CN114626420A - 一种基于CWT-Xception-RF的φ-OTDR振动事件分类方法 - Google Patents
一种基于CWT-Xception-RF的φ-OTDR振动事件分类方法 Download PDFInfo
- Publication number
- CN114626420A CN114626420A CN202210304198.7A CN202210304198A CN114626420A CN 114626420 A CN114626420 A CN 114626420A CN 202210304198 A CN202210304198 A CN 202210304198A CN 114626420 A CN114626420 A CN 114626420A
- Authority
- CN
- China
- Prior art keywords
- phi
- vibration signal
- otdr
- otdr vibration
- formula
- 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.)
- Pending
Links
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
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于CWT‑Xception‑RF的φ‑OTDR振动信号分类方法,首先通过提取获得φ‑OTDR振动信号的人工特征,通过CWT处理获得φ‑OTDR振动信号时频图;针对时频图利用迁移学习Xception模型提取获得φ‑OTDR振动信号深度特征;然后针对人工特征和深度特征,利用皮尔逊相关系数法进行相关性分析,获得相关系数值;最后构建随机森立分类算法RF对相关系数值不高于0.9的人工特征和深度特征进行计算,输出φ‑OTDR振动信号所属各类别的概率,实现φ‑OTDR振动信号分类。本发明为降低φ‑OTDR系统中高误警率的现象提供了一种有效的识别方法。
Description
技术领域
本发明涉及特征提取和模式识别技术领域,通过提取不同振动事件在时域、频域和音频域及Xception模型上的多特征参数构成数据集,利用随机森林分类器模型对振动事件进行识别分类。
背景技术
分布式光纤传感器相比传统传感器而言,具有体积小、重量轻、抗电磁干扰能力强、灵敏度高、传感范围广等优点。其中,相敏式光时域反射计是一种典型的分布式传感光纤技术,具有多点扰动检测、高相干性、结构简单等特点,广泛应用于周界安防、输油管道监测、地震预警、铁路安全监测等重要领域。但在实际应用场景中存在一些不可控制因素,包括外界环境干扰、系统内部光学器件噪声等,造成高误警率(NAR)的现象。因此,为解决高误警率的问题,提出了一些优化φ-OTDR结构提升系统灵敏度的方案。但这些往往由于结构复杂、成本较高等问题,不适合于普遍的应用场景。
发明内容
本发明是为避免上述现有技术所存在的不足,提供一种基于CWT-Xception-RF的φ-OTDR振动事件分类方法,降低φ-OTDR系统中高误警率,实现对外界振动信号进行识别分类。
本发明为解决技术问题采用如下技术方案:
本发明基于CWT-Xception-RF的φ-OTDR振动信号分类方法的特点是:
通过提取获得φ-OTDR振动信号的人工特征;
针对φ-OTDR振动信号进行CWT处理获得φ-OTDR振动信号时频图;针对所述φ-OTDR振动信号时频图,利用迁移学习Xception模型提取获得φ-OTDR振动信号深度特征;
针对所述φ-OTDR振动信号的人工特征和深度特征,利用皮尔逊相关系数法进行相关性分析,获得相关系数值;
构建随机森立分类算法RF对相关系数值不高于0.9的人工特征和深度特征进行计算,输出φ-OTDR振动信号所属各类别的概率,从而实现φ-OTDR振动信号分类。
本发明基于CWT-Xception-RF的φ-OTDR振动信号分类方法特点也在于按如下步骤进行:
步骤1、对φ-OTDR振动信号进行谱减法去噪处理获得去噪φ-OTDR振动信号傅里叶谱x(ω),针对所述去噪φ-OTDR振动信号傅里叶谱x(ω)通过IFFT(x(ω))傅里叶反变换获得去噪φ-OTDR振动信号x(t);
步骤2、针对所述去噪φ-OTDR振动信号x(t)通过提取获得φ-OTDR振动信号人工特征,所述φ-OTDR振动信号人工特征包括φ-OTDR振动信号各时域特征、φ-OTDR振动信号各频域特征,以及φ-OTDR振动信号各音频域特征;
