CN117349657A - 一种用于水利工程环境监测的分布式数据采集模块及监测系统 - Google Patents
一种用于水利工程环境监测的分布式数据采集模块及监测系统 Download PDFInfo
- Publication number
- CN117349657A CN117349657A CN202311334614.9A CN202311334614A CN117349657A CN 117349657 A CN117349657 A CN 117349657A CN 202311334614 A CN202311334614 A CN 202311334614A CN 117349657 A CN117349657 A CN 117349657A
- Authority
- CN
- China
- Prior art keywords
- electric signal
- waveform
- training
- data acquisition
- global
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 108
- 239000013598 vector Substances 0.000 claims abstract description 83
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 93
- 238000012545 processing Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 239000000284 extract Substances 0.000 description 6
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 201000003382 giant axonal neuropathy 1 Diseases 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
- 230000008859 change Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002075 inversion recovery Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
公开了一种用于水利工程环境监测的分布式数据采集模块及监测系统。其首先获取由分布式数据采集装置的多通道数据采集器采集的待处理电信号,接着,对所述待处理电信号进行局部信号波形特征分析以得到电信号段波形特征向量的序列,然后,对所述电信号段波形特征向量的序列中的各个电信号段波形特征向量进行全局波形关联编码以得到电信号全局波形语义特征,最后,基于所述电信号全局波形语义特征,生成优化电信号。这样,可以改善水利工程环境监测的质量和可靠性。
Description
技术领域
本申请涉及环境监测领域,且更为具体地,涉及一种用于水利工程环境监测的分布式数据采集模块及监测系统。
背景技术
水利工程环境监测是通过现代化的传感器、遥感、网络通信等技术手段,对水利工程、水资源和水环境进行实时、准确的监测和数据采集。这种监测可以提供水文、气象、水质等多种水利要素的变化情况,帮助及时掌握水利工程的运行状况,并为科学依据和决策支持提供数据。
目前,水利工程环境监测涵盖了堤坝安全监测、水库边坡安全监测和河道水位水流监测等方面。例如,中国专利申请号CN214372627U提出了一种水利工程用环境监测装置,其中数据采集装置包括河流监测模块、环境监测模块和数据发送装置。然而,由于恶劣的自然环境的影响,采集的数据信号中很容易受到干扰噪声的影响,从而降低了数据采集的精度。
另外,中国专利申请号CN106596193B公开了一种河道多点水质监测装置及其监测方法。该技术方案通过多个取水器同时检测多个水位点,并将数据发送到无线通信模块中的信息储存单元。然后,信息储存单元将数据存储并发送到信号放大单元进行信号放大,最后通过信号发送单元将信息发送到用户终端。然而,在实际应用中,仅仅使用信号放大处理无法保证数据采集模块的抗干扰能力。放大器容易受到外部环境的干扰,尤其是在水利工程靠近电磁场、变电站等恶劣电磁和工频噪声环境下,放大器的干扰抑制能力较弱,可能引入新的失真和噪声,严重影响数据信号采集的稳定性和准确度,从而干扰了监测系统的数据处理和分析。
