CN114295195A - 基于特征提取的光纤传感振动信号的异常判断方法和系统 - Google Patents
基于特征提取的光纤传感振动信号的异常判断方法和系统 Download PDFInfo
- Publication number
- CN114295195A CN114295195A CN202111677844.6A CN202111677844A CN114295195A CN 114295195 A CN114295195 A CN 114295195A CN 202111677844 A CN202111677844 A CN 202111677844A CN 114295195 A CN114295195 A CN 114295195A
- Authority
- CN
- China
- Prior art keywords
- frequency
- mel
- optical fiber
- vibration signal
- feature extraction
- 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 52
- 239000013307 optical fiber Substances 0.000 title claims abstract description 43
- 238000000605 extraction Methods 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 230000003595 spectral effect Effects 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 15
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 230000003287 optical effect Effects 0.000 claims abstract description 4
- 238000006243 chemical reaction Methods 0.000 claims description 27
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000009432 framing Methods 0.000 description 3
- 238000011897 real-time detection Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 101000802640 Homo sapiens Lactosylceramide 4-alpha-galactosyltransferase Proteins 0.000 description 1
- 102100035838 Lactosylceramide 4-alpha-galactosyltransferase Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000037433 frameshift Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
Images
Classifications
-
- 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
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了基于特征提取的光纤传感振动信号的异常判断方法和系统，首先对采集到的光缆中的振动信号进行预处理；将振动信号通过基于频谱能量分析的梅尔频率倒谱系数特征提取方法提取特征向量；将特征向量矩阵通过标准差局部线性嵌入进行特征降维；依据降维后的特征判断振动信号是否为异常信号；若信号为异常信号，则进行报警。本发明通过对梅尔频率倒谱系数特征提取方法的改进，解决了在梅尔频率倒谱系数特征提取过程中因语音信号与光纤传感振动信号频率差异而导致的识别率低的问题，提高了光纤传感系统的检测实时性及识别率，实现对异常信号的快速、准确识别。
Description
技术领域
本发明属于信号检测技术领域，具体涉及基于特征提取的光纤传感振动信号的异常判断方法和系统。
背景技术
随着光纤传感技术的不断发展，光纤传感系统应用越来越普及，而分布式光纤传感系统以其结构简单、灵敏度高、监测范围广、响应速度快等优点在各个振动传感领域得到了广泛的应用。它在长距离油气管道输送、机场警卫、大型结构安全监测、周边安全等多个领域得到成功运用并迅速发展。不同应用领域中不同场景下对光纤扰动事件的模式识别性能与实时性问题，是对于光纤传感技术发展的核心问题。
