JP7126722B2 - 光ファイバ信号の特徴に基づき振動を検知及び識別し且つ時空間を特定する方法及びシステム - Google Patents
光ファイバ信号の特徴に基づき振動を検知及び識別し且つ時空間を特定する方法及びシステム Download PDFInfo
- Publication number
- JP7126722B2 JP7126722B2 JP2020563341A JP2020563341A JP7126722B2 JP 7126722 B2 JP7126722 B2 JP 7126722B2 JP 2020563341 A JP2020563341 A JP 2020563341A JP 2020563341 A JP2020563341 A JP 2020563341A JP 7126722 B2 JP7126722 B2 JP 7126722B2
- Authority
- JP
- Japan
- Prior art keywords
- vibration
- feature function
- represented
- primary classification
- dimensionality reduction
- 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.)
- Active
Links
- 239000000835 fiber Substances 0.000 title claims description 25
- 238000000034 method Methods 0.000 title claims description 22
- 239000011159 matrix material Substances 0.000 claims description 51
- 230000009467 reduction Effects 0.000 claims description 50
- 239000013598 vector Substances 0.000 claims description 49
- 238000001514 detection method Methods 0.000 claims description 40
- 239000013307 optical fiber Substances 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012880 independent component analysis Methods 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 32
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000009194 climbing Effects 0.000 description 9
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000002265 prevention Effects 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Description
ステップ1では、分布型光ファイバセンサからの振動信号の初期データに対して特徴を拡張して、拡張特徴関数ベクトルを取得する。分布型光ファイバセンサが取得する入力データである振動信号は、時間tと空間位置dの二次関数f(t,d)とみなされる。当該ステップでは、この入力データである振動信号f(t,d)を非線形変換によって複数の拡張特徴関数に変換する。拡張特徴関数の具体例として、次の(1)~(8)が挙げられる。
ステップ1の次のステップでは、拡張特徴関数ベクトルの次元を削減するために、次元削減行列を算出する必要がある。そこで、ステップ2では、拡張特徴関数ベクトルg(t,d)に基づいて特徴統計分析を行い、次元削減行列Wを算出する。算出方法は、線形の次元削減アルゴリズムであるフィッシャー線形判別に従って行う。具体例であるサブステップ21~23を次に示す。
まず、分類しようとするカテゴリCの振動(振動無しを含む)に対して、振動モードc毎にKc個の下記式で表されるトレーニングサンプルセットを収集する。振動カテゴリcに対応する時間tと空間位置dの拡張特徴関数ベクトルg(t,d)の値から得られる。
次に、振動カテゴリ毎に、以下の統計量を算出する。
そして、下記式で表される行列の特徴値を算出して分解する。そして、Q個の最大特徴値に対応する特徴ベクトルを取得する。次元削減行列Wの列は特徴ベクトルから構成される。
ステップ3では、振動信号の初期データと、先に取得した拡張特徴関数{f(t,d),g1(t,d),g2(t,d),g3(t,d),・・・,gP-1(t,d)}を線形に組合せて圧縮し、次元を削減した所定数の特徴関数{h1(t,d),h2(t,d),h3(t,d),・・・,hQ(t,d)}を取得する。次元削減結果は、下記式で表される行列方程式から得られる。
