CN116432007A - 基于空域特征和机器学习的光纤预警模式识别方法 - Google Patents

基于空域特征和机器学习的光纤预警模式识别方法 Download PDF

Info

Publication number
CN116432007A
CN116432007A CN202310693273.8A CN202310693273A CN116432007A CN 116432007 A CN116432007 A CN 116432007A CN 202310693273 A CN202310693273 A CN 202310693273A CN 116432007 A CN116432007 A CN 116432007A
Authority
CN
China
Prior art keywords
characteristic signal
optical fiber
early warning
signal sequence
abnormal
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
Application number
CN202310693273.8A
Other languages
English (en)
Other versions
CN116432007B (zh
Inventor
孙茜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Precision Instrument And Precision Measurement Technology Co ltd
Original Assignee
Tianjin Precision Instrument And Precision Measurement Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Precision Instrument And Precision Measurement Technology Co ltd filed Critical Tianjin Precision Instrument And Precision Measurement Technology Co ltd
Priority to CN202310693273.8A priority Critical patent/CN116432007B/zh
Publication of CN116432007A publication Critical patent/CN116432007A/zh
Application granted granted Critical
Publication of CN116432007B publication Critical patent/CN116432007B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C23/00—Non-electrical signal transmission systems, e.g. optical systems
    • G08C23/06—Non-electrical signal transmission systems, e.g. optical systems through light guides, e.g. optical fibres
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提出了一种基于空域特征和机器学习的光纤预警模式识别方法，涉及光纤预警技术领域，通过分布式光纤振动传感系统，感应光纤周围的二维振动信号，构成二维时空图像，提取特征信号；对特征信号进行预处理得到多个目标特征信号序列；计算多个目标特征信号序列在空域上的距离；采用平均幅度差函数提取具有最小距离的目标特征信号的异常特征，计算异常特征信号的平均幅度差函数，预测异常特征信号周期；根据预测得到的异常特征信号周期判断异常特征信号类型，确定光纤预警模式。提高了光纤预警模式的识别准确度。

