CN117037427A - 一种地质灾害联网监测预警系统 - Google Patents
一种地质灾害联网监测预警系统 Download PDFInfo
- Publication number
- CN117037427A CN117037427A CN202311076314.5A CN202311076314A CN117037427A CN 117037427 A CN117037427 A CN 117037427A CN 202311076314 A CN202311076314 A CN 202311076314A CN 117037427 A CN117037427 A CN 117037427A
- Authority
- CN
- China
- Prior art keywords
- early warning
- geological disaster
- feature
- feature vector
- multidimensional
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 57
- 230000006855 networking Effects 0.000 title claims abstract description 34
- 238000006073 displacement reaction Methods 0.000 claims abstract description 51
- 238000010219 correlation analysis Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 119
- 238000009826 distribution Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000012098 association analyses Methods 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000009466 transformation Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
- Alarm Systems (AREA)
Abstract
公开了一种地质灾害联网监测预警系统。其首先通过传感器组采集多个预定时间点的被监控坡体的线性位移值,以及,所述预定时间段的振动信号,接着,对所述多个预定时间点的被监控坡体的线性位移值和所述振动信号进行特征交互关联分析以得到地质灾害预警多维度关联特征,然后,基于所述地质灾害预警多维度关联特征,确定是否产生地质灾害预警提示。这样,可以提高地质灾害监测的范围、实时性和准确性,以提前发现地质灾害的迹象并生成预警提示,便于及时采取相应的防护和救援措施。
Description
技术领域
本申请涉及智能预警领域,且更为具体地,涉及一种地质灾害联网监测预警系统。
背景技术
地质灾害是指由地球内部或外部力学、物理、化学等因素引起的自然灾害,包括但不限于滑坡、泥石流、地震等。这些灾害会对人类生命财产安全造成严重威胁,因此需要有效的监测和预警系统来提前发现和预测地质灾害事件。
然而,传统的地质灾害监测方法主要依赖于人工观察和点位传感器的数据采集。例如,在滑坡监测中,工作人员需要定期巡视监测点位,观察地表变形迹象,或者使用测量仪器进行位移测量。这种方法存在着监测范围有限、实时性差、数据处理复杂等问题,无法满足对大范围、复杂地质灾害的监测需求。
因此,期望一种优化的地质灾害联网监测预警系统。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种地质灾害联网监测预警系统。其可以提高地质灾害监测的范围、实时性和准确性,以提前发现地质灾害的迹象并生成预警提示,便于及时采取相应的防护和救援措施。
根据本申请的一个方面,提供了一种地质灾害联网监测预警系统,其包括:
数据采集模块,用于通过传感器组采集多个预定时间点的被监控坡体的线性位移值,以及,所述预定时间段的振动信号;
地质灾害多维度数据关联分析模块,用于对所述多个预定时间点的被监控坡体的线性位移值和所述振动信号进行特征交互关联分析以得到地质灾害预警多维度关联特征;以及
地质灾害预警模块,用于基于所述地质灾害预警多维度关联特征,确定是否产生地质灾害预警提示。
与现有技术相比,本申请提供的地质灾害联网监测预警系统,其首先通过传感器组采集多个预定时间点的被监控坡体的线性位移值,以及,所述预定时间段的振动信号,接着,对所述多个预定时间点的被监控坡体的线性位移值和所述振动信号进行特征交互关联分析以得到地质灾害预警多维度关联特征,然后,基于所述地质灾害预警多维度关联特征,确定是否产生地质灾害预警提示。这样,可以提高地质灾害监测的范围、实时性和准确性,以提前发现地质灾害的迹象并生成预警提示,便于及时采取相应的防护和救援措施。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的地质灾害联网监测预警系统的框图示意图。
图2为根据本申请实施例的地质灾害联网监测预警系统中的所述地质灾害多维度数据关联分析模块的框图示意图。
图3为根据本申请实施例的地质灾害联网监测预警系统中的所述地质灾害预警模块的框图示意图。
图4为根据本申请实施例的地质灾害联网监测预警系统中的所述预警提示生成检测单元的框图示意图。
图5为根据本申请实施例的地质灾害联网监测预警方法的流程图。
图6为根据本申请实施例的地质灾害联网监测预警方法的系统架构的示意图。
图7为根据本申请实施例的地质灾害联网监测预警系统的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
随着信息技术的发展,基于物联网、大数据和人工智能等技术的地质灾害监测逐渐兴起。通过将传感器网络部署在潜在的地质灾害区域,可以实现对整个监测区域的覆盖,实时采集地质灾害相关数据,如地表位移、振动信号、地下水位等。这些数据可以通过无线通信技术传输到中心服务器进行存储和分析。
基于此,本申请的技术构思为通过传感器网络采集被监控坡体的线性位移值,以及振动信号,并在中心服务器端引入基于人工智能技术的数据处理和分析算法来进行坡体线性位移变化趋势以及振动信号的时域波形分析,以此来进行地质灾害的检测评估,从而提高地质灾害监测的范围、实时性和准确性,以提前发现地质灾害的迹象并生成预警提示,以便于及时采取相应的防护和救援措施。
图1为根据本申请实施例的地质灾害联网监测预警系统的框图示意图。如图1所示,根据本申请实施例的地质灾害联网监测预警系统100,包括:数据采集模块110,用于通过传感器组采集多个预定时间点的被监控坡体的线性位移值,以及,所述预定时间段的振动信号;地质灾害多维度数据关联分析模块120,用于对所述多个预定时间点的被监控坡体的线性位移值和所述振动信号进行特征交互关联分析以得到地质灾害预警多维度关联特征;以及,地质灾害预警模块130,用于基于所述地质灾害预警多维度关联特征,确定是否产生地质灾害预警提示。
具体地,在本申请的技术方案中,首先,获取由传感器组采集的多个预定时间点的被监控坡体的线性位移值,以及,所述预定时间段的振动信号。接着,考虑到由于所述被监控坡体的线性位移值在时间维度上是不断变化的,其具有着时序的动态变化规律性。因此,为了能够对于所述被监控坡体的线性位移值的时序动态变化特征进行捕捉刻画,在本申请的技术方案中,需要将所述多个预定时间点的被监控坡体的线性位移值按照时间维度排列为线性位移值时序输入向量,以此来整合所述被监控坡体的线性位移值的时序分布信息后,再通过基于一维卷积层的线性位移时序关联特征提取器中进行特征挖掘,以提取出所述被监控坡体的线性位移值在时间维度上的时序动态关联特征信息,从而得到线性位置时序特征向量。
然后,还考虑到由于所述振动信号在时域中的表现形式为波形图,因此,在本申请的技术方案中,使用在图像的隐含特征提取方面具有优异表现的基于卷积神经网络模型的振动波形特征提取器对所述振动信号进行特征挖掘,以提取出所述振动信号的波形隐含特征分布信息,从而得到振动波形特征向量。
进一步地,使用特征间注意力层来融合所述线性位置时序特征向量和所述振动波形特征向量以得到地质灾害预警多维度关联特征向量,以此来捕捉所述被监控坡体的线性位移时序变化特征和所述振动信号的波形时序特征之间的关联和相互影响。应可以理解,由于传统的注意力机制的目标是学习一个注意力权重矩阵,将较大的权重赋予重要的特征,较小的权重赋予次要的特征,从而选择出对当前任务目标更关键的信息。这种方式更侧重于对各个特征的重要性进行加权,而忽略了特征之间的依赖关系。而所述特征间注意力层能够通过基于注意力机制的特征交互,可以捕捉到所述被监控坡体的线性位移时序变化特征和所述振动信号的波形时序特征之间的相关性和相互影响,可以学习到坡体位移时序特征和振动波形特征中有关于地质灾害的不同特征之间的依赖关系,并根据这些依赖关系对特征进行交互和整合,从而得到地质灾害预警多维度关联特征向量。
相应地,如图2所示,所述地质灾害多维度数据关联分析模块120,包括:线性位置时序特征提取单元121,用于对所述多个预定时间点的被监控坡体的线性位移值进行时序特征提取以得到线性位置时序特征向量;振动波形特征提取单元122,用于从所述振动信号提取振动波形特征向量;以及,地质灾害预警多维度特征融合单元123,用于融合所述线性位置时序特征向量和所述振动波形特征向量以得到地质灾害预警多维度关联特征向量作为所述地质灾害预警多维度关联特征。应可以理解,地质灾害多维度数据关联分析模块120包括三个单元:线性位置时序特征提取单元121、振动波形特征提取单元122和地质灾害预警多维度特征融合单元123。线性位置时序特征提取单元121的功能是对被监控坡体的线性位移值进行时序特征提取,以得到线性位置时序特征向量,它可能使用各种技术和算法,如滑动窗口分析、傅里叶变换、小波变换等,来提取坡体位移的时序特征,这些特征可以包括位移的平均值、方差、斜率、周期性等。振动波形特征提取单元122的功能是从振动信号中提取振动波形特征向量,它可能使用信号处理技术,如傅里叶变换、小波变换、时频分析等,来提取振动信号的特征,这些特征可以包括频谱分布、峰值频率、振动幅度、波形形状等。地质灾害预警多维度特征融合单元123的功能是将线性位置时序特征向量和振动波形特征向量进行融合,以得到地质灾害预警多维度关联特征向量,这个单元可能使用特征融合算法,如加权平均、主成分分析、支持向量机等,将两个特征向量结合起来,形成一个综合的特征向量,这个综合的特征向量可以用于地质灾害的预警和关联分析。换言之,地质灾害多维度数据关联分析模块的三个单元分别用于提取线性位置时序特征、振动波形特征,并将它们融合成一个综合的特征向量,以实现地质灾害的预警和关联分析功能。
