述预测模型。
另一方面,本发明再提供一种存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现上述的一种基于光时域反射的光纤的数据识别方法。
与现有技术相比,本发明的优点在于:
通过上述方法,当实际应用过程中,仅仅需要将采集的数据导入至预测模型即可获取振动源的类型,根据振动源类型的不同选择不同的报警方式,进而可实施较为合理的处理方案,大大降低了维护成本。
附图说明
图1为本发明实施例提供的一种基于光时域反射的光纤的数据识别方法的流程示意图;
图2为本发明实施例提供的一种基于光时域反射的光纤的数据识别方法的流程示意图;
图3为本发明实施例中所述采集数据中获取每个采集数据的能量值时域计算结果图;
图4为本发明实施例中根据所述能量值对所述采集数据做排序处理处理的结果示意图。
图5为本发明实施例中预测模型的事件特征匹配图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。现有技术中,之所以出现较为极端的监控方法,其主要原因在于,光纤震动产生的信号相对较难被检测和分析出来,进而采取相对较为极端的监控方法。
如图1所示,一方面,本发明提供一种基于光时域反射的光纤的数据识别方法,其中:包括,
步骤S110、于第一环境中被监控对象上设置有至少两个采样点,按照预定的频率获取每个采样点的采样数据;根据所诉采集数据形成预测模型;其中第一环境可为实验环境,此处的实验环境并非是处于实验室中的环境,应当理解为处于实验状态下,实验环境为一个状态限定,而非空间或物理区域限定。
采样点的分布,通常一根光纤中有若干个采样点,例如一根光纤上布置有4096个采样点,所有采样点的采样数据都要进行缓存处理。采样的频率可以人为设置,例如采用频率为2048Hz,也可以根据用户的需求设置其他频率,可以采用采用技术设置相应的频率,此处不做具体限制。
步骤S120、于第二环境中获取实际采样数据,将所述实际采样数据导入至所述预测模型以形成一预测结果。
第二环境为实际应用环境,此处也可理解为实际应用状态,与前述的第一环境相对应。不管是第一环境的数据采集还是第二环境数据的采集,均设置有振幅阈值,当没有事件发生时,采样点的振幅较小,此种采样数据的振幅小于振幅阈值,故该数据丢弃,只有超过振幅阈值的采样数据才可以被采集并做缓存处理。
步骤S130、根据所述预测结果执行与所述预测结果匹配的动作。将采集到的数据放置预测模型中进行预测,预测结果可为进行等级分类,如果预测结果为该振动事件相对较为严重,例如挖掘机、冲击钻等危险事件,则会通过平台向维护人员发送电子提醒,例如短信提醒、邮件提醒等,而对于正常的汽车行驶的振动事件,则不予处理。
如图2所示,作为进一步优选实施方式,上述的一种基于光时域反射的光纤的数据识别方法,其中:步骤S110、于第一环境中被监控对象上设置有至少两个采样点,按照预定的频率获取每个采样点的采样数据;根据所诉采集数据形成预测模型具体包括:
S1101、于第一环境中被监控对象上设置有至少两个采样点,按照预定的频率获取每个采样点的采样数据;如上所述第一环境为实验环境,在实验环境中包含以下事件采集:在各类建筑工地中对挖土机、挖掘机、打桩机、冲击钻等进行事件采集;在正常行驶的马路上,对重型卡车、小轿车、摩托车、行人走路等进行事件采集;在实验室环境中对风镐、凿子等挖掘工具进行事件采集。
事件采集到的数据流往往不是由单一事件构成的。比如在建筑工地中采集挖掘机信号时,可能还会掺杂着打桩机信号。即使是同一类事件,特征也不完全一致。比如不同型号的、不同吨位的挖掘机产生的震动信号也是不同的。为了尽可能准确的将各类事件进行分类,在实验环境我们按照不同事件类型,对每种事件采样10万次左右。
S1102、获取当前特征采样点的采样数据、所述特征采样点上一个采样点的采样数据和所述特征采样点下一个采样点的采样数据并形成采集数据;其中特征采样点可为采集数据的阈值不小于振幅阈值的数据的采样点,通常特征采样点均对应于振动源的位置,此时需要将振动源位置区域及附近(上一个采样点和下一个采样点)的采样数据作为重点数据进行分析。例如一条光纤中有4096个采样点,振动源出现仅出现在第1000个点附近工作,那么我们只采集第999、1000、1001三个点的数据。通样在一条光纤上出现多个振动源的时候,采样数据点则同比例增加,比如二个振动源,则采样数据点为六个,三个振动源,采样数据点为九个,也有可能会出现振动源之间的距离较近,振动源之间相互干扰,此种情况下,振动源的数量不变,仅仅是相互重复的采样点数据被重复利用。
对单一事件进行了10万次的采样,以采样频率为2048Hz计算,则在某个事件发生时,共有2048*3组数据进入分析,单一事件的总数据量为 2048*3*100000个。
S1103、于所述采集数据中获取至少两个事件特征数据;具体地:
S11031、如图3所示,于所述采集数据中获取每个采集数据的能量值,如图4所示根据所述能量值对所述采集数据做排序处理;
