CN114077854B - 一种基于自适应VMD的φ-OTDR水声信号处理方法和装置 - Google Patents
一种基于自适应VMD的φ-OTDR水声信号处理方法和装置 Download PDFInfo
- Publication number
- CN114077854B CN114077854B CN202210051483.2A CN202210051483A CN114077854B CN 114077854 B CN114077854 B CN 114077854B CN 202210051483 A CN202210051483 A CN 202210051483A CN 114077854 B CN114077854 B CN 114077854B
- Authority
- CN
- China
- Prior art keywords
- signal
- modal
- phi
- otdr
- sensing
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000000253 optical time-domain reflectometry Methods 0.000 title claims abstract 10
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 22
- 239000013307 optical fiber Substances 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 7
- 230000003044 adaptive effect Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 abstract 1
- 230000005236 sound signal Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 230000002349 favourable effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于自适应VMD的φ‑OTDR水声信号处理方法和装置。该水声信号处理方法将信号从时域转换至频域进行分析，对光纤传感器中不同位置的传感信号进行变分模态分解处理，基于信号噪声的特性，提取全变分、分形维数、排列熵、能量特征用于噪声信号的特征离散化。同时，我们根据最大化簇间间距和最小化簇内间距原则设计了一种信号可分离性指标，来观测和优化变分模态分解过程，使得传感信号分解得到的模态分量可以更清晰的划分噪声和目标信号。
Description
技术领域
本发明属于光纤传感水听信号处理领域，具体涉及一种基于自适应VMD的φ-OTDR水声信号处理方法和装置。
背景技术
相位敏感型光时域反射仪（φ-OTDR）具有检测范围广、定位精度高、多点网式探测、抗电磁干扰、可靠性强等优点，被认为是水听系统的核心。光纤在声压的作用下产生微小形变，通过后向瑞利散射的解调，反演得到造成光纤形变的声波信号，实现声波的探测，其非常适用于海底环境中目标探测、识别、监控和跟踪任务，在海洋科学、海洋经济等重要领域有着重要的意义。长距离光纤分布式水听系统硬件之间存在强耦合效应，导致光纤声呐系统海洋环境下采集到的光纤传感信号存在信噪比低、信号混淆叠加严重、信号随传感距离衰减严重且目标信号先验信息少等问题。研究提升目标信号信噪比的信号处理方法对光纤水听应用有着重要意义。
立足于低信噪比的分布式光纤水声传感数据的去噪问题，对光纤分布式水听信号进行预处理。信号预处理是后续目标信号的探测的基础，因此合适的信号预处理方法的研究具有重要的意义。目前光纤传感信号主流的处理方法包括：经验分解（EMD)、LMD、小波分解、变分模态分解等。其中EMD和LMD是递归筛选模式，适合于信噪比高且采样充分的时序数据，这种递归筛选的方法鲁棒性一般，且不易于信号的收敛控制。小波分解适合频段不重叠的窄带信号，但是算法参数过多，去噪效果易受参数影响，且无法设置信号分解数量；变分模态分解（VMD）是一种信号分解并加权融合重构的方法，对于非稳性和信噪比低的信号去噪效果较为明显，有利于低频信号的分解，有利于减少多模态信号之间的混叠，支持人为设定分解数量K，分解效率高，因此本发明最终选择VMD作为信号预处理的基础框架。
变分模态分解是一种递归的信号分解方法，将输入信号分解为一系列不同中心频率的模态分量（IMF），模态分量的个数通过人为设定，且设定的分量个数对信号分解结果有较大的影响。考虑到光纤传感信号中目标信号先验信息不足，且信号混叠严重，为了尽可能的区分模态分量，进而区分系统噪声和目标信号，通过合理的设计模态分量之间的可分性指标，通过自适应反馈的方式，使得VMD算法分解得到的模态分量更容易区分噪声和目标信号，此外，由于光纤传感信号随着传感距离不断衰弱的特性，设计信号损耗指标，使得信号分解的过程中，在尽可能保留信号的有用信息的情况下，分解得到的模态分量之间最易区分。目前，