现有的光纤周界系统的振动信号特征提取方法主要有四种，分别是基于小波分解的方法、基于其他分解模型的方法、提取信号波形图统计特征的方法以及基于梅尔频率倒谱系数的特征提取方法。基于小波分解的方法由于信号的峰值、功率谱和频带能量等特征容易受到高斯噪声的影响，在小波方法处理中存在模糊提取和线性稳态的缺陷，并且当数据量比较大时这种处理方法的计算量较大。基于其他分解模型的方法由于其分解模型的固有缺陷，对信号依靠特征分类产生影响，降低其分类准确率。提取信号波形图统计特征的方法对于类别不同波形相似的信号会造成统计特征的相似，无法作为有效的分类判别依据。基于梅尔频率倒谱系数的特征提取方法常用于声音信号的特征提取，也可用于振动信号特征提取，但算法普适性造成了性能下降，影响分类性能。
上述方法在一定程度上解决了光纤传感振动信号模式识别的有效性与实时性问题，但是仍存在着一些限制。梅尔频率倒谱系数特征提取方法是在倒谱技术上依据人耳的感知特性进行改进而提出的一种特征提取算法，它的稳定性与高识别率使得其在语音识别领域得到了广泛应用。然而语音信号与光纤传感振动信号的频率范围存在差异，直接将梅尔频率倒谱系数特征提取方法应用到光纤传感振动信号中并不能完全发挥梅尔频率倒谱系数的优势，造成光纤传感系统的识别率低等问题。因此需要对梅尔频率倒谱系数特征提取方法进行改进，提高光纤传感系统的检测实时性及识别率，实现对异常信号的快速、准确识别。
发明内容
为解决上述问题，本发明提出了基于特征提取的光纤传感振动信号的异常判断方法和系统，采用标准差局部线性嵌入对特征向量进行降维，解决了在梅尔频率倒谱系数特征提取过程中因语音信号与光纤传感振动信号频率差异而导致的识别率低的问题，提高了光纤传感系统的检测实时性及识别率，实现对异常信号的快速、准确识别。
为达到上述目的，本发明采用如下技术方案：
第一方面，本发明提供基于特征提取的光纤传感振动信号的异常判断方法，具体步骤如下：
采集光缆中的振动信号；
对振动信号进行预处理；
将预处理后的振动信号通过基于频谱能量分析的梅尔频率倒谱系数特征提取方法提取特征向量矩阵；
将特征向量矩阵通过标准差局部线性嵌入方法进行特征降维；
根据降维后的特征向量判断信号是否为异常信号；
若信号为异常信号，则进行报警。
优选地，将预处理后的振动信号通过基于频谱能量分析的梅尔频率倒谱系数特征提取方法提取特征向量矩阵的步骤包括：
获取振动信号的功率谱；
基于频谱能量分析的梅尔滤波器组；
根据梅尔滤波器组与功率谱得到对数能量；
对对数能量进行离散余弦变换，获取基于频谱能量分析的梅尔频率倒谱系数；
对基于频谱能量分析的梅尔频率倒谱系数进行动态显著性差分处理，得到差分系数；
组合基于频谱能量分析的梅尔频率倒谱系数与动态差分系数，得到光纤传感振动信号的联合特征向量。
优选地，获取基于频谱能量分析的梅尔滤波器组包括如下步骤：
根据不同频段能量占比，通过阈值判断得到频率范围，确定截止频率；
根据截止频率，调整梅尔转换公式；
根据调整的梅尔转换公式，得到基于频谱能量分析的梅尔滤波器组。
优选地，根据不同频段能量占比，通过阈值判断得到频率范围，确定截止频率，包括如下步骤：
对光纤振动传感信号进行小波包分解，获得不同频段能量占比；通过对信号进行i层小波包分解产生j个不同的尺度，则第i层分解的输出系数记为Ci,j，其中j＝0,1,2,...,2i-1，i为分解层次，j为相应的尺度。
每个频段对应的能量为Ej,每个频段的能量占比为Pj，根据不同频段能量占比，通过阈值L判断，得到频率范围，确定截止频率；选择能量占比之和大于等于L的频段，确定截止频率为fcut-off,具体实现过程如下:
每个频段对应的能量为Ej:
总能量为ETotal:
ETotal＝∑Ej
每个频段的能量占比为Pj:
Pj＝Ej/ETotal
频段范围应该满足判断公式，即
其中，L为0.95；
根据频段集合确定频段范围fcut-off：
其中Fs，为每个频带的频率范围，J为频段集合，J＝{1,…,j},
优选地，所述调整前的调整梅尔-频率转换公式为：
其中f是频率，M是信号频率f对应的梅尔尺度，C为梅尔-频率转换公式系数。
优选地，依据截止频率设计用于调整梅尔-频率转换公式的调整参数为：
其中，k1,k2为调整系数。
优选地，依据调整参数调整梅尔-频率转换公式，调整后的梅尔-频率转换公式为：
其中N是补偿拟合常数，为N＝(k1-k2)Cln2，调整后梅尔-频率转换公式在截止频率内保持线性函数关系并增幅线性关系，在超过截止频率后保持对数函数关系并平缓对数关系。
优选地，将特征向量矩阵通过标准差局部线性嵌入进行特征降维，包括如下步骤：
对于特征向量矩阵，对于各个维度的每个样本点求相邻点的标准化欧式距离，根据标准化欧式距离选择最近邻域点；
对每个样本点与它的邻域集进行重构权值计算，获得重构权值矩阵；
对损失函数Φ(Y)进行极小化运算，获得低维嵌入矩阵Y：
其中，Y为所得低维嵌入矩阵，W为权值矩阵，Wi,Ii分别是单位矩阵W,I的第i列，T为转置。
优选地，对振动信号进行预处理的过程包括去噪及端点检测。
第二方面，本发明提供了基于特征提取的光纤传感振动信号的异常判断系统，包括：存储介质和处理器；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据第一方面中中任一项所述的方法
本发明所达到的有益效果：本发明提供基于特征提取的光纤传感振动信号的异常判断方法和系统，通过对梅尔频率倒谱系数特征提取方法的改进，解决了在梅尔频率倒谱系数特征提取过程中因语音信号与光纤传感振动信号频率差异而导致的识别率低的问题，提高了光纤传感系统的检测实时性及识别率，实现对异常信号的快速、准确识别。本发明通过基于频谱能量分析的梅尔频率倒谱系数特征提取方法提取特征向量，使用标准差局部线性嵌入方法进行特征降维，进而确定光纤振动信号是否存在异常，可用于各种基于光纤振动信号的安防系统，具有较强的准确率和适应性。
附图说明
图1是本发明实施例一提供的基于特征提取的光纤传感振动信号的异常判断方法的流程示意图；
图2是本发明实施例一中基于频谱能量分析的梅尔频率倒谱系数特征提取方法的流程示意图。
图3是标准差局部线性嵌入方法的流程示意图。
图4是本发明实施例一中的频段能量占比图。
图5是本发明实施例一中的改进梅尔-频率转换关系图
具体实施方式
下面根据附图并结合实施例对本发明的技术方案作进一步阐述。
实施例一：
图1是本发明实施例的基于特征提取的光纤传感振动信号的异常判断方法的流程示意图，包括以下步骤：
S1：采集光缆中的振动信号，对振动信号进行预处理：
振动信号包括因非法入侵产生的异常信号、恶意破坏产生的异常信号、风吹产生的异常信号和正常走动等产生的干扰信号；
对振动信号进行预处理的过程包括去噪以及端点检测：去噪的方法包括小波去噪；使用峰值估计以及小波包络截取法进行端点检修以及截取。
S2：将预处理后的振动信号通过基于频谱能量分析的梅尔频率倒谱系数特征提取方法提取特征向量矩阵，如图2所示，包括如下步骤：
21)获取振动信号的功率谱：
212)对预处理后的振动信号进行预加重，获得加重信号；
预加重的过程包括：对预处理后的振动信号的高频部分进行预加重处理，根据如下公式进行预加重处理：Y[n]＝X[n]-αX[n-1]。其中，Y[n]是经过预加重处理后的输出信号，X[n]是光纤振动信号输入，X[n-1]是光纤振动信号下一个输入，α是滤波器系数，α的值是0.97；
212)对加重信号进行分帧，获得分帧信号；
本实施例中信号采样频率预设10kHz，计算对应的采样长度，选定帧长为25.6ms，采样频率乘以帧长为采样点，即每一帧包括256个采样点；为了避免相邻两帧之间的变化过大，因此让两相邻帧之间有一段重叠区域即为帧移，此重叠区域的采样点数一般为每帧采样点数的1/3。
213)对每一帧分帧信号加汉明窗，得到加窗信号；
214)对每一帧加窗信号进行快速傅里叶变换，得到每一帧加窗信号的频谱；
215)对频谱进行计算得到功率谱。
22)获取基于频谱能量分析的梅尔滤波器组：
221)对光纤振动传感信号进行小波包分解，获得不同频段能量占比；通过对信号进行i层小波包分解产生j个不同的尺度，则第i层分解的输出系数记为Ci,j，其中j＝0,1,2,...,2i-1，i为分解层次，j为相应的尺度。
222)每个频段对应的能量为Ej,每个频段的能量占比为Pj，根据不同频段能量占比，通过阈值L判断，得到频率范围，确定截止频率；选择能量占比之和大于等于L的频段，确定截止频率为fcut-off，具体实现过程如下:
每个频段对应的能量为Ej：
总能量为ETotal：
ETotal＝∑Ej
每个频段的能量占比为Pj：
Pj＝Ej/ETotal
频段范围应该满足判断公式，即
其中，L为0.95；
Fs为每个频带的频率范围，J为频段集合，J＝{1,…,j},根据频段集合确定截止频率fcut-off：
图4为本实施例的频段能量占比图，根据频段能量占比的不同，第一类经过计算判定为第一频段与第二频段，频率范围为0-1250Hz，截止频率为1250Hz。
223)根据截止频率，调整梅尔-频率转换公式系数C：
调整前的梅尔-频率转换公式为：
其中f是频率；M是信号频率f对应的梅尔尺度；C为梅尔-频率转换公式系数；fcut-off为梅尔-频率转换公式中截止频率。依据截止频率设计用于调整梅尔-频率转换公式的调整参数：
其中，k1,k2为调整系数。
依据调整参数调整梅尔-频率转换公式，调整后梅尔-频率转换公式为：
其中N是补偿拟合常数，为N＝(k1-k2)Cln2，调整后梅尔-频率转换公式在截止频率内保持线性函数关系并增幅线性关系，在超过截止频率后保持对数函数关系并平缓对数关系。在本实施例中，fcut-off为1250Hz，k1为2,k2为1/2。图5为本发明实施例提供的改进梅尔-频率转换关系图。
224)根据调整后的梅尔-频率转换公式，得到基于频谱能量分析的梅尔滤波器组；
23)根据梅尔滤波器组与功率谱得到对数能量s(m)：
其中P(k)是信号的功率谱，Hm(k)是滤波器组，k为频域中第k个谱线，在此实施例中有N-1个谱线。
24)对对数能量进行离散余弦变换，获取基于频谱能量分析的梅尔频率倒谱系数：
其中，s(m)是对数能量，得到C(n)为基于频谱能量分析的梅尔频率倒谱系数。
25)对基于频谱能量分析的梅尔频率倒谱系数进行动态显著性差分处理，得到差分系数；
26)组合基于频谱能量分析的梅尔频率倒谱系数与差分系数，得到联合特征向量。
S3：将联合特征向量通过标准差局部线性嵌入进行特征降维，如图3所示：
31)对每个样本点求相邻点的标准化欧式距离，根据标准化欧式距离选择最近邻域点。
32)对每个样本点与它的邻域集进行重构权值计算，获得重构权值矩阵。
33)对损失函数Φ(Y)进行极小化运算，获得低维嵌入矩阵Y：
其中，Y为所得低维嵌入矩阵，W为权值矩阵，Wi,Ii分别是单位矩阵W,I的第i列，T为转置。
S4：通过降维后的特征向量矩阵判断信号是否为异常信号：若判断异常信号为扰动信号，则进入步骤S5；若判断异常信号不是扰动信号，则执行步骤S1；
降维后基于频谱能量分析的梅尔频率倒谱系数特征向量矩阵判断信号是否为异常信号的方法为：信号经过特征提取得到特征向量矩阵，然后进行降维处理后，送入预先训练好的支持向量机判别是否为异常情况，为何种异常行为。
S5：对异常信号根据不同情况进行报警。
实施例二：
基于与实施例一相同的发明构思，本发明提供了基于特征提取的光纤传感振动信号的异常判断系统，包括：存储介质和处理器；
存储介质用于存储指令；
处理器用于根据所述指令进行操作以执行根据实施例一中任一项所述的方法。
以上所述仅为本发明的优选实施方式，用以说明本发明的技术方案，而非对其限制；应当指出：对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.基于特征提取的光纤传感振动信号的异常判断方法，其特征在于：包括以下步骤：
采集光缆中的振动信号；
对振动信号进行预处理；
将预处理后的振动信号通过基于频谱能量分析的梅尔频率倒谱系数特征提取方法提取特征向量矩阵；
将特征向量矩阵通过标准差局部线性嵌入方法进行特征降维；
根据降维后的特征向量判断信号是否为异常信号；
若信号为异常信号，则进行报警。
2.根据权利要求1所述的基于特征提取的光纤传感振动信号的异常判断方法，其特征在于：将预处理后的振动信号通过基于频谱能量分析的梅尔频率倒谱系数特征提取方法提取特征向量矩阵的步骤包括：
获取振动信号的功率谱；
获取基于频谱能量分析的梅尔滤波器组；
根据梅尔滤波器组与功率谱得到对数能量；
对对数能量进行离散余弦变换，获取基于频谱能量分析的梅尔频率倒谱系数；
对基于频谱能量分析的梅尔频率倒谱系数进行动态显著性差分处理，得到动态差分系数；
组合基于频谱能量分析的梅尔频率倒谱系数与动态差分系数，得到光纤传感振动信号的联合特征向量。
3.根据权利要求2所述的基于特征提取的光纤传感振动信号的异常判断方法，其特征在于：
获取基于频谱能量分析的梅尔滤波器组包括如下步骤：
根据不同频段能量占比，通过阈值判断得到频率范围，确定截止频率；
根据截止频率，调整梅尔-频率转换公式；
根据调整的梅尔-频率转换公式，得到基于频谱能量分析的梅尔滤波器组。
4.根据权利要求3所述的基于特征提取的光纤传感振动信号的异常判断方法，其特征在于：根据不同频段能量占比，通过阈值判断得到频率范围，确定截止频率，包括如下步骤：
对光纤振动传感信号进行小波包分解，获得不同频段能量占比；通过对信号进行i层小波包分解产生j个不同的尺度，则第i层分解的输出系数记为Ci,j，其中j＝0,1,2,...,2i-1，i为分解层次，j为相应的尺度。
每个频段对应的能量为Ej,每个频段的能量占比为Pj，根据不同频段能量占比，通过阈值L判断，得到频率范围，确定截止频率；选择能量占比之和大于等于L的频段，确定截止频率为fcut-off,具体实现过程如下:
每个频段对应的能量为Ej:
总能量为ETotal:
ETotal＝∑Ej
每个频段的能量占比为Pj:
Pj＝Ej/ETotal
频段范围应该满足判断公式，即
其中，L为0.95；
根据频段集合确定截止频率fcut-off：
其中Fs为每个频带的频率范围，J为频段集合，J＝{1,…,j}。
5.根据权利要求3所述的基于特征提取的光纤传感振动信号的异常判断方法，其特征在于：所述调整前的梅尔-频率转换公式为：
其中f是频率，M是信号频率f对应的梅尔尺度，C为梅尔-频率转换公式系数。
6.根据权利要求5所述的基于特征提取的光纤传感振动信号的异常判断方法，其特征在于：
依据截止频率设计用于调整梅尔-频率转换公式的调整参数为：
其中，k1,k2为调整系数。
7.根据权利要求6所述的基于特征提取的光纤传感振动信号的异常判断方法，其特征在于：
依据调整参数调整梅尔-频率转换公式，调整后的梅尔-频率转换公式为：
其中N是补偿拟合常数，N＝(k1-k2)Cln2，调整后梅尔-频率转换公式在截止频率内保持线性函数关系并增幅线性关系，在超过截止频率后保持对数函数关系并平缓对数关系。
8.根据权利要求1所述的基于特征提取的光纤传感振动信号的异常判断方法，其特征在于：将特征向量矩阵通过标准差局部线性嵌入进行特征降维，包括如下步骤：
对于特征向量矩阵，对于各个维度的每个样本点求相邻点的标准化欧式距离，根据标准化欧式距离选择最近邻域点；
对每个样本点与它的邻域集进行重构权值计算，获得重构权值矩阵；
对损失函数Φ(Y)进行极小化运算，获得低维嵌入矩阵Y：
其中，Y为所得低维嵌入矩阵，W为权值矩阵，Wi,Ii分别是单位矩阵W,I的第i列，T为转置。
9.根据权利要求1所述的基于特征提取的光纤传感振动信号的异常判断方法，其特征在于：对振动信号进行预处理的过程包括去噪及端点检测。
10.基于特征提取的光纤传感振动信号的异常判断系统，其特征在于：