ステップ4では、次元削減後の特徴ベクトルh(t,d)を、トレーニングを経た制御パラメータを有する分類器(以下、一次分類器ともいう)に入力し、振動カテゴリcを出力する。振動カテゴリcの値は、c=1,2,・・・,Cとすることができ、カテゴリc=1は振動無しを意味する。前記分類器として決定木分類器を用いることができるが、ニューラルネットワーク或いはサポートベクトルマシン(SVM)を含んでなる分類器を用いてもよい。各種トレーナーについては機械学習理論で提示されているため、ここではこれ以上詳述しない。前記分類器の制御パラメータは、トレーニングによって得られる。前記パラメータのトレーニング方法では、分類しようとするカテゴリCの振動のトレーニングサンプルセット{(h1,c1),(h2,c2),(h3,c3),・・・}が入力される。ここで、(hk,ck)は振動カテゴリがckのトレーニングサンプルを表し、hkは当該カテゴリの振動発生時刻tと空間位置dに対応して次元を削減した特徴関数ベクトルh(t,d)の値である。具体的なアルゴリズム構成は一次分類器に対応しており、例えば決定木トレーナー、ニューラルネットワークトレーナー及びサポートベクトルマシントレーナーを挙げることができる。
ステップ5では、ステップ4にて得られた一次分類結果e(t,d)に対して修正を行う。当該修正には、誤検出された振動の削除及び/又は誤分類された振動の補正が含まれる。実際の過程では、カテゴリの違いによって、振動の持続時間及び/又は関連する空間範囲が大きく、前記特徴拡張関数がカバーする範囲を超えることがある。そのため、より高い次元から、より広い時空間範囲の分類結果を用いて二次分析する必要がある。具体例であるサブステップ51~53を次に示す。
まず、ステップ4にて得られた一次分類結果e(t,d)を下記式で表される論理変数に変換する。当該論理変数は、0と1の値からなる一系列の変数である。
次に、論理ルールベース内の論理ルールに基づいて、振動カテゴリ毎にスコアを算出する。
そして、下記式で表される、最高スコアに対応する振動カテゴリを出力する。
Claims (7)
- 分布型光ファイバセンサからの振動信号の初期データに対して特徴を拡張し、拡張特徴関数ベクトル及びC個の振動カテゴリを取得するステップ1と、
前記拡張特徴関数ベクトルに基づいて、次元削減行列を算出するステップ2と、
前記次元削減行列を前記初期データ及び前記拡張特徴関数ベクトルに作用させて、次元を削減した特徴関数を取得するステップ3と、
パラメータデータベースから一次分類パラメータを取得して分類し、前記振動信号の一次分類結果を取得するステップ4と、
前記一次分類結果に対して誤検出結果の削除及び誤分類の修正を行い、前記振動信号の二次分類結果を取得して出力するステップ5と
を備え、
前記ステップ2が、
番号cの振動カテゴリに対して、下記式1で表されるトレーニングサンプルセットを収集するサブステップ21と、
振動カテゴリ毎に、下記式2で表されるクラスタの中心、下記式3で表されるクラスタ内の分散、下記式4で表されるクラスタ内の分散の和、下記式5で表される全データの中心及び下記式6で表されるクラスタ間の分散を算出するサブステップ22と、
下記式7で表される行列の特徴値を算出して分解し、Q個の最大特徴値及び対応する特徴ベクトルを取得し、前記特徴ベクトルの列で前記次元削減行列を構成するサブステップ23と
を備える、光ファイバ信号の特徴に基づき振動を検知及び識別し且つ時空間を特定する方法。
- 分布型光ファイバセンサからの振動信号の初期データに対して特徴を拡張し、拡張特徴関数ベクトル及びC個の振動カテゴリを取得するステップ1と、
前記拡張特徴関数ベクトルに基づいて、次元削減行列を算出するステップ2と、
前記次元削減行列を前記初期データ及び前記拡張特徴関数ベクトルに作用させて、次元を削減した特徴関数を取得するステップ3と、
パラメータデータベースから一次分類パラメータを取得して分類し、前記振動信号の一次分類結果を取得するステップ4と、
前記一次分類結果に対して誤検出結果の削除及び誤分類の修正を行い、前記振動信号の二次分類結果を取得して出力するステップ5と
を備え、
前記ステップ2において、独立成分分析によって前記次元削減行列を取得する、光ファイバ信号の特徴に基づき振動を検知及び識別し且つ時空間を特定する方法。 - 分布型光ファイバセンサからの振動信号の初期データに対して特徴を拡張し、拡張特徴関数ベクトル及びC個の振動カテゴリを取得するステップ1と、
前記拡張特徴関数ベクトルに基づいて、次元削減行列を算出するステップ2と、
前記次元削減行列を前記初期データ及び前記拡張特徴関数ベクトルに作用させて、次元を削減した特徴関数を取得するステップ3と、
パラメータデータベースから一次分類パラメータを取得して分類し、前記振動信号の一次分類結果を取得するステップ4と、
前記一次分類結果に対して誤検出結果の削除及び誤分類の修正を行い、前記振動信号の二次分類結果を取得して出力するステップ5と
を備え、
前記ステップ5が、
下記式8で表される前記一次分類結果を下記式9で表される論理変数に変換するサブステップ51と、
論理ルールベース内のB個の全論理式{J1(L),J2(L),・・・,JB(L)}に対して、下記式10で表される算出式に基づいて振動カテゴリ毎にスコアを算出するサブステップ52と、
二次分類器の出力として、下記式11で表される最高スコアに対応する振動カテゴリを出力するサブステップ53と
を備える、光ファイバ信号の特徴に基づき振動を検知及び識別し且つ時空間を特定する方法。
- 分布型光ファイバセンサからの振動信号の初期データに対して特徴を拡張し、拡張特徴関数ベクトル及びC個の振動カテゴリを取得する特徴拡張ユニットと、
前記拡張特徴関数ベクトルに基づいて、次元削減行列を算出する次元削減行列算出ユニットと、
前記次元削減行列を前記初期データ及び前記拡張特徴関数ベクトルに作用させて、次元を削減した特徴関数を取得する線形次元削減ユニットと、
パラメータデータベースから一次分類パラメータを取得して分類し、前記振動信号の一次分類結果を取得する一次分類ユニットと、
前記一次分類結果に対して誤検出結果の削除及び誤分類の修正を行い、前記振動信号の二次分類結果を取得して出力する二次分類ユニットと