更具体地,所述线性位置时序特征提取单元121,用于:将所述多个预定时间点的被监控坡体的线性位移值按照时间维度排列为线性位移值时序输入向量后通过基于一维卷积层的线性位移时序关联特征提取器以得到所述线性位置时序特征向量。值得一提的是,一维卷积层是深度学习中常用的一种卷积神经网络层,用于处理具有序列结构的数据,例如时间序列数据或一维信号数据,它在卷积操作中只在一个方向上移动,即沿着输入数据的时间维度进行卷积运算。一维卷积层在线性位置时序特征提取单元121中的作用是对被监控坡体的线性位移值时序输入向量进行特征提取。它通过应用一维卷积操作,可以捕捉到输入向量中的局部模式和时序关系。一维卷积层的主要作用有以下几点:1.特征提取:一维卷积层通过滑动窗口的方式对输入数据进行卷积运算,提取出不同位置的局部特征,这些特征可以捕捉到输入数据中的重要模式和结构信息。2.参数共享:一维卷积层使用相同的卷积核对输入数据的不同位置进行卷积运算,从而实现参数共享,这样可以大大减少模型的参数量,提高模型的训练效率和泛化能力。3.降维和压缩:一维卷积层可以通过调整卷积核的大小和步幅来控制输出的维度,通过适当设置这些参数,可以实现对输入数据的降维和压缩,从而减少计算量并提高模型的效率。在地质灾害预警系统中,一维卷积层可以对被监控坡体的线性位移值时序输入向量进行卷积操作,提取出与地质灾害相关的时序特征,这些特征可以用于后续的分析和预警判断,帮助识别和预测潜在的地质灾害风险。
更具体地,所述振动波形特征提取单元122,用于:将所述振动信号通过基于卷积神经网络模型的振动波形特征提取器以得到所述振动波形特征向量。值得一提的是,卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习模型,特别适用于处理具有网格结构的数据,如图像和声音,它在图像处理领域取得了显著的成功,但也可以应用于其他领域,如信号处理。卷积神经网络模型在振动波形特征提取单元122中的作用是对振动信号进行特征提取,它通过利用卷积操作和池化操作,能够有效地捕捉到输入信号中的局部模式和结构信息。卷积神经网络模型的主要优势有以下几点:1.局部感知性:卷积神经网络通过卷积操作,可以在输入数据的局部区域内提取特征,这种局部感知性使得网络能够捕捉到输入数据中的局部模式和结构,对于处理具有平移不变性的数据非常有效,如图像和声音。2.参数共享:卷积神经网络中的卷积核在不同位置共享参数,这使得网络具有较少的参数量,参数共享不仅减少了模型的存储空间和计算量,还提高了模型的泛化能力,使其更容易适应新的数据。3.多层结构:卷积神经网络通常由多个卷积层和池化层组成,可以逐层提取输入数据的更高级特征,这种多层结构使得网络能够学习到更抽象和复杂的特征表示,提高了模型的表达能力。在地质灾害预警系统中,卷积神经网络模型可以通过对振动信号进行卷积和池化操作,提取出振动波形中的重要特征,这些特征可以包括频谱分布、峰值频率、振动幅度等,用于地质灾害的预警和关联分析。
更具体地,所述地质灾害预警多维度特征融合单元123,用于:使用特征间注意力层来融合所述线性位置时序特征向量和所述振动波形特征向量以得到所述地质灾害预警多维度关联特征向量。值得一提的是,特征间注意力层(Feature-wise Attention Layer)是一种在深度学习模型中用于学习特征之间关联性的机制,它可以根据输入的特征向量的重要性,动态地调整它们的权重,从而实现特征的自适应融合。特征间注意力层的作用是根据输入的线性位置时序特征向量和振动波形特征向量之间的关联性,学习并调整它们的权重,以得到地质灾害预警的多维度关联特征向量,通过引入特征间注意力机制,可以更加有效地融合不同特征之间的信息,提高模型的表达能力和预测性能。特征间注意力层的主要作用有以下几点:1.自适应权重调整:特征间注意力层可以根据输入特征的重要性,自适应地学习并调整它们的权重,这样可以使模型更加关注重要的特征,降低对不重要特征的依赖,从而提高模型的鲁棒性和泛化能力。2.特征关联性建模:特征间注意力层可以学习特征之间的关联性,通过对不同特征之间的关联进行建模,可以更好地捕捉到输入数据中的相关信息,提高模型对复杂关系的建模能力。3.特征融合:特征间注意力层可以根据学习到的权重,将不同特征进行加权融合,这样可以将不同特征的优势进行整合,提高模型对输入数据的表达能力。在地质灾害预警系统中,特征间注意力层可以用于将线性位置时序特征向量和振动波形特征向量进行融合,得到地质灾害预警的多维度关联特征向量,这个特征向量可以更全面地描述潜在的地质灾害风险,为后续的预警判断和决策提供更准确的信息。
进一步地,再将所述地质灾害预警多维度关联特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生地质灾害预警提示。也就是说,利用所述被监控坡体的线性位移时序变化特征和所述振动信号的波形时序特征之间的交互关联特征信息来进行分类处理,以此来进行地质灾害的检测评估,以提高地质灾害监测的范围、实时性和准确性,从而在发现地质灾害的迹象时生成预警提示,以便于及时采取相应的防护和救援措施来降低地质灾害的损害。
相应地,如图3所示,所述地质灾害预警模块130,包括:特征增益单元131,用于对所述地质灾害预警多维度关联特征向量进行基于概率密度特征模仿范式的分布增益以得到增益后地质灾害预警多维度关联特征向量;以及,预警提示生成检测单元132,用于将所述增益后地质灾害预警多维度关联特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生地质灾害预警提示。应可以理解,特征增益单元131的作用是对地质灾害预警的多维度关联特征向量进行分布增益,以得到增益后的地质灾害预警多维度关联特征向量。这里采用的增益方式是基于概率密度特征模仿范式,即通过对特征向量的概率密度分布进行建模,从而增强特征向量的表达能力。具体而言,特征增益单元使用概率密度特征模仿范式来对特征向量进行增益。这可以通过一些统计方法和模型来实现,例如核密度估计、高斯混合模型等。通过增益后,地质灾害预警的多维度关联特征向量能够更好地反映输入数据的分布特征,从而提高后续分类器的性能。预警提示生成检测单元132的作用是将增益后的地质灾害预警多维度关联特征向量输入到分类器中,以得到分类结果。这个分类结果用于表示是否产生地质灾害预警提示。预警提示生成检测单元通常采用分类器来对输入的特征向量进行分类。分类器可以是各种机器学习模型,如支持向量机(SVM)、随机森林(Random Forest)、神经网络等。通过训练分类器,它可以学习从增益后的特征向量中提取有用信息,并对地质灾害的发生与否进行预测。分类结果可以表示是否产生地质灾害预警提示,为后续的预警决策提供参考。综合来看,特征增益单元和预警提示生成检测单元在地质灾害预警模块中起到了关键的作用。特征增益单元通过增强特征向量的表达能力,提高了特征的区分度和预测性能。预警提示生成检测单元则将增益后的特征向量输入到分类器中,实现地质灾害预警的生成和检测。这两个单元的协同工作使得地质灾害预警模块能够准确地判断是否产生地质灾害预警提示。
特别地,在本申请的技术方案中,在将所述多个预定时间点的被监控坡体的线性位移值按照时间维度排列为线性位移值时序输入向量后通过基于一维卷积层的线性位移时序关联特征提取器以得到线性位置时序特征向量以及将所述振动信号通过基于卷积神经网络模型的振动波形特征提取器以得到振动波形特征向量时,所述线性位置时序特征向量和所述振动波形特征向量分别表达线性位移值和振动幅度值的局部时序关联特征,这样,使用特征间注意力层来进行所述线性位置时序特征向量和所述振动波形特征向量之间的基于注意力的特征交互时,可以提取所述线性位置时序特征向量和所述振动波形特征向量之间的依赖关系特征。这样,相对于所述线性位置时序特征向量和所述振动波形特征向量各自表达的局部时序关联特征作为前景对象特征,在进行基于注意力的特征交互的依赖关系特征提取时,也会引入与所述线性位置时序特征向量和所述振动波形特征向量各自表达的局部时序关联特征分布干涉相关的背景分布噪声,并且,所述地质灾害预警多维度关联特征向量也具有所述线性位置时序特征向量和所述振动波形特征向量各自的时域空间和交互空间下的分级的特征表达,由此,期望基于所述地质灾害预警多维度关联特征向量的分布特性来增强其表达效果。因此,本申请的申请人对所述地质灾害预警多维度关联特征向量进行基于概率密度特征模仿范式的分布增益。
相应地,在一个具体示例中,所述特征增益单元131,用于:以如下优化公式对所述地质灾害预警多维度关联特征向量进行基于概率密度特征模仿范式的分布增益以得到所述增益后地质灾害预警多维度关联特征向量;其中,所述优化公式为:
其中,V是所述地质灾害预警多维度关联特征向量,vi是所述地质灾害预警多维度关联特征向量的第i个位置的特征值,L是所述地质灾害预警多维度关联特征向量的长度,表示所述地质灾害预警多维度关联特征向量的二范数的平方,且α是加权超参数,exp(·)表示指数运算,vi ′是所述增益后地质灾害预警多维度关联特征向量的第i个位置的特征值。
这里,基于标准柯西分布对于自然高斯分布在概率密度上的特征模仿范式,所述基于概率密度特征模仿范式的分布增益可以将特征尺度作为模仿掩码,在高维特征空间内区分前景对象特征和背景分布噪声,从而基于高维特征的空间分级语义来对高维空间进行特征空间映射的语义认知的分布软匹配,来获得高维特征分布的无约束的分布增益,提升所述地质灾害预警多维度关联特征向量基于特征分布特性的表达效果,也就提升了所述地质灾害预警多维度关联特征向量通过分类器得到的分类结果的准确性,从而提升了地质灾害预警的精准度。这样,能够基于实际坡体位移变化趋势和振动信号信息来进行地质灾害的检测评估,以提高地质灾害监测的范围、实时性和准确性,通过这样的方式,能够提前发现地质灾害的迹象并生成预警提示,以便于及时采取相应的防护和救援措施,为防灾减灾工作提供重要支持。
进一步地,如图4所示,所述预警提示生成检测单元132,包括:全连接编码子单元1321,用于使用所述分类器的全连接层对所述增益后地质灾害预警多维度关联特征向量进行全连接编码以得到编码分类特征向量;以及,分类子单元1322,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是,在本公开的技术方案中,所述分类器的标签包括产生地质灾害预警提示(第一标签),以及,不产生地质灾害预警提示(第二标签),其中,所述分类器通过软最大值函数来确定所述增益后地质灾害预警多维度关联特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“是否产生地质灾害预警提示”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,是否产生地质灾害预警提示的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“是否产生地质灾害预警提示”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
值得一提的是,全连接编码(Fully Connected Encoding)是一种常见的神经网络操作,用于对输入数据进行线性变换和非线性激活,从而提取输入数据的抽象特征表示。全连接编码子单元1321中的全连接层对增益后的地质灾害预警多维度关联特征向量进行全连接编码,即将每个特征与所有神经元相连,并通过权重进行线性变换和激活函数进行非线性变换。全连接层中的每个神经元都与前一层的所有神经元相连,形成一个密集连接的结构。全连接编码的主要作用有以下几点:1.特征提取:全连接编码层通过线性变换和非线性激活函数,能够从输入的增益后地质灾害预警多维度关联特征向量中提取更高级别的特征表示,这些特征表示可以更好地捕捉输入数据中的抽象模式和关联信息。2.维度变换:全连接编码层可以通过调整神经元的数量和排列方式,实现对输入特征维度的变换,这种维度变换可以用于降维、扩展或重组特征,以适应后续分类器或模型的要求。3.非线性建模:全连接编码层中的非线性激活函数可以引入非线性变换,从而增加模型的表达能力,这对于处理复杂的地质灾害数据和捕捉非线性关系非常重要。全连接编码子单元的输出是编码分类特征向量,其中包含了输入特征经过编码后的抽象表示。这些编码后的特征向量可以更好地表示输入数据的关键信息,为后续的分类器提供更有区分度的特征输入。
综上,基于本申请实施例的地质灾害联网监测预警系统100被阐明,其可以提高地质灾害监测的范围、实时性和准确性,以提前发现地质灾害的迹象并生成预警提示,便于及时采取相应的防护和救援措施。
如上所述,根据本申请实施例的基于本申请实施例的地质灾害联网监测预警系统100可以实现在各种终端设备中,例如具有基于本申请实施例的地质灾害联网监测预警算法的服务器等。在一个示例中,基于本申请实施例的地质灾害联网监测预警系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于本申请实施例的地质灾害联网监测预警系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于本申请实施例的地质灾害联网监测预警系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于本申请实施例的地质灾害联网监测预警系统100与该终端设备也可以是分立的设备,并且该地质灾害联网监测预警系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图5为根据本申请实施例的地质灾害联网监测预警方法的流程图。图6为根据本申请实施例的地质灾害联网监测预警方法的系统架构的示意图。如图5和图6所示,根据本申请实施例的地质灾害联网监测预警方法,其包括:S110,通过传感器组采集多个预定时间点的被监控坡体的线性位移值,以及,所述预定时间段的振动信号;S120,对所述多个预定时间点的被监控坡体的线性位移值和所述振动信号进行特征交互关联分析以得到地质灾害预警多维度关联特征;以及,S130,基于所述地质灾害预警多维度关联特征,确定是否产生地质灾害预警提示。
在一个具体示例中,在上述地质灾害联网监测预警方法中,对所述多个预定时间点的被监控坡体的线性位移值和所述振动信号进行特征交互关联分析以得到地质灾害预警多维度关联特征,包括:对所述多个预定时间点的被监控坡体的线性位移值进行时序特征提取以得到线性位置时序特征向量;从所述振动信号提取振动波形特征向量;以及,融合所述线性位置时序特征向量和所述振动波形特征向量以得到地质灾害预警多维度关联特征向量作为所述地质灾害预警多维度关联特征。
这里,本领域技术人员可以理解,上述地质灾害联网监测预警方法中的各个步骤的具体操作已经在上面参考图1到图4的地质灾害联网监测预警系统100的描述中得到了详细介绍,并因此,将省略其重复描述。
图7为根据本申请实施例的地质灾害联网监测预警系统的应用场景图。如图7所示,在该应用场景中,首先,通过传感器组采集多个预定时间点的被监控坡体的线性位移值(例如,图7中所示意的D1),以及,所述预定时间段的振动信号(例如,图7中所示意的D2),然后,将所述多个预定时间点的被监控坡体的线性位移值和所述振动信号输入至部署有地质灾害联网监测预警算法的服务器中(例如,图7中所示意的S),其中,所述服务器能够使用所述地质灾害联网监测预警算法对所述多个预定时间点的被监控坡体的线性位移值和所述振动信号进行处理以得到用于表示是否产生地质灾害预警提示的分类结果。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (8)
1.一种地质灾害联网监测预警系统,其特征在于,包括:
数据采集模块,用于通过传感器组采集多个预定时间点的被监控坡体的线性位移值,以及,所述预定时间段的振动信号;
地质灾害多维度数据关联分析模块,用于对所述多个预定时间点的被监控坡体的线性位移值和所述振动信号进行特征交互关联分析以得到地质灾害预警多维度关联特征;以及
地质灾害预警模块,用于基于所述地质灾害预警多维度关联特征,确定是否产生地质灾害预警提示。
2.根据权利要求1所述的地质灾害联网监测预警系统,其特征在于,所述地质灾害多维度数据关联分析模块,包括:
线性位置时序特征提取单元,用于对所述多个预定时间点的被监控坡体的线性位移值进行时序特征提取以得到线性位置时序特征向量;
振动波形特征提取单元,用于从所述振动信号提取振动波形特征向量;以及
地质灾害预警多维度特征融合单元,用于融合所述线性位置时序特征向量和所述振动波形特征向量以得到地质灾害预警多维度关联特征向量作为所述地质灾害预警多维度关联特征。
3.根据权利要求2所述的地质灾害联网监测预警系统,其特征在于,所述线性位置时序特征提取单元,用于:
将所述多个预定时间点的被监控坡体的线性位移值按照时间维度排列为线性位移值时序输入向量后通过基于一维卷积层的线性位移时序关联特征提取器以得到所述线性位置时序特征向量。
4.根据权利要求3所述的地质灾害联网监测预警系统,其特征在于,所述振动波形特征提取单元,用于:
将所述振动信号通过基于卷积神经网络模型的振动波形特征提取器以得到所述振动波形特征向量。
5.根据权利要求4所述的地质灾害联网监测预警系统,其特征在于,所述地质灾害预警多维度特征融合单元,用于:
使用特征间注意力层来融合所述线性位置时序特征向量和所述振动波形特征向量以得到所述地质灾害预警多维度关联特征向量。
6.根据权利要求5所述的地质灾害联网监测预警系统,其特征在于,所述地质灾害预警模块,包括:
特征增益单元,用于对所述地质灾害预警多维度关联特征向量进行基于概率密度特征模仿范式的分布增益以得到增益后地质灾害预警多维度关联特征向量;以及
预警提示生成检测单元,用于将所述增益后地质灾害预警多维度关联特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生地质灾害预警提示。
7.根据权利要求6所述的地质灾害联网监测预警系统,其特征在于,所述特征增益单元,用于:
以如下优化公式对所述地质灾害预警多维度关联特征向量进行基于概率密度特征模仿范式的分布增益以得到所述增益后地质灾害预警多维度关联特征向量;
其中,所述优化公式为:
其中,V是所述地质灾害预警多维度关联特征向量,vi是所述地质灾害预警多维度关联特征向量的第i个位置的特征值,L是所述地质灾害预警多维度关联特征向量的长度,表示所述地质灾害预警多维度关联特征向量的二范数的平方,且α是加权超参数,exp(·)表示指数运算,vi ′是所述增益后地质灾害预警多维度关联特征向量的第i个位置的特征值。
8.根据权利要求7所述的地质灾害联网监测预警系统,其特征在于,所述预警提示生成检测单元,包括:
全连接编码子单元,用于使用所述分类器的全连接层对所述增益后地质灾害预警多维度关联特征向量进行全连接编码以得到编码分类特征向量;以及
分类子单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311076314.5A CN117037427B (zh) | 2023-08-23 | 2023-08-23 | 一种地质灾害联网监测预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311076314.5A CN117037427B (zh) | 2023-08-23 | 2023-08-23 | 一种地质灾害联网监测预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117037427A true CN117037427A (zh) | 2023-11-10 |
CN117037427B CN117037427B (zh) | 2024-02-20 |
Family
ID=88602251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311076314.5A Active CN117037427B (zh) | 2023-08-23 | 2023-08-23 | 一种地质灾害联网监测预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117037427B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117351659A (zh) * | 2023-12-01 | 2024-01-05 | 四川省华地建设工程有限责任公司 | 一种水文地质灾害监测装置及监测方法 |
CN117874499A (zh) * | 2024-03-13 | 2024-04-12 | 天津市地质研究和海洋地质中心 | 一种基于动态数据监测的地质灾害预警方法及系统 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968379A (zh) * | 2010-09-30 | 2011-02-09 | 南昌航空大学 | 航空发动机转子系统工况振动信号特征信息提取方法 |
CN103335617A (zh) * | 2013-06-19 | 2013-10-02 | 清华大学 | 一种基于振动信号的铁路钢轨几何形变检测方法 |
CN104933829A (zh) * | 2015-05-19 | 2015-09-23 | 重庆大学 | 一种地质灾害预测预警系统的构建方法 |
JP2017215157A (ja) * | 2016-05-30 | 2017-12-07 | 株式会社リコー | 情報処理装置、プログラム、転倒予測システム |
CN107610421A (zh) * | 2017-09-19 | 2018-01-19 | 合肥英泽信息科技有限公司 | 一种地质灾害预警分析系统及方法 |
CN110456733A (zh) * | 2019-09-18 | 2019-11-15 | 吉林大学 | 一种便携式数控装备综合性能检测、分析平台及分析方法 |
KR102064328B1 (ko) * | 2018-11-08 | 2020-01-10 | 한국건설기술연구원 | 건축물 지진 피해 예측 정보 제공 장치 및 그 방법 |
KR102098075B1 (ko) * | 2019-10-30 | 2020-04-07 | 케이아이티밸리(주) | 지진조기경보 시스템을 위한 기계학습 기반의 실시간 오탐지 차단 방법 |
CN111397909A (zh) * | 2020-04-08 | 2020-07-10 | 西安交通大学 | 一种航空发动机涡轮盘低循环疲劳裂纹在线监测方法 |
CN112365023A (zh) * | 2020-09-30 | 2021-02-12 | 浙江汉德瑞智能科技有限公司 | 基于机器学习的机场群体性事件预测及预警方法 |
CN113191926A (zh) * | 2021-04-12 | 2021-07-30 | 北京工商大学 | 基于深度集成学习网络的粮油农作物供应链危害物辨识方法及系统 |
CN113435122A (zh) * | 2021-06-30 | 2021-09-24 | 平安科技(深圳)有限公司 | 实时流量数据处理方法、装置、计算机设备和存储介质 |
CN114463948A (zh) * | 2022-01-26 | 2022-05-10 | 南昌工程学院 | 一种地质灾害监测预警方法及系统 |
CN115331391A (zh) * | 2022-08-03 | 2022-11-11 | 东南大学 | 分布式结构振动监测数据智能化报警与恢复方法 |
CN115456054A (zh) * | 2022-08-28 | 2022-12-09 | 华能新能源股份有限公司 | 基于磁流变调谐质量阻尼器的海上风机振动控制系统 |
CN116227365A (zh) * | 2023-05-06 | 2023-06-06 | 成都理工大学 | 一种基于改进vmd-tcn的滑坡位移预测方法 |
CN116434475A (zh) * | 2022-12-13 | 2023-07-14 | 绍兴文理学院 | 一种基于降雨强度与地表位移变化率的滑坡预警方法 |
-
2023
- 2023-08-23 CN CN202311076314.5A patent/CN117037427B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968379A (zh) * | 2010-09-30 | 2011-02-09 | 南昌航空大学 | 航空发动机转子系统工况振动信号特征信息提取方法 |
CN103335617A (zh) * | 2013-06-19 | 2013-10-02 | 清华大学 | 一种基于振动信号的铁路钢轨几何形变检测方法 |
CN104933829A (zh) * | 2015-05-19 | 2015-09-23 | 重庆大学 | 一种地质灾害预测预警系统的构建方法 |
JP2017215157A (ja) * | 2016-05-30 | 2017-12-07 | 株式会社リコー | 情報処理装置、プログラム、転倒予測システム |
CN107610421A (zh) * | 2017-09-19 | 2018-01-19 | 合肥英泽信息科技有限公司 | 一种地质灾害预警分析系统及方法 |
KR102064328B1 (ko) * | 2018-11-08 | 2020-01-10 | 한국건설기술연구원 | 건축물 지진 피해 예측 정보 제공 장치 및 그 방법 |
CN110456733A (zh) * | 2019-09-18 | 2019-11-15 | 吉林大学 | 一种便携式数控装备综合性能检测、分析平台及分析方法 |
KR102098075B1 (ko) * | 2019-10-30 | 2020-04-07 | 케이아이티밸리(주) | 지진조기경보 시스템을 위한 기계학습 기반의 실시간 오탐지 차단 방법 |
CN111397909A (zh) * | 2020-04-08 | 2020-07-10 | 西安交通大学 | 一种航空发动机涡轮盘低循环疲劳裂纹在线监测方法 |
CN112365023A (zh) * | 2020-09-30 | 2021-02-12 | 浙江汉德瑞智能科技有限公司 | 基于机器学习的机场群体性事件预测及预警方法 |
CN113191926A (zh) * | 2021-04-12 | 2021-07-30 | 北京工商大学 | 基于深度集成学习网络的粮油农作物供应链危害物辨识方法及系统 |
CN113435122A (zh) * | 2021-06-30 | 2021-09-24 | 平安科技(深圳)有限公司 | 实时流量数据处理方法、装置、计算机设备和存储介质 |
CN114463948A (zh) * | 2022-01-26 | 2022-05-10 | 南昌工程学院 | 一种地质灾害监测预警方法及系统 |
CN115331391A (zh) * | 2022-08-03 | 2022-11-11 | 东南大学 | 分布式结构振动监测数据智能化报警与恢复方法 |
CN115456054A (zh) * | 2022-08-28 | 2022-12-09 | 华能新能源股份有限公司 | 基于磁流变调谐质量阻尼器的海上风机振动控制系统 |
CN116434475A (zh) * | 2022-12-13 | 2023-07-14 | 绍兴文理学院 | 一种基于降雨强度与地表位移变化率的滑坡预警方法 |
CN116227365A (zh) * | 2023-05-06 | 2023-06-06 | 成都理工大学 | 一种基于改进vmd-tcn的滑坡位移预测方法 |
Non-Patent Citations (2)
Title |
---|
刘云,肖雪,黄荣乘: "《类依赖特征选择算法在文本分类中的优化研究》", 《计算机与数字工程》, no. 384 * |
杜培军,林聪,陈宇,王欣,张伟,郭山川: "《多时相遥感影像样本迁移模型与地表覆盖智能分类》", 《同济大学学报(自然科学版)》, vol. 50, no. 7 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117351659A (zh) * | 2023-12-01 | 2024-01-05 | 四川省华地建设工程有限责任公司 | 一种水文地质灾害监测装置及监测方法 |
CN117351659B (zh) * | 2023-12-01 | 2024-02-20 | 四川省华地建设工程有限责任公司 | 一种水文地质灾害监测装置及监测方法 |
CN117874499A (zh) * | 2024-03-13 | 2024-04-12 | 天津市地质研究和海洋地质中心 | 一种基于动态数据监测的地质灾害预警方法及系统 |
CN117874499B (zh) * | 2024-03-13 | 2024-05-31 | 天津市地质研究和海洋地质中心 | 一种基于动态数据监测的地质灾害预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117037427B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117037427B (zh) | 一种地质灾害联网监测预警系统 | |
Wang et al. | A method for rapidly evaluating reliability and predicting remaining useful life using two-dimensional convolutional neural network with signal conversion | |
CN109918671A (zh) | 基于卷积循环神经网络的电子病历实体关系抽取方法 | |
CN111368926B (zh) | 图像筛选方法、装置和计算机可读存储介质 | |
CN113283282B (zh) | 一种基于时域语义特征的弱监督时序动作检测方法 | |
CN110502989A (zh) | 一种小样本高光谱人脸识别方法及系统 | |
CN117198468A (zh) | 基于行为识别和数据分析的干预方案智慧化管理系统 | |
Zhao et al. | Ensemble learning-based CNN for textile fabric defects classification | |
Qiu et al. | A piecewise method for bearing remaining useful life estimation using temporal convolutional networks | |
CN111652177A (zh) | 基于深度学习的信号特征提取方法 | |
Zhang | Application of artificial intelligence recognition technology in digital image processing | |
Lu | Multifeature fusion human motion behavior recognition algorithm using deep reinforcement learning | |
CN117034123B (zh) | 健身器材的故障监控系统及其方法 | |
Man et al. | Bearing remaining useful life prediction based on AdCNN and CWGAN under few samples | |
Xu et al. | Zero-shot compound fault diagnosis method based on semantic learning and discriminative features | |
Ali et al. | Substation Danger Sign Detection and Recognition using Convolutional Neural Networks | |
CN116894210B (zh) | 包含力传感器的电子设备及数据处理方法 | |
CN117576781A (zh) | 基于行为识别的训练强度监测系统及方法 | |
CN117257302A (zh) | 人员心理健康状态评估方法及系统 | |
CN113537240B (zh) | 一种基于雷达序列图像的形变区智能提取方法及系统 | |
Harp et al. | Machine vision and deep learning for classification of radio SETI signals | |
CN114706054A (zh) | 一种人体运动微多普勒信号识别的方法 | |
Hao et al. | New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis | |
Yow et al. | Iris recognition system (IRS) using deep learning technique | |
Ganesan et al. | A deep learning approach to fault detection in a satellite power system using Gramian angular field |
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 |