CN114754857A - 一种两段式光纤传感水声信号补偿方法和装置 - Google Patents
一种两段式光纤传感水声信号补偿方法和装置 Download PDFInfo
- Publication number
- CN114754857A CN114754857A CN202210664331.XA CN202210664331A CN114754857A CN 114754857 A CN114754857 A CN 114754857A CN 202210664331 A CN202210664331 A CN 202210664331A CN 114754857 A CN114754857 A CN 114754857A
- Authority
- CN
- China
- Prior art keywords
- signal
- modal
- parameters
- sensing
- loss
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
- G01H9/004—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means using fibre optic sensors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Genetics & Genomics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Optical Communication System (AREA)
Abstract
本发明公开了一种两段式光纤传感水声信号补偿方法和装置。该水声信号补偿方法在传感信号频域分解处理的过程中,首先通过遗传算法寻找传感信号变分模态分解的最优惩罚因子和迭代阈值参数,使得信号处理过程中尽可能降低信号损失;其次,将损失信号通过基于多尺度排列熵的补偿算法,回补至各模态分量,使得水声传感信号在频域分解处理的过程中尽可能少的损失有用信息,提升传感信号的信噪比。
Description
技术领域
本发明涉及光纤传感水听信号处理领域,特别涉及一种两段式光纤传感水声信号补偿方法和装置。
背景技术
基于相位敏感光时域反射(φ-OTDR)原理的光纤分布式声传感(DAS)技术,因其具有检测范围大,抗干扰能力强等特点,在海洋探测方面有着重要的意义。由于分布式光纤传感信号频率范围广、信噪比低、先验信息少等特性,在光纤传感信号的探测识别应用中,通常将传感信号从时域转换到频域进行分析,频域信息鲁棒性较高,不易受外部干扰,对于光纤传感信息挖掘有着重要的意义。φ-OTDR系统中主要充斥着两类噪声,一类是光纤激光器的频率噪声,一类是光纤激光器的强度噪声,在对噪声的分析处理中,通常使用变分模态分解算法对信号进行频域分解处理。变分模态分解(VMD)是一种信号分解并加权融合重构的方法,对于非稳性和低信噪比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,但是在信号分解过程中,由于使用了线性最小均方误差估计的维纳滤波算法,导致尖峰信号被平滑从而损失部分重要信息,此外,信号分解的本质是对信号按频率进行采样,采用过程中通常会丢失信号的高频信息。如何有效减少信号处理过程中有用信息的损失,以及对损失信息合理补偿,对提升光纤传感信号探测识别精度有着重要的意义。
变分模态分解算法中,有两个关键参数影响着信号迭代运算的结果:惩罚因子α和迭代阈值T,α和T控制着信号的重建误差,研究表明,更高的重构误差可能导致信号中重要信息的丢失。因此,适当选择参数可以有效的减少重构误差。为了减少参数差异对信号重建过程的影响,以最小化重构误差为调参目标,主流的参数寻优方法有遗传算法、粒子群优化算法、差分进化算法等。粒子群优化算法和差分进化算法属于进化算法的分支,适用于高维参数寻优问题,在参数较多的情况下有着较快的收敛速度,但是算法复杂度较高,容易陷入局部最优,难以处理噪声问题。遗传算法则在高维参数寻优上收敛较慢,适用于低维参数寻优,模型复杂度较低,在噪声数据的处理上有很好的效果。考虑到变分模态分解中关键参数维度较低,且需要适应噪声信号的随机性,本发明选择遗传算法对参数进行寻优,得到信号损失最低情况下的信号分解参数。