Description

基于空域特征和机器学习的光纤预警模式识别方法
技术领域
本发明涉及光纤预警技术领域，具体涉及基于空域特征和机器学习的光纤预警模式识别方法。
背景技术
基于相干瑞利散射技术的分布式光纤预警系统，通过检测从光纤各部分散射回来的后向散射光的光强来获得并定位外界振动信号。其中相位敏感光时域反射计光纤预警系统以普通单模光纤作为光传输和传感载体，可实现长距离实时监测和精确定位。该系统便于铺设，抗电磁干扰能力强，易于工程化，常应用在工程结构的安全检测、光纤周界防护、油气管道安全预警等领域。在光纤预警系统中，振动信号的分类识别至关重要。若产生误报，不但会造成人力物力的浪费，严重的还会延误处理时间甚至危及生命财产安全。因此如何准确识别入侵事件种类，及时报警，减少误报，避免不必要的资源浪费一直是光纤预警系统研究的重点问题。
传统的信号处理方法首先定位 事件信号在空域上的所在位置，然后提取该位置的时域信号，对一维时域信号进行特征提取，完成分类识别。由于这种方法需要先进行定位，如多点定位，不仅运算量极大，而且耗时很长。除此之外，它对定位精度的要求非常高，一旦定位错误，则不 能正确识别出事件种类，容易产生误报。因此光纤预警系统急需一种高效、准确的模式识别方法。
发明内容
为了解决上述技术问题，本发明提出了一种基于空域特征和机器学习的光纤预警模式识别方法，包括如下步骤：
S1、通过分布式光纤振动传感系统，感应光纤周围的二维振动信号，构成二维时空图像，提取特征信号；
S2、对特征信号进行预处理得到多个目标特征信号序列；
S3、计算多个目标特征信号序列在空域上的距离；
S4、采用平均幅度差函数提取具有最小距离的目标特征信号的异常特征，计算最小距离的目标特征信号的平均幅度差函数，预测异常特征信号周期；
S5、根据预测得到的异常特征信号周期判断异常特征信号类型，确定光纤预警模式。
进一步地，步骤S2中，对特征信号进行预处理，具体步骤如下:
S21、计算t个特征信号序列x（i）的累积差作为一个新的信号序列y(t)：
Figure SMS_1
；
式中,
Figure SMS_2
是特征信号序列x(i)的平均值；
S22、将得到的新的信号序列y(t)等分为m个信号序列区间；
S23、采用最小二乘法对每个信号序列区间进行线性拟合,得到每个信号序列区间的局部趋势yn(t)；
S24、从新的信号序列y(t)中减去yn(t),并计算均方根误差Xm：
Figure SMS_3
；
S25、改变区间长度的大小,重复步骤S22~ S24,直到得到目标特征信号序列。
进一步地，所述步骤S3中采用最小距离法计算目标特征信号序列在空域上的距离，具体包括：
S31、获取各个目标特征信号序列的中心特征信号，得到中心特征信号序列，用Ｃ＝［c1，…，ci，…，cm］表示，其中m表示中心特征信号的个数；
S32、针对每个中心特征信号计算与它相邻的目标特征信号序列的中心特征信号的最小距离dmin1：
Figure SMS_4
。
进一步地，所述步骤S4中：设周期为Np，样点相距为周期的K倍，k为周期间隔，将幅值差值d(n)定义为极小值，用公式表示如下：
Figure SMS_5
；
短时能量平均幅度差函数Fn(k)：
Figure SMS_6
。
进一步地，所述步骤S5包括：
首先定义向量R为异常特征信号周期的模式输入，t为包括B个类别目标向量，RVM的分类模型y(R,w)为：
Figure SMS_7
；
式中：B是类别个数；w为权值向量，
Figure SMS_8
；/>
Figure SMS_9
为B×（B＋１）的矩阵，
Figure SMS_10
，/>
Figure SMS_11
是核函数，整个数据集的似然函数/>
Figure SMS_12
为：
Figure SMS_13
；
ti为第i个类别，用稀疏贝叶斯方法对权值向量ｗ赋予零均值高斯先验分布
Figure SMS_14
：
Figure SMS_15
；
通过求概率参数的最大后验概率来预测最大后验权值，从而输出RVM模型y(R,w)。
相比于现有技术，本发明具有如下有益技术效果：
通过分布式光纤振动传感系统，感应光纤周围的二维振动信号，构成二维时空图像，提取特征信号；对特征信号进行预处理得到多个目标特征信号序列；计算多个目标特征信号序列在空域上的距离；采用平均幅度差函数提取具有最小距离的目标特征信号的异常特征，计算异常特征信号的平均幅度差函数，预测异常特征信号周期；根据预测得到的异常特征信号周期判断异常特征信号类型。提高了光纤预警模式的识别准确度。
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地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于空域特征和机器学习的光纤预警模式识别方法流程图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本发明的具体实施例附图中，为了更好、更清楚的描述系统中的各元件的工作原理，表现所述装置中各部分的连接关系，只是明显区分了各元件之间的相对位置关系，并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