步骤3、针对所述φ-OTDR振动信号人工特征中各特征值s按式(2)进行归一化处理,对应获得各特征值s的归一化特征值s':
式(2)中:smin为特征值s中的最小特征值,smax为特征值s中的最大特征值;
步骤4:针对所述去噪φ-OTDR振动信号x(t)按式(3)进行CWT处理,获得φ-OTDR振动信号时频图:
式(3)中:
S(α,β)表示φ-OTDR振动信号经过CWT变换后的时频图像素值;
t表示时间,α表示尺度,β表示平移因子,ψ(t)表示小波母函数;
步骤5:利用迁移学习Xception模型提取φ-OTDR振动信号时频图深度特征:
所述Xception模型包含卷积层、最大池化层以及全连接层;
φ-OTDR振动信号的时频图像素值S(α,β)在经过卷积层后的卷积层结果Z由式(4)表征:
以(J,K)表示卷积层中的滤波器尺寸,J为滤波器长度,K为滤波器宽度;
ω为卷积层的权值,b为卷积层的偏置项;
卷积层结果Z在经过最大池化层后的最大池化层像素值Z'由式(5)表征:
Z'=Max(Z×ν(n,n)) (5)
式(5)中:
ν(n,n)为最大池化层窗函数;
最大池化层像素值Z'在经过全连接层后的全连接层结果Z”由式(6)所表征:
式(6)中:A'=b'+ω'Z',b'为全连接层偏置项,ω'为全连接层权值;
所述全连接层结果Z”即为φ-OTDR振动信号时频图的深度特征;
步骤6:采用皮尔逊相关系数法对所述φ-OTDR振动信号的人工特征和深度特征进行相关性分析按式(7)计算获得两个特征之间的相关系数值:
式(7)中:
cov(x1,x2)为特征x1和特征x2之间的协方差;
步骤7:构建随机森立分类算法(RF)对相关系数值不高于0.9的人工特征和深度特征进行计算,输出φ-OTDR振动信号所属各类别的概率,实现φ-OTDR振动信号分类。
本发明基于CWT-Xception-RF的φ-OTDR振动信号分类方法的特点也在于:在所述步骤1中对所述φ-OTDR振动信号按式(1)进行谱减法去噪处理获得去噪φ-OTDR振动信号傅里叶谱x(ω):
式(1)中:
|s(ω)|为φ-OTDR振动信号频谱;
|n(ω)|为φ-OTDR振动信号中的噪声信号频谱;
本发明基于CWT-Xception-RF的φ-OTDR振动信号分类方法的特点也在于:在所述步骤7中按如下过程实现φ-OTDR振动信号分类:
7.1、将相关系数值不高于0.9的人工特征和深度特征构成数据集L,通过N次有放回的抽样方式,构建N个不同的样本数据集;
7.2、根据每一个不同的样本数据集对应构建一个决策树,预测并统计每一个样本集在决策树上的预测结果,并按式(8)计算预测φ-OTDR振动信号所属各类别的概率Tc:
式(8)中:Lc为样本数据集中出现预测结果为类别c的次数;
7.3、分类结果由所有决策树通过投票方式得到,并按式(9)获得RF模型最后预测结果:
H=arg max(Tc) (9)
式(9)中:argmax函数为获得Tc值中最大的下标索引;取所有决策树的预测下标H的众数作为随机森林模型预测结果,完成基于CWT-Xception-RF的φ-OTDR振动信号分类。
与已有技术相比,本发明有益效果体现在:
1、本发明振动事件分类方法综合考虑振动信号的特征,并在小数据集样本上仍具有较高准确率,为降低φ-OTDR系统中高误警率的现象提供了一种有效的模式识别方法。
2、本发明利用不同振动信号的时域、频域和音频域特征及迁移学习Xception模型提取到的深度特征作为原始数据集,既避免了人工提取特征先验性不足,又可以有效减少传统CNN训练时间,避免复杂的调优参数过程,综合利用了振动信号特征。
3、本发明利用迁移学习与随机森林算法各自的优势,在不需要昂贵的硬件设备下,可以迁移使用识别性能优异的网络模型,利用迁移学习的方法可以在标注数据集较小的情况下,仍有较高的识别准确率,在φ-OTDR振动信号识别中具有优异的性能。
4、相比于复杂的硬件结构设计,本发明通过更有效的深度学习模型算法有效的节省了实验成本。
5、本发明方法不仅具有较高的准确率,有效降低NAR问题,而且在高质量标注数据集较小的情况下,仍有很高的准确率。传统的深度学习网络只有在层数比较多,训练次数及时长较高的情况下,振动事件分类才能达到高准确率,本发明利用迁移学习的算法思想,用ImageNet数据集对Xception模型进行预训练,只需对预训练模型进行微调,有效的减少了深度学习网络训练次数及时长。
附图说明
图1为本发明中CWT-Xception-RF模型算法流程;
图2为本发明中连续敲击信号波形图;
图3为本发明中连续敲击信号谱减法去噪后波形图;
图4为本发明中连续敲击信号CWT变换时频图;