包括：存储介质和处理器；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1-9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111677844.6A CN114295195B (zh) | 2021-12-31 | 2021-12-31 | 基于特征提取的光纤传感振动信号的异常判断方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111677844.6A CN114295195B (zh) | 2021-12-31 | 2021-12-31 | 基于特征提取的光纤传感振动信号的异常判断方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114295195A true CN114295195A (zh) | 2022-04-08 |
| CN114295195B CN114295195B (zh) | 2023-06-13 |
Family
ID=80976271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111677844.6A Active CN114295195B (zh) | 2021-12-31 | 2021-12-31 | 基于特征提取的光纤传感振动信号的异常判断方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114295195B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115479219A (zh) * | 2022-09-20 | 2022-12-16 | 无锡科晟光子科技有限公司 | 智能管道状态监测方法、监测装置及智能管道系统 |
| CN117938260A (zh) * | 2024-03-25 | 2024-04-26 | 江苏时同源科技有限公司 | 基于光纤网络高精度授时系统的故障检测系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020065649A1 (en) * | 2000-08-25 | 2002-05-30 | Yoon Kim | Mel-frequency linear prediction speech recognition apparatus and method |
| CN103514877A (zh) * | 2013-10-12 | 2014-01-15 | 新疆美特智能安全工程股份有限公司 | 振动信号特征参数提取方法 |
| CN111128229A (zh) * | 2019-08-05 | 2020-05-08 | 上海海事大学 | 语音分类方法、装置及计算机存储介质 |
| CN111157099A (zh) * | 2020-01-02 | 2020-05-15 | 河海大学常州校区 | 一种分布式光纤传感器振动信号分类方法及识别分类系统 |
| KR20200075148A (ko) * | 2018-12-13 | 2020-06-26 | 현대자동차주식회사 | 문제소음 발음원 식별을 위한 소음데이터의 인공지능 장치 및 전처리 방법 |
| CN113011302A (zh) * | 2021-03-11 | 2021-06-22 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于卷积神经网络的雷声信号识别系统及方法 |
-
2021
- 2021-12-31 CN CN202111677844.6A patent/CN114295195B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020065649A1 (en) * | 2000-08-25 | 2002-05-30 | Yoon Kim | Mel-frequency linear prediction speech recognition apparatus and method |
| CN103514877A (zh) * | 2013-10-12 | 2014-01-15 | 新疆美特智能安全工程股份有限公司 | 振动信号特征参数提取方法 |
| KR20200075148A (ko) * | 2018-12-13 | 2020-06-26 | 현대자동차주식회사 | 문제소음 발음원 식별을 위한 소음데이터의 인공지능 장치 및 전처리 방법 |
| CN111128229A (zh) * | 2019-08-05 | 2020-05-08 | 上海海事大学 | 语音分类方法、装置及计算机存储介质 |
| CN111157099A (zh) * | 2020-01-02 | 2020-05-15 | 河海大学常州校区 | 一种分布式光纤传感器振动信号分类方法及识别分类系统 |
| CN113011302A (zh) * | 2021-03-11 | 2021-06-22 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于卷积神经网络的雷声信号识别系统及方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115479219A (zh) * | 2022-09-20 | 2022-12-16 | 无锡科晟光子科技有限公司 | 智能管道状态监测方法、监测装置及智能管道系统 |
| CN115479219B (zh) * | 2022-09-20 | 2024-03-01 | 无锡科晟光子科技有限公司 | 智能管道状态监测方法、监测装置及智能管道系统 |
| CN117938260A (zh) * | 2024-03-25 | 2024-04-26 | 江苏时同源科技有限公司 | 基于光纤网络高精度授时系统的故障检测系统 |
| CN117938260B (zh) * | 2024-03-25 | 2024-05-24 | 江苏时同源科技有限公司 | 基于光纤网络高精度授时系统的故障检测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114295195B (zh) | 2023-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111157099B (zh) | 一种分布式光纤传感器振动信号分类方法及识别分类系统 | |
| CN112201255A (zh) | 语音信号频谱特征和深度学习的语音欺骗攻击检测方法 | |
| Suthokumar et al. | Modulation Dynamic Features for the Detection of Replay Attacks. | |
| CN110570880B (zh) | 一种鼾声信号识别方法 | |
| CN114295195A (zh) | 基于特征提取的光纤传感振动信号的异常判断方法和系统 | |
| CN112542174A (zh) | 基于vad的多维特征参数声纹识别方法 | |
| CN111524520A (zh) | 一种基于误差逆向传播神经网络的声纹识别方法 | |
| CN113409817B (zh) | 一种基于声纹技术的音频信号实时追踪比对方法 | |
| CN115452378A (zh) | 基于功率正则化倒谱系数的滚动轴承故障声纹识别方法 | |
| CN114283835A (zh) | 一种适用于实际通信条件下的语音增强与检测方法 | |
| Couvreur et al. | Automatic noise recognition in urban environments based on artificial neural networks and hidden markov models | |
| CN101566999B (zh) | 一种快速音频检索的方法 | |
| CN114492543A (zh) | 一种基于时频域特征的局部放电分类识别方法 | |
| CN113611314A (zh) | 一种说话人识别方法及系统 | |
| CN119091916A (zh) | 一种基于Transformer算法的变压器故障声纹诊断方法 | |
| CN118098277A (zh) | 一种变压器声纹检测系统的声纹预处理方法 | |
| CN115097266B (zh) | 一种电力电缆局部放电类型识别方法、装置及存储介质 | |
| Sundaram et al. | Usable Speech Detection Using Linear Predictive Analysis–A Model-Based Approach | |
| CN114530161A (zh) | 一种基于谱减与自适应子带对数能熵积的语音检测方法 | |
| CN114299907A (zh) | 一种减振器总成异响检测方法 | |
| Cao et al. | Acoustics recognition of excavation equipment based on MF-PLPCC features and RELM | |
| Li et al. | Research on Condition Monitoring Method of Power Equipment Based on Voiceprint Signal | |
| Kou et al. | Research on feature Optimization algorithm of Optical Fiber Sensor recognition system | |
| CN120086655A (zh) | 一种基于特征融合的变压器故障检测方法 | |
| Zhang | Dynamic Feature Extraction Method of Phone Speakers Based on Deep Learning |
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 |