图1为本发明的基于空域特征和机器学习的光纤预警模式识别方法流程图，构建方法包括如下步骤：
步骤1：通过分布式光纤振动传感系统，感应光纤周围的二维振动信号，构成二维时空图像，提取特征信号。
不同的工况需要设定不同的空域和时域采样率，空域和时域采样信号构成时空图像，时空图像中显示的事件区域个数及特征各有不同。
因为事件的作用力不同，获得的二维振动信号的振幅不同，因此将不同事件区域的原始振动信号幅度作为特征信号进行提取。为了便于统一处理，针对每个图像中各个事件区域进行特征信号提取，得到特征信号。
步骤2：对特征信号进行预处理得到多个目标特征信号序列。
由于光纤传感器的漂移现象会使光纤信号产生较大的光路变化,实际采集到的特征信号常常出现抖动和不稳定,这会影响后续的识别效果。因此对特征信号进行预处理,这种预处理就是在原始特征信号的基础上减去一条最佳拟合曲线,使得特征信号的均值为零,可以有效地滤除特征信号的抖动现象。
对于长度为N的特征信号序列x（t）,其预处理的具体步骤如下:
(1)计算该特征信号序列x（i）的累积差作为一个新的信号序列y(t)：
Figure SMS_16
；
式中,是特征信号序列x(i)的平均值。
(2)将得到的新的信号序列y(t)等分为m个信号序列区间。
(3)采用最小二乘法对每个信号序列区间进行线性拟合,得到每个信号序列区间的局部趋势yn(t)。
(4) 从新的信号序列y(t)中减去yn(t),并计算均方根误差Xm：
Figure SMS_17
；
(5)改变区间长度的大小,重复步骤(2)-(4),直到得到目标特征信号序列。
步骤3：计算多个目标特征信号序列在空域上的距离。
计算目标特征信号序列在空域上的距离能够很好地表征不同目标特征信号序列之间的差异。
具体地采用最小距离法计算目标特征信号序列在空域上的距离。
首先，获取各个目标特征信号序列的中心特征信号，得到中心特征信号序列，用Ｃ＝［c1，…，ci，…，cm］表示，其中m表示中心特征信号的个数。
然后针对每个中心特征信号计算与它相邻的目标特征信号序列的中心特征信号的最小距离dmin1。
Figure SMS_18
。
步骤4：采用平均幅度差函数提取具有最小距离的目标特征信号的短时能量的平均幅度差函数，预测异常特征信号周期。
对最小距离的目标特征信号进行分帧处理,每帧截取时长为512ms，计算各帧n的短时能量e(n),根据短时能量大小确定异常特征信号所在分帧。
如果短时能量e(n)是完全的周期信号，设周期为Np，那么相距为周期的K倍的样点上的幅值是相近的，k为周期间隔，将幅值差值d(n)定义为极小值，用公式表示如下：
Figure SMS_19
；
这些极小值d(n)将出现在K倍周期的位置上，即每一个对应的峰值的位置上，因此短时能量平均幅度差函数Fn(k)：
Figure SMS_20
；
对于周期性的短时能量e(n)，它的短时能量平均幅度差函数Fn(k)也呈周期性。
采用平均幅度差函数法计算异常特征信号的平均幅度差函数，根据计算所得平均幅度差函数预测异常特征信号周期。
预测方法为:计算平均幅度差函数最小值Fmin及最大值Fmax设定门限阈值,寻找低于门限阈值的局部极小值点,计算极小值点的距离差,若有多个极小值点距离差相等,那么该距离差可作为异常特征信号周期。
设定门限阈值TH如下：
Figure SMS_21
；
其中，
Figure SMS_22
为阈值参数。
步骤5：根据预测得到的异常特征信号周期判断异常特征信号类型，确定光纤预警模式。
将获得的异常特征信号周期作为特征向量并结合机器学习算法对异常事件进行模式识别。
首先定义向量R为异常特征信号周期的模式输入，t为包括B个类别目标向量。RVM的分类模型y(R,w)为：
Figure SMS_23
；
式中：B是类别个数；w为权值向量，
Figure SMS_24
；/>
Figure SMS_25
为B×（B＋１）的矩阵，
Figure SMS_26
，/>
Figure SMS_27
是核函数。整个数据集的似然函数/>
Figure SMS_28
为：
Figure SMS_29
；
ti为第i个类别，为避免过拟合，确保模型的稀疏性，用稀疏贝叶斯方法对权值向量ｗ赋予零均值高斯先验分布，即：
Figure SMS_30
；
通过求概率参数
Figure SMS_31
的最大后验概率来预测最大后验权值，从而输出RVM模型y(R,w)。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如，固态硬盘(solid state disk，SSD))等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (5)

1.一种基于空域特征和机器学习的光纤预警模式识别方法，其特征在于，包括如下步骤：
S1、通过分布式光纤振动传感系统，感应光纤周围的二维振动信号，构成二维时空图像，提取特征信号；
S2、对特征信号进行预处理得到多个目标特征信号序列；
S3、计算多个目标特征信号序列在空域上的距离；
S4、采用平均幅度差函数提取具有最小距离的目标特征信号的异常特征，计算最小距离的目标特征信号的平均幅度差函数，预测异常特征信号周期；
S5、根据预测得到的异常特征信号周期判断异常特征信号类型，确定光纤预警模式。
2.根据权利要求1所述的光纤预警模式识别方法，其特征在于，步骤S2中，对特征信号进行预处理，具体步骤如下:
S21、计算t个特征信号序列x（i）的累积差作为一个新的信号序列y(t)：
Figure QLYQS_1
；
式中,
Figure QLYQS_2
是特征信号序列x(i)的平均值；
S22、将得到的新的信号序列y(t)等分为m个信号序列区间；
S23、采用最小二乘法对每个信号序列区间进行线性拟合,得到每个信号序列区间的局部趋势yn(t)；
S24、从新的信号序列y(t)中减去yn(t),并计算均方根误差Xm：
Figure QLYQS_3
；
S25、改变区间长度的大小,重复步骤S22~ S24,直到得到目标特征信号序列。
3.根据权利要求1所述的光纤预警模式识别方法，其特征在于，所述步骤S3中采用最小距离法计算目标特征信号序列在空域上的距离，具体包括：
S31、获取各个目标特征信号序列的中心特征信号，得到中心特征信号序列，用Ｃ＝［c1，…，ci，…，cm］表示，其中m表示中心特征信号的个数；
S32、针对每个中心特征信号计算与它相邻的目标特征信号序列的中心特征信号的最小距离dmin1：
Figure QLYQS_4
Figure QLYQS_5
4.根据权利要求1所述的光纤预警模式识别方法，其特征在于，所述步骤S4中：设周期为Np，样点相距为周期的K倍，k为周期间隔，将幅值差值d(n)定义为极小值，用公式表示如下：
Figure QLYQS_6
；
短时能量平均幅度差函数Fn(k)：
Figure QLYQS_7
Figure QLYQS_8
5.根据权利要求1所述的光纤预警模式识别方法，其特征在于，所述步骤S5包括：
首先定义向量R为异常特征信号周期的模式输入，t为包括B个类别目标向量，RVM的分类模型y(R,w)为：
Figure QLYQS_9
；
式中：B是类别个数；w为权值向量，
Figure QLYQS_10
；/>
Figure QLYQS_11
为B×（B＋1）的矩阵，
Figure QLYQS_12
，/>
Figure QLYQS_13
是核函数，整个数据集的似然函数/>
Figure QLYQS_14
为：
Figure QLYQS_15
；
ti为第i个类别，用稀疏贝叶斯方法对权值向量ｗ赋予零均值高斯先验分布
Figure QLYQS_16
：
Figure QLYQS_17
；
通过求概率参数
Figure QLYQS_18
的最大后验概率来预测最大后验权值，从而输出RVM模型y(R,w)。
CN202310693273.8A 2023-06-13 2023-06-13 基于空域特征和机器学习的光纤预警模式识别方法 Active CN116432007B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310693273.8A CN116432007B (zh) 2023-06-13 2023-06-13 基于空域特征和机器学习的光纤预警模式识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310693273.8A CN116432007B (zh) 2023-06-13 2023-06-13 基于空域特征和机器学习的光纤预警模式识别方法