在光纤分布式声波传感数据的信噪分离应用方面，将模态间距指标以及信号损耗指标融入变分模态分解算法的思路尚无公开的相关文献资料，因此，这种基于自适应反馈思想的光纤分布式声波传感数据的信号预处理方法研究具有重要的意义。
发明内容
本发明的目的在于提供一种基于自适应VMD的φ-OTDR水声信号处理方法和装置，以克服现有技术中的不足。
为实现上述目的，本发明提供如下技术方案：
本申请公开了一种基于自适应VMD的φ-OTDR水声信号处理方法，包括如下步骤：
S1、通过基于相位生成载波方法解调散射信号相位变化的φ-OTDR系统采集光纤传感器上的传感数据，得到观测信号；并设置信号分解数量和迭代阈值；
S2、将传感信号转换为解析信号；
S3、基于维纳滤波器和混频原理对解析信号进行分解，计算分解后的数据收敛容忍度；判断数据收敛容忍度是否小于迭代阈值；若小于，则进入步骤S4，得到解析信号的模态分量；反之，返回步骤S2；
S4、通过傅里叶逆变换取，取解析信号模态分量的实部作为传感信号的模态分量；
S5、对传感信号的模态分量进行特征离散化表征；
S6、计算不同位置，同一模态分量的特征簇的簇内间距和类间间距；
S7、计算最大边缘损失；获得最大边缘损失最优情况下的模态分解量和分解子信号。
作为优选，所述步骤S2具体包括如下子步骤：
S21、将传感信号进行希尔伯特变换；
S22、根据希尔伯特变换的结果将传感信号转换为解析信号。
作为优选，所述步骤S3具体包括如下子步骤：
S31、通过维纳滤波器思想构造最小化信号分解的约束条件；所述约束条件包括如下两条：模态分量的中心频率小于解析信号的频率带宽、原始信号与分解信号之差通过惩罚因子进行约束调节实现最小化；
S32、解析信号模态分量，将信号频率变化的过程通过傅里叶变换转换到频域进行运算；通过构造拉格朗日方程对变分约束模型进行求解，将解析信号拆分为若干个中心频率不同的模态分量；
S33、计算解析信号与若干个模态分量之和的梯度二范数平方作为数据收敛容忍度；
S34、将数据收敛容忍度小于程序设定的迭代阈值作为分解迭代的终止条件，获得解析信号的模态分量。
作为优选，所述步骤S4具体包括如下子步骤：
S41、将解析信号的模态分量做傅里叶逆变换；
S42、取分量傅里叶逆变换的实部作为传感信号的模态分量。
作为优选，所述步骤S5具体包括如下子步骤：
S51、计算各传感信号的模态分量的全变分特征；
S52、计算各传感信号的模态分量的分形维数特征；
S53、计算各传感信号的模态分量的排列熵特征；
S54、计算各传感信号的模态分量的能量特征；
S54、将不同位置传感信号的模态分量的特征离散点，按照模态分量的序号形成特征离散簇。
作为优选，所述步骤S7具体包括如下子步骤：
S71、根据特征离散簇的簇内间距和簇间间距计算最大边缘损失；
S72、对比不同信号分解数量得到的最大边缘损失，取最大边缘损失最小时的信号分解结果。
一种基于自适应VMD的φ-OTDR水声信号处理装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现所述的基于自适应VMD的φ-OTDR水声信号处理方法。
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时,实现所述的基于自适应VMD的φ-OTDR水声信号处理方法。
本发明的有益效果：
1、将光纤传感水声信号进行频域分解，尽可能的拆分有用信号和系统噪声；
2、对噪声信号进行分析，提取能有效代表噪声信号的特征，实现特征离散化。
3、通过信号特征离散化表征，可以有效的区分有用信号和噪声信号，从而获得高信噪比的有用信号。
本发明的特征及优点将通过实施例结合附图进行详细说明。
附图说明
图1是本发明一种基于自适应VMD的φ-OTDR水声信号处理方法的整体流程图；
图2是本发明的系统方案图；
图3是本发明传感信号示意图；
图4是本发明实施例中采集噪声的光纤传感信号示意图；
图5是本发明实施例中噪声信号的占优模态分量；
图6是本发明实施例的特征离散化分布图；
图7是本发明实施例的模态分量中的目标信号示意图。
图8是本发明一种基于自适应VMD的φ-OTDR水声信号处理装置的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图及实施例，对本发明进行进一步详细说明。但是应该理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
参阅图1，本申请公开了一种基于自适应VMD的φ-OTDR水声信号处理方法，S1、通过基于相位生成载波方法解调散射信号相位变化的Φ-OTDR系统采集光纤传感器上的传感数据，得到观测信号；并设置信号分解数量和迭代阈值；
S2、将传感信号转换为解析信号；
S21、将传感信号进行希尔伯特变换；
S22、根据希尔伯特变换的结果将传感信号转换为解析信号。
具体地，计算传感信号的解析信号，解析信号
为：
其中
是传感信号，传感信号与解析信号的关系为：