を備え、
前記次元削減行列算出ユニットは、
番号cの振動カテゴリに対して、下記式1で表されるトレーニングサンプルセットを収集し、
振動カテゴリ毎に、下記式2で表されるクラスタの中心、下記式3で表されるクラスタ内の分散、下記式4で表されるクラスタ内の分散の和、下記式5で表される全データの中心及び下記式6で表されるクラスタ間の分散を算出し、
下記式7で表される行列の特徴値を算出して分解し、Q個の最大特徴値及び対応する特徴ベクトルを取得し、前記特徴ベクトルの列で前記次元削減行列を構成する、光ファイバ信号の特徴に基づき振動を検知及び識別し且つ時空間を特定するシステム。
- 分布型光ファイバセンサからの振動信号の初期データに対して特徴を拡張し、拡張特徴関数ベクトル及びC個の振動カテゴリを取得する特徴拡張ユニットと、
前記拡張特徴関数ベクトルに基づいて、次元削減行列を算出する次元削減行列算出ユニットと、
前記次元削減行列を前記初期データ及び前記拡張特徴関数ベクトルに作用させて、次元を削減した特徴関数を取得する線形次元削減ユニットと、
パラメータデータベースから一次分類パラメータを取得して分類し、前記振動信号の一次分類結果を取得する一次分類ユニットと、
前記一次分類結果に対して誤検出結果の削除及び誤分類の修正を行い、前記振動信号の二次分類結果を取得して出力する二次分類ユニットと
を備え、
前記次元削減行列算出ユニットは、独立成分分析によって前記次元削減行列を取得する、光ファイバ信号の特徴に基づき振動を検知及び識別し且つ時空間を特定するシステム。 - 分布型光ファイバセンサからの振動信号の初期データに対して特徴を拡張し、拡張特徴関数ベクトル及びC個の振動カテゴリを取得する特徴拡張ユニットと、
前記拡張特徴関数ベクトルに基づいて、次元削減行列を算出する次元削減行列算出ユニットと、
前記次元削減行列を前記初期データ及び前記拡張特徴関数ベクトルに作用させて、次元を削減した特徴関数を取得する線形次元削減ユニットと、
パラメータデータベースから一次分類パラメータを取得して分類し、前記振動信号の一次分類結果を取得する一次分類ユニットと、
前記一次分類結果に対して誤検出結果の削除及び誤分類の修正を行い、前記振動信号の二次分類結果を取得して出力する二次分類ユニットと
を備え、
前記二次分類ユニットは、
下記式8で表される前記一次分類結果を下記式9で表される論理変数に変換し、
論理ルールベース内のB個の全論理式{J 1 (L),J 2 (L),・・・,J B (L)}に対して、下記式10で表される算出式に基づいて振動カテゴリ毎にスコアを算出し、
下記式11で表される最高スコアに対応する振動カテゴリを出力する、光ファイバ信号の特徴に基づき振動を検知及び識別し且つ時空間を特定するシステム。
- 前記パラメータデータベースは、前記次元削減行列、分類器パラメータ及び論理ルールベースの少なくとも1つの蓄積に用いられる、請求項4~6のいずれか1項に記載の光ファイバ信号の特徴に基づき振動を検知及び識別し且つ時空間を特定するシステム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811635297.3 | 2018-12-29 | ||
CN201811635297 | 2018-12-29 | ||
PCT/JP2019/050799 WO2020138154A1 (ja) | 2018-12-29 | 2019-12-25 | 光ファイバ信号の特徴に基づき振動を検知及び識別し且つ時空間を特定する方法及びシステム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020138154A1 JPWO2020138154A1 (ja) | 2021-11-11 |
JP7126722B2 true JP7126722B2 (ja) | 2022-08-29 |
Family
ID=67076704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020563341A Active JP7126722B2 (ja) | 2018-12-29 | 2019-12-25 | 光ファイバ信号の特徴に基づき振動を検知及び識別し且つ時空間を特定する方法及びシステム |
Country Status (5)
Country | Link |
---|---|
US (1) | US11892345B2 (ja) |
EP (1) | EP3889561B1 (ja) |
JP (1) | JP7126722B2 (ja) |
CN (1) | CN109974835B (ja) |
WO (1) | WO2020138154A1 (ja) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110455399B (zh) * | 2019-08-12 | 2020-06-09 | 中冶建筑研究总院有限公司 | 用分布式光纤对建筑结构振动进行全局预警的方法 |
CN112597834B (zh) * | 2020-12-11 | 2022-05-17 | 华中科技大学 | 一种结构表面负载状态识别及厚度测量的方法及装置 |
CN113205036A (zh) * | 2021-04-28 | 2021-08-03 | 同济大学 | 一种基础设施外部侵害振源感知及定位方法 |
CN114166331A (zh) * | 2021-12-03 | 2022-03-11 | 武汉理工光科股份有限公司 | 一种非威胁性信号识别方法、装置、电子设备及存储介质 |