图5为迁移学习Xception模型训练曲线图;
图6为RF分类器预测结果混淆矩阵图;
图7为RF分类器算法流程图;
具体实施方式
本发明基于CWT-Xception-RF的φ-OTDR振动信号分类方法是:
首先通过对φ-OTDR振动信号进行谱减法去噪处理,再通过提取获得去噪φ-OTDR振动信号的人工特征,并针对去噪φ-OTDR振动信号进行CWT处理获得φ-OTDR振动信号时频图;针对φ-OTDR振动信号时频图,利用迁移学习Xception模型提取获得φ-OTDR振动信号深度特征。
然后针对φ-OTDR振动信号的人工特征和深度特征,利用皮尔逊相关系数法进行相关性分析,获得相关系数值。
最后,构建随机森立分类算法RF对相关系数值不高于0.9的人工特征和深度特征进行计算,输出φ-OTDR振动信号所属各类别的概率,从而实现φ-OTDR振动信号分类。
本实施案例中传感光纤采用铁丝网悬挂和地面铺设两种方式,针对四类外界扰动事件,其中地面铺设的光纤作为No.I敲击和No.II行走扰动事件的传感部分,铁丝网悬挂的光纤作为No.III风吹和No.IV摇晃扰动事件的传感部分;其中,No.I敲击扰动事件、No.II行走扰动事件,以及No.IV摇晃扰动事件用于模拟外界入侵事件,No.III风吹扰动事件为自然环境干扰事件;为了能够充分体现不同扰动事件在空间上的特征性,每次数据采集时间长6s,四类扰动事件各采集800组,采用五折交叉验证的方法,其中640组作为训练集,160组数据作为测试集。
本实施例中基于CWT-Xception-RF的φ-OTDR振动信号分类方法流程如图1所示,具体按以下步骤进行:
步骤1、采用语音信号常用的谱减法去噪方法,利用加性噪声与语音信号不相关的特点,通过无φ-OTDR振动信号间隙测算的噪声频谱与φ-OTDR振动信号频谱进行相减从而获得去噪φ-OTDR振动信号频谱,再利用去噪前φ-OTDR振动信号的相位恢复去噪φ-OTDR振动信号傅里叶谱x(ω),针对去噪φ-OTDR振动信号傅里叶谱x(ω)通过IFFT(x(ω))傅里叶反变换获得去噪φ-OTDR振动信号x(t),其中,敲击事件对应的φ-OTDR振动信号谱减法去噪前后分别如图2和图3所示。
步骤2、由于特征的选择直接影响φ-OTDR振动信号分类效果,为能够有效区分四类不同扰动事件对应的φ-OTDR振动信号,针对去噪φ-OTDR振动信号x(t)通过提取获得φ-OTDR振动信号人工特征,φ-OTDR振动信号人工特征包括φ-OTDR振动信号各时域特征、φ-OTDR振动信号各频域特征,以及φ-OTDR振动信号各音频域特征,其分别是:φ-OTDR振动信号时域特征包括:峰值、最小值、平均值、短时能量、短时过零率、标准差、方差、峭度和峰峰值;φ-OTDR振动信号频域特征包括:最大值、面积、各频段能量占比、高频能量系数、截止频率和标准差;φ-OTDR振动信号音频域特征包括:梅尔频率倒谱系数、光谱质心、频谱带宽、谱对比度、色度频谱和声谱衰减。
步骤3、为防止特征数值强度小的丢失作用,针对φ-OTDR振动信号人工特征中各特征值s按式(2)进行归一化处理,对应获得各特征值s的归一化特征值s':
式(2)中:smin为特征值s中的最小特征值,smax为特征值s中的最大特征值。
步骤4:φ-OTDR振动信号具有非平稳的特点,时频分析是处理非平稳信号常用的方法,常用时频分析方法有短时傅里叶变换STFT、连续小波变换CWT等,本实施例为获得φ-OTDR振动信号频率成分随时间的变换,针对去噪φ-OTDR振动信号x(t)按式(3)进行连续小波变换CWT处理,获得φ-OTDR振动信号频时频图,其中敲击事件对应的φ-OTDR振动信号时频图如图4所示:
式(3)中:
S(α,β)表示φ-OTDR振动信号经过CWT变换后的时频图像素值;
t表示时间,α表示尺度,β表示平移因子,ψ(t)表示小波母函数。
步骤5:为避免φ-OTDR振动信号人工特征包含的信息不足问题,利用迁移学习Xception网络模型提取φ-OTDR振动信号时频图深度特征,迁移Xception模型训练变换曲线如图5所示,具体过程如下:利用迁移学习Xception模型来提取φ-OTDR振动信号时频图深度特征时,是需要一个训练的过程的,训练过程效果的好坏代表用该模型提取深度特征的效果好坏,图5中四条曲线分别对应着在训练过程中φ-OTDR振动信号时频图数据集,包含训练数据集和测试数据集,在该模型上的预测准确率及损失值的变换曲线,曲线Q1为训练集准确率变化曲线,曲线Q2为训练集损失值变化曲线,曲线V1为验证集准确率变化曲线,曲线V2为验证集损失值变化曲线,其中准确率变化曲线越来越高,说明模型提取深度特征效果越好;损失值变化曲线则是模型不断调整内部网络层的参数来提升准确率的过程,损失值越来越小,也就是说模型预测结果与真实结果差距越来越小。