传感信号是解析信号的实部，通过解析信号可以很好的对信号进行分析，并通过计算解析信号的实部获得原始的信号。获得解析信号需要计算信号的希尔伯特变换：
S3、基于维纳滤波器和混频原理对解析信号进行分解，计算分解后的数据收敛容忍度；判断数据收敛容忍度是否小于迭代阈值；若小于，则进入下一步，得到解析信号的模态分量；反之，返回步骤S2；
S31、通过维纳滤波器思想构造最小化信号分解的约束条件；所述约束条件包括如下两条：模态分量的中心频率小于解析信号的频率带宽、原始信号与分解信号之差通过惩罚因子进行约束调节实现最小化；
S32、解析信号模态分量，将信号频率变化的过程通过傅里叶变换转换到频域进行运算；通过构造拉格朗日方程对变分约束模型进行求解，将解析信号拆分为若干个中心频率不同的模态分量；
S33、计算解析信号与若干个模态分量之和的梯度二范数平方作为数据收敛容忍度；
S34、将数据收敛容忍度小于程序设定的迭代阈值作为分解迭代的终止条件，获得解析信号的模态分量。
S4、通过傅里叶逆变换取，取解析信号模态分量的实部作为传感信号的模态分量；
S41、将解析信号的模态分量做傅里叶逆变换；
S42、取分量傅里叶逆变换的实部作为传感信号的模态分量。
具体地，基于维纳滤波的思想，建立信号处理的正则化去噪公式。将每个位置的信号
分解为K个模态分量
，使各模态的和与信号相等，模态分量的估计带宽和值最小，构造变分约束模型如下：
通过采用变分模态分解算法将位置i的传感信号
分解为k个模态分量
。以第i个位置信号
为例，原始数据
通过更新模态分量和中心频率完成VMD信号的分解，通过构造拉格朗日方程对变分约束模型进行求解，求得第k个模态分量表达式为：
其中，
，
为二次惩罚影子，设置为2000，
为
的中心频率，
是第k个分解信号的中心频率，第k个模态分量的中心频率为：
S5、对传感信号的模态分量进行特征离散化表征；
S51、计算各传感信号的模态分量的全变分特征；
S52、计算各传感信号的模态分量的分形维数特征；
S53、计算各传感信号的模态分量的排列熵特征；
S54、计算各传感信号的模态分量的能量特征；
S54、将不同位置传感信号的模态分量的特征离散点，按照模态分量的序号形成特征离散簇。
具体地，特征离散化，对k个信号
提取最具有代表性的一组特征，特征包括：全变分特征、分形维数特征、排列熵特征、能量特征。其中：
全变分特征（TotalVariation）是描述函数值变化的累计，公式定义如下：
其中
是有界区域，div是散度算子。
分形维数特征：对于时间序列信号，用多维超体提及对时序变量占据的空间进行度量。设振动信号长度为m，利用是时间尺度
将每个模态分量划分为p个区间，其中
，在任意区间中，将模态分量中最大值与最小值之差定义为多维超体在该区间的边长，多维超体的体积为：
分形维数估计：
通过LSM对双对数曲线进行一阶线性拟合，拟合直线的斜率即为分形维数D的近似估值。
能量特征，计算模态分量的区间总能量：
小波熵，若f为原始信号，长度为m，小波系数的节点序号为j，
代表信号分解后的第i个小波系数：
S6、计算不同位置，同一模态分量的特征簇的簇内间距和类间间距；
S7、计算最大边缘损失；获得最大边缘损失最优情况下的模态分解量和分解子信号。
S71、根据特征离散簇的簇内间距和簇间间距计算最大边缘损失；
S72、对比不同信号分解数量得到的最大边缘损失，取最大边缘损失最小时的信号分解结果。
具体地，根据最大化簇间间距和最小化簇内间距的原则，计算信号的可分离性指标。对i个位置分解得到的
提取上述特征形成模态分量的离散化特征点。将每个分解信号作为一类数据，样本总共划分为k个类，计算由这i个位置构成的k类特征样本点的类内间距和类间间距，
为类内间距，
，
为类间间距，
，
是类平均向量，
。计算最大边缘损失：
通过观测最大边缘损失指标，选择将信号分解为6个占优模态分量，实现最利于噪声和目标信号分离的信号处理。
实施例：
针对低信噪比的光纤水听信号，通过自适应VMD的φ-OTDR水声信号处理系统图如图2所示，其中传感信号处理的详细流程图如图1所示。
1、S1获取的实验数据是通过相位生成载波方法解调散射信号的相位值，在光纤上220个位置进行20kHz的信号采样，获得包含时间、相位、位置三个维度的传感信号，如图3所示；
2、将220个位置的信号通过希尔伯特变换转换为解析信号，将信号分解数量K设置为
，设置维纳滤波的迭代阈值为
，构造最优分解的约束方程；将约束方程通过傅里叶变换转换到频域进行计算求解，构造拉格朗日方程最频域约束方程进行求解，其中二次惩罚因子α设置为2000，得到每个信号分解之后的模态分量，此时每个位置的传感信号都被分解为中心频率为30Hz、100Hz、650Hz、1650Hz、3250Hz、6000Kz模态分量；单个位置的噪声传感信号如图4所示，噪声信号分解得到的模态分量如图5所示；
3、对220个位置分解得到的模态分量进行特征离散化，提取各个模态分量的全变分特征、分形维数特征、排列熵特征、能量特征，形成220*4*K的特征离散簇；特征离散簇的二维分布图如图6所示；
