基于EMD分解与1-D CNN算法的光纤振动信号的识别

为提高基于相敏光时域反射计(-OTDR)的分布式光纤声传感系统(DAS)对入侵振动事件的识别准确率,提出一种基于经验模态分解(EMD)与一维卷积神经网络(1-D CNN)相结合的识别方式。该方式首先使用EMD将振动信号分解为m阶本征模函数(IMF),然后使用皮尔逊相关系数(PCC)判断出有效的IMF分量,将有效的IMF分量使用小波阈值去噪算法(WTD)进行去噪,对所有去噪后的IMF分量求和得到重构信号,最后使用1-D CNN对重构信号进行识别。实验证明该识别方式能快速完成对识别模型的训练,训练时间小于3min,并且能有效识别在实际环境中采集的入侵振动信号,对入侵信号的识别准确率可达98.3。     

针对持续入侵事件的分级识别算法

提出了一种基于应激反应过程的光纤预警分级 识别算法。该 算法受启发于人体受到外界刺激时机体分阶段调用组织系统和能量进行抵抗的机制,针对持 续振动的光纤 信号设计了分级识别算法。对于持续入侵事件引起的光纤振动信号,首先用高识别精度、高 时间消耗的算 法进行短时间的识别,以确定当前入侵事件类型;后续振动信号用低识别率、低时间消耗的 算法进行识别, 以监测是否新入侵事件产生。当发现新入侵事件后,需用高识别率的算法再次识别以查正。 实验结果表明,本算法能在一定识别精度下识别速度提升为原来的3.67倍,保证了保证了系统实时性监测的要求。     

光纤振动信号特征提取及线性分类方法

在光纤预警系统(OFPS)中产生的入侵事件主要分 为有害入侵和无害入侵。目前对于这两类扰动常规 的特征提取方法通常是采用时域分析,但是对于不同有害入侵事件其时域特征区分不明显, 因此时域处理 不能更好体现它们之间的细节差别。通过对有害入侵信号的频谱进行统计研究发现,不同信 号的频谱分布 存在较为明显的差异性,因此本文将入侵信号变换到频域并借鉴声信号的处理方法,提出了 一种基于能量 占比特征的有害入侵事件识别算法。对采集到的振动信号进行预处理并计算功率谱密度(PSD ),计算各信号 不同频段的能量占比,并将其作为信号分类识别的特征。之后将能量占比特征作为样本送入 分类器进行 OFPS振动信号识别。在分类器的选择上,本文采用线性判别分析(LDA)分类器对信号进行识 别,LDA能 最大限度的保持原始数据信息,并有效区分振动信号。通过实验结果表明该算法在OFPS 振 动信号的识别 研究中提高了有害入侵信号的识别率,从而验证了本算法的可行性,同时有效减少了识别时 间。     

分布定位式光纤振动传感系统的事件识别

本文提出了一种对分布式光纤声传感器的入侵事件分类方法.该方式采用小波包去噪方式对原始信号进行去噪;将去噪后的原始信号进行小波变换,得到原始信号的小波时频图;构建双输入型的卷积神经网络,将滤波后的原始一维信号直接输入到一个三层的1-D CNN中、滤波后得到的二维小波时频图直接输入到一个两层的2-D CNN中;将两种CNN输出的特征输入到支持向量机(SVM),使用SVM对事件进行分类.本文中主要识别3种振动事件:汽车通过、挖掘机挖掘和破路机工作.实验结果表明,所提方式对实际环境中3种振动事件的识别准确率平均可以达到96％,并且识别时间仅为0.61 s.     

分布定位式光纤振动传感系统的事件识别

本文提出了一种对分布式光纤声传感器的入侵事件分类方法.该方式采用小波包去噪方式对原始信号进行去噪;将去噪后的原始信号进行小波变换,得到原始信号的小波时频图;构建双输入型的卷积神经网络,将滤波后的原始一维信号直接输入到一个三层的1-D CNN中、滤波后得到的二维小波时频图直接输入到一个两层的2-D CNN中;将两种CNN输出的特征输入到支持向量机(SVM),使用SVM对事件进行分类.本文中主要识别3种振动事件:汽车通过、挖掘机挖掘和破路机工作.实验结果表明,所提方式对实际环境中3种振动事件的识别准确率平均可以达到96％,并且识别时间仅为0.61 s.     

基于Teager能量算子的语音端点检测算法研究

语音识别中端点检测是很重要的环节,检测的好坏直接影响到后面的语音识别的效果。传统使用的短时能量与短时过零率方法在信噪比较低时,不能有效地检测语音端点,检测准确率较低。利用Teager能量算子的非线性特性,能在抑制背景噪声的同时对平稳和不平稳信号有不同程度的衰减。因此,文中提出一种基于Teager能量算子的端点检测方法,并进行改进检测算法。经过实验证明,改进的算法与短时能量检测的结果相比,该算法在信噪比较低的情况下,能够比较准确地检测出语音的起始端点,同时语音端点检测准确率比较高,验证了该算法的有效性。     

基于TSVD-SCN的光纤入侵信号识别算法研究

采用随机配置网络(SCN,Stochastic configurat ion network)对光纤振动信号进行识别,常由于光 纤预警系统的背景噪声问题使得网络的隐含层输出接近奇异,直接影响了SCN对光纤数据的 识别准确率。 因此本文提出了一种基于截断奇异值分解(Truncated singular value decomposition,TS VD)的SCN 方法(TSVD-SCN) 对光纤入侵信号进行识别。TSVD-SCN通过对网络的隐含层输出进行SVD分解并设置阈值去 除其中较小的 奇异值,以减少隐含层输出矩阵的条件数,提升网络识别率。本文利用占空比,平均幅差函 数,FFT求能 量占比的方法进行特征提取,采用基于TSVD-SCN算法对不同入侵振动特征矢量进行分类识 别。实验证明, 本文所提算法模型精度比SCN的模型精度更高,可以准确识别光纤入侵信号类型,对SCN网 络在实际应用中对分类精度的提高有着重要意义。     

改进经验模态分解算法在光纤布拉格光栅周界入侵行为分类中的应用

为了解决周界入侵行为识别正确率低的问题,对经验模态分解算法进行改进,并将其用于光纤布拉格光栅周界入侵行为分类。该方法利用短时平均过零率从整体信号中提取入侵信号,采用两次极值波延拓抑制经验模态分解算法的端点效应,对入侵信号进行分解并提取有效分量的特征,引用支持向量机对入侵行为进行识别;在室外环境下分别对无入侵和攀爬、剪切、碰撞、触摸4种入侵行为进行分类与识别。结果表明,所提方法能有效识别不同的入侵行为,识别正确率大于96%。     

基于VMD与MFE的光纤周界安防入侵事件识别北大核心CSCD

为了提高周界入侵事件的识别率,本文提出一种基于超弱光纤光栅(UWFBG)阵列的光纤周界入侵事件识别方法。该方法通过变分模态分解(VMD)将入侵信号进行分解,然后选择最佳分量并提取其多尺度模糊熵(MFE),与信号过零率(ZCR)相结合构造特征向量,将其输入到Sigmoid函数拟合的支持向量机(SVM),实现对晃动、剪切、刮风、下雨和无入侵5种不同的事件的识别。实验表明,该方法可以准确识别5种常见的事件信号,平均识别率达到98%。此外,该方法可以在输出各入侵事件类别的同时输出各类事件发生的概率值。     

经验模态分解结合频谱质心的方法在油管入侵信号诊断中的应用

在输油管道的安全防范系统应用背景下,针对传 统方法诊断光纤采集到的入侵信号准确率不高的问题,提出一种基于经验模态分解(EMD)算 法和频谱质心(SC)的入侵信号诊断方法。首先将采集到的原始入侵信号通过EMD进行 分解,分离含噪最 多的特征模态函数(IMF)分量,再组合剩余的IMF分量形成重构信号,对重构信号进行希尔伯 特变换(HT)得到希尔伯特谱,计算它的SC,进一步识别入侵信号和干扰信号。 通过对油管振动信号进行实验,本文方法对于每种入侵信号和干扰信号的诊断准 确率均在90.00%以上,整体的诊断准确率达到97.17%。对于该组油管振动信号, 同时运用奇异值分解(SVD)法进行诊断并将其结果与本文方法的诊断结果进行对比,整 体上本文方法的诊断准确率比SVD法高出19.00%。仿真实验结果表明 ,本文方法能有效诊断入侵信号,并且诊断效果明显优于奇异值分解法。