通过参数寻优算法,在首轮信号处理过程中已经将信号损失有效较低。但是,为了最大化保留信号中的有用信息,需要对已经损失的部分信息进行合理补偿,使得信号经过处理后,保留相对完整的信息量。在信息补偿领域,语音信号领域有较为成熟的应用,主要的解决方案有两种,一种是设计浮动阈值的非线性滤波器,第二种是通过计算不同通道信号分量与原始信号的相似度,对不同通道的语音信号进行补偿,使信号稳定在正常的听阈和痛阈范围。在信号补偿上,我们选择对模态分量进行权重补偿,对信息量多的模态分量设置相应较大的补偿权重,对信息量少的模态分量进行少量补偿。本发明设计了一种基于多尺度排列熵的权重补偿算法,有效的将已经损失的信息合理补偿到各个信号分解量上,保留信号的绝大多数信息量的同时,提升模态分量的可区分性,为后续目标信号探测提供基础。目前,在光纤分布式声波传感数据应用方面,降低信号处理损失和权重损失补偿的信息补偿方案尚无公开的相关文献资料,因此,这种两段式的光纤分布式声波传感信号补偿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两段式光纤传感水声信号补偿方法和装置,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:
本发明公开了一种两段式光纤传感水声信号补偿方法,包括以下步骤:
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系统采集传感数据,获得传感信号;
S2、初始化变分模态分解模型的参数;所述参数包括惩罚因子和迭代阈值;
S3、将传感信号输入到S2中的变分模态分解模型中;通过遗传算法寻找信号损失最少情况下的变分模态分解模型的参数;得到最优参数;
S4、将变分模态分解模型的参数设置为S3中的最优参数,将传感信号输入到最优参数的变分模态分解模型中,获得信号损失最小情况下的若干个模态分量;
S5、计算信号损失量;
S6、计算模态分量的多尺度排列熵,将模态分量按照时间尺度区间均值化处理,计算排列熵,将排列熵归一化后得到多尺度排列熵的值;
S7、基于多阶排列熵的设计信息权重补偿;将信号损失量通过变分模态分解算法进行二次分解,获得损失信号模态分量,将损失信号模态分量按照频段补偿到步骤S4的模态分量中。
作为优选,步骤S3中通过遗传算法寻找信号损失最少情况下的变分模态分解算法的参数具体包括如下子步骤:
S31、创建一个种群,所述种群中包含有若干个不同参数的变分模态分解模型;设置迭代次数;
S32、将传感信号输入到不同参数的变分模态分解模型中,计算每个变分模态分解模型的信号损失量作为该变分模态分解模型的适应度值,以信号的重构误差为适应度值进行进化;
S33、根据变分模态分解模型的适应度值,通过轮盘选择的方法,为每个变分模态分解模型分配一个选择概率;
S34、选取两组参数不同的变分模态模型作为双亲,通过交叉分享双亲的优异特性,产生优异特性的子代;或选取优异参数的变分模态模型作为父代,通过变异产生一个新的子代;
S35、将子代加入到S31的种群中,替换种群中适应度值最低的个体;
S36、判断是否达到迭代次数;若达到,则在种群中选择适应度值最佳的个体作为最优参数的变分模态分解模型;若未达到;返回步骤S32。
作为优选,步骤S6具体包括如下子步骤:
S61、将每个模态分量按照一定的时间尺度进行区间均值处理,得到该时间尺度下新的均值化时间序列;
S62、对新的均值化时间序列进行嵌入维度和延迟时间维的空间重构,将各子序列内部进行递增排列;
S63、计算该时间尺度下每组序列出现的概率,即可得到每个模态分量的多尺度排列熵;
S64、将多尺度排列熵进行归一化;即为多阶排列熵的值。
本发明还公开了一种两段式光纤传感水声信号补偿装置,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,用于实现上述的一种两段式光纤传感水声信号补偿方法。
本发明还公开了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,实现上述的一种两段式光纤传感水声信号补偿方法。
本发明的有益效果:
1、优化光纤传感水声信号频域分解过程,通过遗传算法寻找有效减少信号损失的模型参数;
2、以信号的信息量为基础,设计信号补偿权重,将信号处理过程中损失的信息通过权重频段对应补偿的方式,添加到各模态分量,有效减少信号中有用信息的损失;
3、通过信号的有效补偿,保留信号的有用信息,提升信号的质量。
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是本发明信号补偿第一段的流程图;
图2是本发明信号补偿第二段的流程图;
图3是本发明实施例的原始信号图;
图4是本发明实施例的模态分量图;
图5是本发明实施例的模态分量频率分布图;
图6是通用参数下的信号损失图;
图7是本发明实施例优化参数下的信号损失图;
图8是本发明损失信号的频域分解图;
图9是本发明损失信号分量的频率分布;
图10是本发明第一阶段信号补偿图;
图11是本发明第二阶段信号补偿图;
图12是本发明信号补偿后的模态分量图;