因此,期望一种优化的用于水利工程环境监测的分布式数据采集模块及监测系统。
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用于水利工程环境监测的分布式数据采集模块及监测系统,其可以降低噪声和失真对采集的数据信号的影响,提高数据的精度和分析准确性,从而有助于改善水利工程环境监测的质量和可靠性。
根据本申请的一个方面,提供了一种用于水利工程环境监测的分布式数据采集模块及监测系统,其包括:
电信号数据采集模块,用于获取由分布式数据采集装置的多通道数据采集器采集的待处理电信号;
电信号局部波形特征分析模块,用于对所述待处理电信号进行局部信号波形特征分析以得到电信号段波形特征向量的序列;
电信号全局时序特征关联编码模块,用于对所述电信号段波形特征向量的序列中的各个电信号段波形特征向量进行全局波形关联编码以得到电信号全局波形语义特征;以及
优化电信号生成模块,用于基于所述电信号全局波形语义特征,生成优化电信号。
与现有技术相比,本申请提供的用于水利工程环境监测的分布式数据采集模块及监测系统,其首先获取由分布式数据采集装置的多通道数据采集器采集的待处理电信号,接着,对所述待处理电信号进行局部信号波形特征分析以得到电信号段波形特征向量的序列,然后,对所述电信号段波形特征向量的序列中的各个电信号段波形特征向量进行全局波形关联编码以得到电信号全局波形语义特征,最后,基于所述电信号全局波形语义特征,生成优化电信号。这样,可以改善水利工程环境监测的质量和可靠性。
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用于水利工程环境监测的分布式数据采集模块及监测系统的框图示意图。
图2为根据本申请实施例的用于水利工程环境监测的分布式数据采集模块及监测系统中的所述电信号局部波形特征分析模块的框图示意图。
图3为根据本申请实施例的用于水利工程环境监测的分布式数据采集模块及监测系统中的所述电信号全局时序特征关联编码模块的框图示意图。
图4为根据本申请实施例的用于水利工程环境监测的分布式数据采集监测方法的流程图。
图5为根据本申请实施例的用于水利工程环境监测的分布式数据采集监测方法的系统架构的示意图。
图6为根据本申请实施例的用于水利工程环境监测的分布式数据采集模块及监测系统的应用场景图。
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。
针对上述技术问题,本申请的技术构思为通过分布式数据采集装置的多通道数据采集器采集待处理的电信号,并在后端引入信号处理和分析算法来进行该电信号的时序分析,并利用生成网络来进行信号处理和优化,通过这样的方式,能够降低噪声和失真对采集的数据信号的影响,提高数据的精度和分析准确性,从而有助于改善水利工程环境监测的质量和可靠性。
图1为根据本申请实施例的用于水利工程环境监测的分布式数据采集模块及监测系统的框图示意图。如图1所示,根据本申请实施例的用于水利工程环境监测的分布式数据采集模块及监测系统100,包括:电信号数据采集模块110,用于获取由分布式数据采集装置的多通道数据采集器采集的待处理电信号;电信号局部波形特征分析模块120,用于对所述待处理电信号进行局部信号波形特征分析以得到电信号段波形特征向量的序列;电信号全局时序特征关联编码模块130,用于对所述电信号段波形特征向量的序列中的各个电信号段波形特征向量进行全局波形关联编码以得到电信号全局波形语义特征;以及,优化电信号生成模块140,用于基于所述电信号全局波形语义特征,生成优化电信号。
具体地,在本申请的技术方案中,首先,获取由分布式数据采集装置的多通道数据采集器采集的待处理电信号。应可以理解,分布式数据采集装置的多通道数据采集器可以增加数据采集的覆盖范围和采样率,以提高监测系统的性能和可靠性。
接着,考虑到长时间的连续信号可能包含大量的数据,因此对整个电信号进行处理可能会导致计算和存储的负担过重,并且,该电信号的特征和属性会随时间而变化,也就是说,不同的局部信号时间段中可能具有关于电信号不同的特征和属性。因此,在本申请的技术方案中,进一步对所述待处理电信号进行信号切分以得到待处理电信号段的序列。通过将信号切分成小段,可以将处理任务分解为多个较小的子任务,提高数据处理的效率。同时,通过将信号切分成段,可以对每个信号段进行时序分析,研究信号的动态变化和趋势。也就是说,针对每个段进行特征提取,从而更好地捕捉电信号的局部时序特征,这有助于提高信号处理的准确性和可靠性,并且更为准确地理解信号的演化规律和趋势,提供更全面的监测和分析结果。