S11032、根据所述能量值形成峰值特征数据、均值特征数据、峰均比特征数据、中值特征数据、中位数特征数据、方差特征数据、标准差特征数据、前五十平均特征数据、前三十平均特征数据、前二十平均特征数据、前十平均特征数据、功率谱密度最大值特征数据、功率谱密度最小值特征数据、功率谱密度平均值特征数据。需要说明的是,前述的前五十平均特征数据可理解为前五十左右的平均特征数据,例如前四十九平均特征数据,或者前五十一、五十二平均特征数据。同理前三十平均特征数据、前二十平均特征数据、前十平均特征数据也可以作此理解,任何对数据个数的简单置换均与本实施例的技术思路相同或等同。
S1104、对每个所述事件特征数据做归一化处理以形成特征数据矩阵;具体包括:
S11041、对所述峰值特征数据做归一化处理以形成峰值特征基础数据;列举一种归一化处理的方法,以所述峰值特征数据为例;
X‘=(X-min/max-min)*(mx-mi)+mi
X’为峰值特征基础数据,X为所述峰值特征数据,min为所述峰值特征数据中的最小值,max为所述峰值特征数据中的最大值,mx和mi为指定映射区间的最大值和最小值。默认mx为1,mi为0。
S11042、对所述均值特征数据做归一化处理以形成均值特征基础数据;
S11043、对所述峰均比特征数据做归一化处理以形成峰均比特征基础数据;
S11044、对所述中值特征数据做归一化处理以形成中值特征基础数据;
S11045、对所述中位数特征数据做归一化处理以形成中位数特征基础数据;
S11046、对所述方差特征数据做归一化处理以形成方差特征基础数据;
对所述标准差特征数据做归一化处理以形成标准差特征基础数据;
S11047、对所述前五十平均特征数据做归一化处理以形成前五十平均特征基础数据;
S11048、对所述前三十平均特征数据做归一化处理以形成前三十平均特征基础数据;
S11049、对所述前二十平均特征数据做归一化处理以形成前二十平均特征基础数据;
S110410、对所述前十平均特征数据做归一化处理以形成前十平均特征基础数据;
S110411、对所述功率谱密度最大值特征数据做归一化处理以形成功率谱密度最大值特征基础数据;
S110412、对所述功率谱密度最小值特征数据做归一化处理以形成功率谱密度最小值特征基础数据;
S110413、对所述功率谱密度平均值特征数据做归一化处理以形成功率谱密度平均值特征基础数据;
需要说明的,除峰值特征基础数据的归一化处理采用前述方法外,其余数据的归一化处理也可以采用前述方法完成,前述方法仅仅是一举例说明,并非对归一化处理的具体限制,实际应用过程中,也可以采用其他归一化处理以实现与本发明相同或等同的技术目的。
S110414、根据所述峰值特征基础数据、所述均值特征基础数据、峰均比特征基础数据、中值特征基础数据、中位数特征基础数据、方差特征基础数据、标准差特征基础数据、前五十平均特征基础数据、前二十平均特征基础数据、前十平均特征基础数据、功率谱密度最大值特征基础数据、功率谱密度最小值特征基础数据、功率谱密度平均值特征基础数据形成所述特征数据矩阵。
需要说明的是,上述步骤S11041至步骤S110413的技术步骤,其步骤之间没有严格的顺序限制,步骤S11041至步骤S110413可以调换顺序执行,此次不做具体限制。
S1105、对所述特征数据矩阵做降维处理以形成降维基础数据;具体包括:
S11051、对所述特征数据矩阵中的每一个特征基础数据做相似度比对,并形成一相似度比较值;
S11052、于相似度比较值不小于第一阈值的状态下,删除于所述相似度比较值匹配的任意所述特征基础数据,第一阈值范围为95%,即当任意两个所述特征基础数据的相似度达到95%的状态下,则仅保留一个所述特征基础数据。
S11053、对保留数据继续做相似度比对,直至形成N维基础特征数据;其中N优选为4。
S11054、根据所述N维基础特征数据形成所述N维基础特征数据。
S1106、根据所述降维基础数据形成训练基础数据和测试基础数据;具体包括:对所述N维基础特征数据做划分处理,选取其中80%的所述N维基础特征数据形成训练基础数据,剩余的所述N维基础特征数据形成测试基础数据。
S1107、基于所述训练基础数据形成预测模型,并通过测试基础数据优化所述预测模型,具体包括:
S11071、于所述预测模型被训练形成后,将所述测试基础数据导入所述预测训练模型,所述预测训练模型根据所述测试基础数据形成预测结果数据;所述预测训练模型通过sklearn机器学习形成,其中随机数种子为22。
S11072、根据所述预测结果数据结合与所述测试基础数据匹配的实际结果数据做比较并形成一预测比较结果;
S11073、根据所述预测比较结果优化所述预测模型。
如图5所示,该预测模型将数据分成若干个数据块,每一个数据块都有与之相匹配的事件特征。当一个实际采样数据导入预测模型后,通过KNN 近邻法将该实际数据划拨入与该实际数据匹配的数据块,根据该数据块确定当前实际数据所对应的事件。
通过上述方法,当实际应用过程中,仅仅需要将采集的数据导入至预测模型即可获取振动源的类型,根据振动源类型的不同选择不同的报警方式,进而可实施较为合理的处理方案,大大降低了维护成本。
再一方面,本发明再提供一种存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现上述任一所述的一种基于光时域反射的光纤的数据识别方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
虽然本发明的各个方面在独立权利要求中给出,但是本发明的其它方面包括来自所描述实施方式的特征和/或具有独立权利要求的特征的从属权利要求的组合,而并非仅是权利要求中所明确给出的组合。
这里所要注意的是,虽然以上描述了本发明的示例实施方式,但是这些描述并不应当以限制的含义进行理解。相反,可以进行若干种变化和修改而并不背离如所附权利要求中所限定的本发明的范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种基于光时域反射的光纤的数据识别方法,其特征在于:包括,
于第一环境中被监控对象上设置有至少两个采样点,按照预定的频率获取每个采样点的采样数据;根据所诉采集数据形成预测模型;
于第二环境中获取实际采样数据,将所述实际采样数据导入至所述预测模型以形成一预测结果;
根据所述预测结果执行与所述预测结果匹配的动作。
2.根据权利要求1所述的一种基于光时域反射的光纤的数据识别方法,其特征在于:于第一环境中被监控对象上设置有至少两个采样点,按照预定的频率获取每个采样点的采样数据;根据所诉采集数据形成预测模型具体包括:
于第一环境中被监控对象上设置有至少两个采样点,按照预定的频率获取每个采样点的采样数据;
获取当前特征采样点的采样数据、所述特征采样点上一个采样点的采样数据和所述特征采样点下一个采样点的采样数据并形成采集数据;
于所述采集数据中获取至少两个事件特征数据;
对每个所述事件特征数据做归一化处理以形成特征数据矩阵;
对所述特征数据矩阵做降维处理以形成降维基础数据;
根据所述降维基础数据形成训练基础数据和测试基础数据;
基于所述训练基础数据形成预测模型,并通过测试基础数据优化所述预测模型。
3.根据权利要求2所述的一种基于光时域反射的光纤的数据识别方法,其特征在于:于所述采集数据中获取至少两个事件特征数据包括
于所述采集数据中获取每个采集数据的能量值,并根据所述能量值对所述采集数据做排序处理;
根据所述能量值形成峰值特征数据、均值特征数据、峰均比特征数据、中值特征数据、中位数特征数据、方差特征数据、标准差特征数据、前五十平均特征数据、前三十平均特征数据、前二十平均特征数据、前十平均特征数据、功率谱密度最大值特征数据、功率谱密度最小值特征数据、功率谱密度平均值特征数据。
4.根据权利要求3所述的一种基于光时域反射的光纤的数据识别方法,其特征在于:对每个所述事件特征数据做归一化处理以形成特征数据矩阵具体包括:
对所述峰值特征数据做归一化处理以形成峰值特征基础数据;
对所述均值特征数据做归一化处理以形成均值特征基础数据;
对所述峰均比特征数据做归一化处理以形成峰均比特征基础数据;
对所述中值特征数据做归一化处理以形成中值特征基础数据;
对所述中位数特征数据做归一化处理以形成中位数特征基础数据;
对所述方差特征数据做归一化处理以形成方差特征基础数据;
对所述标准差特征数据做归一化处理以形成标准差特征基础数据;
对所述前五十平均特征数据做归一化处理以形成前五十平均特征基础数据;
对所述前三十平均特征数据做归一化处理以形成前三十平均特征基础数据;
对所述前二十平均特征数据做归一化处理以形成前二十平均特征基础数据;
对所述前十平均特征数据做归一化处理以形成前十平均特征基础数据;
对所述功率谱密度最大值特征数据做归一化处理以形成功率谱密度最大值特征基础数据;
对所述功率谱密度最小值特征数据做归一化处理以形成功率谱密度最小值特征基础数据;
对所述功率谱密度平均值特征数据做归一化处理以形成功率谱密度平均值特征基础数据;
根据所述峰值特征基础数据、所述均值特征基础数据、峰均比特征基础数据、中值特征基础数据、中位数特征基础数据、方差特征基础数据、标准差特征基础数据、前五十平均特征基础数据、前二十平均特征基础数据、前十平均特征基础数据、功率谱密度最大值特征基础数据、功率谱密度最小值特征基础数据、功率谱密度平均值特征基础数据形成所述特征数据矩阵。
5.根据权利要求4所述的一种基于光时域反射的光纤的数据识别方法,其特征在于:根据所述峰值特征基础数据、所述均值特征基础数据、峰均比特征基础数据、中值特征基础数据、中位数特征基础数据、方差特征基础数据、标准差特征基础数据、前五十平均特征基础数据、前二十平均特征基础数据、前十平均特征基础数据、功率谱密度最大值特征基础数据、功率谱密度最小值特征基础数据、功率谱密度平均值特征基础数据。
6.根据权利要求4所述的一种基于光时域反射的光纤的数据识别方法,其特征在于,对所述特征数据矩阵做降维处理以形成降维基础数据包括:
对所述特征数据矩阵中的每一个特征基础数据做相似度比对,并形成一相似度比较值;
于相似度比较值不小于第一阈值的状态下,删除于所述相似度比较值匹配的任意所述特征基础数据,
对保留数据继续做相似度比对,直至形成N维基础特征数据;
根据所述N维基础特征数据形成所述N维基础特征数据。
7.根据权利要求6所述的一种基于光时域反射的光纤的数据识别方法,其特征在于,根据所述降维基础数据形成训练基础数据和测试基础数据包括:
对所述N维基础特征数据做划分处理,选取其中80%的所述N维基础特征数据形成训练基础数据,剩余的所述N维基础特征数据形成测试基础数据。
8.根据权利要求7所述的一种基于光时域反射的光纤的数据识别方法,其特征在于,基于所述训练基础数据形成预测模型,并通过测试基础数据优化所述预测模型具体包括:
于所述预测模型被训练形成后,将所述测试基础数据导入所述预测训练模型,所述预测训练模型根据所述测试基础数据形成预测结果数据;
根据所述预测结果数据结合与所述测试基础数据匹配的实际结果数据做比较并形成一预测比较结果;
根据所述预测比较结果优化所述预测模型。
9.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一所述的一种基于光时域反射的光纤的数据识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011103910.4A CN112187349A (zh) | 2020-10-15 | 2020-10-15 | 一种基于光时域反射的光纤的数据识别方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011103910.4A CN112187349A (zh) | 2020-10-15 | 2020-10-15 | 一种基于光时域反射的光纤的数据识别方法及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112187349A true CN112187349A (zh) | 2021-01-05 |
Family
ID=73949789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011103910.4A Pending CN112187349A (zh) | 2020-10-15 | 2020-10-15 | 一种基于光时域反射的光纤的数据识别方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112187349A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118150124A (zh) * | 2024-05-13 | 2024-06-07 | 烟台易尚电子科技有限公司 | 基于深度学习的异常信号处理系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102045120A (zh) * | 2010-10-29 | 2011-05-04 | 成都九洲电子信息系统有限责任公司 | 光纤周界系统的振动信号识别方法 |
WO2014002741A1 (ja) * | 2012-06-28 | 2014-01-03 | Onoda Seiichi | 光線路監視方法、および光線路監視システム |
CN103968933A (zh) * | 2014-04-09 | 2014-08-06 | 西安电子科技大学 | 基于模糊域特征的光纤振动信号识别方法 |
CN109470352A (zh) * | 2018-10-19 | 2019-03-15 | 威海北洋光电信息技术股份公司 | 基于自适应阈值的分布式光纤管道安全监测算法 |
EP3595195A1 (en) * | 2018-07-10 | 2020-01-15 | Nokia Technologies Oy | Multi-resolution detection of optical-fiber events |
CN111537056A (zh) * | 2020-07-08 | 2020-08-14 | 浙江浙能天然气运行有限公司 | 基于svm与时频域特征的管道沿线第三方施工动态预警方法 |
CN111649817A (zh) * | 2020-06-30 | 2020-09-11 | 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 |
-
2020
- 2020-10-15 CN CN202011103910.4A patent/CN112187349A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102045120A (zh) * | 2010-10-29 | 2011-05-04 | 成都九洲电子信息系统有限责任公司 | 光纤周界系统的振动信号识别方法 |
WO2014002741A1 (ja) * | 2012-06-28 | 2014-01-03 | Onoda Seiichi | 光線路監視方法、および光線路監視システム |
CN103968933A (zh) * | 2014-04-09 | 2014-08-06 | 西安电子科技大学 | 基于模糊域特征的光纤振动信号识别方法 |
EP3595195A1 (en) * | 2018-07-10 | 2020-01-15 | Nokia Technologies Oy | Multi-resolution detection of optical-fiber events |
CN109470352A (zh) * | 2018-10-19 | 2019-03-15 | 威海北洋光电信息技术股份公司 | 基于自适应阈值的分布式光纤管道安全监测算法 |
CN111649817A (zh) * | 2020-06-30 | 2020-09-11 | 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 |
CN111537056A (zh) * | 2020-07-08 | 2020-08-14 | 浙江浙能天然气运行有限公司 | 基于svm与时频域特征的管道沿线第三方施工动态预警方法 |
Non-Patent Citations (1)
Title |
---|
张嵩: "光纤周界安防系统的振动信号识别研究", 《西安电子科技大学》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118150124A (zh) * | 2024-05-13 | 2024-06-07 | 烟台易尚电子科技有限公司 | 基于深度学习的异常信号处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107256635B (zh) | 一种智能交通中基于分布式光纤传感的车辆识别方法 | |
JP4242422B2 (ja) | 突発事象の記録・解析システム | |
CN100538761C (zh) | 基于数据融合模式识别的嵌入式故障智能诊断装置及方法 | |
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 | |
CN112032575B (zh) | 一种基于弱光栅的管道安全监测方法、系统及存储介质 | |
CN109767618B (zh) | 一种公安交管业务异常数据综合研判方法及系统 | |
CN112187349A (zh) | 一种基于光时域反射的光纤的数据识别方法及存储介质 | |
CN115906337B (zh) | 一种工程结构分段式主余震韧性分析方法及系统 | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN114900331B (zh) | 基于can报文特征的车载can总线入侵检测方法 | |
CN116721508A (zh) | 一种基于光纤地震计阵列技术的外界入侵监测预警方法 | |
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 | |
CN103713976B (zh) | 用于信号集中监测系统的信号设备故障根源搜索方法 | |
CN113822487A (zh) | 运营车辆的风险预警方法、装置、存储介质及计算机设备 | |
CN112651666A (zh) | 一种基于驾驶模式转移特征的驾驶员风险评估方法 | |
CN112860658A (zh) | 基于数据挖掘的高速列车电磁发射预测方法 | |
WO2008055306A1 (en) | Machine learning system for graffiti deterrence | |
US12051326B2 (en) | Road traffic extraction for unknown anomaly detection using distributed fiber optic sensing | |
KR102425592B1 (ko) | 계층적 판단 구조를 가지는 미소 진동 모니터링 시스템 | |
JP3164100B2 (ja) | 交通音源種別識別装置 | |
CN112071009B (zh) | 光纤管道预警系统及其方法 | |
CN108275157A (zh) | 一种驾驶行为检测系统及方法 | |
CN114582083A (zh) | 一种隧道监控多传感器数据融合火灾预警方法 | |
CN110060452A (zh) | 车辆进出场所的警示方法及装置 | |
CN116150636B (zh) | 一种传动模组的故障监测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210105 |
|
RJ01 | Rejection of invention patent application after publication |