-
公开(公告)号：CN110472540B
公开(公告)日：2020-12-29
申请号：CN201910708045.7
申请日：2019-08-01
Applicant: 北京邮电大学
IPC: G06K9/00
Abstract: 本发明涉及基于LMD‑ICA‑PNN的Φ‑OTDR振动信号分类算法，是一种对振动信号进行识别分类的方法，属于信号处理与机器学习领域，其特征在于采用如下步骤：(1)确定相邻极值点的平均值和包络估计值；(2)确定剩余信号；(3)确定调频信号和包络信号；(4)进行LMD分解，确定第一个PF分量；(5)建立ICA数学模型；(6)构建PNN神经网络；(7)确定输出变量的判别函数。本发明克服了小波分解自适应较差和EMD分解的模态混叠与端点效应问题，利用PNN神经网络可以用线性学习算法完成非线性学习算法的优势，与LMD相结合，取得了较高的分类准确率。为振动信号识别分类领域提供了一种拥有较高分类准确率的方法。
-
公开(公告)号：CN110458071B
公开(公告)日：2020-12-15
申请号：CN201910708064.X
申请日：2019-08-01
Applicant: 北京邮电大学
IPC: G06K9/00
Abstract: 本发明涉及基于DWT‑DFPA‑GBDT的光纤振动信号特征提取与分类方法，是一种对光纤振动信号进行特征提取与分类的方法，属于信号处理与机器学习领域，其特征在于采用如下步骤：(1)确定原始振动信号的时域特征；(2)确定原始振动信号的频域特征；(3)确定原始振动信号的小波域特征；(4)计算马氏距离；(5)获得特征向量按可分性大小的排序；(6)确定损失函数；(7)确定拟合函数；(8)确定本轮迭代的强学习分类器。本发明实现了时域、频域及小波域三个不同域的特征提取，构建了完备的振动信号特征向量，将GBDT与DWT相结合，为振动信号特征提取与分类领域提供了一种在保证分类精度的基础上降低模型的复杂度的方法。
-
公开(公告)号：CN110458219A
公开(公告)日：2019-11-15
申请号：CN201910708004.8
申请日：2019-08-01
Applicant: 北京邮电大学
Abstract: 本发明涉及基于STFT-CNN-RVFL的Φ-OTDR振动信号识别算法，一种对Φ-OTDR振动信号时频图进行识别分类的方法，属于图片处理与模式识别领域，其特征在于采用如下步骤：(1)对Φ-OTDR振动信号做STFT变换，获取时频图；(2)对时频图做灰度处理；(3)构建CNN网络，提取图像特征；(4)随机初始化连接权值和阈值；(5)构建RVFL神经网络；(6)计算输出权值。本发明将振动信号的时频图像作为输入，通过卷积神经网络实现振动信号特征自动提取，将卷积神经网络的强大的图像识别及分类功能结合到振动信号识别当中。实验结果表明本发明设计的振动信号识别算法有着较好的信号识别效果，为振动信号识别领域提供了准确的识别算法。
-
公开(公告)号：CN110458073A
公开(公告)日：2019-11-15
申请号：CN201910708902.3
申请日：2019-08-01
Applicant: 北京邮电大学
IPC: G06K9/00
Abstract: 本发明涉及基于MEEMD-Hilbert和多层小波分解的光纤振动信号特征提取方法，是一种对分布式光纤振动信号进行特征提取的方法，属于信号处理与机器学习领域，其特征在于采用如下步骤：(1)确定引入白噪声信号后的振动信号；(2)确定第一个IMF分量序列集合；(3)进行延时空间重构；(4)确定排列熵；(5)确定剩余分量；(6)计算序列的希尔伯特变换；(7)确定序列的解析信号并进行自相关处理；(8)离散小波变换；(9)计算不同频段上的平均能量；(10)计算每个频段上的平均能量占比。本发明具有较高的时频分辨率，为光纤振动信号的特征提取提供了一种效果明显的方法。
-
Patent Agency Ranking
公开(公告)号：CN110458073B
公开(公告)日：2021-05-14
申请号：CN201910708902.3
申请日：2019-08-01
Applicant: 北京邮电大学
IPC: G06K9/00
Abstract: 本发明涉及基于MEEMD‑Hilbert和多层小波分解的光纤振动信号特征提取方法，是一种对分布式光纤振动信号进行特征提取的方法，属于信号处理与机器学习领域，其特征在于采用如下步骤：(1)确定引入白噪声信号后的振动信号；(2)确定第一个IMF分量序列集合；(3)进行延时空间重构；(4)确定排列熵；(5)确定剩余分量；(6)计算序列的希尔伯特变换；(7)确定序列的解析信号并进行自相关处理；(8)离散小波变换；(9)计算不同频段上的平均能量；(10)计算每个频段上的平均能量占比。本发明具有较高的时频分辨率，为光纤振动信号的特征提取提供了一种效果明显的方法。
-
公开(公告)号：CN110458219B
公开(公告)日：2021-04-27
申请号：CN201910708004.8
申请日：2019-08-01
Applicant: 北京邮电大学
Abstract: 本发明涉及基于STFT‑CNN‑RVFL的Φ‑OTDR振动信号识别算法，一种对Φ‑OTDR振动信号时频图进行识别分类的方法，属于图片处理与模式识别领域，其特征在于采用如下步骤：(1)对Φ‑OTDR振动信号做STFT变换，获取时频图；(2)对时频图做灰度处理；(3)构建CNN网络，提取图像特征；(4)随机初始化连接权值和阈值；(5)构建RVFL神经网络；(6)计算输出权值。本发明将振动信号的时频图像作为输入，通过卷积神经网络实现振动信号特征自动提取，将卷积神经网络的强大的图像识别及分类功能结合到振动信号识别当中。实验结果表明本发明设计的振动信号识别算法有着较好的信号识别效果，为振动信号识别领域提供了准确的识别算法。
-
公开(公告)号：CN110472540A
公开(公告)日：2019-11-19
申请号：CN201910708045.7
申请日：2019-08-01
Applicant: 北京邮电大学
IPC: G06K9/00
Abstract: 本发明涉及基于LMD-ICA-PNN的Φ-OTDR振动信号分类算法，是一种对振动信号进行识别分类的方法，属于信号处理与机器学习领域，其特征在于采用如下步骤：(1)确定相邻极值点的平均值和包络估计值；(2)确定剩余信号；(3)确定调频信号和包络信号；(4)进行LMD分解，确定第一个PF分量；(5)建立ICA数学模型；(6)构建PNN神经网络；(7)确定输出变量的判别函数。本发明克服了小波分解自适应较差和EMD分解的模态混叠与端点效应问题，利用PNN神经网络可以用线性学习算法完成非线性学习算法的优势，与LMD相结合，取得了较高的分类准确率。为振动信号识别分类领域提供了一种拥有较高分类准确率的方法。
-
公开(公告)号：CN110458071A
公开(公告)日：2019-11-15
申请号：CN201910708064.X
申请日：2019-08-01
Applicant: 北京邮电大学
IPC: G06K9/00
Abstract: 本发明涉及基于DWT-DFPA-GBDT的光纤振动信号特征提取与分类方法，是一种对光纤振动信号进行特征提取与分类的方法，属于信号处理与机器学习领域，其特征在于采用如下步骤：(1)确定原始振动信号的时域特征；(2)确定原始振动信号的频域特征；(3)确定原始振动信号的小波域特征；(4)计算马氏距离；(5)获得特征向量按可分性大小的排序；(6)确定损失函数；(7)确定拟合函数；(8)确定本轮迭代的强学习分类器。本发明实现了时域、频域及小波域三个不同域的特征提取，构建了完备的振动信号特征向量，将GBDT与DWT相结合，为振动信号特征提取与分类领域提供了一种在保证分类精度的基础上降低模型的复杂度的方法。
-
公开(公告)号：CN110346032A
公开(公告)日：2019-10-18
申请号：CN201910708031.5
申请日：2019-08-01
Applicant: 北京邮电大学
IPC: G01H9/00 , H04B10/071
Abstract: 本发明涉及基于恒虚警与过零率相结合的Φ-OTDR振动信号端点检测方法，是一种对振动信号进行检测识别的方法，属于信号处理与模式识别领域，其特征在于采用如下步骤：(1)确定噪声信号的概率分布和预加重的滤波器；(2)确定恒虚警率阈值和预加重后的振动信号；(3)确定光纤帧信号；(4)确定过零率；(5)建立短时过零率检测模型；(6)融合恒虚警阈值检测结果与短时过零率的检测结果。本发明将过零率方法与恒虚警检测算法相结合，提出一种振动信号端点检测方法，增加了许多新的报警点，具有较高的检测率。实验结果表明本发明设计的振动信号端点检测方法有着较好的信号检测效果，极大程度上降低了虚警率。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.018 seconds)