然后,将所述待处理电信号段的序列分别通过基于卷积神经网络模型的电信号波形特征提取器中进行特征挖掘,以分别提取出各个所述待处理电信号段中有关于电信号波形的局部时序特征分布信息,从而得到电信号段波形特征向量的序列。
相应地,如图2所示,所述电信号局部波形特征分析模块120,包括:电信号切分单元121,用于对所述待处理电信号进行信号切分以得到待处理电信号段的序列;以及,电信号段时序特征提取单元122,用于通过基于深度神经网络模型的电信号波形特征提取器分别对所述待处理电信号段的序列中的各个待处理电信号段进行特征提取以得到所述电信号段波形特征向量的序列。应可以理解,所述电信号局部波形特征分析模块120包括电信号切分单元121和电信号段时序特征提取单元122两个部分。电信号切分单元121用于对待处理的电信号进行信号切分,这意味着它将输入的电信号分割成多个较小的片段,以便进一步处理,切分的目的是将信号分解成更小的部分,以便更好地分析和提取特征。电信号段时序特征提取单元122将每个待处理电信号段作为输入,并使用深度神经网络模型来提取该段的波形特征,这些特征提取后,形成了电信号段波形特征向量的序列。综合来说,电信号切分单元负责将待处理的电信号分割成较小的片段,而电信号段时序特征提取单元使用深度神经网络模型提取每个片段的波形特征,从而得到一系列电信号段波形特征向量,这些特征向量可以用于进一步的分析和处理。
其中,在所述电信号段时序特征提取单元122中,所述深度神经网络模型为卷积神经网络模型。所述电信号段时序特征提取单元122,用于:使用所述基于深度神经网络模型的电信号波形特征提取器的各层在层的正向传递中分别对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述基于深度神经网络模型的电信号波形特征提取器的最后一层输出所述电信号段波形特征向量的序列,其中,所述基于深度神经网络模型的电信号波形特征提取器的第一层的输入为所述待处理电信号段的序列中的各个待处理电信号段。
值得一提的是,卷积神经网络(Convolutional Neural Network,CNN)是一种深度神经网络模型,特别适用于处理具有网格结构数据的任务。CNN的核心思想是通过卷积层、池化层和全连接层等组件来提取输入数据的特征,它的设计灵感来自于生物视觉系统,其中神经元通过感受野(receptive field)的局部连接来感知视觉信息。在卷积神经网络中,卷积层使用一组可学习的滤波器(也称为卷积核)来对输入数据进行卷积操作,从而提取输入数据的局部特征。卷积操作通过滑动滤波器窗口在输入数据上进行,将窗口内的数据与滤波器进行逐元素相乘并求和,生成卷积结果。这样可以有效地捕捉输入数据中的空间局部性。池化层用于减小数据的空间尺寸并降低计算量。常用的池化操作是最大池化(maxpooling)和平均池化(average pooling),它们分别取窗口内的最大值或平均值作为池化结果。卷积层和池化层之后通常会使用非线性激活函数,如ReLU(Rectified LinearUnit),来引入非线性特征,增加模型的表达能力。最后,通过全连接层将卷积层和池化层的输出连接到一个或多个全连接层,用于进行最终的分类、回归或其他任务。在所述电信号段时序特征提取单元122中,使用的深度神经网络模型即为卷积神经网络模型,它通过卷积层、池化层和非线性激活函数等操作,从输入的待处理电信号段序列中提取波形特征,最终输出电信号段波形特征向量的序列。
进一步地,考虑到在所述各个待处理电信号段中有关于电信号的局部时序特征之间具有着基于时序整体的关联关系,因此,为了能够对于电信号的时序变化规律和模式进行更为充分和有效地分析,以更为准确地进行电信号的优化,在本申请的技术方案中,进一步将所述电信号段波形特征向量的序列通过基于转换器模块的上下文编码器中进行编码,以提取出所述各个电信号段中关于电信号波形的局部时序特征基于时序全局的上下文波形语义关联特征信息,从而得到电信号全局波形语义特征向量。