4、计算特征离散簇的簇内间距和簇间间距，根据簇内间距和簇间间距计算信号的最大边缘损失。当K值取6，信号分解的最大边缘损失最小为0.17，此时的信号分解处理最有利于目标信号和噪声信号的分离，如图7所示。
与前述基于自适应VMD的φ-0TDR水声信号处理方法的实施例相对应，本发明还提供了基于自适应VMD的φ-0TDR水声信号处理装置的实施例。
参见图8,本发明实施例提供的一种基于自适应VMD的φ-OTDR水声信号处理装置，包括存储器和一个或多个处理器，存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述实施例中的基于自适应VMD的φ-OTDR水声信号处理方法。
本发明基于自适应VMD 的φ-OTDR水声信号处理装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图8所示，为本发明基于自适应VMD的φ-OTDR水声信号处理装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图8所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的基于自适应VMD的φ-OTDR 水声信号处理方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、SD卡、闪存卡(Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于自适应VMD的φ-OTDR水声信号处理方法，其特征在于，包括如下步骤：
S1、通过基于相位生成载波方法解调散射信号相位变化的Φ-OTDR系统采集光纤传感器上的传感数据，得到观测信号；并设置信号分解数量和迭代阈值；
S2、将传感信号转换为解析信号；
S3、基于维纳滤波器和混频原理对解析信号进行分解，计算分解后的数据收敛容忍度；判断数据收敛容忍度是否小于迭代阈值；若小于，则进入步骤S4，得到解析信号的模态分量；反之，返回步骤S2；
具体包括如下子步骤：
S31、通过维纳滤波器思想构造最小化信号分解的约束条件；所述约束条件包括如下两条：模态分量的中心频率小于解析信号的频率带宽、原始信号与分解信号之差通过惩罚因子进行约束调节实现最小化；
S32、解析信号模态分量，将信号频率变化的过程通过傅里叶变换转换到频域进行运算；通过构造拉格朗日方程对变分约束模型进行求解，将解析信号拆分为若干个中心频率不同的模态分量；
S33、计算解析信号与若干个模态分量之和的梯度二范数平方作为数据收敛容忍度；
S34、将数据收敛容忍度小于程序设定的迭代阈值作为分解迭代的终止条件，获得解析信号的模态分量；
S4、通过傅里叶逆变换，取解析信号模态分量的实部作为传感信号的模态分量；
S5、对传感信号的模态分量进行特征离散化表征；
具体包括如下子步骤：
S51、计算各传感信号的模态分量的全变分特征；
S52、计算各传感信号的模态分量的分形维数特征；
S53、计算各传感信号的模态分量的排列熵特征；
S54、计算各传感信号的模态分量的能量特征；
S55、将不同位置传感信号的模态分量的特征离散点，按照模态分量的序号形成特征离散簇；
S6、计算不同位置，同一模态分量的特征簇的簇内间距和簇间间距；
S7、计算最大边缘损失；获得最大边缘损失最优情况下的模态分解量和分解子信号。
2.如权利要求1所述的一种基于自适应VMD的φ-OTDR水声信号处理方法，其特征在于，所述步骤S2具体包括如下子步骤：
S21、将传感信号进行希尔伯特变换；
S22、根据希尔伯特变换的结果将传感信号转换为解析信号。
3.如权利要求1所述的一种基于自适应VMD的φ-OTDR水声信号处理方法，其特征在于，所述步骤S4具体包括如下子步骤：
S41、将解析信号的模态分量做傅里叶逆变换；
S42、取分量傅里叶逆变换的实部作为传感信号的模态分量。
4.如权利要求1所述的一种基于自适应VMD的φ-OTDR水声信号处理方法，其特征在于，所述步骤S7具体包括如下子步骤：
S71、根据特征离散簇的簇内间距和簇间间距计算最大边缘损失；
S72、对比不同信号分解数量得到的最大边缘损失，取最大边缘损失最小时的信号分解结果。
5.一种基于自适应VMD的φ-OTDR水声信号处理装置，其特征在于：包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-4任一项所述的基于自适应VMD的φ-OTDR水声信号处理方法。
6.一种计算机可读存储介质，其特征在于：其上存储有程序，该程序被处理器执行时,实现权利要求1-4任一项所述的基于自适应VMD的φ-OTDR水声信号处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210051483.2A CN114077854B (zh) | 2022-01-18 | 2022-01-18 | 一种基于自适应VMD的φ-OTDR水声信号处理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210051483.2A CN114077854B (zh) | 2022-01-18 | 2022-01-18 | 一种基于自适应VMD的φ-OTDR水声信号处理方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114077854A CN114077854A (zh) | 2022-02-22 |
| CN114077854B true CN114077854B (zh) | 2022-04-12 |
Family
ID=80284544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210051483.2A Active CN114077854B (zh) | 2022-01-18 | 2022-01-18 | 一种基于自适应VMD的φ-OTDR水声信号处理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114077854B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114754857B (zh) * | 2022-06-14 | 2022-08-23 | 之江实验室 | 一种两段式光纤传感水声信号补偿方法和装置 |
| CN114818839B (zh) * | 2022-07-01 | 2022-09-16 | 之江实验室 | 一种基于深度学习的光纤传感水声信号识别方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108627667A (zh) * | 2018-05-15 | 2018-10-09 | 中国人民解放军战略支援部队航天工程大学 | 基于光度序列同时估计空间失稳目标进动和自旋速率方法 |
| CN109886464A (zh) * | 2019-01-20 | 2019-06-14 | 东北电力大学 | 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3029370A1 (fr) * | 2014-12-02 | 2016-06-03 | Orange | Procede et dispositif d'annulation de bruit pour les systemes de transmission bifilaires |
| CN108288999A (zh) * | 2017-01-10 | 2018-07-17 | 光子瑞利科技（北京）有限公司 | 基于瑞利散射的降噪分布式光纤水听的应用 |
| CN107389106A (zh) * | 2017-08-30 | 2017-11-24 | 中国电子科技集团公司第三十四研究所 | 一种φ‑OTDR正交相位解调系统及相位解调方法 |
| CN107743048B (zh) * | 2017-10-18 | 2020-04-24 | 武汉光迅科技股份有限公司 | 一种应用于去除otdr噪声的信号处理系统 |
| US11378443B2 (en) * | 2019-05-22 | 2022-07-05 | Nec Corporation | Performance of Rayleigh-based phase-OTDR with correlation-based diversity combining and bias removal |
| KR20210024830A (ko) * | 2019-08-26 | 2021-03-08 | 주식회사 케이티 | 분포형 음향 센서에서 진동 신호 추출을 위한 위상 검출기 및 위상 검출 방법 |
| CN110456410B (zh) * | 2019-08-28 | 2021-10-26 | 之江实验室 | 基于超强抗弯多芯光纤柔性光缆的分布式水听器 |
| CN110702149A (zh) * | 2019-11-05 | 2020-01-17 | 南京申威光电技术研究院有限公司 | 光纤分布式扰动传感系统扰动信号的定位方法和系统 |
| CN113241087B (zh) * | 2021-05-10 | 2022-05-27 | 青岛科技大学 | 基于改进vmd和改进小波阈值法相结合的水声信号去噪方法 |
-
2022
- 2022-01-18 CN CN202210051483.2A patent/CN114077854B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108627667A (zh) * | 2018-05-15 | 2018-10-09 | 中国人民解放军战略支援部队航天工程大学 | 基于光度序列同时估计空间失稳目标进动和自旋速率方法 |