WO2023119628A1 (ja) * | 2021-12-24 | 2023-06-29 | 日本電信電話株式会社 | 判定装置、判定方法、およびプログラム |
CN114998837A (zh) * | 2022-06-14 | 2022-09-02 | 中电海康集团有限公司 | 入侵事件的实时识别方法、装置、系统及介质 |
CN117360588B (zh) * | 2023-10-24 | 2024-05-24 | 武汉理工大学 | 一种基于光栅阵列的列车识别及定位方法、装置和设备 |
CN117496650B (zh) * | 2024-01-02 | 2024-03-26 | 浙江省白马湖实验室有限公司 | 一种基于环境嵌入的分布式光纤入侵预警方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105973449A (zh) | 2016-04-15 | 2016-09-28 | 深圳艾瑞斯通技术有限公司 | 一种光纤振源识别方法、装置及系统 |
WO2018085893A1 (en) | 2016-11-10 | 2018-05-17 | Mark Andrew Englund | Acoustic method and system for providing digital data |
CN108509850A (zh) | 2018-02-24 | 2018-09-07 | 华南理工大学 | 一种基于分布式光纤系统的入侵信号识别算法 |
JP2018533096A (ja) | 2015-07-16 | 2018-11-08 | ファルコンリー インコーポレイテッドFalkonry Inc. | 抽象的な関係及びスパースラベルに基づく物理的状況の機械学習 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663032B (zh) * | 2012-03-26 | 2014-03-05 | 电子科技大学 | 一种光纤光栅围栏入侵事件模式识别方法 |
CN103198331B (zh) * | 2013-03-25 | 2017-02-08 | 江苏易谱恒科技有限公司 | 基于pca_lda分析的多谱图特征融合识别方法 |
CN104112072B (zh) * | 2014-07-15 | 2017-04-05 | 华侨大学 | 基于小波阈值去噪的主成分分析的工作模态参数识别方法 |
JP6419534B2 (ja) * | 2014-11-06 | 2018-11-07 | 株式会社東芝 | 診断システム、診断方法および診断プログラム |
CN105046279B (zh) * | 2015-08-07 | 2018-05-15 | 合肥工业大学 | 一种模拟电路故障模式分类方法 |
CN105608823B (zh) * | 2016-03-14 | 2020-09-11 | 北京北邮国安技术股份有限公司 | 基于主成分分析的光纤安防方法及系统 |
CN107425906B (zh) * | 2017-07-25 | 2019-09-27 | 电子科技大学 | 面向地下管网安全监测的分布式光纤传感信号处理方法 |
CN108388860B (zh) * | 2018-02-12 | 2020-04-28 | 大连理工大学 | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 |
-
2019
- 2019-01-24 CN CN201910068735.0A patent/CN109974835B/zh active Active
- 2019-12-25 JP JP2020563341A patent/JP7126722B2/ja active Active
- 2019-12-25 WO PCT/JP2019/050799 patent/WO2020138154A1/ja unknown
- 2019-12-25 EP EP19905331.5A patent/EP3889561B1/en active Active
- 2019-12-25 US US17/418,459 patent/US11892345B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018533096A (ja) | 2015-07-16 | 2018-11-08 | ファルコンリー インコーポレイテッドFalkonry Inc. | 抽象的な関係及びスパースラベルに基づく物理的状況の機械学習 |
CN105973449A (zh) | 2016-04-15 | 2016-09-28 | 深圳艾瑞斯通技术有限公司 | 一种光纤振源识别方法、装置及系统 |
WO2018085893A1 (en) | 2016-11-10 | 2018-05-17 | Mark Andrew Englund | Acoustic method and system for providing digital data |
CN108509850A (zh) | 2018-02-24 | 2018-09-07 | 华南理工大学 | 一种基于分布式光纤系统的入侵信号识别算法 |
Also Published As
Publication number | Publication date |
---|---|
CN109974835B (zh) | 2021-06-04 |
JPWO2020138154A1 (ja) | 2021-11-11 |
EP3889561A4 (en) | 2022-01-26 |
EP3889561A1 (en) | 2021-10-06 |
US11892345B2 (en) | 2024-02-06 |
WO2020138154A1 (ja) | 2020-07-02 |
US20210396573A1 (en) | 2021-12-23 |
EP3889561B1 (en) | 2023-08-02 |
CN109974835A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7126722B2 (ja) | 光ファイバ信号の特徴に基づき振動を検知及び識別し且つ時空間を特定する方法及びシステム | |
Khan et al. | Malicious insider attack detection in IoTs using data analytics | |
US8111174B2 (en) | Acoustic signature recognition of running vehicles using spectro-temporal dynamic neural network | |
CN108718310A (zh) | 基于深度学习的多层次攻击特征提取及恶意行为识别方法 | |
US20140358487A1 (en) | System and method for analyzing sensed data | |
CN104751580A (zh) | 分布式光纤传感信号模式识别方法及系统 | |
US10621506B2 (en) | Apparatus and method for activity detection and classification from sensor data | |
CN106022229A (zh) | 基于视频运动信息特征提取与自适应增强算法的误差反向传播网络的异常行为识别方法 | |
Jaiswal et al. | Sound classification using convolutional neural networks | |
CN111783853B (zh) | 一种基于可解释性的检测并恢复神经网络对抗样本方法 | |
CN105139029A (zh) | 一种监狱服刑人员的行为识别方法及装置 | |
CA2933805A1 (en) | Systems and methods for verification and anomaly detection using a mixture of hidden markov models | |
Anaissi et al. | Multi-objective autoencoder for fault detection and diagnosis in higher-order data | |
CN109547496B (zh) | 一种基于深度学习的主机恶意行为检测方法 | |
CN105139869A (zh) | 一种基于区间差分特征的婴儿啼哭检测方法 | |
Zhang et al. | Anomaly detection and localization in crowded scenes by motion-field shape description and similarity-based statistical learning | |
CN117176433A (zh) | 网络数据的异常行为检测系统及方法 | |
Wang et al. | Detection of abnormal human behavior using a matrix approximation-based approach | |
CN116778657A (zh) | 一种智能识别入侵行为的方法及系统 | |
Mahareek et al. | Detecting anomalies in security cameras with 3DCNN and ConvLSTM | |
CN109614893B (zh) | 基于情境推理的异常行为行踪智能识别方法及装置 | |
Narwal et al. | Real time system for unattended Baggag e detection | |
US8638642B2 (en) | Identity tracking process and system | |
Satya Sujith et al. | Optimal support vector machine and hybrid tracking model for behaviour recognition in highly dense crowd videos | |
Tran et al. | Network anomaly detection using fuzzy gaussian mixture models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210622 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210622 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220712 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220809 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7126722 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |