CN112907860A - 一种光纤周界安防系统入侵点检测的方法、系统及其装置 - Google Patents
一种光纤周界安防系统入侵点检测的方法、系统及其装置 Download PDFInfo
- Publication number
- CN112907860A CN112907860A CN202110060431.7A CN202110060431A CN112907860A CN 112907860 A CN112907860 A CN 112907860A CN 202110060431 A CN202110060431 A CN 202110060431A CN 112907860 A CN112907860 A CN 112907860A
- Authority
- CN
- China
- Prior art keywords
- state
- matrix
- intrusion
- time
- point
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000013307 optical fiber Substances 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 149
- 238000001914 filtration Methods 0.000 claims abstract description 31
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 22
- 230000007704 transition Effects 0.000 claims description 22
- 239000000126 substance Substances 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 230000017105 transposition Effects 0.000 claims description 7
- 239000013256 coordination polymer Substances 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 3
- 239000000835 fiber Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009545 invasion Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/02—Mechanical actuation
- G08B13/12—Mechanical actuation by the breaking or disturbance of stretched cords or wires
- G08B13/122—Mechanical actuation by the breaking or disturbance of stretched cords or wires for a perimeter fence
- G08B13/124—Mechanical actuation by the breaking or disturbance of stretched cords or wires for a perimeter fence with the breaking or disturbance being optically detected, e.g. optical fibers in the perimeter fence
Abstract
本发明公开一种光纤周界安防系统入侵点检测的方法,属于信号处理技术领域,用于在环境噪声淹没入侵信号时判断入侵位置点,包括以下步骤:用子空间线性模型表示系统,得到离散系统方程;选取任一非入侵位置点经过系统辨识算出的系统状态矩阵、卡尔曼滤波增益矩阵和噪声协方差作为参考数据,将参考数据代入卡尔曼滤波方程,并不断迭代各位置点的实测数据以计算出所有时刻的重构误差;本发明科学合理,系统辨识能有效估计系统的参数矩阵,卡尔曼滤波能不依赖系统的初始状态估计出系统不同时刻的状态和输出,在环境噪声淹没入侵信号、入侵特征微弱、难以提取时频特征时,可有效的判断入侵位置点。
Description
技术领域
本发明涉及信号处理技术领域,具体是一种光纤周界安防系统入侵点检测的方法、系统及其装置。
背景技术
光纤传感是光纤通信技术的关键技术之一,光在传输过程中,光纤很容易受到外界环境的干扰,使得传输光的部分特性发生一定程度的改变。通过不同的信号处理方法,分析从光纤上采集的数据,能检测出光纤周界是否发生非法入侵,以及入侵行为的类型,满足一些特殊领域如机场、监狱等的入侵位置点检测需求。目前,对光纤采集的信号的处理方法有很多,主要是先对信号去噪,提取信号的时域、频域等特征,再利用支持向量机、神经网络、决策树等分类器识别出是否发生入侵以及入侵信号的类型。但实际环境复杂多变,对于环境噪声淹没入侵信号,难以提取时频特征的情况下,利用特征提取的方法失效。所以,人们需要一种光纤周界安防系统入侵点检测的方法、系统及其装置来解决上述问题。
发明内容
发明目的:本发明目的在于针对现有技术,提供一种光纤周界安防系统入侵点检测的方法、系统及其装置解决环境噪声淹没入侵信号时难以判别入侵点的问题。
技术方案:本发明所述一种光纤周界安防系统入侵点检测的方法,用于在环境噪声淹没入侵信号时判断入侵位置点,包括以下步骤:
S10、用子空间线性模型表示系统,在入侵信号未知情况下认定系统初始输入未知,将系统的输入归为系统噪声,得到离散系统方程;
S20、利用子空间模型辨识的方法,将至少三个检测点的将来的输出Hankel矩阵投影到过去的输出Hankel矩阵,对得到的结果进行奇异值分解,并将奇异值分解后得到的系统参数矩阵代入S10,进一步解出离散系统方程中的卡尔曼滤波增益矩阵和噪声协方差;
S30、筛选并对S20中奇异值分解后得到的系统参数矩阵进行分类,包括状态转移矩阵、状态和输出控制矩阵;其中,结构相似的归为非入侵点数据,结构不相似的归为入侵点数据;
由于相同环境中,非入侵点的噪声影响相似,而入侵点除了环境噪声还有入侵信号,所以利用非入侵点数据估计出的系统矩阵差别不大,但非入侵点与入侵点估计出的系统矩阵差别较大。
S40、选取任一非入侵位置点经过系统辨识算出的系统状态矩阵、卡尔曼滤波增益矩阵和噪声协方差作为参考数据,将参考数据代入卡尔曼滤波方程,并不断迭代各位置点的实测数据以计算出所有时刻的重构误差;
S50、计算并比较S40中重构误差的均方差,均方差大的判为入侵位置点。
优选的,所述S10中,离散系统方程为:
x(k+1)=Ax(k)+Ke(k)
y(k)=Cx(k)+e(k)
其中,y(k)∈Rm分别表示k时刻系统实际输出,x(k)∈Rn为k时刻状态变量,m和n分别表示输出的维数以及系统的阶次,e(k)∈Rm为零均值白噪声新息序列。矩阵A是状态转移矩阵,C是状态和输出控制矩阵,K为卡尔曼滤波增益矩阵。
优选的,所述S20包括以下步骤:
S2001、子空间模型辨识方法为系统辨识N4SID方法,定义过去的输出Hankel矩阵:
S2002、奇异值分解后,得到系统的阶次、状态转移矩阵以及状态和输出控制矩阵。
S2003、将阶次、状态转移矩阵以及状态和输出控制矩阵代入离散系统方程,求得卡尔曼滤波增益矩阵、噪声协方差矩阵。
优选的,所述S40包括以下步骤:
S4001、假设系统的初始状态x0=0和初始协方差P0=0,根据k-1时刻的状态和状态协方差矩阵预测k时刻的系统状态和状态协方差矩阵:
P(k|k-1)=AP(k-1|k-1)AT+KQKT
其中,是k时刻系统状态预测值,是k-1时刻系统状态估计值,P(k|k-1)是k时刻预测的状态协方差矩阵,P(k-1|k-1)是k-1时刻估计的状态协方差矩阵;A是状态转移矩阵,AT是状态转移矩阵转置,K为卡尔曼滤波增益矩阵,KT是卡尔曼滤波增益矩阵转置,Q为噪声协方差矩阵;
S4002、根据S4001中预测的系统的状态,计算实际测量值与预测值的误差,以及卡尔曼增益:
Kg=(P(k|k-1)CT)(CP(k|k-1)CT+Q)-1
其中,是预测误差,y(k)是k时刻系统实际输出,C是状态和输出的控制矩阵,是k时刻系统状态预测值,Kg是卡尔曼增益,P(k|k-1)是k时刻预测的状态协方差矩阵,CT是状态和输出控制矩阵转置,Q为噪声协方差矩阵;
S4003、根据S4001中预测的系统的状态、S4002中预测误差以及卡尔曼增益,更新估计的状态矩阵以及状态协方差矩阵:
P(k|k)=P(k|k-1)-Kg CP(k|k-1)
其中,是k时刻系统状态的状态更新值,是k时刻系统状态预测值,Kg是卡尔曼增益,是预测误差;P(k|k)是k时刻状态协方差矩阵的状态更新,P(k|k-1)是k时刻预测的状态协方差矩阵,C是状态和输出控制矩阵;
S4004、根据S4003中系统的状态,计算实际测量值与估计值的误差:
优选的,S50,包括以下步骤:
将各位置点所有时刻中前一时刻的状态更新值代入S4001、S4002,得到新的预测值、预测误差和卡尔曼增益;再将新的预测值、预测误差和卡尔曼增益代入S4003、S4004,得到新的估计值、重构误差;反复迭代得到所有时刻的重构误差,比较估计的各位置点重构误差的均方差的大小确定入侵点,均方差最大的判为入侵位置点:
一种光纤周界安防系统入侵点检测的系统,包括:
一个或多个处理器;
存储器,存储可被执行的指令,所述指令在通过一个或多个处理器执行时,一个或多个处理器执行包括所述权利要求1-5中任意一项所述入侵点监测方法的操作。
一种存储软件的计算机可读取介质,所述软件包括能通过一个或多个计算机执行的指令,所述指令在被所述一个或多个计算机执行时,执行如所述权利要求1-5中任意一项所述入侵点监测方法的操作。
一种光纤周界安防系统入侵点检测的装置,包括:
用于用子空间线性模型表示系统、在入侵信号未知情况下认定系统初始输入未知、将系统的输入归为系统噪声、得到离散系统方程的模块;
用于利用子空间模型辨识的方法,将至少三个检测点的将来的输出Hankel矩阵投影到过去的输出Hankel矩阵,对得到的结果进行奇异值分解,并将奇异值分解后得到系统参数矩阵代入S10,进而求解出卡尔曼滤波增益矩阵和噪声协方差矩阵的模块;
用于筛选并对奇异值分解后得到的数据进行分类,包括状态转移矩阵、状态和输出控制矩阵的模块;
用于选取任一非入侵位置点经过系统辨识算出的系统状态矩阵、卡尔曼滤波增益矩阵和噪声协方差作为参考数据,将参考数据代入卡尔曼滤波方程,并不断迭代各位置点的实测数据以计算出所有时刻的重构误差的模块;
用于计算并比较重构误差的均方差,均方差大的判为入侵位置点的模块。
有益效果:本装置基于子空间模型辨识和卡尔曼滤波方法,先利用子空间模型辨识中的一种重要方法,即N4SID,对系统输入/输出数据形成的Hankel矩阵的斜投影,再用奇异值分解得到系统阶次,并求解出状态转移矩阵、状态和输出控制矩阵;由于相同环境中,非入侵点的噪声影响相似,而入侵点除了环境噪声还有入侵信号,所以利用非入侵点数据估计出的矩阵差别不大,但非入侵点与入侵点估计出的矩阵差别较大,从而有利于对位置点进行区分。选取任一非入侵位置点经过系统辨识得到非入侵点的系统参数矩阵、卡尔曼滤波增益矩阵和噪声协方差,将实测数据代入卡尔曼滤波方程,卡尔曼滤波被广泛用于状态估计,能不依赖系统的初始状态估计出系统不同时刻的状态和输出;不断迭代计算出各位置点的所有时刻的重构误差,重构误差的均方差大的判为入侵位置点;在环境噪声淹没入侵信号、入侵特征微弱、难以提取时频特征时,可有效的判断入侵位置点。
附图说明
图1为本发明一种光纤周界安防系统入侵点检测的方法的入侵点试验结果一示意图;
图2为本发明一种光纤周界安防系统入侵点检测的方法的入侵点试验结果二示意图;
具体实施方式
下面通过附图对本发明技术方案进行详细说明,但是本发明的保护范围不局限于实施例。
一种光纤周界安防系统入侵点检测的方法,用于在环境噪声淹没入侵信号时判断入侵位置点,包括以下步骤:
步骤10、用子空间线性模型表示系统,在入侵信号未知情况下认定系统初始输入未知,将系统的输入归为系统噪声,得到离散系统方程;
步骤20、利用子空间模型辨识的方法,将至少三个检测点的将来的输出Hankel矩阵投影到过去的输出Hankel矩阵,对得到的结果进行奇异值分解,并将奇异值分解后得到的系统参数矩阵代入步骤10,进一步解出离散系统方程中的卡尔曼滤波增益矩阵和噪声协方差;
步骤30、筛选并对步骤20中奇异值分解后得到的系统参数矩阵进行分类,包括状态转移矩阵、状态和输出控制矩阵;其中,结构相似的归为非入侵点数据,结构不相似的归为入侵点数据;
由于相同环境中,非入侵点的噪声影响相似,而入侵点除了环境噪声还有入侵信号,所以利用非入侵点数据估计出的系统矩阵差别不大,但非入侵点与入侵点估计出的系统矩阵差别较大。
步骤40、选取任一非入侵位置点经过系统辨识算出的系统状态矩阵、卡尔曼滤波增益矩阵和噪声协方差作为参考数据,将参考数据代入卡尔曼滤波方程,并不断迭代各位置点的实测数据以计算出所有时刻的重构误差;
步骤50、计算并比较步骤40中重构误差的均方差,均方差大的判为入侵位置点。
步骤10中,离散系统方程为:
x(k+1)=Ax(k)+Ke(k)
y(k)=Cx(k)+e(k)
其中,y(k)∈Rm分别表示k时刻系统实际输出,x(k)∈Rn为k时刻状态变量,m和n分别表示输出的维数以及系统的阶次,e(k)∈Rm为零均值白噪声新息序列。矩阵A是状态转移矩阵,C是状态和输出控制矩阵,K为卡尔曼滤波增益矩阵。
步骤20包括以下步骤:
步骤2001、子空间模型辨识方法为系统辨识N4SID方法,定义过去的输出Hankel矩阵:
投影的公式为:
其中,A是任何一个矩阵,B是另一个矩阵,(·)T表示转置,(·)-1表示广义逆;
步骤2002、奇异值分解后,得到系统的阶次、状态转移矩阵以及状态和输出控制矩阵。
步骤2003、将阶次、状态转移矩阵以及状态和输出控制矩阵代入离散系统方程,求得卡尔曼滤波增益矩阵、噪声协方差矩阵。
噪声协方差的公式为:
Q=E[e(k)e(k)T
其中,Q是噪声协方差矩阵,e(k)是零均值白噪声新息序列,e(k)T是零均值白噪声新息序列的转置。
步骤40包括以下步骤:
步骤4001、假设系统的初始状态x0=0和初始协方差P0=0,根据k-1时刻的状态和状态协方差矩阵预测k时刻的系统状态和状态协方差矩阵:
P(k|k-1)=AP(k-1|k-1)AT+KQKT
其中,是k时刻系统状态预测值,是k-1时刻系统状态估计值,P(k|k-1)是k时刻预测的状态协方差矩阵,P(k-1|k-1)是k-1时刻估计的状态协方差矩阵;A是状态转移矩阵,AT是状态转移矩阵转置,K为卡尔曼滤波增益矩阵,KT是卡尔曼滤波增益矩阵转置,Q为噪声协方差矩阵;
步骤4002、根据步骤4001中预测的系统的状态,计算实际测量值与预测值的误差,以及卡尔曼增益:
Kg=(P(k|k-1)CT)(CP(k|k-1)CT+Q)-1
其中,是预测误差,y(k)是k时刻系统实际输出,C是状态和输出的控制矩阵,是k时刻系统状态预测值,Kg是卡尔曼增益,P(k|k-1)是k时刻预测的状态协方差矩阵,CT是状态和输出控制矩阵转置,Q为噪声协方差矩阵;
步骤4003、根据步骤4001中预测的系统的状态、步骤4002中预测误差以及卡尔曼增益,更新估计的状态矩阵以及状态协方差矩阵:
P(k|k)=P(k|k-1)-Kg CP(k|k-1)
其中,是k时刻系统状态的状态更新值,是k时刻系统状态预测值,Kg是卡尔曼增益,是预测误差;P(k|k)是k时刻状态协方差矩阵的状态更新,P(k|k-1)是k时刻预测的状态协方差矩阵,C是状态和输出控制矩阵;
步骤4004、根据步骤4003中系统的状态,计算实际测量值与估计值的误差:
步骤50,包括以下步骤:
将各位置点所有时刻中前一时刻的状态更新值代入步骤4001、步骤4002,得到新的预测值、预测误差和卡尔曼增益;再将新的预测值、预测误差和卡尔曼增益代入步骤4003、步骤4004,得到新的估计值、重构误差;反复迭代得到所有时刻的重构误差,比较估计的各位置点重构误差的均方差的大小确定入侵点,均方差最大的判为入侵位置点:
一种光纤周界安防系统入侵点检测的系统,包括:
一个或多个处理器;
存储器,存储可被执行的指令,指令在通过一个或多个处理器执行时,一个或多个处理器执行包括权利要求1-5中任意一项入侵点监测方法的操作。
一种存储软件的计算机可读取介质,软件包括能通过一个或多个计算机执行的指令,指令在被一个或多个计算机执行时,执行如权利要求1-5中任意一项入侵点监测方法的操作。
一种光纤周界安防系统入侵点检测的装置,包括:
用于用子空间线性模型表示系统、在入侵信号未知情况下认定系统初始输入未知、将系统的输入归为系统噪声、得到离散系统方程的模块;
用于利用子空间模型辨识的方法,将至少三个检测点的将来的输出Hankel矩阵投影到过去的输出Hankel矩阵,对得到的结果进行奇异值分解,并将奇异值分解后得到系统参数矩阵代入步骤10,进而求解出卡尔曼滤波增益矩阵和噪声协方差矩阵的模块;
用于筛选并对奇异值分解后得到的数据进行分类,包括状态转移矩阵、状态和输出控制矩阵的模块;
用于选取任一非入侵位置点经过系统辨识算出的系统状态矩阵、卡尔曼滤波增益矩阵和噪声协方差作为参考数据,将参考数据代入卡尔曼滤波方程,并不断迭代各位置点的实测数据以计算出所有时刻的重构误差的模块;
用于计算并比较重构误差的均方差,均方差大的判为入侵位置点的模块。
实施例1:参照图1、2,在大风环境中,采集发射端雷达在光纤不同位置处产生的回波数据作为实验数据,采样率为10kHz,选择2组风速分别为2.6m/s,4.7m/s的数据,每组数据中共有251个点,标记为1250-1500,利用本发明的方法进行仿真,仿真结果如图1、2所示,该方法可以检测出2组数据的入侵位置点分别为1296,1350,与实际入侵点相符。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上作出各种变化。
Claims (8)
1.一种光纤周界安防系统入侵点检测的方法,用于在环境噪声淹没入侵信号时判断入侵位置点,其特征在于,包括以下步骤:
S10、用子空间线性模型表示系统,在入侵信号未知情况下认定系统初始输入未知,将系统的输入归为系统噪声,得到离散系统方程;
S20、利用子空间模型辨识的方法,将至少三个检测点的将来的输出Hankel矩阵投影到过去的输出Hankel矩阵,对得到的结果进行奇异值分解,并将奇异值分解后得到的系统参数矩阵代入S10,进一步解出离散系统方程中的卡尔曼滤波增益矩阵和噪声协方差;
S30、筛选并对S20中奇异值分解后得到的系统参数矩阵进行分类,包括状态转移矩阵、状态和输出控制矩阵;其中,结构相似的归为非入侵点数据,结构不相似的归为入侵点数据;
S40、选取任一非入侵位置点经过系统辨识算出的系统状态矩阵、卡尔曼滤波增益矩阵和噪声协方差作为参考数据,将参考数据代入卡尔曼滤波方程,并不断迭代各位置点的实测数据以计算出所有时刻的重构误差;
S50、计算并比较S40中重构误差的均方差,均方差大的判为入侵位置点。
2.根据权利要求1所述的一种光纤周界安防系统入侵点检测的方法,其特征在于,所述S10中,离散系统方程为:
x(k+1)=Ax(k)+Ke(k)
y(k)=Cx(k)+e(k)
其中,y(k)∈Rm分别表示k时刻系统实际输出,x(k)∈Rn为k时刻状态变量,m和n分别表示输出的维数以及系统的阶次,e(k)∈Rm为零均值白噪声新息序列。矩阵A是状态转移矩阵,C是状态和输出控制矩阵,K为卡尔曼滤波增益矩阵。
4.根据权利要求3所述的一种光纤周界安防系统入侵点检测的方法,其特征在于,所述S40包括以下步骤:
S4001、假设系统的初始状态x0=0和初始协方差P0=0,根据k-1时刻的状态和状态协方差矩阵预测k时刻的系统状态和状态协方差矩阵:
P(k|k-1)=AP(k-1|k-1)AT+KQKT
其中,是k时刻系统状态预测值,是k-1时刻系统状态估计值,P(k|k-1)是k时刻预测的状态协方差矩阵,P(k-1|k-1)是k-1时刻估计的状态协方差矩阵;A是状态转移矩阵,AT是状态转移矩阵转置,K为卡尔曼滤波增益矩阵,KT是卡尔曼滤波增益矩阵转置,Q为噪声协方差矩阵;
S4002、根据S4001中预测的系统的状态,计算实际测量值与预测值的误差,以及卡尔曼增益:
Kg=(P(k|k-1)CT)(CP(k|k-1)CT+Q)-1
其中,是预测误差,y(k)是k时刻系统实际输出,C是状态和输出的控制矩阵,是k时刻系统状态预测值,Kg是卡尔曼增益,P(k|k-1)是k时刻预测的状态协方差矩阵,CT是状态和输出控制矩阵转置,Q为噪声协方差矩阵;
S4003、根据S4001中预测的系统的状态、S4002中预测误差以及卡尔曼增益,更新估计的状态矩阵以及状态协方差矩阵:
P(k|k)=P(k|k-1)-KgCP(k|k-1)
其中,是k时刻系统状态的状态更新值,是k时刻系统状态预测值,Kg是卡尔曼增益,是预测误差;P(k|k)是k时刻状态协方差矩阵的状态更新,P(k|k-1)是k时刻预测的状态协方差矩阵,C是状态和输出控制矩阵;
S4004、根据S4003中系统的状态,计算实际测量值与估计值的误差:
6.一种光纤周界安防系统入侵点检测的系统,其特征在于,包括:
一个或多个处理器;
存储器,存储可被执行的指令,所述指令在通过一个或多个处理器执行时,一个或多个处理器执行包括所述权利要求1-5中任意一项所述入侵点监测方法的操作。
7.一种存储软件的计算机可读取介质,其特征在于,所述软件包括能通过一个或多个计算机执行的指令,所述指令在被所述一个或多个计算机执行时,执行如所述权利要求1-5中任意一项所述入侵点监测方法的操作。
8.一种光纤周界安防系统入侵点检测的装置,其特征在于,包括:
用于用子空间线性模型表示系统、在入侵信号未知情况下认定系统初始输入未知、将系统的输入归为系统噪声、得到离散系统方程的模块;
用于利用子空间模型辨识的方法,将至少三个检测点的将来的输出Hankel矩阵投影到过去的输出Hankel矩阵,对得到的结果进行奇异值分解,并将奇异值分解后得到系统参数矩阵代入S10,进而求解出卡尔曼滤波增益矩阵和噪声协方差矩阵的模块;
用于筛选并对奇异值分解后得到的数据进行分类,包括状态转移矩阵、状态和输出控制矩阵的模块;
用于选取任一非入侵位置点经过系统辨识算出的系统状态矩阵、卡尔曼滤波增益矩阵和噪声协方差作为参考数据,将参考数据代入卡尔曼滤波方程,并不断迭代各位置点的实测数据以计算出所有时刻的重构误差的模块;
用于计算并比较重构误差的均方差,均方差大的判为入侵位置点的模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110060431.7A CN112907860B (zh) | 2021-01-18 | 2021-01-18 | 一种光纤周界安防系统入侵点检测的方法、系统及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110060431.7A CN112907860B (zh) | 2021-01-18 | 2021-01-18 | 一种光纤周界安防系统入侵点检测的方法、系统及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112907860A true CN112907860A (zh) | 2021-06-04 |
CN112907860B CN112907860B (zh) | 2022-03-18 |
Family
ID=76114359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110060431.7A Active CN112907860B (zh) | 2021-01-18 | 2021-01-18 | 一种光纤周界安防系统入侵点检测的方法、系统及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112907860B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617685A (zh) * | 2013-12-09 | 2014-03-05 | 中国船舶重工集团公司第七〇五研究所 | 一种基于光纤振动传感报警系统的自学习算法 |
US20170098021A1 (en) * | 2014-05-26 | 2017-04-06 | Beijing Institute Of Technology | Method of estimating the parameters and state of power system of electric vehicle |
CN106786561A (zh) * | 2017-02-20 | 2017-05-31 | 河海大学 | 一种基于自适应卡尔曼滤波的低频振荡模态参数辨识方法 |
CN106909738A (zh) * | 2017-02-24 | 2017-06-30 | 北京工商大学 | 一种模型参数辨识方法 |
CN109698724A (zh) * | 2017-10-24 | 2019-04-30 | 中国移动通信集团安徽有限公司 | 入侵检测方法、装置、设备及存储介质 |
CN112234601A (zh) * | 2020-09-03 | 2021-01-15 | 国网浙江省电力有限公司电力科学研究院 | 一种在线辨识电力系统低频振荡特征参数的方法与系统 |
-
2021
- 2021-01-18 CN CN202110060431.7A patent/CN112907860B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617685A (zh) * | 2013-12-09 | 2014-03-05 | 中国船舶重工集团公司第七〇五研究所 | 一种基于光纤振动传感报警系统的自学习算法 |
US20170098021A1 (en) * | 2014-05-26 | 2017-04-06 | Beijing Institute Of Technology | Method of estimating the parameters and state of power system of electric vehicle |
CN106786561A (zh) * | 2017-02-20 | 2017-05-31 | 河海大学 | 一种基于自适应卡尔曼滤波的低频振荡模态参数辨识方法 |
CN106909738A (zh) * | 2017-02-24 | 2017-06-30 | 北京工商大学 | 一种模型参数辨识方法 |
CN109698724A (zh) * | 2017-10-24 | 2019-04-30 | 中国移动通信集团安徽有限公司 | 入侵检测方法、装置、设备及存储介质 |
CN112234601A (zh) * | 2020-09-03 | 2021-01-15 | 国网浙江省电力有限公司电力科学研究院 | 一种在线辨识电力系统低频振荡特征参数的方法与系统 |
Non-Patent Citations (1)
Title |
---|
盛鸿宇: "基于多样本数据的子空间辨识方法研究", 《贵阳学院学报( 自然科学版)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112907860B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11562224B2 (en) | 1D-CNN-based distributed optical fiber sensing signal feature learning and classification method | |
Tejedor et al. | Toward prevention of pipeline integrity threats using a smart fiber-optic surveillance system | |
CN111649817B (zh) | 一种分布式光纤振动传感器系统及其模式识别方法 | |
Dervilis et al. | On robust regression analysis as a means of exploring environmental and operational conditions for SHM data | |
KR101811270B1 (ko) | 화물을 검사하는 방법 및 그 시스템 | |
Chen et al. | A real-time distributed deep learning approach for intelligent event recognition in long distance pipeline monitoring with DOFS | |
CN114692681B (zh) | 基于scnn的分布式光纤振动及声波传感信号识别方法 | |
CN116416884B (zh) | 一种显示器模组的测试装置及其测试方法 | |
US20220107346A1 (en) | Method and apparatus for non-intrusive program tracing with bandwith reduction for embedded computing systems | |
CN115546608A (zh) | 一种无人机数据链电磁干扰分类和威胁评估方法 | |
Lyu et al. | Identification of intrusion events based on distributed optical fiber sensing in complex environment | |
CN105698915B (zh) | 一种光纤振源识别方法及装置、系统 | |
CN114510960A (zh) | 一种分布式光纤传感器系统模式识别的方法 | |
Premus | Modal scintillation index: A physics-based statistic for acoustic source depth discrimination | |
CN108507607B (zh) | 一种基于核函数的微弱信号检测方法 | |
CN110764958A (zh) | 一种基于eeg的脑机接口回归系统白盒目标攻击方法 | |
CN112907860B (zh) | 一种光纤周界安防系统入侵点检测的方法、系统及其装置 | |
CN113780573B (zh) | 一种抗噪的高精度测距方法及装置 | |
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 | |
Rutigliano et al. | Event-Detection Deep Neural Network for OTDR Trace Analysis | |
CN114943257A (zh) | 分布式光纤传感系统的同步降噪与扰动分类识别方法 | |
Lv et al. | Location method based on support vector machine for distributed Sagnac fiber sensing system | |
CN117033983B (zh) | 一种无人船自噪声检测识别方法及系统 | |
CN116805061B (zh) | 基于光纤传感的泄漏事件判断方法 | |
CN117150265B (zh) | 一种低信噪比条件下鲁棒的射频信号开集识别方法 |
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 |