| CN109886464A (zh) * | 2019-01-20 | 2019-06-14 | 东北电力大学 | 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114077854A (zh) | 2022-02-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114077854B (zh) | 一种基于自适应VMD的φ-OTDR水声信号处理方法和装置 | |
| Kantz et al. | Dimension estimates and physiological data | |
| CN101303764B (zh) | 基于非下采样轮廓波的多传感器图像自适应融合方法 | |
| Weniger et al. | Spatial verification using wavelet transforms: a review | |
| Üstündağ et al. | Denoising of weak ECG signals by using wavelet analysis and fuzzy thresholding | |
| CN105637331B (zh) | 异常检测装置、异常检测方法 | |
| CN109581516B (zh) | 曲波域统计量自适应阈值探地雷达数据去噪方法及系统 | |
| Yao et al. | An adaptive seismic signal denoising method based on variational mode decomposition | |
| CN110515063A (zh) | 基于迭代平稳离散小波变换的水声信号处理方法和装置 | |
| CN117688422B (zh) | 基于改进稀疏分量分析的欠定模态参数识别方法、计算机设备及存储介质 | |
| CN107576380A (zh) | 一种面向φ‑otdr技术的三维振动信号分类方法 | |
| CN115343685A (zh) | 应用于病害识别的多维度探地雷达检测方法、装置、设备 | |
| CN116576956A (zh) | 基于分布式光纤声波传感的多源振动信号分离方法 | |
| Zhong et al. | Recognition and prediction of ground vibration signal based on machine learning algorithm | |
| Lei et al. | High voltage shunt reactor acoustic signal denoising based on the combination of VMD parameters optimized by coati optimization algorithm and wavelet threshold | |
| Tian et al. | Underwater multi-target passive detection based on transient signals using adaptive empirical mode decomposition | |
| Li et al. | A new denoising method based on decomposition mixing of hydro-acoustic signal | |
| Zhang et al. | Anomaly detection of complex magnetic measurements using structured Hankel low-rank modeling and singular value decomposition | |
| CN117272138B (zh) | 一种基于参考道数据约束与深度学习的地磁数据去噪方法及系统 | |
| CN117574062A (zh) | 基于vmd-dnn模型的小回线瞬变电磁信号去噪方法 | |
| CN117727332A (zh) | 基于语谱特征分析的生态种群评估方法 | |
| Dowling et al. | Exponential parameter estimation in the presence of known components and noise | |
| Zhang et al. | A denoising method of mine microseismic signal based on NAEEMD and frequency-constrained SVD | |
| CN116776181A (zh) | 基于改进模糊聚类的终端侧负荷辨识方法、介质及系统 | |
| CN113065387B (zh) | 一种机泵系统的小波降噪方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |