CN113465676B - 一种双阶段布里渊频移提取方法 - Google Patents
一种双阶段布里渊频移提取方法 Download PDFInfo
- Publication number
- CN113465676B CN113465676B CN202110776984.2A CN202110776984A CN113465676B CN 113465676 B CN113465676 B CN 113465676B CN 202110776984 A CN202110776984 A CN 202110776984A CN 113465676 B CN113465676 B CN 113465676B
- Authority
- CN
- China
- Prior art keywords
- network
- layer
- output
- convolution
- regression
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000004913 activation Effects 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims 2
- 238000012545 processing Methods 0.000 abstract description 3
- 230000003287 optical effect Effects 0.000 abstract description 2
- 210000004205 output neuron Anatomy 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 239000013307 optical fiber Substances 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000007792 addition Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
- G01D5/26—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light
- G01D5/32—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light
- G01D5/34—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells
- G01D5/353—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Error Detection And Correction (AREA)
Abstract
本发明公开了一种双阶段布里渊频移提取方法，该方法构建了去噪和回归的双阶段布里渊频移提取网络，去噪网络包含编码器、解码器和残差连接单元，回归网络包含卷积单元和回归单元；网络训练，以损失函数收敛为目标，分别对两个网络进行训练，网络参数确定后，通过级联两个网络来提取布里渊增益谱的布里渊频移；本发明为布里渊光时域分析系统提供了一种在低信噪比下精度高且处理速度快的方案。
Description
技术领域
本发明属于分布式光纤传感技术领域，更具体地，涉及到一种布里渊频移提取方法。
背景技术
分布式光纤传感技术具有同时获取在传感光纤区域内随时间和空间变化的被测量分布信息的能力，而布里渊散射在分布式检测温度和光纤应变中存在着传感距离长，空间分辨率高等优点，从而广泛应用于火灾预警、桥梁安全检测等。
布里渊散射是由于光波与声波在光纤中传播时相互作用产生的结果，布里渊散射产生的布里渊增益谱的峰值称为布里渊频移，布里渊频移与温度和应变之间存在线性变化，因此，可以通过布里渊频移的变化反推出温度或者应变的变化量。布里渊增益谱是洛伦兹曲线形状：
其中g0为峰值增益系数，vB为布里渊频移，Δv为布里渊增益的全高半宽。因此，布里渊增益谱可以利用这三个参数来表征。
通常采用洛伦兹拟合来确定布里渊增益谱的布里渊频移，然后通过布里渊频移与温度之间的线性变化来确定温度的变化量。洛伦兹拟合常用的方法是高斯牛顿法或者是Levenberg-Marquardt算法，这种算法需要不断地迭代，精度往往与设置的初始值有关，初始值远离最优值时，计算得到的误差可能会陷入局部最优值，从而使得精度变差，除此以外，因为这些方法需要大量的迭代过程，因此处理时间比较长，无法实现实时处理。
发明内容
为了能够实时处理布里渊传感数据，本发明提供一种双阶段布里渊频移提取方法。该方法使用去噪网络对带噪声的信号重建成去噪后的信号，提高信噪比，回归网络则直接提取出对应的布里渊频移。本发明具有处理时间快、去噪效果好的特点。
本发明提供了一种双阶段布里渊频移提取方法，包括以下步骤：
(1)去噪网络：该模块由编码器、等维度的解码器和残差连接单元构成，所述编码器包含多组依次连接的一维卷积层、ReLU激活函数层、最大池化层、BatchNorm层以及多个全连接层加ReLU激活函数层，所述编码器用于对输入的带噪布里渊增益谱进行特征提取。所述残差连接单元用于对解码器的子网络层输出经过ReLU激活函数与具有相同维度的编码器的卷积层输出进行跳跃连接，残差连接单元通过对编码器和解码器的部分输出进行跳跃连接，缓解多层网络中存在的梯度消失。解码器包含与编码器等维度的全连接层和ReLU激活函数层，以及多组依次连接的反卷积层、ReLU激活函数层和BatchNorm层形成的子网络层；所述解码器用于对获得的特征进行解码，最终得到去噪的布里渊增益谱Y。
(2)回归网络：该模块由卷积单元和回归单元构成，所述卷积单元包含多组卷积序列，每组卷积序列是由一维卷积层、RELU激活函数层、最大池化层和BatchNorm层组合而成的网络层序列构成；所述回归单元包含多组依次连接的全连接层网络和ReLU激活函数层形成的子网络层。卷积单元：采用n组不同的卷积序列[a1,a2,……,an]对去噪后的布里渊增益谱Y的不同数据点进行局部特征的提取，得出特征序列[p1,p2,……,pn]，将特征序列进行组合，得到卷积单元的输出C；回归单元:采用依次连接的多组全连接层将卷积单元的输出C映射到输出空间，得出布里渊频移f。
上述技术方案中，进一步地，所述回归网络中卷积单元特征序列的组合方式为残差连接或者堆叠连接。
更进一步地，去噪网络的损失函数为KL散度损失函数。
更进一步地，回归网络的损失函数为L1损失函数。
总体而言，与传统的布里渊频移提取方法相比，本发明具有以下优点：
(1)利用去噪网络对输入数据进行去噪，提高数据的信噪比，网络中的卷积操作利用相邻的数据点信息进行滤波，可以提取数据的局部特征，卷积层相对于全连接层更复杂，能更好地抽取低噪声下数据的特征。
(2)利用回归网络提取布里渊频移，处理时间快、在信噪比较低时结果精度也较好，卷积单元使用多组不同的卷积核和多组不同的卷积层提取序列，能够提取并组合更多的特征，更好地表现出数据的信息。
(3)因为布里渊频移在训练时取的是相对值，因此对于任意范围的数据长度相同且频率间隔相同的布里渊增益谱，都在本方法的适用范围之内。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
图1是本发明提供的布里渊频移提取流程框图；
图2是本发明中的去噪网络的内部框图和一个去噪效果展示实例；
图3是本发明中的回归网络的内部框图；
图4是图2中的去噪网络的卷积单元的内部框图；
图5是图2中去噪网络的全连接单元内部框图；
图6是图2中去噪网络的解码器反卷积单元内部框图；
图7是图3中回归网络的卷积单元内部框图；
图8是图3中的回归网络的回归单元框图；
图9是实际的BOTDA系统，选取两段光纤置于接近恒温(30℃、35℃、40℃)的水中，通过本发明抽取出的布里渊频移结果图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
为了能够实时处理布里渊分布式传感的数据和提高数据信噪比，本发明提出一种双阶段布里渊频移提取方法，其基本流程如图1所示。其中去噪网络(图2)可以提高数据的信噪比，而回归网络(图3)可以从数据中直接提取出相对应的布里渊频移。
本实施例得出布里渊频移的方法是通过图1所示的流程图所构建的。具体地，整个方法主要是由训练样本构建、网络模型构建和训练阶段组成。
训练样本构建
本实施例构建的训练样本主要由计算机产生的洛伦兹曲线构成。为了提高网络的鲁棒性，在理想的洛伦兹曲线上加上高斯白噪声。
记理想的洛伦兹曲线为t,加上噪声的曲线为x,对应的布里渊频移值为f,那么训练样本数据集为H＝{(x,t,f)}。因为布里渊增益谱是由三个参量决定的，在构建训练样本时设置布里渊增益系数g＝1,线宽设置在[20,70]MHz，间隔1MHz生成线宽，布里渊频移为[base,base+198]MHz，间隔0.2MHz生成布里渊频移，噪声大小设置在[10,20]dB，间隔1dB，通过代码共生成5610051条训练数据。其中(x,t)用来训练去噪卷积自编码器，(x,f)用来训练卷积回归网络。
网络模型构建
本实施例构建的去噪网络主要由编码器单元，解码器单元，残差连接单元和损失函数构建四部分组成(图4-6是网络的具体结构)。本实施例中的布里渊增益谱数据维度为(1,100)。
编码器单元主要由多组依次连接的一维卷积层、激活函数层、最大池化层和BatchNorm层和多组全连接层加ReLU激活函数层组成，BatchNorm层的位置具体见附图，后续不再具体赘述。更具体地，输入维度为(1,100)，第一个卷积层(Conv1)输出通道数80，卷积核大小为5，步长为3，填充大小为2，输出维度为(80,34)，经过RELU激活函数层、最大池化层和BatchNorm层后维度变为(80,17)，第二个卷积层(Conv2)输出通道数160，卷积核大小为4，步长为1，填充大小为1，输出维度为(160,16)，经过最大池化层后维度变为(160,8),第三个卷积层(Conv3)输出通道数为320，卷积核大小为2，步长为1，无填充，输出维度为(320,7)。将上述的输出展平成一维向量后，共2240个神经元连接到第一个全连接层F1，输出神经元数目为600，F1的输出经过ReLU激活函数后连接到第二个全连接层F2，输出神经元数目为128，F2的输出经过ReLU激活函数后连接到第三个全连接层F3，输出神经元数目为50，F3的输出经过ReLU激活函数后连接到第四个全连接层F4，输出神经元数目为10。
解码器单元由多个全连接层和反卷积网络层组成。解码器单元的输入是编码器的输出，解码器单元的全连接层与编码器的全连接层单元呈现轴对称分布，对称轴两侧维度相同，且包含反卷积层的子网络层的输出维度与相应的编码器输入维度相同，具体如下所述，因此解码器单元全连接层的输出神经元数目为2240，将其维度转变为(320,7)，作为反卷积层的输入。解码器的第一个反卷积层(ConvT1)输出通道数为160，卷积核大小为6，步长为2，填充大小为0，数据维度变为(160,16)，第二个反卷积层(ConvT2)输出通道数为80，卷积核大小为4，步长为2，填充大小为1，数据维度变为(80,34)，第三个反卷积层(ConvT3)输出通道数为1，卷积核大小为3，步长为1，填充大小为1，输出维度为(1,100)。
残差连接单元主要有两部分，一部分是编码器单元的Conv1层与解码器单元的ConvT2的输出相加作为ConvT3的输入，另一部分是编码器单元的Conv2层输出与解码器单元的ConvT1的输出相加作为ConvT2的输入。
去噪网络的损失函数的构建主要是由KL散度损失函数组成：
目的是为了使得网络的输出尽量逼近对应的洛伦兹形曲线。
如图7和图8所示，本实施例构建的回归网络的构建主要由两组不同的一维卷积特征提取序列提取出两组特征，将两组特征进行残差连接并转换为一维数据，送入全连接层，更具体地，输入维度为(1,100)，第一个卷积序列，包括，一个一维卷积层输出通道数96，卷积核大小为3，步长为1，无填充，输出维度为(96,98)，经过最大池化层后维度变为(96,49)，一维卷积层输出通道数96，卷积核大小为4，步长为1，输出维度为(96,46)，经过最大池化层后维度变为(96,23)，一维卷积层输出通道数96，卷积核大小为2，步长为1，无填充，输出维度为(96,22)。第二个卷积序列，包括，一个一维卷积层输出通道数为96，卷积核大小为7，步长为4，无填充，输出维度为(96,24),一个一维卷积层输出通道数为96，卷积核大小为3，步长为1，无填充，输出维度为(96,22)。将两个维度均为(96,22)的特征通过残差连接后，维度不变，将上述的输出展平成一维向量后，共2112个神经元连接到第一个全连接层(F1)，输出神经元数目为1024，F1的输出经过ReLU激活函数后连接到第二个全连接层(F2)，输出神经元数目为500,F2的输出经过ReLU激活函数后连接到第三个全连接层(F3)，输出神经元数目为128。F3的输出经过ReLU激活函数后连接到第四个全连接层(F4)，输出神经元数目为50。F4的输出经过ReLU激活函数后连接到第五个全连接层(F5)，输出神经元数目为1。最后将结果乘上一个归一化因子就是布里渊频移。
回归网络的损失函数的构建主要是：
其中，y是网络输入为x时的输出，t是真实布里渊频移值。
训练阶段
训练模型时是两个模型利用相同的数据集各自分别进行训练，确定网络参数后，两个模型分别训练完成，在对布里渊频移进行抽取时，先利用卷积自编码器去噪网络去噪，再经过卷积回归网络进行布里渊频移的提取。
图9为实际的BOTDA系统，选取两段光纤置于接近恒温(30℃、35℃、40℃)的水中，通过本发明抽取出的布里渊频移结果图。由图9可知，本发明的方法提取出的布里渊频移的结果波动比较小，频率值波动在±0.5MHz左右，对应到温度扰动为±0.5℃。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种双阶段布里渊频移提取方法，其特征在于，构建去噪和回归的双阶段网络，所述方法包括以下步骤：
(1)构建第一阶段的去噪网络，该网络是编码器、等维度的解码器和残差连接单元构成，实现布里渊增益谱的去噪：
1)编码器：采用多个卷积层和全连接层来提取布里渊增益谱X数据间的局部特征，得到特征A；
2)解码器：采用反卷积层和全连接层对编码器的输出A进行解码，还原得出去噪后的布里渊增益谱Y；
3)残差连接单元：通过对具有相同维度的编码器的卷积层输出和解码器的反卷积层输出进行跳跃连接；
(2)构建第二阶段的回归网络，该网络由卷积单元和回归单元构成，实现从布里渊增益谱中提取布里渊频移的功能：
1)卷积单元：采用n组不同的卷积序列[a1,a2,……,an]对去噪后的布里渊增益谱Y的不同数据点进行局部特征的提取，得出特征序列[p1,p2,……,pn]，将特征序列进行组合，得到卷积单元的输出C；
2)回归单元：采用依次连接的多组全连接层将卷积单元的输出C映射到输出空间，得出布里渊频移f。
2.根据权利要求1所述的一种双阶段布里渊频移提取方法，其特征在于，所述的去噪网络具体为：
所述编码器包含多组依次连接的一维卷积层、ReLU激活函数层、最大池化层、BatchNorm层以及多个全连接层加ReLU激活函数层；
所述解码器包含与编码器等维度的全连接层和ReLU激活函数层，以及多组依次连接的反卷积层、ReLU激活函数层和BatchNorm层形成的子网络层；
所述残差连接单元是将解码器的子网络层输出经过ReLU激活函数与具有相同维度的编码器的卷积层输出进行跳跃连接。
3.根据权利要求1所述的一种双阶段布里渊频移提取方法，其特征在于，所述回归网络具体为：
所述卷积单元包含多组卷积序列，每组卷积序列是由一维卷积层、RELU激活函数层、最大池化层和BatchNorm层组合而成的网络层序列构成；
所述回归单元包含多组依次连接的全连接层网络和ReLU激活函数层形成的子网络层。
4.根据权利要求1所述的一种双阶段布里渊频移提取方法，其特征在于，所述回归网络中卷积单元特征序列的组合方式为残差连接或者堆叠连接。
5.根据权利要求4所述的一种双阶段布里渊频移提取方法，其特征在于，所述回归网络中卷积单元特征序列的组合方式为残差连接。
6.根据权利要求1所述的一种双阶段布里渊频移提取方法，其特征在于，所述去噪网络的损失函数选择K-L散度损失函数、均方误差损失函数或两者的加权组合。
7.根据权利要求1所述的一种双阶段布里渊频移提取方法，其特征在于，所构建的回归网络的损失函数选择L1损失函数、均方误差损失函数或两者的加权组合。
8.根据权利要求6所述的一种双阶段布里渊频移提取方法，其特征在于，所述去噪网络的损失函数选择K-L散度损失函数：
网络训练的数据集H＝{(x,t)}，其中x是理想的洛伦兹曲线加上高斯白噪声，t是对应的理想的洛伦兹曲线，y是输入数据为x时网络的输出，w是网络模型的连接权重矩阵和偏置向量的组合，q＝{q1,...,qi,...qn}是输入数据为x时网络的输出满足的概率分布，p＝{p1,...,pi...,pn}是标签t满足的真实洛伦兹曲线的概率分布，λ是正则化参数。
9.根据权利要求7所述的一种双阶段布里渊频移提取方法，其特征在于，回归网络构建的损失函数为L1损失函数：
其中，x是网络的输入，y是网络的输出，t是真实的布里渊频移值，w是网络模型的连接权重矩阵和偏置向量的组合，λ是正则化参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110776984.2A CN113465676B (zh) | 2021-07-09 | 2021-07-09 | 一种双阶段布里渊频移提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110776984.2A CN113465676B (zh) | 2021-07-09 | 2021-07-09 | 一种双阶段布里渊频移提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113465676A CN113465676A (zh) | 2021-10-01 |
| CN113465676B true CN113465676B (zh) | 2022-05-20 |
Family
ID=77879549
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110776984.2A Active CN113465676B (zh) | 2021-07-09 | 2021-07-09 | 一种双阶段布里渊频移提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113465676B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114485747B (zh) * | 2021-12-30 | 2024-07-16 | 广州劲联智能科技有限公司 | 一种布里渊频移提取方法和系统 |
| CN115265613B (zh) * | 2022-07-28 | 2024-07-02 | 浙江大学绍兴研究院 | 一种多频率间隔的布里渊频移提取方法及装置 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2912412A1 (en) * | 2012-10-29 | 2015-09-02 | Omnisens S.A. | A brillouin optoelectronic measurement method |