Publications (2)

Publication Number Publication Date
CN116432007A true CN116432007A (zh) 2023-07-14
CN116432007B CN116432007B (zh) 2023-08-22

Family

ID=87080068

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310693273.8A Active CN116432007B (zh) 2023-06-13 2023-06-13 基于空域特征和机器学习的光纤预警模式识别方法

Country Status (1)

Country Link
CN (1) CN116432007B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117648632A (zh) * 2024-01-29 2024-03-05 杭州海康威视数字技术股份有限公司 光纤振动异常识别方法、装置、设备及计算机程序产品

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018026329A1 (en) * 2016-08-02 2018-02-08 Univerza v Mariboru Fakulteta za elektrotehniko, racunalnistvo in informatiko Pitch period and voiced/unvoiced speech marking method and apparatus
US20180080812A1 (en) * 2017-07-25 2018-03-22 University Of Electronic Science And Technology Of China Distributed optical fiber sensing signal processing method for safety monitoring of underground pipe network
CN110082754A (zh) * 2019-04-19 2019-08-02 北京海兰信数据科技股份有限公司 基于跟踪反馈的微弱目标自适应检测系统及检测方法
CN110910897A (zh) * 2019-12-05 2020-03-24 四川超影科技有限公司 一种用于电机异常声音识别的特征提取方法
CN112201279A (zh) * 2020-09-02 2021-01-08 北京佳讯飞鸿电气股份有限公司 一种基音检测方法及装置
CN112364768A (zh) * 2020-11-11 2021-02-12 浙江工业大学 一种基于空域特征和机器学习的分布式光纤入侵识别方法
CN115758220A (zh) * 2022-11-27 2023-03-07 桂林电子科技大学 一种基于双算子滤波的光纤振动定位检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018026329A1 (en) * 2016-08-02 2018-02-08 Univerza v Mariboru Fakulteta za elektrotehniko, racunalnistvo in informatiko Pitch period and voiced/unvoiced speech marking method and apparatus
US20180080812A1 (en) * 2017-07-25 2018-03-22 University Of Electronic Science And Technology Of China Distributed optical fiber sensing signal processing method for safety monitoring of underground pipe network
CN110082754A (zh) * 2019-04-19 2019-08-02 北京海兰信数据科技股份有限公司 基于跟踪反馈的微弱目标自适应检测系统及检测方法
CN110910897A (zh) * 2019-12-05 2020-03-24 四川超影科技有限公司 一种用于电机异常声音识别的特征提取方法
CN112201279A (zh) * 2020-09-02 2021-01-08 北京佳讯飞鸿电气股份有限公司 一种基音检测方法及装置
CN112364768A (zh) * 2020-11-11 2021-02-12 浙江工业大学 一种基于空域特征和机器学习的分布式光纤入侵识别方法
CN115758220A (zh) * 2022-11-27 2023-03-07 桂林电子科技大学 一种基于双算子滤波的光纤振动定位检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HONGQUAN QU 等: ""A new detection and recognition method for optical fiber pre-warning system"", 《OPTIK》, vol. 137, pages 209 - 219 *
魏浩浩: ""基于视觉注意机制的光纤入侵信号识别算法研究及实现"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 12 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117648632A (zh) * 2024-01-29 2024-03-05 杭州海康威视数字技术股份有限公司 光纤振动异常识别方法、装置、设备及计算机程序产品
CN117648632B (zh) * 2024-01-29 2024-05-03 杭州海康威视数字技术股份有限公司 光纤振动异常识别方法、装置、设备及计算机程序产品

Also Published As

Publication number Publication date
CN116432007B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
US11562224B2 (en) 1D-CNN-based distributed optical fiber sensing signal feature learning and classification method
Tejedor et al. Toward prevention of pipeline integrity threats using a smart fiber-optic surveillance system
CN108709633B (zh) 基于深度学习的分布式光纤振动传感智能安全监测方法
JP5862023B2 (ja) 目標追跡システム及び目標追跡方法
US20140082730A1 (en) System and method for correlating historical attacks with diverse indicators to generate indicator profiles for detecting and predicting future network attacks
CN116432007B (zh) 基于空域特征和机器学习的光纤预警模式识别方法
CN108230352B (zh) 目标对象的检测方法、装置和电子设备
KR102098075B1 (ko) 지진조기경보 시스템을 위한 기계학습 기반의 실시간 오탐지 차단 방법
CN117439827B (zh) 一种网络流量大数据分析方法
WO2024046216A1 (zh) 用于监控管道沿线安全的方法、装置及存储介质
CN111339986B (zh) 基于时域/频域分析的装备用频规律挖掘方法和系统
CN105046859B (zh) 基于振动信号空时二维稀疏表示k‑s检验的光纤入侵检测方法
JP2021522500A (ja) 放射パルス検出器の入力カウントレート推定
KR101768714B1 (ko) 트리거된 관측소의 아웃라이어 제거를 통하여 정확도가 향상된 진앙위치 결정방법
CN108761250B (zh) 一种基于工控设备电压电流的入侵检测方法
Xiao et al. Intrusion detection for high-speed railway system: a faster R-CNN approach
Tejedor et al. Towards detection of pipeline integrity threats using a SmarT fiber-OPtic surveillance system: PIT-STOP project blind field test results
US10303841B1 (en) Automatic peak interval, relative volatility, and relative amplitude detection in high-volume temporal data
Zhong et al. Research on classification method of abnormal vibration of pipeline based on SVM
CN110120893B (zh) 一种定位网络系统安全问题的方法及装置
Liu et al. Multiscale water quality contamination events detection based on sensitive time scales reconstruction
Zeng et al. Target detection method based on optical fiber fence
CN112462408B (zh) 一种利用贝叶斯分析搜寻本底中弱放射源的方法
CN111735528B (zh) 一种基于knn投票精准定位扰动点的方法
Wu et al. A source-attractor approach to network detection of radiation sources

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