CN106127135A - 一种陵区入侵振动信号特征提取与分类识别算法 - Google Patents

一种陵区入侵振动信号特征提取与分类识别算法 Download PDF

Info

Publication number
CN106127135A
CN106127135A CN201610450532.4A CN201610450532A CN106127135A CN 106127135 A CN106127135 A CN 106127135A CN 201610450532 A CN201610450532 A CN 201610450532A CN 106127135 A CN106127135 A CN 106127135A
Authority
CN
China
Prior art keywords
signal
eemd
imf
invasion
component
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.)
Granted
Application number
CN201610450532.4A
Other languages
English (en)
Other versions
CN106127135B (zh
Inventor
张健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yangtze University
Original Assignee
Yangtze University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yangtze University filed Critical Yangtze University
Priority to CN201610450532.4A priority Critical patent/CN106127135B/zh
Publication of CN106127135A publication Critical patent/CN106127135A/zh
Application granted granted Critical
Publication of CN106127135B publication Critical patent/CN106127135B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08Feature extraction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种陵区入侵振动信号特征提取与分类识别算法,适用于多光栅传感探测***,通过多光栅传感器网络采集振动信号,利用EEMD算法分解得到IMF分量,并计算EEMD能量熵,排除非人为信号的干扰,并进行特征提取,最后采用经过粒子群算法优化后的支持向量机对入侵信号进行分类识别并预警,提高报警准确率,降低误报率,具有实用价值。

Description

一种陵区入侵振动信号特征提取与分类识别算法
技术领域
本发明涉及信号处理及模式识别领域,具体地,涉及一种适用于多光栅传感探测***的陵区入侵振动信号特征提取与分类识别算法。
背景技术
近些年来受商业利益的驱使,盗墓分子在古墓陵区内疯狂作案多起而导致大量地下珍贵文物被破坏。盗墓团伙的作案设备日益先进、作案手段愈发高明;古墓被盗掘后不仅使得珍贵文物流落他乡,还会破坏古墓葬本身所具有的文化、科研价值,其损失无可估量。国内外普遍采用的安防手段有红外线、摄像、超声波、微波等,这些手段都有它们固有的使用范围从而产生一定的局限性,造成误报。
而且,盗掘野外文物常见的作案手段有洛阳铲盗掘和******:由于力学特性与地形地貌的多变性,使得******振动波具有随时间作复杂变化的随机不可重复特性,在不同条件下,***所产生的振动波形有明显区别,不但在振动幅值上变化复杂,而且振动波的频率与持续时间也与爆源特性、爆心距、***规模及介质的不同显现出明显的差异性;洛阳铲盗掘行为引起地面振动的振动周期与频率随着土质不同而变化,若墓区土质相对松软(如饱和松软的粘土、亚粘土、轻亚粘土等),则振动周期就长,若土质相对坚硬(如砂土、碎石土及粗碎屑等),则振动周期较短,而且随着距夯心的距离增大而增大。对于上述两种手段,现有技术的识别效果都无法满足要求,甚至无法识别。
发明内容
为了克服现有技术的不足,本发明提供一种陵区入侵振动信号特征提取与分类识别算法,适用于多光栅传感探测***,利用EEMD算法排除非人为信号的干扰,采用粒子群算法优化后的支持向量机对入侵信号进行分类识别,提高报警准确率,降低误报率,具有实用价值。
本发明为解决上述技术问题所采用的技术方案是:
一种陵区入侵振动信号特征提取与分类识别算法,该方法包括以下步骤:
步骤1:采集不高于200Hz频率的入侵低频振动信号:探测***将通过分布式设置的多个传感器在同一时段采集的入侵低频振动信号转化为电信号x(t);
步骤2:EEMD分解:将转化后的电信号x(t)加入一定幅值的高斯分布白噪声na(t),合成后的信号表示为xa(t)=na(t)+x(t);再将已加入白噪声的合成信号xa(t)通过经验模态分解成m个本征模态函数(IMF)分量cab(t)和一个余项ra(t),表示为式中m表示IMF分量个数,再次针对各个本征模态信号分别加入均方根相等的不同高斯白噪声,经由经验模态再次分解为若干个IMF分量与一个余项,至此提取得到N组不同的IMF分量,N满足εn为待分析信号与分解得到IMF分量之和的标准偏差,ε为添加白噪声的幅值;N为迭代次数,最后将N组同阶IMF进行总体平均计算得到:
c b ( t ) = 1 N Σ a = 1 N c a b ( t ) ,
其中的cb(t)是EEMD分解得出的第b个IMF分量;综上,EEMD分解的最终结果为:
x ( t ) = Σ b = 1 m c b ( t ) + r ( t ) ;
步骤3:计算EEMD能量熵:信号经EEMD分解得m个IMF分量c1(t),c2(t),c3(t)…cm(t)和余项r(t),m个IMF分量的能量分别为E1,E2,E3...Em,其中余项r(t)的影响忽略不计,振动信号的能量分布为E={E1,E2,E3...Em},定义EEMD的能量熵值为式子中pk=Ek/E表示第k个IMF的能量比,H表征信号能量分布的不确定度;
步骤4:入侵信号的特征提取:振动信号经过EEMD算法分解之后得到不同尺度下的平稳信号,将敏感性强的峭度作为特征向量进行提取,具体过程如下:首先计算经过EEMD方法分解得到的m个IMF分量的各个峭度
T b = 1 N Σ p = 1 N c b p 4 , b = 1 , 2 , 3 , 4 , 5 ... m ;
Tb表示第b个本征模态函数分量的峭度;p表示第b个分量的样本点数;再将峭度进行归一化处理,得到特征向量[T1',T2',T3',T4'......Tm'];
步骤5:采用粒子群算法优化后的SVM对入侵信号进行分类识别:将多个传感器中测得的若干振波中振幅最高的振波作为主振频率,其他作为分量,对应于粒子群算法中的个体最优解Pbest–主振频率分析和群体最优解Gbest–平均频率分析,以此得出的最优解作为SVM的最优决策函数,若SVM输出为1,则有入侵行为发生,进而继续判断是***行为还是盗掘行为,若输出为0则为非入侵行为。
作为优选,步骤2中所述的高斯分布白噪声na(t)的幅值取采集信号幅值标准差的0.1~0.4倍。
作为优选,步骤2包括以下具体步骤:步骤2中所述的迭代次数N取100~400次。
本发明的有益效果是:
(1)洛阳铲盗掘行为和******行为所产生的振动波形均为典型的非平稳信号,采用总体平均经验模态分解方法(EEMD)对于非平稳信号的处理提供了有力支撑,利用EEMD将输出的非平稳信号分解成多个平稳的本征模态函数(IMF)。随后从IMF的特性着手,研究人为与非人为入侵的差异,分析发现入侵信号在不同频带内的能量分布与非入侵的不同,同时提出了EEMD能量熵的方法判断是否发生入侵行为,有效地排除非人为的干扰。
