CN113627470B - 一种基于零次学习的光纤预警系统未知事件分类方法 - Google Patents
一种基于零次学习的光纤预警系统未知事件分类方法 Download PDFInfo
- Publication number
- CN113627470B CN113627470B CN202110747347.2A CN202110747347A CN113627470B CN 113627470 B CN113627470 B CN 113627470B CN 202110747347 A CN202110747347 A CN 202110747347A CN 113627470 B CN113627470 B CN 113627470B
- Authority
- CN
- China
- Prior art keywords
- vibration event
- classification
- vibration
- pick
- space
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于零次学习的光纤预警系统未知事件分类方法,包括:步骤1、通过光纤预警系统检测振动事件发生时得到的瑞利散射光强信号;步骤2、将所述瑞利散射光强信号制作为振动事件数据样本;步骤3、将所述振动事件数据样本输入通过基于零次学习得到的分类网络,并结合属性空间进行类别判定,获得分类结果。本发明可使光纤传感系统能够识别非预先训练的振动事件类型,提高分类方法的适用范围。本发明主要用于光纤预警技术领域。
Description
技术领域
本发明涉及光纤预警技术领域,特别涉及一种基于零次学习的光纤预警系统未知事件分类方法。
背景技术
分布式光纤传感系统由于其灵敏度高、定位精度高、分布式传感等特性,广泛应用于长距离油气管道监测。周界安防等领域。相位敏感型光时域反射仪(Phase SensitiveOptical Time Domain Reflectometer,Φ-OTDR)技术,通过使用长相干光源,检测光脉冲返回光的相干结果,能实现动态响应,尤其是对于振动微弱的入侵事件的检测,非常适用于管道预警。
由于Φ-OTDR定性测量的特点,难以实现事件识别,导致误报率较高。深度学习技术,尤其是卷积神经网络技术(Convolutional Neural Networks,CNN)的引入,通过机器学习自动获取事件特征,极大增加了检测系统的识别能力。CNN网络的训练基于已知类型数据集的,亦仅能识别训练过的事件类型。但在实际应用中,往往难以获得覆盖事件类型足够广的数据集,当未知事件类型的入侵出现时,普通的CNN网络将无法对入侵事件作出准确的分类判断。因此,需要一种能够对非训练集事件类型也能进行分类判断的事件识别方法,进一步完善识别系统的功能。
发明内容
本发明的目的是提供一种基于零次学习的光纤预警系统未知事件分类方法,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
本发明解决其技术问题的解决方案是:提供一种基于零次学习的光纤预警系统未知事件分类方法,包括:
步骤1、通过光纤预警系统检测振动事件发生时得到的瑞利散射光强信号;
步骤2、将所述瑞利散射光强信号制作为振动事件数据样本;
步骤3、将所述振动事件数据样本输入通过基于零次学习得到的分类网络,并结合属性空间进行类别判定,获得分类结果。
进一步,将所述振动事件数据样本输入通过基于零次学习得到的分类网络,并结合属性空间进行类别判定,获得分类结果包括:
步骤S1、根据所述振动事件类型的物理过程特征,以所形成的振动事件类型数据样本的形态学特征,设计所有待识别的振动事件类型的属性空间L=[L1,L2,L3,…LN]T,其大小为N×M,其中N为振动事件类型的种类数,M为单个振动事件类型的属性长度,即每种振动事件类型对应一个长度为M的属性,并以其所在行数值作为该振动事件类型序号;
步骤S2、将所有振动事件类型分为已知事件类型集Y_seen和未知事件类型集Y_unseen,再根据步骤2中获得的振动事件数据样本构建训练集Train_Set和测试集Test_Set,其中,训练集Train_Set中的所有振动事件数据样本均属于已知事件类型集Y_seen,测试Test_Set中的振动事件数据样本则同时包含有已知事件类型集Y_seen和未知事件类型集Y_unseen中的事件类型;
步骤S3、搭建分类网络,分类网络输出与振动事件类型的属性长度一致。
步骤S4、使用步骤S2中获得的训练集Train_Set,对步骤S3中的分类网络进行训练,并达到收敛,保存训练好的分类网络和其所有权重参数,所述分类网络记为Trained_Net;
步骤S5、将测试集Test_Set中的数据样本输入训练好的分类网络Trained_Net,获得分类结果及分类网络识别能力评定,若评定效果达标,则保存该分类网络,若评定效果不达标,则重复步骤S1至步骤S4,并更改步骤S1中的属性空间L的设计、步骤S3中的网络结构或步骤S4中的训练次数,直至获得达标的分类效果;
步骤S6、使用步骤2中方法,将新获得的传感数据制作为振动事件数据样本,输入步骤S5得到的分类网络,获得分类结果。
进一步,所述将所述瑞利散射光强信号制作为振动事件数据样本包括:
步骤S21、使用光纤预警系统获得振动事件发生时的瑞利散射光光强信号,其中第i条瑞利散射光光强信号记为TRi;
步骤S22、将1s内获得的多条瑞利散射光光强信号重新排列为矩阵形式,获得时空矩阵信号,所述时空矩阵信号记为TR_Matrix;
步骤S23、使用移动平均差分法对振动事件进行定位,以振动事件的定位位置为中心,以25m为半径,提取时空矩阵信号TR_Matrix中的对应位置的数据,记为TR_Pick;
步骤S24、对时空矩阵信号TR_Pick的列方向进行高通滤波,截止频率为5Hz,滤除直流分量;
步骤S25、对步骤S24中滤波后的时空矩阵信号TR_Pick整体进行灰度化处理;
步骤S26、采用降采样法调整TR_Pick的行数,采用插值法调整TR_Pick的列数,采用复制的方法调整TR_Pick的通道数,并合成为适配分类网络的数据类型,得到振动事件数据样本。
进一步,步骤S25中对步骤S24中滤波后的时空矩阵信号TR_Pick整体进行灰度化处理的具体方法包括:取时空矩阵信号TR_Pick的最大值和最小值,分别记为Max_TR和Min_TR,则灰度化处理操作记为:TR_Pick_gray=floor[255×(TR_Pick-Min_TR)/(Max_TR-Min_TR)];
其中,TR_Pick_gray为灰度化处理后的时空矩阵信号,floor[·]为向下取整操作。
进一步,所述步骤S3中搭建分类网络,分类网络输出与振动事件类型的属性长度一致的方法具体包括:
步骤S31、构建一个由若干卷积层和池化层组建的特征提取网络,或使用现有深度卷积网络的部分网络结构,如使用GoogLeNet的第一层卷积层至第五层池化层之间的部分网络结构;
步骤S32、在特征提取网络之后再构建一个神经元个数为M的全连接网络,整体组成分类网络。
进一步,所述步骤S4中分类网络训练的方法具体包括:
步骤S41、将训练集Train_Set中的属于振动事件类型I的振动事件数据样本j输入步骤S3中所述的分类网络,完成前向传播过程,获得长度为M的网络输出,记为Oj;
步骤S42、取属性空间L中的第i行属性Li,分别将Oj和Li作为M维向量,计算其内积值Sij,公式记为:
Sij=<Oj,Li>;
其中<·>表示求向量内积;
步骤S43、使用内积值Sij计算网络的损失函数值,记为Loss,公式为,
步骤S44、根据步骤S43所获得的损失函数值Loss,使用Adam反向传播梯度下降算法对分类网络权值进行更新;
第t次训练时的权值更新方法为:
mt=β1mt-1+(1-β1)gt;
其中,θ表示分类网络的权值,其下标表示为第t次训练后的权值,表示函数对θ求偏导,β1,β2∈[0,1),设定为β1=0.9,β2=0.1;
权值更新方式如下:
其中,α为学习率,设定为α=0.001,ξ为常数,设定为ξ=10-6。
进一步,所述步骤S5以及步骤S6中获得分类结果的方法具体包括:
步骤S51、将振动事件数据样本输入分类网络,获得输出O;
步骤S52、依次取属性空间L中的第i行属性Li,分别将O和Li作为M维向量,计算其内积值Si,得到长度为N的内积结果,记为S=[S1,S2,…,SN];
步骤S53、取内积结果S中最大元素的下标为分类结果,并根据该下标值转换为对应振动事件类型。
本发明的有益效果是:在训练分类网络时,可根据振动事件的物理过程特点设计属性空间,而无需提供所有的振动事件类型的数据样本,在使用训练好的分类网络时,也能将非训练集内的振动事件类型进行分类和识别,解决了训练集难以囊括所有振动事件类型的问题,提高了识别技术的应用范围。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单说明。显然,所描述的附图只是本发明的一部分实施例,而不是全部实施例,本领域的技术人员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设计方案和附图。
图1是光纤预警系统的结构示意图;
图2是通过基于零次学习的光纤预警系统未知事件分类方法流程图;
图3是本发明使用实施例中的分类网络的结构示意图;
图4是本发明方法获得的振动事件数据样本示意图;
在图4中,其中,I为晴天数据样本,II为雨天数据样本,III为人行走数据样本,IV为人跳跃数据样本,V为水冲数据样本,VI为铲拍地数据样本,VII为铲挖掘地数据样本,VIII为自行车路过数据样本。
在图1中,各个标号代表的部件如下:
1、光纤预警系统主机;2、环形器;3、传感光纤;4、光电探测器;5、上位机。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述,以充分地理解本发明的目的、特征和效果。显然,所描述的实施例只是本发明的一部分实施例,而不是全部实施例,基于本发明的实施例,本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例,均属于本发明保护的范围。另外,文中所提到的所有联接/连接关系,并非单指构件直接相接,而是指可根据具体实施情况,通过添加或减少联接辅件,来组成更优的联接结构。本发明创造中的各个技术特征,在不互相矛盾冲突的前提下可以交互组合。
实施例1,参考图1和图2,提供一种基于零次学习的光纤预警系统未知事件分类方法,其中,光纤预警系统包括:光纤预警系统主机、环形器、传感光纤、光电探测器和上位机。
还包括:
步骤1、通过光纤预警系统检测振动事件发生时得到的瑞利散射光强信号;
步骤2、将所述瑞利散射光强信号制作为振动事件数据样本;
步骤3、将所述振动事件数据样本输入通过基于零次学习得到的分类网络,并结合属性空间进行类别判定,获得分类结果。
其中,将所述振动事件数据样本输入通过基于零次学习得到的分类网络,并结合属性空间进行类别判定,获得分类结果包括:
步骤S1、根据应用场合,设定需检测的振动事件类型集合,并将事件类型进行编号,本实例以8个事件数据类型为例:I为晴天数据类型,II为雨天数据类型,III为人行走数据类型,IV为人跳跃数据类型,V为水冲数据类型,VI为铲拍地数据类型,VII为铲挖掘地数据类型,VIII为自行车路过数据类型,当有新的振动事件类型需检测时,将其添加进该集合,之后,根据每种振动事件的物理过程,设计其描述属性和属性值,如表1和表2所示,所有振动事件类型的属性集合即为属性空间,记为L=[L1,L2,L3,L4,L5,L6,L7,L8]T。
表1
其中,上述表1是振动事件类型属性值说明。
表2
其中,上述表2是所有振动事件类型的属性值设定,即属性空间。
步骤S2、将所有振动事件类型分为已知事件类型集Y_seen和未知事件类型集Y_unseen,;例如已知事件类型集Y_seen为{I,II,III,V,VI,VII},未知事件类型集Y_unseen为{V,VIII},再根据步骤2中获得的振动事件数据样本构建训练集Train_Set和测试集Test_Set,其中,训练集Train_Set中的所有振动事件数据样本均属于已知事件类型集Y_seen,测试Test_Set中的振动事件数据样本则同时包含有已知事件类型集Y_seen和未知事件类型集Y_unseen中的事件类型,本实例中,训练集包Train_Set含5000个振动事件数据样本,测试集Test_Set包含1000个振动事件数据样本;
步骤S3、搭建分类网络,分类网络输出与振动事件类型的属性长度一致,本实例中采用GoogLeNet中第一层卷积层至第五层池化层之间的部分网络结构,并在其后添加一层由8个神经元组成的全连接层,其结构如图3所示。
步骤S4、使用步骤S2中获得的训练集Train_Set,对步骤S3中的分类网络进行训练,并达到收敛,保存训练好的分类网络和其所有权重参数,所述分类网络记为Trained_Net;
步骤S5、将测试集Test_Set中的数据样本输入训练好的分类网络Trained_Net,获得分类结果及分类网络识别能力评定,若评定效果达标,则保存该分类网络,若评定效果不达标,则重复步骤S1至步骤S4,并更改步骤S1中的属性空间L的设计、步骤S3中的网络结构或步骤S4中的训练次数,直至获得达标的分类效果;
步骤S6、使用步骤2中方法,将新获得的传感数据制作为振动事件数据样本,输入步骤S5得到的分类网络,获得分类结果。
其中,所述光纤预警系统包括:光纤预警系统主机1、环形器2、传感光纤3、光电探测器4和上位机5;
所述通过光纤预警系统检测振动事件发生时得到的瑞利散射光强信号包括:光纤预警系统主机1发出窄线宽探测脉冲光,例如3kHz线宽长度为200ns的脉冲光,探测脉冲光经由环形器2注入传感光纤3,随着探测脉冲光的传播,在传感光纤3沿线产生具有相干性的背向瑞利散射光,背向瑞利散射光反向传播,经由环形器2返回光电探测器4处,光强信号转化为电信号,被上位机5所采集和处理。光纤预警系统主机1发射一次探测脉冲光,获得一条瑞利散射光强信号TR。
其中,所述将所述瑞利散射光强信号制作为振动事件数据样本包括:
步骤S21、使用光纤预警系统获得振动事件发生时的瑞利散射光光强信号,其中第i条瑞利散射光光强信号记为TRi;
步骤S22、将1s内获得的多条瑞利散射光光强信号重新排列为矩阵形式,获得时空矩阵信号,所述时空矩阵信号记为TR_Matrix;本实例中光纤预警系统的探测光脉冲重复频率为1kHz,则1s内共获得1000条瑞利散射光光强信号,所组成的时空矩阵信号记为TR_Matrix=[TR1,TR2,...,TR1000]T,此时时空矩阵信号的行维度代表传感空间维度,列维度代表瑞利散射光光强信号的先后时间顺序。
步骤S23、使用移动平均差分法对振动事件进行定位,以振动事件的定位位置为中心,以25m为半径,提取时空矩阵信号TR_Matrix中的对应位置的数据,记为TR_Pick;此时TR_Pick的大小为1000×50。
步骤S24、对时空矩阵信号TR_Pick的列方向进行高通滤波,截止频率为5Hz,滤除直流分量;
步骤S25、对步骤S24中滤波后的时空矩阵信号TR_Pick整体进行灰度化处理;
步骤S26、采用降采样法调整TR_Pick的行数,采用插值法调整TR_Pick的列数,采用复制的方法调整TR_Pick的通道数,并合成为适配深度卷积神经网络的数据类型,得到振动事件数据样本。具体在本实施例为:采用降采样法调整TR_Pick的行数为229,采用插值法调整TR_Pick的列数为229,采用复制的方法复制TR_Pick三遍,形成3个通道,并合成总大小为229×229×3的振动施加数据样本,同时记录该振动事件的类型,作为该振动事件数据样本的标签,所形成的振动事件数据样本如图4所示。
在一些优选的实施例中,步骤S25中对步骤S24中滤波后的时空矩阵信号TR_Pick整体进行灰度化处理的具体方法包括:取时空矩阵信号TR_Pick的最大值和最小值,分别记为Max_TR和Min_TR,则灰度化处理操作记为:
TR_Pick_gray=floor[255×(TR_Pick-Min_TR)/(Max_TR-Min_TR)];
其中,TR_Pick_gray为灰度化处理后的时空矩阵信号,floor[·]为向下取整操作。
所述步骤S4中分类网络训练的方法具体包括:
步骤S41、将训练集Train_Set中的属于振动事件类型I的振动事件数据样本j输入步骤S3中所述的分类网络,完成前向传播过程,获得长度为M的网络输出,记为Oj;
步骤S42、取属性空间L中的第i行属性Li,分别将Oj和Li作为M维向量,计算其内积值Sij,公式记为:
Sij=<Oj,Li>;
其中<·>表示求向量内积;
步骤S43、使用内积值Sij计算网络的损失函数值,记为Loss,公式为,
步骤S44、根据步骤S43所获得的损失函数值Loss,使用Adam反向传播梯度下降算法对分类网络权值进行更新;
第t次训练时的权值更新方法为:
mt=β1mt-1+(1-β1)gt;
其中,θ表示深度卷积神经网络未冻结的权值,其下标表示为第t次训练后的权值,表示函数对θ求偏导,β1,β2∈[0,1),设定为β1=0.9,β2=0.1;
权值更新方式如下:
其中,α为学习率,设定为α=0.001,ξ为常数,设定为ξ=10-6。
进一步,所述步骤S5以及步骤S6中获得分类结果的方法具体包括:
步骤S51、将振动事件数据样本输入分类网络,获得输出O;
步骤S52、依次取属性空间L中的第i行属性Li,分别将O和Li作为10维向量,计算其内积值Si,得到长度为8的内积结果,记为S=[S1,S2,…,S8]
步骤S53、取内积结果S中最大元素的下标为分类结果,并根据该下标值转换为对应振动事件类型。
进一步,步骤S5中分类网络识别能力评定具体步骤为:使用分类结果,分别计算各个事件类别下的分类准确率Accuracy,精确率Precision,回召率Recall和F分数F1_score,以振动事件类别I为例,公式如下:
Accuracy1=(TP1+TN1)/(TP1+TN1+FP1+FN1);
Precision1=TP1/(TP1+FP1);
Recall1=TP1/(TP1+FN1);
F1_score1=Precision1·Recall1/(Precision1+Recall1);
其中,TP1表示振动事件类别I的样本被分类为振动事件类别I的数量,FP1表示非振动事件类别I的样本被分类为振动事件类别I的数量,TN1非振动事件类别I的样本被分类为非振动事件类别I的数量,FN1表示非振动事件类别I的样本被分类为振动事件类别I的数量。
本实例中,设定未知振动事件类别Y_unseen的Accuracy大于40%时,已知事件振动类别Y_seen的Accuracy大于90%时,评定结果达标。
以上对本发明的较佳实施方式进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变型或替换,这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (3)
1.一种基于零次学习的光纤预警系统未知事件分类方法,其特征在于,包括:
步骤1、通过光纤预警系统检测振动事件发生时得到的瑞利散射光强信号;
步骤2、将所述瑞利散射光强信号制作为振动事件数据样本;
步骤3、将所述振动事件数据样本输入通过基于零次学习得到的分类网络,并结合属性空间进行类别判定,获得分类结果;
所述将所述振动事件数据样本输入通过基于零次学习得到的分类网络,并结合属性空间进行类别判定,获得分类结果包括:
步骤S1、根据所述振动事件类型的物理过程特征,以所形成的振动事件类型数据样本的形态学特征,设计所有待识别的振动事件类型的属性空间L=[L1,L2,L3,…LN]T,其大小为N×M,其中N为振动事件类型的种类数,M为单个振动事件类型的属性长度,即每种振动事件类型对应一个长度为M的属性,并以其所在行数值作为该振动事件类型序号;
步骤S2、将所有振动事件类型分为已知事件类型集Y_seen和未知事件类型集Y_unseen,再根据步骤2中获得的振动事件数据样本构建训练集Train_Set和测试集Test_Set,其中,训练集Train_Set中的所有振动事件数据样本均属于已知事件类型集Y_seen,测试Test_Set中的振动事件数据样本则同时包含有已知事件类型集Y_seen和未知事件类型集Y_unseen中的事件类型;
步骤S3、搭建分类网络,分类网络输出与振动事件类型的属性长度M一致;
步骤S4、使用步骤S2中获得的训练集Train_Set,对步骤S3中的分类网络进行训练,并达到收敛,保存训练好的分类网络和其所有权重参数,所述分类网络记为Trained_Net;
步骤S5、将测试集Test_Set中的数据样本输入训练好的分类网络Trained_Net,获得分类结果及分类网络识别能力评定,若评定效果达标,则保存该分类网络,若评定效果不达标,则重复步骤S1至步骤S4,并更改步骤S1中的属性空间L的设计、步骤S3中的网络结构或步骤S4中的训练次数,直至获得达标的分类效果;
步骤S6、使用步骤2中方法,将新获得的传感数据制作为振动事件数据样本,输入步骤S5得到的分类网络,获得分类结果;
将所述瑞利散射光强信号制作为振动事件数据样本包括:
步骤S21、使用光纤预警系统获得振动事件发生时的瑞利散射光光强信号,其中第i条瑞利散射光光强信号记为TRi;
步骤S22、将1s内获得的多条瑞利散射光光强信号重新排列为矩阵形式,获得时空矩阵信号,所述时空矩阵信号记为TR_Matrix;
步骤S23、使用移动平均差分法对振动事件进行定位,以振动事件的定位位置为中心,以25m为半径,提取时空矩阵信号TR_Matrix中的对应位置的数据,记为TR_Pick;
步骤S24、对时空矩阵信号TR_Pick的列方向进行高通滤波,截止频率为5Hz,滤除直流分量;
步骤S25、对步骤S24中滤波后的时空矩阵信号TR_Pick整体进行灰度化处理;
步骤S26、采用降采样法调整TR_Pick的行数,采用插值法调整TR_Pick的列数,采用复制的方法调整TR_Pick的通道数,并合成为适配深度卷积神经网络的数据类型,得到振动事件数据样本;
所述步骤S4中分类网络训练的方法具体包括:
步骤S41、将训练集Train_Set中的属于振动事件类型I的振动事件数据样本j输入步骤S3中所述的分类网络,完成前向传播过程,获得长度为M的网络输出,记为Oj;
步骤S42、取属性空间L中的第i行属性Li,分别将Oj和Li作为M维向量,计算其内积值Sij,公式记为:
Sij=<Oj,Li>;
其中<g>表示求向量内积;
步骤S43、使用内积值Sij计算网络的损失函数值,记为Loss,公式为,
步骤S44、根据步骤S43所获得的损失函数值Loss,使用Adam反向传播梯度下降算法对分类网络权值进行更新;
第t次训练时的权值更新方法为:
mt=β1mt-1+(1-β1)gt;
其中,θ表示分类网络的权值,其下标表示为第t次训练后的权值,表示函数对θ求偏导,β1,β2∈[0,1),设定为β1=0.9,β2=0.1;
权值更新方式如下:
其中,α为学习率,设定为α=0.001,ξ为常数,设定为ξ=10-6。
2.根据权利要求1所述的一种基于零次学习的光纤预警系统未知事件分类方法,其特征在于,步骤S25中对步骤S24中滤波后的时空矩阵信号TR_Pick整体进行灰度化处理的具体方法包括:取时空矩阵信号TR_Pick的最大值和最小值,分别记为Max_TR和Min_TR,则灰度化处理操作记为:
TR_Pick_gray=floor[255×(TR_Pick-Min_TR)/(Max_TR-Min_TR)];
其中,TR_Pick_gray为灰度化处理后的时空矩阵信号,floor[·]为向下取整操作。
3.根据权利要求1所述的一种基于零次学习的光纤预警系统未知事件分类方法,其特征在于,步骤S5以及步骤S6中获得分类结果的方法具体包括:
步骤S51、将振动事件数据样本输入分类网络,获得输出O;
步骤S52、依次取属性空间L中的第i行属性Li,分别将O和Li作为M维向量,计算其内积值Si,得到长度为N的内积结果,记为S=[S1,S2,L,SN];
步骤S53、取内积结果S中最大元素的下标为分类结果,并根据该下标值转换为对应振动事件类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110747347.2A CN113627470B (zh) | 2021-07-01 | 2021-07-01 | 一种基于零次学习的光纤预警系统未知事件分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110747347.2A CN113627470B (zh) | 2021-07-01 | 2021-07-01 | 一种基于零次学习的光纤预警系统未知事件分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627470A CN113627470A (zh) | 2021-11-09 |
CN113627470B true CN113627470B (zh) | 2023-09-05 |
Family
ID=78378957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110747347.2A Active CN113627470B (zh) | 2021-07-01 | 2021-07-01 | 一种基于零次学习的光纤预警系统未知事件分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627470B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102563360A (zh) * | 2012-01-16 | 2012-07-11 | 北方工业大学 | 基于序贯概率比检测的管道安全预警系统的振动事件检测方法 |
CN106778804A (zh) * | 2016-11-18 | 2017-05-31 | 天津大学 | 基于类别属性迁移学习的零样本图像分类方法 |
CN108399421A (zh) * | 2018-01-31 | 2018-08-14 | 南京邮电大学 | 一种基于词嵌入的深度零样本分类方法 |
CN108875818A (zh) * | 2018-06-06 | 2018-11-23 | 西安交通大学 | 基于变分自编码机与对抗网络结合的零样本图像分类方法 |
CN108932480A (zh) * | 2018-06-08 | 2018-12-04 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
CN110163258A (zh) * | 2019-04-24 | 2019-08-23 | 浙江大学 | 一种基于语义属性注意力重分配机制的零样本学习方法及系统 |
CN110995339A (zh) * | 2019-11-26 | 2020-04-10 | 电子科技大学 | 一种分布式光纤传感信号时空信息提取与识别方法 |
CN111442827A (zh) * | 2020-04-08 | 2020-07-24 | 南京艾森斯智能科技有限公司 | 一种变压器绕组振动的光纤无源在线监测系统及方法 |
CN112763214A (zh) * | 2020-12-31 | 2021-05-07 | 南京信息工程大学 | 基于多标签零样本学习的滚动轴承故障诊断方法 |
WO2021121127A1 (zh) * | 2020-07-28 | 2021-06-24 | 平安科技(深圳)有限公司 | 样本类别识别方法、装置、计算机设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10331976B2 (en) * | 2013-06-21 | 2019-06-25 | Xerox Corporation | Label-embedding view of attribute-based recognition |
US11531876B2 (en) * | 2017-03-29 | 2022-12-20 | University Of Florida Research Foundation, Incorporated | Deep learning for characterizing unseen categories |
-
2021
- 2021-07-01 CN CN202110747347.2A patent/CN113627470B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102563360A (zh) * | 2012-01-16 | 2012-07-11 | 北方工业大学 | 基于序贯概率比检测的管道安全预警系统的振动事件检测方法 |
CN106778804A (zh) * | 2016-11-18 | 2017-05-31 | 天津大学 | 基于类别属性迁移学习的零样本图像分类方法 |
CN108399421A (zh) * | 2018-01-31 | 2018-08-14 | 南京邮电大学 | 一种基于词嵌入的深度零样本分类方法 |
CN108875818A (zh) * | 2018-06-06 | 2018-11-23 | 西安交通大学 | 基于变分自编码机与对抗网络结合的零样本图像分类方法 |
CN108932480A (zh) * | 2018-06-08 | 2018-12-04 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
CN110163258A (zh) * | 2019-04-24 | 2019-08-23 | 浙江大学 | 一种基于语义属性注意力重分配机制的零样本学习方法及系统 |
CN110995339A (zh) * | 2019-11-26 | 2020-04-10 | 电子科技大学 | 一种分布式光纤传感信号时空信息提取与识别方法 |
CN111442827A (zh) * | 2020-04-08 | 2020-07-24 | 南京艾森斯智能科技有限公司 | 一种变压器绕组振动的光纤无源在线监测系统及方法 |
WO2021121127A1 (zh) * | 2020-07-28 | 2021-06-24 | 平安科技(深圳)有限公司 | 样本类别识别方法、装置、计算机设备及存储介质 |
CN112763214A (zh) * | 2020-12-31 | 2021-05-07 | 南京信息工程大学 | 基于多标签零样本学习的滚动轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
属性语义与图谱语义融合增强的零次学习图像识别;汪玉金等;《图学学报》;第42卷(第06期);899-907 * |
Also Published As
Publication number | Publication date |
---|---|
CN113627470A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11562224B2 (en) | 1D-CNN-based distributed optical fiber sensing signal feature learning and classification method | |
CN104751580B (zh) | 分布式光纤传感信号模式识别方法及系统 | |
Wu et al. | DeepDetect: A cascaded region-based densely connected network for seismic event detection | |
CN109212597B (zh) | 基于深度信念网络和扫描叠加的微震源自动定位方法 | |
Ruano et al. | Seismic detection using support vector machines | |
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 | |
CN113256562B (zh) | 基于雷达图像和人工智能的道路地下隐患检测方法和系统 | |
CN105931402A (zh) | 基于图像识别的光纤周界入侵监测方法 | |
Chon et al. | Determining temporal pattern of community dynamics by using unsupervised learning algorithms | |
Anikiev et al. | Machine learning in microseismic monitoring | |
CN106503642A (zh) | 一种应用于光纤传感系统的振动模型建立方法 | |
Souza et al. | Automatic classification of hydrocarbon “leads” in seismic images through artificial and convolutional neural networks | |
KR20190033972A (ko) | 심층신경망을 이용한 자동 뇌파 잡음 제거 방법 및 장치 | |
CN106646587A (zh) | 基于声振动信号的目标检测与识别方法及系统 | |
Zheng et al. | Deep neural networks design and analysis for automatic phase pickers from three-component microseismic recordings | |
Lara-Cueva et al. | On the use of multi-class support vector machines for classification of seismic signals at Cotopaxi volcano | |
Shi et al. | A recognition method for multi-radial-distance event of Φ-OTDR system based on CNN | |
Birnie et al. | Bidirectional recurrent neural networks for seismic event detection | |
Liu et al. | DCCAM‐MRNet: Mixed Residual Connection Network with Dilated Convolution and Coordinate Attention Mechanism for Tomato Disease Identification | |
Fang et al. | Speech-recognition in landslide predictive modelling: A case for a next generation early warning system | |
CN113627470B (zh) | 一种基于零次学习的光纤预警系统未知事件分类方法 | |
Chen et al. | Classification and Localization of Fracture-Hit Events in Low-Frequency Distributed Acoustic Sensing Strain Rate with Convolutional Neural Networks | |
CN113408346B (zh) | 一种基于迁移学习的光纤预警系统事件分类方法 | |
CN113221709B (zh) | 用于识别用户运动的方法、装置及热水器 | |
CN111157967B (zh) | 基于脉冲相干雷达的智能垃圾隔袋识别和分类方法 |
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 |