| JP2020063971A (ja) * | 2018-10-17 | 2020-04-23 | 横河電機株式会社 | 光ファイバ特性測定装置及び光ファイバ特性測定方法 |
| CN110045419B (zh) * | 2019-05-21 | 2020-10-16 | 西南石油大学 | 一种感知器残差自编码网络地震资料去噪方法 |
| CN110926355B (zh) * | 2019-11-07 | 2020-10-02 | 华中科技大学 | 一种基于卷积神经网络的布里渊频移提取方法和装置 |
| CN111721222B (zh) * | 2020-05-19 | 2021-08-03 | 浙江工业大学 | 一种基于邻近算法的布里渊频移提取方法 |
| CN112801306B (zh) * | 2021-01-07 | 2024-03-22 | 浙江工业大学 | 一种基于随机扫频和机器学习的布里渊频移提取方法 |
| CN112781634B (zh) * | 2021-04-12 | 2021-07-06 | 南京信息工程大学 | 一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感系统 |
-
2021
- 2021-07-09 CN CN202110776984.2A patent/CN113465676B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113465676A (zh) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113465676B (zh) | 一种双阶段布里渊频移提取方法 | |
| CN111626317B (zh) | 基于双流条件对抗生成网络的半监督高光谱数据分析方法 | |
| CN109683161B (zh) | 一种基于深度admm网络的逆合成孔径雷达成像的方法 | |
| CN108696331B (zh) | 一种基于生成对抗网络的信号重构方法 | |
| CN109858408B (zh) | 一种基于自编码器的超声信号处理方法 | |
| CN108225385A (zh) | 一种重叠fbg传感信号峰值定位方法 | |
| CN114239657A (zh) | 一种基于复值干涉神经网络的时序信号识别方法 | |
| CN116823664A (zh) | 一种遥感图像云去除方法及系统 | |
| CN114257313B (zh) | 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 | |
| CN113011107B (zh) | 基于深度卷积神经网络的一维光纤传感信号相位恢复方法 | |
| CN114745187A (zh) | 一种基于pop流量矩阵的内部网络异常检测方法及系统 | |
| CN116626760B (zh) | 基于自适应高阶最大熵wvd的地层不连续性检测方法及装置 | |
| CN112528869A (zh) | 一种基于复数神经网络的无相位数据成像方法 | |
| CN116610935A (zh) | 一种基于发动机振动信号多模态分析的机械故障检测方法 | |
| CN115790815A (zh) | 一种分布式光纤传感系统的扰动快速鉴别方法及系统 | |
| CN112329534B (zh) | 基于二维加权残差卷积神经网络的雷达目标识别方法 | |
| CN112529080B (zh) | 一种基于频谱特征判别的图像生成方法 | |
| Nie et al. | EDAfuse: A encoder–decoder with atrous spatial pyramid network for infrared and visible image fusion | |
| CN118706950B (zh) | 一种电机轴损伤检测方法 | |
| CN115265613B (zh) | 一种多频率间隔的布里渊频移提取方法及装置 | |
| CN107315713B (zh) | 一种基于非局部相似性的一维信号去噪增强方法 | |
| CN111652170A (zh) | 基于二通道残差深度神经网络的二次雷达信号处理方法 | |
| CN118584480B (zh) | 一种基于深度学习的涌浪波高反演方法、电子设备、存储介质 | |
| CN118706950A (zh) | 一种电机轴损伤检测方法 | |
| CN116188830B (zh) | 基于多层级特征对齐的高光谱图像跨域分类方法 |
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 |