Xception网络模型包含卷积层、最大池化层以及全连接层;
φ-OTDR振动信号的时频图像素值S(α,β)在经过卷积层后的卷积层结果Z由式(4)表征:
以(J,K)表示卷积层中的滤波器尺寸,J为滤波器长度,K为滤波器宽度;
ω为卷积层的权值,b为卷积层的偏置项;
卷积层结果Z在经过最大池化层后的最大池化层像素值Z'由式(5)表征:
Z'=Max(Z×ν(n,n)) (5)
式(5)中:
ν(n,n)为最大池化层窗函数;
最大池化层像素值Z'在经过全连接层后的全连接层结果Z”由式(6)所表征:
式(6)中:A'=b'+ω'Z',b'为全连接层偏置项,ω'为全连接层权值;
全连接层结果Z”即为φ-OTDR振动信号时频图的深度特征。
步骤6:为降低特征间的冗余性,采用皮尔逊相关系数法对φ-OTDR振动信号的人工特征和深度特征进行相关性分析按式(7)计算获得两个特征之间的相关系数值:
式(7)中:
cov(x1,x2)为特征x1和特征x2之间的协方差;
步骤7:构建随机森立分类算法RF对相关系数值不高于0.9的人工特征和深度特征进行计算,输出φ-OTDR振动信号所属各类别的概率,实现φ-OTDR振动信号分类,四类外界扰动事件对应的φ-OTDR振动信号混淆矩阵分类结果如图6所示,图6可见利用随机森林分类算法最后的分类结果,真实标签是指具体是哪一类扰动事件,预测标签是指RF分类模型预测的结果,如果预测的结果与实际结果一致的越多,表明RF分类算法效果越好,图6中的对角线即是预测结果与实际结果一致的数量。
具体实施中,相应的技术措施也包括:
在步骤1中对φ-OTDR振动信号按式(1)进行谱减法去噪处理获得去噪φ-OTDR振动信号傅里叶谱x(ω):
式(1)中:
|s(ω)|为φ-OTDR振动信号频谱;
|n(ω)|为φ-OTDR振动信号中的噪声信号频谱;
在步骤7中随机森林分类算法RF,其流程如图7所示,具体按如下过程实现φ-OTDR振动信号分类:
7.1、将相关系数值不高于0.9的人工特征和深度特征构成数据集L,通过N次有放回的抽样方式,构建N个不同的样本数据集;
7.2、根据每一个不同的样本数据集对应构建一个决策树,预测并统计每一个样本集在决策树上的预测结果,并按式(8)计算预测φ-OTDR振动信号所属各类别的概率Tc:
式(8)中:Lc为样本数据集中出现预测结果为类别c的次数。
7.3、分类结果由所有决策树通过投票方式得到,并按式(9)获得RF模型最后预测结果:
H=arg max(Tc) (9)
式(9)中:argmax函数为获得Tc值中最大的下标索引;取所有决策树的预测下标H的众数作为随机森林模型预测结果,完成基于CWT-Xception-RF的φ-OTDR振动信号分类。
本发明在输油管道、周界安防等重要领域的实际应用提供了方法简便、成本低、准确率高的振动信号分类方法。
Claims (4)
1.一种基于CWT-Xception-RF的φ-OTDR振动信号分类方法,其特征是:
通过提取获得φ-OTDR振动信号的人工特征;
针对φ-OTDR振动信号进行CWT处理获得φ-OTDR振动信号时频图;针对所述φ-OTDR振动信号时频图,利用迁移学习Xception模型提取获得φ-OTDR振动信号深度特征;
针对所述φ-OTDR振动信号的人工特征和深度特征,利用皮尔逊相关系数法进行相关性分析,获得相关系数值;
构建随机森立分类算法RF对相关系数值不高于0.9的人工特征和深度特征进行计算,输出φ-OTDR振动信号所属各类别的概率,从而实现φ-OTDR振动信号分类。
2.根据权利要求1所述的基于CWT-Xception-RF的φ-OTDR振动信号分类方法,其特征是按如下步骤进行:
步骤1、对φ-OTDR振动信号进行谱减法去噪处理获得去噪φ-OTDR振动信号傅里叶谱x(ω),针对所述去噪φ-OTDR振动信号傅里叶谱x(ω)通过IFFT(x(ω))傅里叶反变换获得去噪φ-OTDR振动信号x(t);
步骤2、针对所述去噪φ-OTDR振动信号x(t)通过提取获得φ-OTDR振动信号人工特征,所述φ-OTDR振动信号人工特征包括φ-OTDR振动信号各时域特征、φ-OTDR振动信号各频域特征,以及φ-OTDR振动信号各音频域特征;
步骤3、针对所述φ-OTDR振动信号人工特征中各特征值s按式(2)进行归一化处理,对应获得各特征值s的归一化特征值s':
式(2)中:
smin为特征值s中的最小特征值,smax为特征值s中的最大特征值;
步骤4:针对所述去噪φ-OTDR振动信号x(t)按式(3)进行CWT处理,获得φ-OTDR振动信号时频图:
式(3)中:
S(α,β)表示φ-OTDR振动信号经过CWT变换后的时频图像素值;
t表示时间,α表示尺度,β表示平移因子,ψ(t)表示小波母函数;
步骤5:利用迁移学习Xception模型提取φ-OTDR振动信号时频图深度特征:
所述Xception模型包含卷积层、最大池化层以及全连接层;
φ-OTDR振动信号的时频图像素值S(α,β)在经过卷积层后的卷积层结果Z由式(4)表征:
以(J,K)表示卷积层中的滤波器尺寸,J为滤波器长度,K为滤波器宽度;
ω为卷积层的权值,b为卷积层的偏置项;
卷积层结果Z在经过最大池化层后的最大池化层像素值Z'由式(5)表征:
Z'=Max(Z×ν(n,n)) (5)
式(5)中:
ν(n,n)为最大池化层窗函数;
最大池化层像素值Z'在经过全连接层后的全连接层结果Z”由式(6)所表征:
式(6)中:A'=b'+ω'Z',b'为全连接层偏置项,ω'为全连接层权值;
所述全连接层结果Z”即为φ-OTDR振动信号时频图的深度特征;
步骤6:采用皮尔逊相关系数法对所述φ-OTDR振动信号的人工特征和深度特征进行相关性分析按式(7)计算获得两个特征之间的相关系数值:
式(7)中:
cov(x1,x2)为特征x1和特征x2之间的协方差;
步骤7:构建随机森立分类算法(RF)对相关系数值不高于0.9的人工特征和深度特征进行计算,输出φ-OTDR振动信号所属各类别的概率,实现φ-OTDR振动信号分类。
4.根据权利要求2所述的基于CWT-Xception-RF的φ-OTDR振动信号分类方法,其特征是在所述步骤7中按如下过程实现φ-OTDR振动信号分类:
7.1、将相关系数值不高于0.9的人工特征和深度特征构成数据集L,通过N次有放回的抽样方式,构建N个不同的样本数据集;
7.2、根据每一个不同的样本数据集对应构建一个决策树,预测并统计每一个样本集在决策树上的预测结果,并按式(8)计算预测φ-OTDR振动信号所属各类别的概率Tc:
式(8)中:
Lc为样本数据集中出现预测结果为类别c的次数。
7.3、分类结果由所有决策树通过投票方式得到,并按式(9)获得RF模型最后预测结果:
H=argmax(Tc) (9)
式(9)中:argmax函数为获得Tc值中最大的下标索引;取所有决策树的预测下标H的众数作为随机森林模型预测结果,完成基于CWT-Xception-RF的φ-OTDR振动信号分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210304198.7A CN114626420A (zh) | 2022-03-25 | 2022-03-25 | 一种基于CWT-Xception-RF的φ-OTDR振动事件分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210304198.7A CN114626420A (zh) | 2022-03-25 | 2022-03-25 | 一种基于CWT-Xception-RF的φ-OTDR振动事件分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114626420A true CN114626420A (zh) | 2022-06-14 |
Family
ID=81903435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210304198.7A Pending CN114626420A (zh) | 2022-03-25 | 2022-03-25 | 一种基于CWT-Xception-RF的φ-OTDR振动事件分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114626420A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115342900A (zh) * | 2022-08-15 | 2022-11-15 | 东北石油大学 | 一种基于随机森林的激光自混合干涉微振动测量方法及系统 |
-
2022
- 2022-03-25 CN CN202210304198.7A patent/CN114626420A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115342900A (zh) * | 2022-08-15 | 2022-11-15 | 东北石油大学 | 一种基于随机森林的激光自混合干涉微振动测量方法及系统 |
CN115342900B (zh) * | 2022-08-15 | 2024-04-30 | 东北石油大学 | 一种基于随机森林的激光自混合干涉微振动测量方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Low-frequency noise suppression method based on improved DnCNN in desert seismic data | |
Zhu et al. | Seismic signal denoising and decomposition using deep neural networks | |
CN111261189B (zh) | 一种车辆声音信号特征提取方法 | |
CN110823356B (zh) | 基于梅尔频谱的分布式光纤入侵检测方法 | |
CN106500735B (zh) | 一种基于压缩感知的fbg信号自适应修复方法 | |
Zhao et al. | Low-frequency desert noise intelligent suppression in seismic data based on multiscale geometric analysis convolutional neural network | |
CN103675617A (zh) | 一种用于高频局部放电信号检测的抗干扰方法 | |
Yao et al. | An adaptive seismic signal denoising method based on variational mode decomposition | |
CN108847252B (zh) | 基于声信号语谱图纹理分布的声特征提取方法 | |
Al-Kaltakchi et al. | Thorough evaluation of TIMIT database speaker identification performance under noise with and without the G. 712 type handset | |
CN114626420A (zh) | 一种基于CWT-Xception-RF的φ-OTDR振动事件分类方法 | |
CN116153329A (zh) | 一种基于cwt-lbp的声音信号时频纹理特征提取方法 | |
CN112542174A (zh) | 基于vad的多维特征参数声纹识别方法 | |
Zhang et al. | Noise attenuation for seismic image using a deep residual learning | |
Gao et al. | Research on deep convolutional neural network time-frequency domain seismic signal denoising combined with residual dense blocks | |
CN111785262B (zh) | 一种基于残差网络及融合特征的说话人年龄性别分类方法 | |
Lin et al. | Research on microseismic denoising method based on CBDNet | |
CN114743562B (zh) | 一种飞机声纹识别方法、系统、电子设备及存储介质 | |
Lan et al. | Improved wavelet packet noise reduction for microseismic data via fuzzy partition | |
CN114093385A (zh) | 一种无人机检测方法及装置 | |
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 | |
CN115854269A (zh) | 泄漏孔喷流噪声识别方法、装置、电子设备及存储介质 | |
CN115064182A (zh) | 自适应梅尔滤波器在强噪声环境下风机故障特征识别方法 | |
CN113093282A (zh) | 一种基于几何模态特征并行网络的沙漠数据消噪方法 | |
CN112731526A (zh) | 依据地震衰减截距检测油气储层的方法 |
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 |