图13是本发明一种两段式光纤传感水声信号补偿装置的结构示意图。
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。
本发明一种两段式光纤传感水声信号补偿方法,包括以下步骤:
S1、通过基于相位生成载波(PGC)方法解调散射信号相位变化的Φ-OTDR系统采集传感数据,获得传感信号;
S2、初始化变分模态分解模型的参数;所述参数包括惩罚因子和迭代阈值;
S3、将传感信号输入到S2中的变分模态分解模型中;通过遗传算法寻找信号损失最少情况下的变分模态分解模型的参数;得到最优参数;
变分约束模型如下:
变分约束模型求解获得K个模态分量表达式和中心频率的表达式分别为:
S4、将变分模态分解模型的参数设置为S3中的最优参数,将传感信号输入到最优参数的变分模态分解模型中,获得信号损失最小情况下的若干个模态分量;
S6、计算模态分量的多尺度排列熵,将多尺度排列熵进行归一化,得到多阶排列熵的值;
通过对初步信号处理得到的模态分量进行二次权重补偿,使得信号处理过程中尽可能的减少有用信息的丢失。
在一种可行的实施例中,步骤S3中通过遗传算法寻找信号损失最少情况下的变分模态分解算法的参数具体包括如下子步骤:
S31、初始化种群,创建初始种群,种群中的每个染色体代表一组参数下的变分模态分解,将变分模态分解的迭代阈值T和拉格朗日二次惩罚因子α当作染色体中的元素;
S32、将光纤传感水声信号数据集输入到种群中的不同参数的变分模态分解模型中,评估每个模型最终的信号损失量,使用每个变分模态分解模型的信号损失量作为种群个体的适应度值,为每个变分模态分解模型分配一个适应度值,以信号的重构误差为适应度进行进化,其中信号重构误差的数学函数为:
S33、选择适应度高的染色体进行复制,为每一个变分模态分解模型分配一个选择概率,选择操作采用轮盘赌方法,适应度越高模型参数,其被选择的可能性就越大;
S34、重复两次选择操作,选取两组参数不同的变分模态模型作为双亲,通过交叉分享双亲的优异特性,产生优异特性的子代;变异,通过一次选择操作,选取一组优异参数的变分模态模型作为父代,通过变异产生一个新的子代,部分变异子代和父代属性类似;
S35、将新生的子代加入到下一代的种群中,并替换掉原始种群中适应度较低的个体;
S36、判断是否达到最大的迭代次数,若达到迭代次数则在种群中选择适应度最佳的个体作为最优参数的变分模态分解模型;若未达到;返回步骤S32。
在一种可行的实施例中,步骤S6具体包括如下子步骤:
当熵值越小意味着数列的随机化程度越低,信号包含的信息量越大。
本发明一种两段式光纤传感水声信号补偿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13所示,为本发明一种两段式光纤传感水声信号补偿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13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一种两段式光纤传感水声信号补偿方法。
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。
实施例:
针对低信噪比的光纤水听信号,通过两段式光纤传感水声信号补偿方法的,其中第一段信号补偿的流程图如图1所示,第二段信号补偿的流程图如图2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,信号采样频率为20kHz,获得包含时间、相位两个维度的传感信号,如图3所示;
2、将变分模态分解模型的分解数量K设置为6,惩罚因子α设置为0~5000这个范围的随机数,迭代阈值T设置为1e-7~1e-2这个范围的随机数,种群数量设置为400,迭代次数设置为400,通过轮盘选择的方法对种群进行选择,以0.65的概率进行父辈的交叉组合,父辈和母辈的交叉系数分别设置为0.9和0.1,变异过程以0.1的概率进行变异,以信号的重构损失为自适应函数,对种群进行优胜劣汰的迭代运算,获得信息损失最少情况下的惩罚因子参数α和迭代阈值参数T,分别为493.87和0.001173,图4为此参数得到的模态分量图,图5为各模态分量的频率分布图,如图6为标准参数下的信号损失图,和图7为优化参数下的信号损失图,由图可知,通过参数优化可以有效的减少信号处理过程中信号的损失;
3.计算最优参数下信号分解获得的模态分量的多尺度排列熵,将阶数设置为5,是时间延迟设置为1,尺度因子设置为5,计算各个模态分量的信息量,[3.2265735083896616,3.981794592197702,4.484699092183453,4.25827309268848, 3.94400242742287,4.321253440620875];
4.将上述多尺度排列熵的信息量指数导入权重计算公式,将损失信息按照权重频段对应补偿到模态分量,图8和图9为信号分解过程中损失信号的分解量和分解量对应的频率分布图,将损失信息按照信号补偿公式完成第二段信号补偿,完成信息补偿的模态分量如图12所示,此时信号频域分解最终重构损失误差占总信号的2.7%,信号通过第一段信号补偿处理减少的信号损失如图10所示,信号通过第二段信号补偿处理减少的信号损失如图11所示。
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)
1.一种两段式光纤传感水声信号补偿方法,其特征在于,包括以下步骤:
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系统采集传感数据,获得传感信号;
S2、初始化变分模态分解模型的参数;所述参数包括惩罚因子和迭代阈值;
S3、将传感信号输入到S2中的变分模态分解模型中;通过遗传算法寻找信号损失最少情况下的变分模态分解模型的参数;得到最优参数;
S4、将变分模态分解模型的参数设置为S3中的最优参数,将传感信号输入到最优参数的变分模态分解模型中,获得信号损失最小情况下的若干个模态分量;
S5、计算信号损失量;
S6、计算模态分量的多尺度排列熵,将模态分量按照时间尺度区间均值化处理,计算排列熵,将排列熵归一化后得到多尺度排列熵的值;
S7、基于多阶排列熵的设计信息权重补偿;将信号损失量通过变分模态分解算法进行二次分解,获得损失信号模态分量,将损失信号模态分量按照频段补偿到步骤S4的模态分量中。
2.如权利要求1所述的一种两段式光纤传感水声信号补偿方法,其特征在于,步骤S3中通过遗传算法寻找信号损失最少情况下的变分模态分解算法的参数具体包括如下子步骤:
S31、创建一个种群,所述种群中包含有若干个不同参数的变分模态分解模型;设置迭代次数;
S32、将传感信号输入到不同参数的变分模态分解模型中,计算每个变分模态分解模型的信号损失量作为该变分模态分解模型的适应度值,以信号的重构误差为适应度值进行进化;
S33、根据变分模态分解模型的适应度值,通过轮盘选择的方法,为每个变分模态分解模型分配一个选择概率;
S34、选取两组参数不同的变分模态模型作为双亲,通过交叉分享双亲的优异特性,产生优异特性的子代;或选取优异参数的变分模态模型作为父代,通过变异产生一个新的子代;
S35、将子代加入到S31的种群中,替换种群中适应度值最低的个体;
S36、判断是否达到迭代次数;若达到,则在种群中选择适应度值最佳的个体作为最优参数的变分模态分解模型;若未达到;返回步骤S32。
3.如权利要求1所述的一种两段式光纤传感水声信号补偿方法,其特征在于,步骤S6具体包括如下子步骤:
S61、将每个模态分量按照时间尺度进行区间均值处理,得到该时间尺度下新的均值化时间序列;
S62、对新的均值化时间序列进行嵌入维度和延迟时间维的空间重构,将各子序列内部进行递增排列;
S63、计算该时间尺度下每组序列出现的概率,即可得到每个模态分量的多尺度排列熵;
S64、将多尺度排列熵进行归一化;即为多尺度排列熵的值。
4.如权利要求2所述的一种两段式光纤传感水声信号补偿方法,其特征在于:S31中所述种群中包含有400个不同参数的变分模态分解模型,所述迭代次数为400。
5.一种两段式光纤传感水声信号补偿装置,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任一项所述的一种两段式光纤传感水声信号补偿方法。
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任一项所述的一种两段式光纤传感水声信号补偿方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210664331.XA CN114754857B (zh) | 2022-06-14 | 2022-06-14 | 一种两段式光纤传感水声信号补偿方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210664331.XA CN114754857B (zh) | 2022-06-14 | 2022-06-14 | 一种两段式光纤传感水声信号补偿方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114754857A true CN114754857A (zh) | 2022-07-15 |
CN114754857B CN114754857B (zh) | 2022-08-23 |
Family
ID=82336994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210664331.XA Active CN114754857B (zh) | 2022-06-14 | 2022-06-14 | 一种两段式光纤传感水声信号补偿方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114754857B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107957276A (zh) * | 2018-01-05 | 2018-04-24 | 南京大学 | 基于频率漂移补偿的相位敏感光时域反射计及其测量方法 |
CN110044602A (zh) * | 2019-03-15 | 2019-07-23 | 昆明理工大学 | 一种基于振动信号分析的高压隔膜泵单向阀故障诊断方法 |
CN110135293A (zh) * | 2019-04-29 | 2019-08-16 | 莆田学院 | 一种风力发电机电振动信号消噪方法及存储介质 |
CN110659621A (zh) * | 2019-09-27 | 2020-01-07 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
CN111487046A (zh) * | 2020-02-27 | 2020-08-04 | 广西电网有限责任公司电力科学研究院 | 一种断路器声纹及振动熵特征融合的故障诊断方法 |
CN111693131A (zh) * | 2019-03-14 | 2020-09-22 | 中国科学院上海光学精密机械研究所 | 一种基于分布式光纤声传感器的信号处理方法 |
CN111947045A (zh) * | 2020-08-24 | 2020-11-17 | 重庆邮电大学 | 基于gvmd参数优化和奇异值分解的流体管道泄漏定位方法 |
CN112461547A (zh) * | 2020-12-22 | 2021-03-09 | 河北建投能源投资股份有限公司 | 一种基于多岛遗传和变分模态分解的轴承故障诊断方法 |
CN112613595A (zh) * | 2020-12-25 | 2021-04-06 | 煤炭科学研究总院 | 一种基于变分模态分解的超宽带雷达回波信号预处理方法 |
CN112733458A (zh) * | 2021-01-18 | 2021-04-30 | 福州大学 | 一种基于自适应变分模态分解的工程结构信号处理方法 |
CN112733603A (zh) * | 2020-12-11 | 2021-04-30 | 江苏大学 | 一种基于改进vmd与svm的变频涡旋压缩机故障诊断方法 |
CN112763051A (zh) * | 2021-01-08 | 2021-05-07 | 国网上海市电力公司 | 一种基于聚焦透镜技术的声波传感器封装结构及制作方法 |
CN112881879A (zh) * | 2021-04-16 | 2021-06-01 | 国网黑龙江省电力有限公司大庆供电公司 | 一种高压电缆终端局部放电模式识别方法、装置及设备 |
CN113221986A (zh) * | 2021-04-30 | 2021-08-06 | 西安理工大学 | 一种贯流式水轮机振动信号分离方法 |
CN113241087A (zh) * | 2021-05-10 | 2021-08-10 | 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 |
CN113591652A (zh) * | 2021-07-22 | 2021-11-02 | 中南大学 | 一种基于优化变分模态分解的电磁信号处理方法和装置 |
CN114077854A (zh) * | 2022-01-18 | 2022-02-22 | 之江实验室 | 一种基于自适应VMD的φ-OTDR水声信号处理方法和装置 |
CN114220164A (zh) * | 2021-11-19 | 2022-03-22 | 江苏科技大学 | 一种基于变分模态分解和支持向量机的手势识别方法 |
CN114441111A (zh) * | 2022-01-29 | 2022-05-06 | 常州大学 | 一种管道泄漏次声波信号分析方法及系统 |
CN114486259A (zh) * | 2022-01-05 | 2022-05-13 | 电子科技大学 | 优化变分模态分解的分布式光纤声传感系统的信号处理方法 |
-
2022
- 2022-06-14 CN CN202210664331.XA patent/CN114754857B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107957276A (zh) * | 2018-01-05 | 2018-04-24 | 南京大学 | 基于频率漂移补偿的相位敏感光时域反射计及其测量方法 |
CN111693131A (zh) * | 2019-03-14 | 2020-09-22 | 中国科学院上海光学精密机械研究所 | 一种基于分布式光纤声传感器的信号处理方法 |
CN110044602A (zh) * | 2019-03-15 | 2019-07-23 | 昆明理工大学 | 一种基于振动信号分析的高压隔膜泵单向阀故障诊断方法 |
CN110135293A (zh) * | 2019-04-29 | 2019-08-16 | 莆田学院 | 一种风力发电机电振动信号消噪方法及存储介质 |
CN110659621A (zh) * | 2019-09-27 | 2020-01-07 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
CN111487046A (zh) * | 2020-02-27 | 2020-08-04 | 广西电网有限责任公司电力科学研究院 | 一种断路器声纹及振动熵特征融合的故障诊断方法 |
CN111947045A (zh) * | 2020-08-24 | 2020-11-17 | 重庆邮电大学 | 基于gvmd参数优化和奇异值分解的流体管道泄漏定位方法 |
CN112733603A (zh) * | 2020-12-11 | 2021-04-30 | 江苏大学 | 一种基于改进vmd与svm的变频涡旋压缩机故障诊断方法 |
CN112461547A (zh) * | 2020-12-22 | 2021-03-09 | 河北建投能源投资股份有限公司 | 一种基于多岛遗传和变分模态分解的轴承故障诊断方法 |
CN112613595A (zh) * | 2020-12-25 | 2021-04-06 | 煤炭科学研究总院 | 一种基于变分模态分解的超宽带雷达回波信号预处理方法 |
CN112763051A (zh) * | 2021-01-08 | 2021-05-07 | 国网上海市电力公司 | 一种基于聚焦透镜技术的声波传感器封装结构及制作方法 |
CN112733458A (zh) * | 2021-01-18 | 2021-04-30 | 福州大学 | 一种基于自适应变分模态分解的工程结构信号处理方法 |
CN112881879A (zh) * | 2021-04-16 | 2021-06-01 | 国网黑龙江省电力有限公司大庆供电公司 | 一种高压电缆终端局部放电模式识别方法、装置及设备 |
CN113221986A (zh) * | 2021-04-30 | 2021-08-06 | 西安理工大学 | 一种贯流式水轮机振动信号分离方法 |
CN113241087A (zh) * | 2021-05-10 | 2021-08-10 | 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 |
CN113591652A (zh) * | 2021-07-22 | 2021-11-02 | 中南大学 | 一种基于优化变分模态分解的电磁信号处理方法和装置 |
CN114220164A (zh) * | 2021-11-19 | 2022-03-22 | 江苏科技大学 | 一种基于变分模态分解和支持向量机的手势识别方法 |
CN114486259A (zh) * | 2022-01-05 | 2022-05-13 | 电子科技大学 | 优化变分模态分解的分布式光纤声传感系统的信号处理方法 |
CN114077854A (zh) * | 2022-01-18 | 2022-02-22 | 之江实验室 | 一种基于自适应VMD的φ-OTDR水声信号处理方法和装置 |
CN114441111A (zh) * | 2022-01-29 | 2022-05-06 | 常州大学 | 一种管道泄漏次声波信号分析方法及系统 |
Non-Patent Citations (6)
Title |
---|
CHENZHAO: "《Rolling mill bearings fault diagnosis based on improved multivariate variational mode decomposition and multivariate composite multiscale weighted permutation entropy》", 《MEASUREMENT》 * |
HE REN: "《A new wind turbine health condition monitoring method based on VMD-MPE and feature-based transfer learning》", 《MEASUREMENT》 * |
SHULI ZOU: "《Constructing Multi-scale Entropy Based on the Empirical Mode Decomposition(EMD) and its Application in Recognizing Driving Fatigue》", 《JOURNAL OF NEUROSCIENCE METHODS》 * |
XIZHONG SHEN: "《Mixed Sound Event Separation and Recognition Based on VMD-MPE-SVM》", 《2021 IEEE ASIA-PACIFIC CONFERENCE ON IMAGE PROCESSING, ELECTRONICS AND COMPUTERS (IPEC)》 * |
曾宪旺: "《基于VMD-MPE结合概率神经网络和极限学习机的滚动轴承故障诊断分析》", 《热加工工艺》 * |
陈洪良: "《基于自适应优化变分模态分解的起重机故障诊断》", 《起重运输机械》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114754857B (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832627B (zh) | 抑制标签噪声的图像分类模型训练方法、分类方法及系统 | |
Koch et al. | Death is on our side: paleontological data drastically modify phylogenetic hypotheses | |
CN106126700B (zh) | 一种微博谣言传播的分析方法 | |
CN110175168B (zh) | 一种基于生成对抗网络的时间序列数据填补方法及系统 | |
CN112800893A (zh) | 一种基于强化学习的人脸属性编辑方法 | |
CN111598444A (zh) | 基于卷积神经网络的测井岩性识别方法及系统 | |
CN113837940A (zh) | 基于密集残差网络的图像超分辨率重建方法及系统 | |
CN111046737A (zh) | 一种用于微地震信号检测的高效智能感知采集方法 | |
CN110956277A (zh) | 一种交互式的迭代建模系统及方法 | |
CN115510042A (zh) | 基于生成对抗网络的电力系统负荷数据填补方法及装置 | |
CN112884149A (zh) | 一种基于随机敏感度st-sm的深度神经网络剪枝方法及系统 | |
CN115994608A (zh) | 基于双向门控循环单元的压裂井产量预测方法及装置 | |
JP2024519795A (ja) | コンピュータコードのリファクタリング | |
CN115018170A (zh) | 一种短期风电功率预测方法、装置、设备及存储介质 | |
CN114754857B (zh) | 一种两段式光纤传感水声信号补偿方法和装置 | |
Cao et al. | An adaptive self-organizing migration algorithm for parameter optimization of wavelet transformation | |
CN117251705A (zh) | 一种每日天然气负荷预测方法 | |
CN113722893B (zh) | 地震记录反演方法、装置、设备及存储介质 | |
CN116756491A (zh) | 一种基于蜣螂优化算法优化小波阈值的阀门信号降噪方法 | |
CN116543259A (zh) | 一种深度分类网络噪声标签建模与纠正方法、系统及存储介质 | |
CN114630207B (zh) | 基于降噪自编码器的多传感节点感知数据收集方法 | |
CN117076858B (zh) | 一种基于深度学习的低频大地电磁强干扰压制方法及系统 | |
CN111178541B (zh) | 游戏人工智能系统及其性能提升系统及方法 | |
CN112861796B (zh) | 特征自适应的动作识别方法 | |
CN116777452B (zh) | 智能电表的预付费系统及其方法 |
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 |