相应地,所述电信号全局时序特征关联编码模块130,用于:将所述电信号段波形特征向量的序列通过基于转换器模块的上下文编码器以得到电信号全局波形语义特征向量作为所述电信号全局波形语义特征。值得一提的是,转换器模块(Transformer Module)是一种基于注意力机制的神经网络模型。转换器模块的主要目标是捕捉输入序列中的全局依赖关系,而不受序列长度的限制。它通过自注意力机制(Self-Attention)来实现这一目标。自注意力机制允许模型在编码和解码过程中对输入序列的不同位置进行加权关注,以便更好地捕捉序列中的重要信息。在转换器模块中,输入序列被分别表示为一组向量,称为输入嵌入(Input Embeddings)。然后,通过多个注意力头(Attention Heads)并行处理输入嵌入,每个注意力头都会计算输入嵌入之间的注意力权重。这些注意力权重被用来加权求和输入嵌入,生成每个位置的上下文向量(Context Vector)。接下来,通过多层前馈神经网络(Feed-Forward Neural Network)对上下文向量进行非线性变换和特征提取。这些层之间使用残差连接(Residual Connections)和层归一化(Layer Normalization)来加速训练和提高模型的表达能力。转换器模块的输出是经过多次注意力和前馈网络处理后得到的一组特征向量,称为编码向量(Encoding Vectors)。这些编码向量包含了输入序列的全局语义信息。在电信号全局时序特征关联编码模块130中,转换器模块应用于电信号段波形特征向量的序列,通过自注意力机制和前馈神经网络对输入进行编码,从而得到电信号的全局波形语义特征向量。这些特征向量可以用于进一步的分析和处理。转换器模块的使用能够捕捉电信号序列中的长距离依赖关系,提取更丰富的语义特征。
更具体地,如图3所示,所述电信号全局时序特征关联编码模块130,包括:上下文编码单元131,用于使用所述基于转换器模块的上下文编码器对所述电信号段波形特征向量的序列进行基于全局的上下文语义编码以得到多个电信号段波形语义特征向量;以及,级联单元132,用于将所述多个电信号段波形语义特征向量进行级联以得到所述电信号全局波形语义特征向量。
继而,再将所述电信号全局波形语义特征向量通过基于对抗生成网络的信号优化器以得到优化电信号。应可以理解,在实际环境中,采集的电信号可能受到各种干扰和噪声的影响,例如电磁干扰、工频噪声等,这些干扰和噪声会引入到信号中,导致信号质量下降。因此,在提取到所述电信号的全局波形语义特征信息后,进一步利用生成网络来进行信号处理和优化,以学习到信号的潜在分布,并利用生成网络的优化能力去除噪声和失真,从而提高信号的质量。
相应地,所述优化电信号生成模块140,用于:将所述电信号全局波形语义特征向量通过基于对抗生成网络的信号优化器以得到优化电信号。值得一提的是,对抗生成网络(Generative Adversarial Networks,GANs)是一种由生成器和判别器组成的神经网络架构,用于生成逼真的数据样本。GANs的目标是学习一个生成器网络,该网络可以从随机噪声中生成与真实数据样本相似的新样本。为了达到这个目标,GANs引入了一个判别器网络,它的任务是将生成器生成的样本与真实样本区分开来。GANs的训练过程是一个零和博弈的过程,生成器和判别器相互竞争并逐渐改进。生成器的目标是生成越来越逼真的样本,以欺骗判别器,使其无法区分生成样本和真实样本。判别器的目标是准确地区分生成样本和真实样本,以防止生成器成功欺骗。在训练过程中,生成器和判别器通过交替训练来提高性能。生成器接收随机噪声作为输入,并生成伪造的样本。判别器接收真实样本和生成器生成的样本,并输出一个概率,表示输入样本是真实样本的概率。生成器和判别器的损失函数通过最小化或最大化对抗性的目标函数来定义,以促使两个网络相互博弈并逐渐提高性能。通过这种对抗的训练方式,生成器可以学习到数据分布的特征,并生成与真实样本相似的新样本。在优化电信号生成模块140中,基于对抗生成网络的信号优化器使用电信号全局波形语义特征向量作为输入,通过生成器网络生成优化的电信号。生成器的目标是生成与真实电信号相似的优化电信号,以欺骗判别器网络。通过对抗的训练过程,优化电信号生成模块可以学习到电信号的分布特征,并生成更逼真的电信号样本。
进一步地,在本申请的技术方案中,所述的用于水利工程环境监测的分布式数据采集模块及监测系统,其还包括用于对所述基于卷积神经网络模型的电信号波形特征提取器、所述基于转换器模块的上下文编码器和所述基于对抗生成网络的信号优化器进行训练的训练模块。应可以理解,训练模块在水利工程环境监测的分布式数据采集模块及监测系统中扮演着重要的角色,它用于对基于卷积神经网络模型的电信号波形特征提取器、基于转换器模块的上下文编码器和基于对抗生成网络的信号优化器进行训练,以使它们能够有效地工作并提供准确的结果。具体来说,训练模块的主要功能包括以下几个方面:1.参数优化:训练模块通过反向传播算法和优化算法(如梯度下降)来调整模型中的参数,以最小化损失函数。通过不断迭代训练过程,训练模块能够使模型逐渐收敛到最优参数配置,从而提高模型的性能和准确度。2.模型选择与调整:训练模块可以根据具体的任务需求选择适合的模型结构,并进行模型调整和改进。例如,在电信号波形特征提取器中,可以通过训练模块来确定合适的卷积神经网络结构和超参数设置,以提取最具代表性的波形特征。3.数据准备与预处理:训练模块负责对训练数据进行准备和预处理。这包括数据的划分、标签的生成、数据增强等操作。通过合理的数据准备和预处理,可以提高模型的鲁棒性和泛化能力。4.模型评估与验证:训练模块在训练过程中会对模型进行评估和验证,以监控模型的性能和训练进度。通过评估指标(如准确率、损失函数值等),训练模块可以及时发现模型存在的问题,并采取相应的调整策略。换言之,训练模块在水利工程环境监测系统中起到了关键的作用,通过对模型进行训练和优化,使其能够更好地适应实际任务需求,提高数据处理和分析的效果。
相应地,在一个示例中,所述训练模块,包括:训练数据采集单元,用于获取训练数据,所述训练数据包括训练待处理电信号,以及,所述优化电信号的真实电信号;训练信号切分单元,用于对所述训练待处理电信号进行信号切分以得到训练待处理电信号段的序列;训练电信号段波形特征提取单元,用于将所述训练待处理电信号段的序列分别通过所述基于卷积神经网络模型的电信号波形特征提取器以得到训练电信号段波形特征向量的序列;训练电信号全局波形语义编码单元,用于将所述训练电信号段波形特征向量的序列通过所述基于转换器模块的上下文编码器以得到训练电信号全局波形语义特征向量;特征分布优化单元,用于对所述训练电信号全局波形语义特征向量进行基于尺度表征和反演式恢复的特征精度对齐优化以得到优化训练电信号全局波形语义特征向量;训练优化电信号生成单元,用于将所述优化训练电信号全局波形语义特征向量通过所述基于对抗生成网络的信号优化器以得到训练优化电信号;电信号交叉熵损失单元,用于计算所述训练优化电信号的波形图和所述真实电信号的波形图之间的交叉熵损失函数值以得到电信号交叉熵损失函数值;以及,模型训练单元,用于基于所述电信号交叉熵损失函数值并通过梯度下降的方向传播来对所述基于卷积神经网络模型的电信号波形特征提取器、所述基于转换器模块的上下文编码器和所述基于对抗生成网络的信号优化器进行训练。
特别地,在本申请的技术方案中,将所述训练待处理电信号段的序列分别通过基于卷积神经网络模型的电信号波形特征提取器后,得到的所述训练电信号段波形特征向量的序列可以表达全局时域下的局部时域内的训练待处理电信号段的波形图的时序关联特征,由此,将所述训练电信号段波形特征向量的序列通过基于转换器模块的上下文编码器,可以进一步提取全局时域下的训练待处理电信号段的波形图的时序关联特征的局部时域间上下文关联,使得所述训练电信号全局波形语义特征向量具有局部时域内-局部时域间多尺度时序关联表达。
但是,所述训练电信号全局波形语义特征向量的这种局部时域内-局部时域间多尺度时序关联表达在通过基于对抗生成网络的信号优化器时,会由于不同尺度的局部时序关联特征的关联精度差异,影响所述训练电信号全局波形语义特征向量通过基于对抗生成网络的信号优化器训练时的训练效果,由此,本申请的申请人在训练过程中,对所述训练电信号全局波形语义特征向量,例如记为V进行基于尺度表征和反演式恢复的特征精度对齐。
相应地,在一个具体示例中,特征分布优化单元,进一步用于:以如下优化公式对所述训练电信号全局波形语义特征向量进行基于尺度表征和反演式恢复的特征精度对齐优化以得到所述优化训练电信号全局波形语义特征向量;其中,所述优化公式为:
其中,V是所述训练电信号全局波形语义特征向量,vi是所述训练电信号全局波形语义特征向量V的第i个位置的特征值,‖V‖0表示所述训练电信号全局波形语义特征向量V的零范数,L是所述训练电信号全局波形语义特征向量V的长度,且α是权重超参数,vi ′是所述优化训练电信号全局波形语义特征向量的第i个位置的特征值。
这里,针对基于尺度的对于时序关联特征参数的高维特征编码与多尺度局部关联时序特征编辑之间的精度矛盾,所述基于尺度表征和反演式恢复的特征精度对齐通过将时序关联特征编辑视为时序关联特征参数的高维特征编码的反演式嵌入生成,来通过对作为编码表示的特征值配备尺度表征的稀疏分布均衡,并基于向量计数来进行关联细节的反演式恢复,以实现精度差异在训练过程中的自适应对齐,提升所述训练电信号全局波形语义特征向量通过基于对抗生成网络的信号优化器进行对抗生成训练时的训练效果。这样,能够在采集到信号数据后,利用生成网络来进行信号处理和优化,通过这样的方式,能够降低噪声和失真对采集的数据信号的影响,提高数据的精度和分析准确性,从而有助于改善水利工程环境监测的质量和可靠性。
综上,基于本申请实施例的用于水利工程环境监测的分布式数据采集模块及监测系统100被阐明,其可以改善水利工程环境监测的质量和可靠性。
如上所述,根据本申请实施例的基于本申请实施例的用于水利工程环境监测的分布式数据采集模块及监测系统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用于水利工程环境监测的分布式数据采集监测算法的服务器等。在一个示例中,基于本申请实施例的用于水利工程环境监测的分布式数据采集模块及监测系统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用于水利工程环境监测的分布式数据采集模块及监测系统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用于水利工程环境监测的分布式数据采集模块及监测系统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用于水利工程环境监测的分布式数据采集模块及监测系统100与该终端设备也可以是分立的设备,并且该用于水利工程环境监测的分布式数据采集模块及监测系统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4为根据本申请实施例的用于水利工程环境监测的分布式数据采集监测方法的流程图。图5为根据本申请实施例的用于水利工程环境监测的分布式数据采集监测方法的系统架构的示意图。如图4和图5所示,根据本申请实施例的用于水利工程环境监测的分布式数据采集监测方法,其包括:S110,获取由分布式数据采集装置的多通道数据采集器采集的待处理电信号;S120,对所述待处理电信号进行局部信号波形特征分析以得到电信号段波形特征向量的序列;S130,对所述电信号段波形特征向量的序列中的各个电信号段波形特征向量进行全局波形关联编码以得到电信号全局波形语义特征;以及,S140,基于所述电信号全局波形语义特征,生成优化电信号。
在一个具体示例中,在上述用于水利工程环境监测的分布式数据采集监测方法中,对所述待处理电信号进行局部信号波形特征分析以得到电信号段波形特征向量的序列,包括:对所述待处理电信号进行信号切分以得到待处理电信号段的序列;以及,通过基于深度神经网络模型的电信号波形特征提取器分别对所述待处理电信号段的序列中的各个待处理电信号段进行特征提取以得到所述电信号段波形特征向量的序列。
这里,本领域技术人员可以理解,上述用于水利工程环境监测的分布式数据采集监测方法中的各个步骤的具体操作已经在上面参考图1到图3的用于水利工程环境监测的分布式数据采集模块及监测系统100的描述中得到了详细介绍,并因此,将省略其重复描述。
图6为根据本申请实施例的用于水利工程环境监测的分布式数据采集模块及监测系统的应用场景图。如图6所示,在该应用场景中,首先,获取由分布式数据采集装置的多通道数据采集器采集的待处理电信号(例如,图6中所示意的D),然后,将所述待处理电信号输入至部署有用于水利工程环境监测的分布式数据采集监测算法的服务器(例如,图6中所示意的S)中,其中,所述服务器能够使用所述用于水利工程环境监测的分布式数据采集监测算法对所述待处理电信号进行处理以得到优化电信号。
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 (9)
1.一种用于水利工程环境监测的分布式数据采集模块及监测系统,其特征在于,包括:
电信号数据采集模块,用于获取由分布式数据采集装置的多通道数据采集器采集的待处理电信号;
电信号局部波形特征分析模块,用于对所述待处理电信号进行局部信号波形特征分析以得到电信号段波形特征向量的序列;
电信号全局时序特征关联编码模块,用于对所述电信号段波形特征向量的序列中的各个电信号段波形特征向量进行全局波形关联编码以得到电信号全局波形语义特征;以及
优化电信号生成模块,用于基于所述电信号全局波形语义特征,生成优化电信号。
2.根据权利要求1所述的用于水利工程环境监测的分布式数据采集模块及监测系统,其特征在于,所述电信号局部波形特征分析模块,包括:
电信号切分单元,用于对所述待处理电信号进行信号切分以得到待处理电信号段的序列;以及
电信号段时序特征提取单元,用于通过基于深度神经网络模型的电信号波形特征提取器分别对所述待处理电信号段的序列中的各个待处理电信号段进行特征提取以得到所述电信号段波形特征向量的序列。
3.根据权利要求2所述的用于水利工程环境监测的分布式数据采集模块及监测系统,其特征在于,所述深度神经网络模型为卷积神经网络模型。
4.根据权利要求3所述的用于水利工程环境监测的分布式数据采集模块及监测系统,其特征在于,所述电信号段时序特征提取单元,用于:使用所述基于深度神经网络模型的电信号波形特征提取器的各层在层的正向传递中分别对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述基于深度神经网络模型的电信号波形特征提取器的最后一层输出所述电信号段波形特征向量的序列,其中,所述基于深度神经网络模型的电信号波形特征提取器的第一层的输入为所述待处理电信号段的序列中的各个待处理电信号段。
5.根据权利要求4所述的用于水利工程环境监测的分布式数据采集模块及监测系统,其特征在于,所述电信号全局时序特征关联编码模块,用于:将所述电信号段波形特征向量的序列通过基于转换器模块的上下文编码器以得到电信号全局波形语义特征向量作为所述电信号全局波形语义特征。
6.根据权利要求5所述的用于水利工程环境监测的分布式数据采集模块及监测系统,其特征在于,所述电信号全局时序特征关联编码模块,包括:
上下文编码单元,用于使用所述基于转换器模块的上下文编码器对所述电信号段波形特征向量的序列进行基于全局的上下文语义编码以得到多个电信号段波形语义特征向量;以及
级联单元,用于将所述多个电信号段波形语义特征向量进行级联以得到所述电信号全局波形语义特征向量。
7.根据权利要求6所述的用于水利工程环境监测的分布式数据采集模块及监测系统,其特征在于,所述优化电信号生成模块,用于:将所述电信号全局波形语义特征向量通过基于对抗生成网络的信号优化器以得到优化电信号。
8.根据权利要求7所述的用于水利工程环境监测的分布式数据采集模块及监测系统,其特征在于,还包括用于对所述基于卷积神经网络模型的电信号波形特征提取器、所述基于转换器模块的上下文编码器和所述基于对抗生成网络的信号优化器进行训练的训练模块。
9.根据权利要求8所述的用于水利工程环境监测的分布式数据采集模块及监测系统,其特征在于,所述训练模块,包括:
训练数据采集单元,用于获取训练数据,所述训练数据包括训练待处理电信号,以及,所述优化电信号的真实电信号;
训练信号切分单元,用于对所述训练待处理电信号进行信号切分以得到训练待处理电信号段的序列;
训练电信号段波形特征提取单元,用于将所述训练待处理电信号段的序列分别通过所述基于卷积神经网络模型的电信号波形特征提取器以得到训练电信号段波形特征向量的序列;
训练电信号全局波形语义编码单元,用于将所述训练电信号段波形特征向量的序列通过所述基于转换器模块的上下文编码器以得到训练电信号全局波形语义特征向量;
特征分布优化单元,用于对所述训练电信号全局波形语义特征向量进行基于尺度表征和反演式恢复的特征精度对齐优化以得到优化训练电信号全局波形语义特征向量;
训练优化电信号生成单元,用于将所述优化训练电信号全局波形语义特征向量通过所述基于对抗生成网络的信号优化器以得到训练优化电信号;
电信号交叉熵损失单元,用于计算所述训练优化电信号的波形图和所述真实电信号的波形图之间的交叉熵损失函数值以得到电信号交叉熵损失函数值;以及
模型训练单元,用于基于所述电信号交叉熵损失函数值并通过梯度下降的方向传播来对所述基于卷积神经网络模型的电信号波形特征提取器、所述基于转换器模块的上下文编码器和所述基于对抗生成网络的信号优化器进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311334614.9A CN117349657A (zh) | 2023-10-16 | 2023-10-16 | 一种用于水利工程环境监测的分布式数据采集模块及监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311334614.9A CN117349657A (zh) | 2023-10-16 | 2023-10-16 | 一种用于水利工程环境监测的分布式数据采集模块及监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117349657A true CN117349657A (zh) | 2024-01-05 |
Family
ID=89362600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311334614.9A Pending CN117349657A (zh) | 2023-10-16 | 2023-10-16 | 一种用于水利工程环境监测的分布式数据采集模块及监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117349657A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117598700A (zh) * | 2024-01-23 | 2024-02-27 | 吉林大学 | 智能化血氧饱和度检测系统及方法 |
-
2023
- 2023-10-16 CN CN202311334614.9A patent/CN117349657A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117598700A (zh) * | 2024-01-23 | 2024-02-27 | 吉林大学 | 智能化血氧饱和度检测系统及方法 |
CN117598700B (zh) * | 2024-01-23 | 2024-03-29 | 吉林大学 | 智能化血氧饱和度检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112200244B (zh) | 一种基于递阶对抗训练的航天发动机异常智能检测方法 | |
CN108827605B (zh) | 一种基于改进稀疏滤波的机械故障特征自动提取方法 | |
CN109580215A (zh) | 一种基于深度生成对抗网络的风电传动系统故障诊断方法 | |
CN107784276B (zh) | 微震事件识别方法和装置 | |
CN111815806B (zh) | 一种基于野值剔除和特征提取的飞参数据预处理方法 | |
Mak et al. | Ship as a wave buoy: Estimating relative wave direction from in-service ship motion measurements using machine learning | |
CN110751044A (zh) | 基于深度网络迁移特征与增广自编码的城市噪声识别方法 | |
CN117349657A (zh) | 一种用于水利工程环境监测的分布式数据采集模块及监测系统 | |
CN108435819B (zh) | 一种铝型材挤压机能耗异常检测方法 | |
CN113132399A (zh) | 一种基于时间卷积网络和迁移学习的工业控制系统入侵检测方法 | |
CN114239749B (zh) | 基于残差收缩及双向长短期记忆网络的调制识别方法 | |
CN112528804A (zh) | 基于生成对抗网络的肌电信号降噪和分类方法 | |
CN115496100A (zh) | 一种基于GAF-ConvNeXt-TF的周界安防扰动识别算法 | |
CN115526202A (zh) | 基于数据驱动的海上风机故障诊断系统及其诊断方法 | |
CN113707175B (zh) | 基于特征分解分类器与自适应后处理的声学事件检测系统 | |
CN109254654B (zh) | 一种结合PCA和PCANet的驾驶疲劳特征提取方法 | |
CN117037427B (zh) | 一种地质灾害联网监测预警系统 | |
CN113111786A (zh) | 基于小样本训练图卷积网络的水下目标识别方法 | |
CN117172601A (zh) | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 | |
Yu et al. | Sparse time–frequency representation for the transient signal based on low-rank and sparse decomposition | |
CN111551893A (zh) | 一种深度学习与集成神经网络的室内定位方法 | |
CN116626753A (zh) | 一种基于多模态神经网络的微地震事件识别方法及系统 | |
CN111275109A (zh) | 基于自编码器的电力设备状态数据特征选优方法及系统 | |
CN114781450B (zh) | 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法 | |
CN116186609A (zh) | 一种基于lstm的载人潜水器传感器故障数据增强方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |