CN112836574B - 一种基于谱相似度的光纤振动事件识别方法 - Google Patents

一种基于谱相似度的光纤振动事件识别方法 Download PDF

Info

Publication number
CN112836574B
CN112836574B CN202011595325.0A CN202011595325A CN112836574B CN 112836574 B CN112836574 B CN 112836574B CN 202011595325 A CN202011595325 A CN 202011595325A CN 112836574 B CN112836574 B CN 112836574B
Authority
CN
China
Prior art keywords
data
similarity
optical fiber
mean
matrix
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
Application number
CN202011595325.0A
Other languages
English (en)
Other versions
CN112836574A (zh
Inventor
陈凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Guangwei Sensing Equipment Co ltd
Original Assignee
Jiangsu Guangwei Sensing Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Guangwei Sensing Equipment Co ltd filed Critical Jiangsu Guangwei Sensing Equipment Co ltd
Priority to CN202011595325.0A priority Critical patent/CN112836574B/zh
Publication of CN112836574A publication Critical patent/CN112836574A/zh
Application granted granted Critical
Publication of CN112836574B publication Critical patent/CN112836574B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于谱相似度的光纤振动事件识别方法，预设光纤振动产生的波形相似度期望值，当光纤发生振动时，取光纤振动的波形数据，根据频率和幅度数据计算波形的相似程度，通过计算波形相似度并与预设期望值之间进行比对，根据差值大小判断报警器报警是由于外部环境产生的振动导致的误报，还是由于光纤内部故障导致报警。通过该计算方法，可以快速的计算出波形的相似度，若相似度达到期望值，则认为两次产生波形的行为是一致的，通过可以快速的确定振动行为，节省了计算时间，同时提高行为的模式识别的精准度，通过简化计算发方法，快速识别振动事件，通过降低报警时间，提升报警效率。

Description

一种基于谱相似度的光纤振动事件识别方法
技术领域
本发明涉及光纤技术领域，特别是涉及一种基于谱相似度的光纤振动事件识别方法。
背景技术
光纤传感器是一种将被测对象的状态转变为可测的光信号的传感器。光纤传感器的工作原理是将光源入射的光束经由光纤送入调制器，在调制器内与外界被测参数的相互作用，使光的光学性质如光的强度、波长、频率、相位、偏振态等发生变化，成为被调制的光信号，再经过光纤送入光电器件、经解调器后获得被测参数。
光束经由光纤导入，通过调制器后再射出，其中光纤的作用首先是传输光束，其次是起到光调制器的作用。同时光纤振动传感器多用于监测光缆是否外部破坏，也可应用于石油石化管道监测。
然而，由于外界环境比较复杂，会产生非常多的误报，例如很多大型车辆经过，产生大量的振动，会导致误报警情况的出现，同时受限于报警时间等限制。为此，提出一种基于谱相似度的光纤振动事件识别方法。
发明内容
为了克服现有技术的不足，本发明提供一种基于谱相似度的光纤振动事件识别方法，本发明通过简化计算发方法，快速识别振动事件，通过降低报警时间，提升报警效率。
为解决上述技术问题，本发明提供如下技术方案：一种基于谱相似度的光纤振动事件识别方法，预设光纤振动产生的波形相似度期望值，当光纤发生振动时，取光纤振动的波形数据，根据频率和幅度数据计算波形的相似程度，通过计算波形相似度并与预设期望值之间进行比对，根据差值大小判断报警器报警是由于外部环境产生的振动导致的误报，还是由于光纤内部故障导致报警；
具体执行步骤包括：
步骤(1)：取初始波形1s的波形采样数据进行分析，波形采样时通过采集卡进行采样，其中，1ms时间内采集4000个数据，每个数据确定一个数据坐标；
步骤(2)：在步骤(1)的基础上，其中，每1s内采集1000个数据组，将1000个数据组组成M*N＝1000*4000的数字矩阵，记为矩阵N1，其中，每个数据组包含的数据个数为4000个；
步骤(3)：在步骤(2)的基础上，对数据矩阵列向进行平均计算，其中，每十个数据平均一次，并得到另一个M*N＝100*4000的数字矩阵，记为矩阵N2；
步骤(4)：在步骤(3)的基础上，计算波形的相似度，并将相似度计算值与预设期望值进行比较，判断是否为同一事件。
作为本发明的一种优选技术方案，所述4000个数据的坐标表示为(a1,1,a1,2,a1,3,……,a1,3999,a1,4000)。
作为本发明的一种优选技术方案，所述矩阵N1表示为：
(a1,1,a1,2,a1,3,……,a1,3999,a1,4000)；
(a1000,1,a1000,2,a1000,3,……,a1000,3999,a1000,4000)。
作为本发明的一种优选技术方案，所述数据矩阵列向进行平均后记为(a’1,1＝a1,1+a2,1+…+a10,1)，所述矩阵N2表示为：
(a’1,1,a’1,2,a’1,3,……,a’1,4000)；
(a’100,1,a’100,2,a’100,3,……,a’100,4000)。
作为本发明的一种优选技术方案，所述步骤(4)的计算规则如下：
(1)对矩阵N2的每一列进行傅里叶变换，得到新的1s时间内的频域数据，所述频域数据为(b1,b2,b3,……,b4000)，所述频域数据为1s内的每个数据位置的频谱；
(2)计算第X1秒的频谱序列，所述第X1秒的频谱序列记为：
X1＝{x11，x12，x13，…x1n}，同理，第X2秒的频谱序列记为：
X2＝{x21，x22，x23，…X2n}。
作为本发明的一种优选技术方案，所述第X1秒的数据均值记为mean(X1)，所述第X2秒的数据均值记为mean(X2)，其中：
mean(X1)＝(x11+x12+x13+…+x1n)/n；
mean(X2)＝(x21+x22+x23+…+x2n)/n。
作为本发明的一种优选技术方案，所述序列X1去出均值后为X1＝X1-mean(X1)，所述序列X2去除均值后为X2＝X2-mean(X2)，此时得到两帧数据的波动范围。
作为本发明的一种优选技术方案，所述序列X1和序列X2的范数分别记为norm(X1)和norm(X2)，所述norm(X1)和norm(X2)的计算规则为：
此时得到两帧数据的大小。
作为本发明的一种优选技术方案，所述序列X1和序列X2的相似度记为S，所述相似度S的计算规则为：
S＝[sum(X1*X2)/(norm(X1)/norm(X2))]*100％，通过以上计算可以得到两个不同时间，每个位置上事件频谱的相似度，若相似度≥90％，则认为两个时间是同一行为。
与现有技术相比，本发明能达到的有益效果是：
1、本发明通过该计算方法，可以快速的计算出波形的相似度，若相似度达到期望值，则认为两次产生波形的行为是一致的，通过可以快速的确定振动行为，节省了计算时间，同时提高行为的模式识别的精准度；
2、本发明通过简化计算发方法，快速识别振动事件，通过降低报警时间，提升报警效率。
附图说明
图1为本发明的流程图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施例，进一步阐述本发明，但下述实施例仅仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其它实施例，都属于本发明的保护范围。下述实施例中的实验方法，如无特殊说明，均为常规方法，下述实施例中所用的材料、试剂等，如无特殊说明，均可从商业途径得到。
实施例:
实施例1：
一种基于谱相似度的光纤振动事件识别方法，预设光纤振动产生的波形相似度期望值，当光纤发生振动时，取光纤振动的波形数据，根据频率和幅度数据计算波形的相似程度，通过计算波形相似度并与预设期望值之间进行比对，根据差值大小判断报警器报警是由于外部环境产生的振动导致的误报，还是由于光纤内部故障导致报警；
方法具体执行步骤为：
步骤(1)：取初始波形1s的波形采样数据进行分析，波形采样时通过采集卡进行采样，其中，1ms时间内采集4000个数据，每个数据确定一个数据坐标；
步骤(2)：在步骤(1)的基础上，其中，每1s内采集1000个数据组，将1000个数据组组成M*N＝1000*4000的数字矩阵，记为矩阵N1，其中，每个数据组包含的数据个数为4000个；
步骤(3)：在步骤(2)的基础上，对数据矩阵列向进行平均计算，其中，每十个数据平均一次，并得到另一个M*N＝100*4000的数字矩阵，记为矩阵N2；
步骤(4)：在步骤(3)的基础上，计算波形的相似度，并将相似度计算值与预设期望值进行比较，判断是否为同一事件。
在其他实施例中，4000个数据的坐标表示为(a1,1,a1,2,a1,3,……,a1,3999,a1,4000)。
在其他实施例中，矩阵N1表示为：
(a1,1,a1,2,a1,3,……,a1,3999,a1,4000)；
(a1000,1,a1000,2,a1000,3,……,a1000,3999,a1000,4000)。
在其他实施例中，数据矩阵列向进行平均后记为(a’1,1＝a1,1+a2,1+…+a10,1)，矩阵N2表示为：
(a’1,1,a’1,2,a’1,3,……,a’1,4000)；
(a’100,1,a’100,2,a’100,3,……,a’100,4000)。
在其他实施例中，步骤(4)的计算规则如下：
(1)对矩阵N2的每一列进行傅里叶变换，得到新的1s时间内的频域数据，频域数据为(b1,b2,b3,……,b4000)，频域数据为1s内的每个数据位置的频谱；
(2)计算第X1秒的频谱序列，第X1秒的频谱序列记为：
X1＝{x11，x12，x13，…x1n}，同理，第X2秒的频谱序列记为：
X2＝{x21，x22，x23，…X2n}。
在其他实施例中，第X1秒的数据均值记为mean(X1)，第X2秒的数据均值记为mean(X2)，其中：
mean(X1)＝(x11+x12+x13+…+x1n)/n；
mean(X2)＝(x21+x22+x23+…+x2n)/n。
在其他实施例中，序列X1去出均值后为X1＝X1-mean(X1)，序列X2去除均值后为X2＝X2-mean(X2)，此时得到两帧数据的波动范围。
在其他实施例中，序列X1和序列X2的范数分别记为norm(X1)和norm(X2)，norm(X1)和norm(X2)的计算规则为：
此时得到两帧数据的大小。
在其他实施例中，序列X1和序列X2的相似度记为S，相似度S的计算规则为：
S＝[sum(X1*X2)/(norm(X1)/norm(X2))]*100％，通过以上计算可以得到两个不同时间，每个位置上事件频谱的相似度，若相似度≥90％，则认为两个时间是同一行为。
实施例2：
序列X1和序列X2的范数分别记为norm(X1)和norm(X2)，norm(X1)和norm(X2)的计算规则为：
此时得到两帧数据的大小。
在其他实施例中，序列X1和序列X2的相似度记为S，相似度S的计算规则为：
S＝[sum(X1*X2)/(norm(X1)/norm(X2))]*100％；
通过以上计算可以得到两个不同时间，每个位置上事件频谱的相似度，若相似<90％，则认为两个时间不是同一行为。
本发明的工作原理为：通过取初始波形1s的波形采样数据进行分析，其中，1ms时间内采集4000个数据，每个数据确定一个数据坐标，每1s内采集1000个数据组，将1000个数据组组成M*N＝1000*4000的数字矩阵，记为矩阵N1，对数据矩阵列向进行平均计算，其中，每十个数据平均一次，并得到另一个M*N＝100*4000的数字矩阵，记为矩阵N2，计算波形的相似度，并将相似度计算值与预设期望值进行比较，判断是否为同一事件，4000个数据表示为(a1,1,a1,2,a1,3,……,a1,3999,a1,4000)，N1＝(a1,1,a1,2,a1,3,……,a1,3999,a1,4000)；
(a1000,1,a1000,2,a1000,3,……,a1000,3999,a1000,4000)，数据矩阵列向进行平均后记为(a’1,1＝a1,1+a2,1+…+a10,1)，N2＝(a’1,1,a’1,2,a’1,3,……,a’1,4000)；
(a’100,1,a’100,2,a’100,3,……,a’100,4000)，对N2的每一列进行傅里叶变换，得到新的1s时间内的频域数据，频域数据为(b1,b2,b3,……,b4000)，频域数据为1s内的每个数据位置的频谱，计算第X1秒的频谱序列，第X1秒的数据均值记为mean(X1)，第X2秒的数据均值记为mean(X2)，其中：
mean(X1)＝(x11+x12+x13+…+x1n)/n；
mean(X2)＝(x21+x22+x23+…+x2n)/n，序列X1去出均值后为X1＝X1-mean(X1)，序列X2去除均值后为X2＝X2-mean(X2)，此时得到两帧数据的波动范围，序列X1和序列X2的范数分别记为norm(X1)和norm(X2)，norm(X1)和norm(X2)的计算规则为：
此时得到两帧数据的大小，序列X1和序列X2的相似度记为S，相似度S的计算规则为：
S＝[sum(X1*X2)/(norm(X1)/norm(X2))]*100％，通过以上计算可以得到两个不同时间，每个位置上事件频谱的相似度，若相似度≥90％，则认为两个时间是同一行为；若相似<90％，则认为两个时间不是同一行为。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.一种基于谱相似度的光纤振动事件识别方法，其特征在于：预设光纤振动产生的波形相似度期望值，当光纤发生振动时，取光纤振动的波形数据，根据频率和幅度数据计算波形的相似程度，通过计算波形相似度并与预设期望值之间进行比对，根据差值大小判断报警器报警是由于外部环境产生的振动导致的误报，还是由于光纤内部故障导致报警；
具体执行步骤包括：
步骤(1)：取初始波形1s的波形采样数据进行分析，波形采样时通过采集卡进行采样，其中，1ms时间内采集4000个数据，每个数据确定一个数据坐标；
步骤(2)：在步骤(1)的基础上，其中，每1s内采集1000个数据组，将1000个数据组组成M*N＝1000*4000的数字矩阵，记为矩阵N1，其中，每个数据组包含的数据个数为4000个；
步骤(3)：在步骤(2)的基础上，对数据矩阵列向进行平均计算，其中，每十个数据平均一次，并得到另一个M*N＝100*4000的数字矩阵，记为矩阵N2；
步骤(4)：在步骤(3)的基础上，计算波形的相似度，并将相似度计算值与预设期望值进行比较，判断是否为同一事件；
所述步骤(4)的计算规则如下：
(1)对矩阵N2的每一列进行傅里叶变换，得到新的1s时间内的频域数据，所述频域数据为(b1,b2,b3,……,b4000)，所述频域数据为1s内的每个数据位置的频谱；
(2)计算第X1秒的频谱序列，所述第X1秒的频谱序列记为：X1＝{x11，x12，x13，…x1n}，同理，第X2秒的频谱序列记为：X2＝{x21，x22，x23，…X2n}；
所述第X1秒的数据均值记为mean(X1)，所述第X2秒的数据均值记为mean(X2)，其中：
mean(X1)＝(x11+x12+x13+…+x1n)/n；
mean(X2)＝(x21+x22+x23+…+x2n)/n；
所述序列X1去出均值后为X1＝X1-mean(X1)，所述序列X2去除均值后为X2＝X2-mean(X2)，此时得到两帧数据的波动范围；
所述序列X1和序列X2的范数分别记为norm(X1)和norm(X2)，所述norm(X1)和norm(X2)的计算规则为：
此时得到两帧数据的大小；
所述序列X1和序列X2的相似度记为S，所述相似度S的计算规则为：
S＝[sum(X1*X2)/(norm(X1)/norm(X2))]*100％，通过以上计算可以得到两个不同时间，每个位置上事件频谱的相似度，若相似度≥90％，则认为两个时间是同一行为。
2.根据权利要求1所述的一种基于谱相似度的光纤振动事件识别方法，其特征在于：所述4000个数据的坐标表示为(a1,1,a1,2,a1,3,……,a1,3999,a1,4000)。
3.根据权利要求1所述的一种基于谱相似度的光纤振动事件识别方法，其特征在于：所述矩阵N1表示为：
(a1,1,a1,2,a1,3,……,a1,3999,a1,4000)；
(a1000,1,a1000,2,a1000,3,……,a1000,3999,a1000,4000)。
4.根据权利要求1所述的一种基于谱相似度的光纤振动事件识别方法，其特征在于：所述数据矩阵列向进行平均后记为(a’1,1＝a1,1+a2,1+…+a10,1)，所述矩阵N2表示为：
(a’1,1,a’1,2,a’1,3,……,a’1,4000)；
(a’100,1,a’100,2,a’100,3,……,a’100,4000)。
CN202011595325.0A 2020-12-30 2020-12-30 一种基于谱相似度的光纤振动事件识别方法 Active CN112836574B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011595325.0A CN112836574B (zh) 2020-12-30 2020-12-30 一种基于谱相似度的光纤振动事件识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011595325.0A CN112836574B (zh) 2020-12-30 2020-12-30 一种基于谱相似度的光纤振动事件识别方法

Publications (2)

Publication Number Publication Date
CN112836574A CN112836574A (zh) 2021-05-25
CN112836574B true CN112836574B (zh) 2023-08-29

Family

ID=75925144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011595325.0A Active CN112836574B (zh) 2020-12-30 2020-12-30 一种基于谱相似度的光纤振动事件识别方法

Country Status (1)

Country Link
CN (1) CN112836574B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627238B (zh) * 2021-06-25 2023-07-25 湖南大学 一种基于手部结构振动响应特征的生物识别方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107590516A (zh) * 2017-09-16 2018-01-16 电子科技大学 基于光纤传感数据挖掘的输气管道泄漏检测识别方法
CN108182776A (zh) * 2017-12-28 2018-06-19 无锡联河光子技术有限公司 一种分布式光纤围栏安全预警系统的报警模式分析方法
CN111222461A (zh) * 2020-01-06 2020-06-02 兰州奥普信息技术有限公司 一种光纤振动探测系统入侵信号的识别方法
CN111539393A (zh) * 2020-07-08 2020-08-14 浙江浙能天然气运行有限公司 基于emd分解与lstm的油气管道第三方施工预警方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5968217B2 (ja) * 2010-03-03 2016-08-10 旭化成エンジニアリング株式会社 すべり軸受の診断方法および診断装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107590516A (zh) * 2017-09-16 2018-01-16 电子科技大学 基于光纤传感数据挖掘的输气管道泄漏检测识别方法
CN108182776A (zh) * 2017-12-28 2018-06-19 无锡联河光子技术有限公司 一种分布式光纤围栏安全预警系统的报警模式分析方法
CN111222461A (zh) * 2020-01-06 2020-06-02 兰州奥普信息技术有限公司 一种光纤振动探测系统入侵信号的识别方法
CN111539393A (zh) * 2020-07-08 2020-08-14 浙江浙能天然气运行有限公司 基于emd分解与lstm的油气管道第三方施工预警方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
分布式振动光纤信号识别算法研究;江兆凤;於景瞵;臧元章;俞旭辉;;电子测量技术(第17期);全文 *

Also Published As

Publication number Publication date
CN112836574A (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
EP3321859B1 (en) Optical fiber perimeter intrusion signal identification method and device, and perimeter intrusion alarm system
EP2902943B1 (fr) Procédé de validation de l&#39;utilisation d&#39;un vrai doigt comme support d&#39;une empreinte digitale
KR100981401B1 (ko) 미소 변위 계측법 및 장치
CN106503642B (zh) 一种应用于光纤传感系统的振动模型建立方法
CN111649817B (zh) 一种分布式光纤振动传感器系统及其模式识别方法
US20090002490A1 (en) Acoustic recognition apparatus, acoustic recognition method, and acoustic recognition program
CN112287571A (zh) 基于物理驱动的散射泛化成像方法和实验方法
CN112836574B (zh) 一种基于谱相似度的光纤振动事件识别方法
CN108564002B (zh) 一种遥感影像时间序列变化检测方法及系统
EP3139307B1 (fr) Procede de caracterisation d&#39;un materiau par analyse de tavelures
CN111222472A (zh) 一种基于结构光频域特征的人脸识别方法
CN114510960A (zh) 一种分布式光纤传感器系统模式识别的方法
CN113125556A (zh) 一种基于声纹识别的结构损伤检测系统及方法
JP2003216931A (ja) 特定パターン認識方法、特定パターン認識プログラム、特定パターン認識プログラム記録媒体および特定パターン認識装置
Amerini et al. Estimate of PRNU noise based on different noise models for source camera identification
JP5351835B2 (ja) 音信号区間抽出装置及び音信号区間抽出方法
JP4711131B2 (ja) 画素群パラメータ算出方法及び画素群パラメータ算出装置
JP2008008815A (ja) 信号検出装置、信号検出方法および信号検出プログラム
CN109075101B (zh) 检测目标组件中的缺陷的系统、方法及计算机可读媒体
Sattar et al. A new event detection method for noisy hydrophone data
Srivastava et al. Frequency based edge-texture feature using Otsu’s based enhanced local ternary pattern technique for digital image splicing detection
CN114359136B (zh) 一种基于地面成像数据的隐身效果评估方法和系统
CN116863251B (zh) 一种分布式光纤传感扰动识别方法
CN114785414B (zh) 光纤复合海缆外部声学干扰的识别方法及识别系统
Alam et al. A Literature study on Image forgery

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