(2)通过总体平均经验模态分解方法(EEMD)分解得到m个不同频率的本征模态函数分量,每个本征模态函数都会随着信号尺度特征而发生变化,体现了算法的自适应性;而利用加入高斯白噪声频率均匀分布的统计特性很好地解决了传统经验模态分解方法的模态混叠问题,并改进了经验模态分解方法同时得到了真实的时频特性,总体平均的计算方式消除了白噪声对分解的影响。此种方法较同类方法而言能够更好地实现针对振动信号的去噪以及精细化处理。
(3)粒子群算法是一种模拟鸟类捕食行为的仿生算法,它通过不断更新优化初始群体中的两个参数——个体最优解和群体最优解,以此得到整个空间的最优解。粒子群中每个粒子对个体最优解Pbest和群体最优解Gbest的速度和位置按两个方程式不断的进行动态的调整和更新,使SVM能够更快的得到最优处理结果。
附图说明
图1为本发明提供的一种适用于多光栅传感探测***的陵区入侵振动信号特征提取与分类识别算法流程图
图2为本发明提供的SVM算法流程图
图3为***振波时间波形示意图(三通道采集)
图4为盗掘行为所引发地面振动衰减曲线示意图
具体实施方式
下面结合附图及实施例对本发明作进一步说明。以下的实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。
由于力学特性与地形地貌的多变性,***振动波具有随时间作复杂变化的随机不可重复特性;通过不同环境下现场实测***波形与相关频谱反映出:在不同条件下,***所产生的振动波形是有明显区别的:不但在振动幅值上变化复杂,而且波的频率与持续时间也与爆源特性、爆心距、***规模及介质的不同显现出明显的差异性;属于典型的非平稳信号;***能量传播是一个衰减的过程,在土壤介质中***振动波所包含的能量仅占***总能量的3%~20%,其作用时间也较短,并具有瞬态冲击振动的特性。***振动波是一种宽频带波,在传播过程中,由于介质的滤波作用致使***振波在离爆源较近时高频成份较丰富,随着波由介质向远处的逐步传播;高频成分逐渐被吸收,而低频成分则能传播到较远处。***振动波主要包含一个或几个主频成份,大部分的***振动波频率主要集中在低频段,低频信号频率主要是在0~200HZ范围之内,如果与陵墓结构的固有频率接近就会产生共振现象,从而加大对结构体的破损影响。***振波时间波形如图3所示。
洛阳铲盗掘行为引起地面振动的振动周期与频率随着土质不同而变化,若墓区土质相对松软(如饱和松软的粘土、亚粘土、轻亚粘土等),则振动周期就长;若土质相对坚硬(如砂土、碎石土及粗碎屑等),则振动周期较短,而且随着距夯心的距离增大而增大;而两次夯击间隔时间为几秒钟,其特性类似于***引起的振动。主振频率是指振动频谱中振幅最大的谐波分量的频率;可以看出,盗掘产生的主振振动频率较低。在同一夯点上,前若干击由于土体处于夯实挤密过程中,则主振频率更低;随着夯实击数的增加,主振频率增大,同一夯点同一击不同距离处产生的主振振动频率不同:表现为近处频率高、远处频率低。盗掘行为所引发地面振动衰减曲线示意图如图4所示。
同时,该盗掘行为所引发的振动也是一种瞬时冲击振动。振动速度峰值强度持续时间很短,约0.05~0.08s;夯心附近振动总持续时间也不超过0.1~0.5s。这也说明振源近处主要是体波而较远处则为面波,亦为低频信号成分居多,低频信号频率主要是在0~50HZ范围之内。
综合上述两类典型入侵行为所引发的振动波特征,我们可通过信号频率随时间变化的规律对信号进行处理,所采用的总体平均经验模态分解方法(EEMD)对于非平稳信号的处理提供了有力支撑。利用EEMD将输出的非平稳信号分解成多个平稳的本征模态函数(IMF)。随后从IMF的特性着手,研究人为与非人为入侵的差异,分析发现入侵信号在不同频带内的能量分布与非入侵的不同,同时提出了EEMD能量熵的方法判断是否发生入侵行为,有效地排除非人为的干扰。
如图1所示,一种适用于多光栅传感探测***的陵区入侵振动信号特征提取与分类识别算法,该方法包括以下步骤:
步骤1:采集不高于200Hz的入侵低频振动信号:探测***将通过分布式设置的多个传感器在同一时段采集的入侵低频振动信号转化为电信号x(t);
步骤2:EEMD分解:将转化后的电信号x(t)加入一定幅值的高斯分布白噪声na(t),合成后的电信号表示为xa(t)=na(t)+x(t);再将已加入白噪声的合成信号xa(t)通过经验模态分解成m个本征模态函数(IMF)分量cab(t)和一个余项ra(t),表示为式中m表示IMF分量个数,再次针对各个本征模态信号分别加入均方根相等的不同高斯白噪声,经由经验模态再次分解为若干个IMF分量与一个余项,至此提取得到N组不同的IMF分量,N满足εn为待分析信号与分解得到IMF分量之和的标准偏差,ε为添加白噪声的幅值;N为迭代次数,通过大量的实验样本分析得知:迭代次数过多不仅会增加运行时间而且分解效果变化不大。考虑到***的时效性;根据大量实验样本分析和实际情况取适当的迭代次数为100~400次,最后将N组同阶IMF进行总体平均计算得到:
c b ( t ) = 1 N Σ a = 1 N c a b ( t ) ,
其中的cb(t)是EEMD分解得出的第b个IMF分量;综上,EEMD分解的最终结果为:
x ( t ) = Σ b = 1 m c b ( t ) + r ( t ) ;
由上式得出,通过总体平均经验模态分解方法(EEMD)分解得到m个不同频率的IMF分量,每个IMF都会随着信号尺度特征而发生变化,体现了算法的自适应性;而利用加入白噪声频率均匀分布的统计特性很好地解决了传统经验模态分解方法的模态混叠问题,并改进了经验模态分解方法同时得到了真实的时频特性,总体平均的计算方式消除了白噪声对分解的影响。但迭代次数过多不仅增加运行时间而且分解效果变化不大,因此对于迭代次数的选择应该根据实验结果来具体选取。此种方法较同类方法而言能够更好地实现针对振动信号的去噪以及精细化处理。
步骤3:计算EEMD能量熵:EEMD分解所得IMF分量既有原信号的局部特征,又有不同特征时间的尺度特征,通过分析这些特征,发现非入侵行为与入侵行为的能量分布各有不同、熵能衡量体系呈现不规则分布,因此通过获取EEMD的能量熵对能量分布进行估计来区分不同行为。信号经EEMD分解得m个IMF分量c1(t),c2(t),c3(t)…cm(t)和余项r(t),m个IMF分量的能量分别为E1,E2,E3...Em,其中余项r(t)的影响忽略不计,振动信号的能量分布为E={E1,E2,E3...Em},定义EEMD的能量熵值为式子中pk=Ek/E表示第k个IMF的能量比,H表征信号能量分布的不确定度;当无任何干扰时,信号能量分布稳定;能量的熵值相对恒定不变,一旦振动产生时,振动改变了信号能量的分布秩序,对应的能量熵值也会发生变化,信号的非稳态和复杂度越高,其熵值越大。按照实际分析入侵与非入侵行为的EEMD能量熵值估算如表1所示:
表1不同振动所产生的EEMD能量熵值估算
由表中得出,入侵信号的能量熵值要大于非入侵信号,故可用EEMD能量熵的方法排除非人为干扰,不仅可减少***识别时间,而且改善了***性能。
步骤4:入侵信号的特征提取:振动信号经过EEMD算法分解之后得到不同尺度下的平稳信号,将敏感性强的峭度作为不同尺度平稳信号的特征向量进行提取,具体过程如下:首先计算经过EEMD方法分解得到的m个IMF分量的各个峭度
T b = 1 N Σ p = 1 N c b p 4 , b = 1 , 2 , 3 , 4 , 5 ... m ;
Tb表示第b个本征模态函数分量的峭度;p表示第b个分量的样本点数;再将峭度进行归一化处理,得到特征向量[T1',T2',T3',T4'......Tm'];
步骤5:如图2所示,采用粒子群算法优化后的SVM对入侵信号进行分类识别:
基于上述特征提取后的结果,采用粒子群算法优化后的支持向量机(SVM)——二值分类器对振动入侵信号进行分类识别,若SVM输出为1,则有入侵行为发生,进而继续判断是***行为还是盗掘行为、若输出为0则为非入侵行为;其中支持向量机通过选择某种非线性映射Γ将原空间中的输入量X映射到高维特征空间;即f(x)=ωT×Γ(X)+b,式中ω为超平面权值问题,b为偏置项。在高维空间中,根据结构风险的最小化原则,构造最优决策函数,以克服采用传统神经网络的分类识别方法容易陷入局部最小的缺陷,在SVM模型中,由于径向基函数是较常用的核函数,此时支持向量机的识别性能的准确率与惩罚因子c和相应的核函数参数g有关。基于上述分析,采用搜索能力较强的粒子群优化算法进行SVM的参数选择。
粒子群算法是一种模拟鸟类捕食行为的仿生算法,它通过不断更新优化初始群体中的两个参数——个体最优解和群体最优解,以此得到整个空间的最优解。粒子群中每个粒子对个体最优解Pbest和群体最优解Gbest的速度和位置按两个方程式不断的进行动态的调整和更新。
由于分布式传感器网络由多个前端光纤传感器呈不同排列分布组合而成,由于检测到的振动信号频率大小不一,并且接收到的振动信号传播的角度和方位具有随机性和不确定性,因此总体而言:每次都通过比对所有振动传感器采集到的振波频率,从中选取3个以上较大振幅与较低频率的振动信号量对其进行处理;而反映到每个传感器上测得的振波频率各有不同,因此在选取的若干振波中选择主振频率与其他分量频率的原则是:传感器中测得的若干振波中振幅最高的振波作为主振频率,其他作为分量。因此对应于粒子群算法中的个体最优解Pbest–主振频率分析和群体最优解Gbest–平均频率分析。
说明书中未阐述的部分均为现有技术或公知常识。本实施例仅用于说明该发明,而不用于限制本发明的范围,本领域技术人员对于本发明所做的等价置换等修改均认为是落入该发明权利要求书所保护范围内。

Claims (3)

1.一种陵区入侵振动信号特征提取与分类识别算法,其特征在于:该方法包括以下步骤:
步骤1:采集不高于200Hz频率的入侵低频振动信号:探测***将通过分布式设置的多光栅传感器在同一时段采集的入侵低频振动信号转化为电信号x(t);
步骤2:EEMD分解:将转化后的电信号x(t)加入一定幅值的高斯分布白噪声na(t),合成后的信号表示为xa(t)=na(t)+x(t);再将已加入白噪声的合成信号xa(t)通过经验模态分解成m个本征模态函数(IMF)分量cab(t)和一个余项ra(t),表示为式中m表示IMF分量个数,再次针对各个本征模态信号分别加入均方根相等的不同高斯白噪声,经由经验模态再次分解为若干个IMF分量与一个余项,至此提取得到N组不同的IMF分量,N满足εn为待分析信号与分解得到IMF分量之和的标准偏差,ε为添加白噪声的幅值;N为迭代次数,最后将N组同阶IMF进行总体平均计算得到:
c b ( t ) = 1 N Σ a = 1 N c a b ( t ) ,
其中的cb(t)是通过EEMD分解得出的第b个IMF分量;综上,EEMD分解的最终结果为:
x ( t ) = Σ b = 1 m c b ( t ) + r ( t ) ;
步骤3:计算EEMD能量熵:信号经EEMD分解得到m个IMF分量c1(t),c2(t),c3(t)…cm(t)和余项r(t),m个IMF分量的能量分别为E1,E2,E3...Em,其中余项r(t)的影响忽略不计,振动信号的能量分布为E={E1,E2,E3...Em},定义EEMD的能量熵值为式子中pk=Ek/E表示第k个IMF的能量比,H表征信号能量分布的不确定度;
步骤4:入侵信号的特征提取:振动信号经过EEMD算法分解之后得到不同尺度下的平稳信号,将敏感性强的峭度作为不同尺度平稳信号的特征向量进行提取,具体过程如下:首先计算经过EEMD方法分解得到的m个IMF分量的各个峭度
T b = 1 N Σ p = 1 N c b p 4 , b = 1 , 2 , 3 , 4 , 5 ... m ;
Tb表示第b个本征模态函数分量的峭度;p表示第b个分量的样本点数;再将峭度进行归一化处理,得到特征向量[T′1,T′2,T′3,T′4......T′m];
步骤5:采用粒子群算法优化后的SVM对入侵信号进行分类识别:将多个传感器中测得的若干振波中振幅最高的振波作为主振频率,其他作为分量,对应于粒子群算法中的个体最优解Pbest–主振频率分析和群体最优解Gbest–平均频率分析,以此得出的最优解作为SVM的最优决策函数,若SVM输出为1,则有入侵行为发生,进而继续判断是***行为还是盗掘行为,若输出为0则为非入侵行为。
2.根据权利要求1所述的一种陵区入侵振动信号特征提取与分类识别算法,其特征在于:步骤2中所述的高斯分布白噪声na(t)的幅值取采集信号幅值标准差的0.1~0.4倍。
3.根据权利要求1所述的一种陵区入侵振动信号特征提取与分类识别算法,其特征在于:步骤2中所述的迭代次数N取100~400次。
CN201610450532.4A 2016-06-21 2016-06-21 一种陵区入侵振动信号特征提取与分类识别算法 Active CN106127135B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610450532.4A CN106127135B (zh) 2016-06-21 2016-06-21 一种陵区入侵振动信号特征提取与分类识别算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610450532.4A CN106127135B (zh) 2016-06-21 2016-06-21 一种陵区入侵振动信号特征提取与分类识别算法

Publications (2)

Publication Number Publication Date
CN106127135A true CN106127135A (zh) 2016-11-16
CN106127135B CN106127135B (zh) 2019-03-26

Family

ID=57471260

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610450532.4A Active CN106127135B (zh) 2016-06-21 2016-06-21 一种陵区入侵振动信号特征提取与分类识别算法

Country Status (1)

Country Link
CN (1) CN106127135B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778694A (zh) * 2017-01-18 2017-05-31 北京工业大学 一种基于集合经验模态分解和支持向量机的齿轮传动噪声分析方法
CN106874833A (zh) * 2016-12-26 2017-06-20 中国船舶重工集团公司第七0研究所 一种振动事件的模式识别方法
CN110837130A (zh) * 2019-11-22 2020-02-25 中国电子科技集团公司第四十一研究所 一种基于毫米波/太赫兹波辐射的目标自动检测算法
CN111079705A (zh) * 2019-12-31 2020-04-28 北京理工大学 一种振动信号分类方法
CN111242211A (zh) * 2020-01-13 2020-06-05 中南民族大学 一种田野文物保护***中的地下入侵信号识别方法和***
CN112232329A (zh) * 2020-12-17 2021-01-15 光谷技术有限公司 入侵信号识别的多核svm训练、报警方法、装置及***
CN113203565A (zh) * 2021-03-25 2021-08-03 长江大学 一种基于eemd稀疏分解的轴承故障识别方法及***
RU2785948C1 (ru) * 2019-07-05 2022-12-15 Хонор Дивайс Ко., Лтд. Способ и аппаратура мониторинга данных движения

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101231777A (zh) * 2007-12-14 2008-07-30 北京世纪之星应用技术研究中心 三维声敏预警报警复核***
KR101153296B1 (ko) * 2011-01-24 2012-07-13 주식회사 뉴피에스 직류전원장치나 직류전원선로의 지락 및 누설전류 감시기능을 가지는 직류전원감시기
CN103903374A (zh) * 2014-03-31 2014-07-02 北京工业大学 一种古墓防盗装置
CN105206004A (zh) * 2015-10-10 2015-12-30 安徽新迪机电科技有限责任公司 一种基于gprs和gps的智能定位防盗***及其信号传输方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101231777A (zh) * 2007-12-14 2008-07-30 北京世纪之星应用技术研究中心 三维声敏预警报警复核***
KR101153296B1 (ko) * 2011-01-24 2012-07-13 주식회사 뉴피에스 직류전원장치나 직류전원선로의 지락 및 누설전류 감시기능을 가지는 직류전원감시기
CN103903374A (zh) * 2014-03-31 2014-07-02 北京工业大学 一种古墓防盗装置
CN105206004A (zh) * 2015-10-10 2015-12-30 安徽新迪机电科技有限责任公司 一种基于gprs和gps的智能定位防盗***及其信号传输方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙戈: "基于微震监测技术的地下田野文物监控***设计与实现", 《电子技术应用》 *
李莎: ""基于EEMD信息熵和PSO-SVM的自动机故障诊断"", 《机械设计与研究》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874833A (zh) * 2016-12-26 2017-06-20 中国船舶重工集团公司第七0研究所 一种振动事件的模式识别方法
CN106874833B (zh) * 2016-12-26 2021-05-28 中国船舶重工集团公司第七一0研究所 一种振动事件的模式识别方法
CN106778694A (zh) * 2017-01-18 2017-05-31 北京工业大学 一种基于集合经验模态分解和支持向量机的齿轮传动噪声分析方法
RU2785948C1 (ru) * 2019-07-05 2022-12-15 Хонор Дивайс Ко., Лтд. Способ и аппаратура мониторинга данных движения
CN110837130A (zh) * 2019-11-22 2020-02-25 中国电子科技集团公司第四十一研究所 一种基于毫米波/太赫兹波辐射的目标自动检测算法
CN111079705A (zh) * 2019-12-31 2020-04-28 北京理工大学 一种振动信号分类方法
CN111079705B (zh) * 2019-12-31 2023-07-25 北京理工大学 一种振动信号分类方法
CN111242211A (zh) * 2020-01-13 2020-06-05 中南民族大学 一种田野文物保护***中的地下入侵信号识别方法和***
CN111242211B (zh) * 2020-01-13 2020-10-09 中南民族大学 一种田野文物保护***中的地下入侵信号识别方法和***
CN112232329A (zh) * 2020-12-17 2021-01-15 光谷技术有限公司 入侵信号识别的多核svm训练、报警方法、装置及***
CN113203565A (zh) * 2021-03-25 2021-08-03 长江大学 一种基于eemd稀疏分解的轴承故障识别方法及***

Also Published As

Publication number Publication date
CN106127135B (zh) 2019-03-26

Similar Documents

Publication Publication Date Title
CN106127135A (zh) 一种陵区入侵振动信号特征提取与分类识别算法
CN108226892B (zh) 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法
CN109003422A (zh) 用于山体滑坡的监测数据处理方法和山体滑坡预报方法
CN108961688A (zh) 一种大数据支持下的地质灾害监测与预警方法
Dreissigacker et al. Deep-learning continuous gravitational waves: multiple detectors and realistic noise
CN107589454A (zh) 一种基于vmd‑tfpf压制地震勘探随机噪声方法
CN106874833A (zh) 一种振动事件的模式识别方法
CN106646587A (zh) 基于声振动信号的目标检测与识别方法及***
CN114970378B (zh) 一种基于gan网络的海杂波样本库构建方法
CN105301647B (zh) 区分灰质泥岩和砂岩的方法
CN110033581A (zh) 基于希尔伯特黄变换和机器学习的机场周界入侵报警方法
Si et al. A Novel coal-gangue recognition method for top coal caving face based on IALO-VMD and improved MobileNetV2 network
Lantini et al. A deep learning approach for tree root detection using GPR spectrogram imagery
CN102930865A (zh) 一种波形音乐粗情感软切割分类方法
CN103308945B (zh) 一种陆地勘探初至前噪声的模拟产生与预测方法
CN116502154A (zh) 基于多维特征提取和XGBoost的地震分类方法及***
CN107121705A (zh) 一种基于自动反相校正和峰度值比较的探地雷达回波信号去噪算法
Shrikhande et al. On the characterisation of the phase spectrum for strong motion synthesis
Jufriansah et al. Estimation of Flores Sea Aftershock Rupture Data Based on AI
CN103885044B (zh) 一种基于clean算法的窄带雷达回波杂噪抑制方法
Bin et al. Intelligent moving target recognition based on compressed seismic measurements and deep neural networks
CN109214046A (zh) 一种地震液化判别方法及地震液化势模型
White et al. Probing through cloudiness: Theory of statistical inversion for multiply scattered data
Yi et al. Feature Extraction and Classification Method of Mine Microseismic Signals Based on CEEMDAN_SE
Dafni et al. A new Stockwell mean square frequency methodology for analysing centrifuge data

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant