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
本発明は、光ファイバ信号処理の分野に属し、具体的には、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に関する。
分布型光ファイバセンサを用いて振動を検知するシステムは、設置が容易であり、検知領域が広く、且つ検知感度に優れることから、設備監視、エリアセキュリティ、環境測定等の分野で採用されている。しかし、分布型光ファイバセンサの物理特性に起因して、当該分布型光ファイバセンサが取得する信号波形と、当該分布型光ファイバセンサが受ける機械的振動とを、簡単な方程式で関連付けることは難しい。又、分布型光ファイバセンサを用いて振動を検知した場合には、分布型光ファイバセンサの信号に各種の干渉及びノイズが存在することから、振動のカテゴリを正確に検知及び識別して当該振動の時空間を特定することは困難である。
分布型光ファイバセンサを用いた従来の振動検知手段は、主として、所定の時間窓内における分布型光ファイバセンサ信号の変動幅から振動を検知し、時間及び空間位置を大まかに特定している。しかし、当該振動検知手段は、検知エラー率が高く、カテゴリの異なる振動に対する識別能力に劣り、且つ振動の時間及び空間位置を特定する能力が低いため、日々増大する適用要求を満足させることができない。
又、光ファイバ信号から振動を検知及び識別し且つ時空間を特定する従来のアルゴリズムは、主に所定の時間窓及び周波数範囲に基づいて分布型光ファイバセンサ信号の変動幅を検知している。当該アルゴリズムは、信号の変動幅を所定の閾値と比較することにより、振動の発生有無を判定している。しかし、当該閾値は、測定者の経験に頼って設定されているため、単純な閾値に基づき複雑な振動をカテゴリ毎に区別するには限界があり、且つ誤検知率と検知漏れ率のバランスを取ることも難しい。このような問題点があるため、高い信頼性及び精度が求められる分野に光ファイバセンサを用いて振動を検知及び識別し且つ時空間を特定する上記アルゴリズムを適用させるには限界がある。
光ファイバ信号から振動を検知及び識別する他の方法として、分布型光ファイバセンサが取得する信号波形と当該分布型光ファイバセンサが受ける機械的振動との間の理論モデルに基づいて方程式を構築し、振動の検知のために抽出を要する信号特徴及び参照閾値を取得する方法がある。しかし、機械的振動から光ファイバセンサ信号に至るまでの過程では複数の非線形変換がなされることから、所定の単純な振動に対してのみ理論分析が可能である。さらに、上記理論モデルは、大量の近似を用いることから、実際に光ファイバセンサ信号に至るまでの過程で生じる様々な信号特徴の歪みを無視している。そのため、上記理論モデルは誤差が大きく、検知及び識別の効果に劣る。
本発明は上記事情に鑑みてなされたものであり、振動に対する検知及び識別の精度を向上させることができる、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及びシステムを提供することを目的とする。
本発明の一局面は、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、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である。
本発明の他の一局面は、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、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である。
本発明の目的、特徴、局面及び利点は、以下の詳細な説明及び図面によって、より明白となる。
本明細書に記載された全ての用語（技術用語及び科学用語を含む）は、本明細書で別途定義されていない限り、当業者が一般に理解するのと同じ意味を有する。又、汎用された辞書にて定義された用語は、従来技術にて用いられるのと同じ意味を有し、本明細書で特に定義されていない限り、理想化された意味或いは過度に正式な意味で解釈されるべきではない。
本発明は、光ファイバ信号から振動を検知及び識別し且つ時空間を特定する従来のアルゴリズムが有する問題点を解消させ得る、新たな構造のアルゴリズムを提供する。当該構造は、トレーニング部と検知・識別部を有する。トレーニング部は、実験により収集した光ファイバ初期信号に対して統計分析を行い、振動を検知及び識別する特徴を取得してアルゴリズムパラメータを抽出する。検知・識別部は、トレーニング部が取得したパラメータに基づき、所定の信号処理手順に従って振動を検知して当該振動のカテゴリを識別するとともに、当該振動の時空間特定を完了させる。
本発明で提供されるアルゴリズムは、実験で収集した光ファイバ信号データの統計パラメータに基づいて行われる。これにより、当該アルゴリズムは、振動を検知及び識別する際に遭遇する干渉及び／又はノイズを正確に処理することができ、且つ、理論モデルに基づいて振動を検知及び識別する方法において生じるモデル誤差の問題を回避することができる。
本発明にて検知及び識別される振動として、例えば、歩行者、自動車、列車、風、雨、雪等に起因した環境振動が挙げられる。そして、本発明が適用される分野として、例えば、石油・ガスパイプラインにおける掘削防止、盗難防止及び／又は漏れ防止；石油・ガス井戸における漏れ防止、水流外乱検出及び／又は物理探査；鉄道、空港や博物館等の公共施設における侵入防止；市役所、刑務所や軍事基地等の政府・国家建造物におけるセキュリティ防御やセキュリティ対策；国境における侵入防止や違法越境の防止が挙げられる。
以下、本発明の好ましい実施形態を、図面を参照しながら詳細に説明する。但し、本発明は、これらに限定されるものではない。
図１は本発明の実施形態に係る方法のフローチャート図である。図１に示すように、当該方法は、ステップ１（特徴拡張ステップ）と、ステップ２（次元削減行列算出ステップ）と、ステップ３（線形次元削減ステップ）と、ステップ４（一次分類ステップ）と、ステップ５（二次分類ステップ）とを有する。
［ステップ１（特徴拡張ステップ）］
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。
上記（１）～（８）の拡張特徴関数のうち、例えばｇ３（ｔ，ｄ）又はｇ６（ｔ，ｄ）によって、非線形性を初期データに導入することができ、他方、例えばｇ１（ｔ，ｄ）、ｇ２（ｔ，ｄ）、ｇ５（ｔ，ｄ）、ｇ７（ｔ，ｄ）又はｇ８（ｔ，ｄ）によって、所定の時間及び空間窓内のデータを関連付けることができる。その結果、振動の検知及び識別の精度が向上する。尚、上記（１）～（８）はいずれも拡張特徴関数の例に過ぎない。そして、ステップ１では、拡張特徴関数を組合せることにより、拡張特徴関数ベクトルｇ（ｔ，ｄ）を形成する。
［ステップ２（次元削減行列算出ステップ）］
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。
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。
（サブステップ２１）
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。
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。
（サブステップ２２）
次に、振動カテゴリ毎に、以下の統計量を算出する。
次に、振動カテゴリ毎に、以下の統計量を算出する。
（サブステップ２３）
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。
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。
上記アルゴリズムは、線形の次元削減行列を実現させる一例である。本発明の実施形態に係る方法では、上記アルゴリズムに代えて、例えば主成分分析（ＰＣＡ）や独立成分分析（ＩＣＡ）といったその他の線形の次元削減アルゴリズムを用いてもよい。
［ステップ３（線形次元削減ステップ）］
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（一次分類ステップ）］
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。
当該ステップ４は一次分類を実現するためのものであり、ステップ４での出力には一定のエラーが存在するものの、次ステップでの二次分類によって是正される。
［ステップ５（二次分類ステップ）］
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。
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。
（サブステップ５１）
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。
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。
（サブステップ５２）
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。
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。
ここで、各論理ルールは次の（ａ）と（ｂ）を含む。
（サブステップ５３）
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。
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。
Ｊ１（Ｌ）は、現在の時刻と、１つ前の時刻或いはさらに１つ前の時刻とにおいて、一次分類器によってカテゴリ１の振動が検出された場合の論理イベントを表す。
Ｊ２（Ｌ）は、現在の位置と、その前と後にて隣り合う２つの位置とにおいて、一次分類器によってカテゴリ５の振動が検出された場合の論理イベントを表す。
図２は本発明の実施形態に係るシステムのブロック図（機能モジュールの模式図）である。当該システムは、上記実施形態にて説明した方法に対応している。具体的には、本発明の実施形態に係るシステムは、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であり、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有する。
前記システムは、前記パラメータデータベースをさらに有してもよい。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つの蓄積に用いることができる。
上述したように、本発明の一局面は、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、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（特徴拡張ステップ）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（次元削減行列算出ステップ）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（線形次元削減ステップ）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（一次分類ステップ）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（二次分類ステップ）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である。
上記の方法において、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とを備えることが好ましい。
上記の方法において、前記ステップ２では主成分分析又は独立成分分析によって前記次元削減行列を取得することが好ましい。
上記の方法において、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とを備えることが好ましい。
本発明の他の一局面は、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、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である。
上記のシステムにおいて、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ことが好ましい。
本発明は以下の技術的効果を奏する。
本発明は、時間、空間及び周波数帯域における特徴を非線形に拡張することで非線形性を初期データに導入し、所定の時間及び空間窓内のデータを関連付ける。これにより、後続する処理において、１つの時空間領域内の振動信号は分類器によって単独点として分析されるのではなく、組合せて分析及び分類されることが可能となる。その結果、本発明では特徴の上記拡張によって振動を検知する精度が向上する。
又、本発明は、振動カテゴリを識別する際、２段階で識別を行う方式を採用している。第１段階では、拡張した特徴データを用いて振動カテゴリを一次分類する。第２段階では、論理ルールに従って一次分類結果を修正する。具体的には、所定の論理ルールに従って相対的に大きな時空間範囲内の振動検知結果を関連付けて、偶発的な干渉及び誤識別に起因した識別エラーを除去する。これにより、本発明では振動を識別する精度が向上する。
さらに、本発明は、上記２段階の識別分類方式において、統計分類技術と、光ファイバ信号検知分野における分類経験とを効果的に組合せている。これにより、本発明では識別アルゴリズムの精度が確保される。
本発明によれば、例えば、鉄道における環境振動を４層の決定木分類器を用いて検知及び識別した場合には、空間識別率：±１０ｍ、振動に対する応答：３秒以下、１週間における誤検知：１回／日以下、１週間における検知漏れ：０回という信頼性及び精度を実現することができる。これに対して、人工知能（ＡＩ）で当該鉄道における環境振動を検知及び識別した場合には、１週間における誤検知：１２回／日以上という信頼性及び精度であった。このように、本発明は、ＡＩと比べて、相対的に少ないトレーニングデータを用いるものの、相対的に速く且つ正確に振動を検知及び識別し且つ時空間を特定することができる。
以下に、実施例により本発明をさらに具体的に説明するが、本発明の範囲は当該実施例に限定されるものではない。
本発明をエリアセキュリティシステムに適用して、当該エリアセキュリティシステムにおける３種類の侵入行為（即ち、フェンスのよじ登り、フェンス殴打、光ファイバ侵犯）に起因した振動の区別を行った。上記３種類の侵入行為における検知信号を図３～５に示す。より具体的には、図３は実施例においてフェンスによじ登った場合に発生した振動信号を表した図であり、図４は実施例においてフェンスを殴打した場合に発生した振動信号を表した図であり、図５は実施例において光ファイバを侵犯した場合に発生した振動信号を表した図である。これら図において、Ｘ Ａｘｉｓは光ファイバの位置を表し、Ｙ Ａｘｉｓは振動周波数を表し、Ｚ Ａｘｉｓは振動強度を表す。
図３～５に示すように、侵入行為の違いによって、当該侵入行為の動作に対応した特徴ベクトルにはかなり顕著な差が現れた。具体的には、フェンスによじ登った場合のエネルギー分布は周波数帯域のうち主に低周波数帯域に集中していたが、フェンスを殴打した場合のエネルギー分布はフェンスによじ登った場合と比べて相対的に高周波数側に偏移していた。そして、光ケーブルを侵犯した場合のエネルギー分布は主に高周波数域にあった。上記３種類の侵入行為の動作に対応した特徴ベクトルはこのような大きな違いを有していたため、これらは特徴ベクトルの有効なトレーニングとして利用可能であった。
そこで、上記３種類の侵入行為に対する大量の実験を行い、収集した光ファイバセンシングデータをトレーニングデータとした。具体的には、順に配列された１９９９１個のｃｓｖデータ（１００列）を時間毎に収集し、１９９９１行×１００列のｃｓｖファイルに合成することで、当該イベントの初期特徴データファイルｆｅａｔｕｒｅ．ｃｓｖを得た。そして、前記ｆｅａｔｕｒｅ．ｃｓｖと同じ行列数のｃｓｖファイルｔａｒｇｅｔ．ｃｓｖを構築した。前記ｔａｒｇｅｔ．ｃｓｖの全データには最初に０が付与されており、実験記録及びデータ比較に基づいて、１２番目のチャンネルを実験イベント発生チャンネルとした。前記ｔａｒｇｅｔ．ｃｓｖにおける１２列目にイベントのデータを付与した。具体的には、イベントのデータとして、フェンスによじ登った場合には１を、フェンスを殴打した場合には２を、光ファイバを侵犯した場合には３をそれぞれ付与した。特徴に基づいて結果を抽出する際には、下記の特徴拡張式を使用した。
アルゴリズムプログラムを実行した後、生成された決定木をエリアセキュリティシステムに適用し、大量の検知試験を実施した。その結果を次に示す。
まず、２０００回のフェンスのよじ登りに対する検知試験では、検知漏れが１１回、誤検知が２１回発生した。当該誤検知のうち、フェンス殴打行為が６回、光ファイバ侵犯行為が１５回であった。
次に、２０００回のフェンス殴打に対する検知試験では、検知漏れが５回、誤検知が１３回発生した。当該誤検知のうち、フェンスよじ登り行為が３回、光ファイバ侵犯行為が１０回であった。
そして、２０００回の光ファイバ侵犯に対する検知試験では、検知漏れが３回、誤検知が３１回発生した。当該誤検知のうち、フェンスよじ登り行為が２６回、フェンス殴打行為が５回であった。
全体のエラー率は（（１１＋２１）＋（５＋１３）＋（３＋３１））／（２０００＋２０００＋２０００）×１００＝１．４％であり、エリアセキュリティシステムで要求される３種類の侵入行為のカテゴリ分類が実現された。
この出願は、２０１８年１２月２９日に出願された中華人民共和国発明専利出願２０１８１１６３５２９７．３号を基礎とするものであり、その内容は、本願に含まれるものである。
本発明を表現するために、上述において実施形態を通して本発明を適切且つ十分に説明したが、当業者であれば上述の実施形態を変更及び／又は改良することは容易に為し得ることであると認識すべきである。従って、当業者が実施する変更形態又は改良形態が、請求の範囲に記載された請求項の権利範囲を逸脱するレベルのものでない限り、当該変更形態又は当該改良形態は、当該請求項の権利範囲に包括されると解釈される。
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 |