CN109614926A - 基于预测模型的分布式光纤传感信号模式识别方法及*** - Google Patents
基于预测模型的分布式光纤传感信号模式识别方法及*** Download PDFInfo
- Publication number
- CN109614926A CN109614926A CN201811498004.1A CN201811498004A CN109614926A CN 109614926 A CN109614926 A CN 109614926A CN 201811498004 A CN201811498004 A CN 201811498004A CN 109614926 A CN109614926 A CN 109614926A
- Authority
- CN
- China
- Prior art keywords
- prediction model
- behavior
- event
- matrix
- point
- 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
Links
Classifications
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于预测模型的分布式光纤传感信号模式识别方法及***,其中方法包括以下步骤:S1、样本采集,并针对单点信号,进行预设特征值的计算;S2、策略设置及预测模型生成;S3、单点信号模式识别,依据不同的特征参数组合以及阈值设定,对待预测的单点信号进行作业行为的判别,并按照时间和空间记录各点的行为判别结果;S4、区域事件模式识别,依据单点信号的模式识别结果,将一段时间内待预测区域的区域信号与所述预测模型进行比对,满足相似度要求时,输出相应事件信息。本发明可以有效利用行为信号在时间空间上的分布,充分利用信号组合的隐藏信息,有效识别行为,降低误报,节省人力资源。
Description
技术领域
本发明涉及分布式光纤传感领域,具体涉及一种基于预测模型的分布式光纤传感***模式识别方法及***。
背景技术
近年来,光纤传感技术不断进步,已广泛使用在军事、国防、航空航天、工矿企业、能源环保、工业控制等众多领域当中,其具有抗干扰性强、可靠性高、可布防于各类复杂环境等诸多优点。随着光纤传感技术的不断进步,分布式光纤传感技术作为可用于长距离监测的传感技术,在如石油石化线路的安全监测上开始被广泛应用。分布式光纤传感技术通过沿监测线路布设光缆,实时对各监测点的信号进行分析,对各点发生的行为进行智能化识别并合理产生报警来减少检测线路上所需的人力物力资源,提高监测效率。
虽然分布式光纤传感技术具有智能化,灵敏度高等优点,但如果仅依靠信号强度来触发报警,将造成大量的误报可能反而导致人力资源的浪费。目前,采用较多的方法是针对信号进行特征提取以及行为分析来产生报警,然而这种方法仅依靠了单个监测点的信号,而没有利用时间和空间上的信号分布做出更为严密的判断,浪费了大量的有效信息,仍旧容易产生误报。
发明内容
本发明的目的就在于提供一种基于预测模型的分布式光纤传感***模式识别方法及***,能够更好地满足对监测线路的智能监控。
本发明为达上述目的所采用的技术方案是:
提供一种基于预测模型的分布式光纤传感信号模式识别方法,包括以下步骤:
S1、样本采集,针对不同的地貌及环境,采集各类行为作业下的多组激励信号,形成样本库;并针对单点信号,进行预设特征值的计算;
S2、策略设置及预测模型生成,比较对应环境下各类行为样本特征参数的差异,进行不同策略参数的配置;针对一段时间内的区域信号,以单点信号组合而成的区域在时间和空间上的表现进行HOG特征提取,并建立各类行为在空间和时间上表现的分类器,即预测模型;
S3、单点信号模式识别,依据不同的特征参数组合以及阈值设定,对待预测的单点信号进行作业行为的判别,并按照时间和空间记录各点的行为判别结果;
S4、区域事件模式识别,依据单点信号的模式识别结果,将一段时间内待预测区域的区域信号与所述预测模型进行比对,满足相似度要求时,输出相应事件信息。
接上述技术方案,步骤S2具体为:
S21.取相同地貌与环境下各类行为的样本的特征参数,进行分析比较,设置该地貌与环境下的策略参数及策略号;
S22.选取另一个地貌与环境下各类行为的样本的特征参数,重复S21步骤,重复多次建立不同地貌与环境下的策略参数。
接上述技术方案,步骤S3具体为:
对实时数据进行预设特征的计算,并经过特征的组合与阈值判定,得出单个探测点某一时刻的行为判定结果,并存入区域事件分布情况矩阵A当中,假设有N个探测点,观测追踪M秒内的情况,则A应为N*M的矩阵,单点判别的行为判定结果中不同行为对应不同的数字编码;将单点判别的行为判定结果填入矩阵中对应的位置,形成单点分析的区域事件分布情况。
接上述技术方案,步骤S4中,利用步骤S3中形成的区域事件分布情况矩阵,提取有事件的区域,并将有事件的区域与预设的预测模型进行比较,满足相似度要求时,输出对应事件。
本发明还提供了一种基于预测模型的分布式光纤传感信号模式识别***,包括:
样本采集模块,用于采集不同地貌与环境下各类行为作业产生的激励信号,形成样本库;
单点信号策略参数计算模块,用于计算样本中单个探测点的预设特征值;
预测模型生成模块,用于利用采集的样本生成区域事件分布矩阵,以事件中心为中心,取一定范围内的区域块,使用HOG特征提取方法进行特征提取作为预测模型的样本库,建立各类行为在空间和时间上表现的分类器,即预测模型;
单点信号模式识别模块,用于依据不同的特征参数组合以及阈值设定,对待预测的单点信号进行作业行为的判别,并按照时间和空间记录各点的行为判别结果;
区域事件模式识别模块,用于依据单点信号的模式识别结果,将一段时间内待预测区域的区域信号与所述预测模型进行比对,满足相似度要求时,输出相应事件信息。
接上述技术方案,所述单点信号模式识别模块具体用于对实时数据进行预设特征的计算,并经过特征的组合与阈值判定,得出单个探测点某一时刻的行为判定结果,并存入区域事件分布情况矩阵A当中,假设有N个探测点,观测追踪M秒内的情况,则A应为N*M的矩阵,单点判别的行为判定结果中不同行为对应不同的数字编码;将单点判别的行为判定结果填入矩阵中对应的位置,形成单点分析的区域事件分布情况。
接上述技术方案,所述区域事件模式识别模块具体用于将区域事件分布情况矩阵的HOG特征值与预测模型进行比对,当矩阵中事件分布满足预测模型的要求时,输出对应的行为;将新的事件区域矩阵块的HOG特征值作为分类器输入,判别属于哪一类事件,当相似度均低于设定值时输出未知事件。
接上述技术方案,所述单点信号策略参数计算模块还用于利用线性分割计算区分各类行为的阈值,对离散高的样本进行剔除。
本发明产生的有益效果是:本发明不仅仅利用单个探测点的信号来做出行为分析,还结合了信号在空间域与时间域上的分布,做出区域的二次分析,有效利用数据中隐含的信息,增强模式识别的准确度,降低误报率,有效降低耗费的人力资源。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明实施例基于预测模型的分布式光纤传感信号模式识别方法流程图;
图2为本发明实施例策略参数与预测模型生成方法流程图;
图3为本发明实例基于预测模型的分布式光纤传感信号模式识别***结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明实施例基于预测模型的分布式光纤传感信号模式识别方法,包括以下步骤:
步骤1、样本采集,针对不同的地貌及环境,采集各类行为作业下的多组激励信号,形成样本库;并针对单点信号,进行预设特征值的计算;
步骤2、策略设置及预测模型生成,比较对应环境下各类行为样本特征参数的差异,进行不同策略参数的配置;针对一段时间内的区域信号,以单点信号组合而成的区域在时间和空间上的表现进行HOG特征提取,并建立各类行为在空间和时间上表现的分类器,即预测模型;
步骤3、单点信号模式识别,依据不同的特征参数组合以及阈值设定,对待预测的单点信号进行作业行为的判别,并按照时间和空间记录各点的行为判别结果;
步骤4、区域事件模式识别,依据单点信号的模式识别结果,将一段时间内待预测区域的区域信号与所述预测模型进行比对,满足相似度要求时,输出相应事件信息。
步骤1中不同地貌及环境包括但不限于农田,荒地,山地,公路旁,工厂旁等;各类行为作业包括人行走、人挖掘、机械经过、机械挖掘等;采集样本时采集行为作业时附近一片区域内的信号,对单点信号进行分析时提取单个探测点固定时长内的数据进行运算,对区域信号进行分析时针对单点事件在时间空间上的分布进行特征提取。
步骤2具体为:
取相同地貌与环境下各类行为的样本的特征参数,进行分析比较,设置该地貌与环境下的策略参数及策略号;
选取另一个地貌与环境下各类行为的样本的特征参数,重复S21步骤,重复多次建立不同地貌与环境下的策略参数。
步骤3具体为:
对实时数据进行预设特征的计算,并经过特征的组合与阈值判定,得出单个探测点某一时刻的行为判定结果,并存入区域事件分布情况矩阵A当中,假设有N个探测点,观测追踪M秒内的情况,则A应为N*M的矩阵,单点判别的行为判定结果中不同行为对应不同的数字编码(如人行走对应1,人挖掘对应2,机械经过对应3,机械挖掘对应4,无事件对应0)。将单点判别的行为判定结果填入矩阵中对应的位置,形成单点分析的区域事件分布情况。
步骤4中,利用步骤3中形成的区域事件分布情况矩阵,提取有事件的区域,并将有事件的区域与预设的预测模型进行比较,满足相似度要求时,输出对应事件。
本发明的一个较佳实施例中,基于预测模型的分布式光纤传感信号模式识别方法如图1所示,包括以下步骤:
S1、手动选择是否进行样本采集及策略配置模块,是则进入S2,否则进入S3;
S2、进行样本采集、单点信号特征值计算、单点信号策略参数计算及区域信号预测模型生成;
S3、单点信号模式识别:依据不同的特征参数组合以及阈值设定,对单点信号进行作业行为的判别,并按照时间空间的分布记录各点的行为判别结果,形成区域事件分布矩阵,区域的行表示空间距离,列表示时间范围;
S4、区域信号模式识别:提取S3中生成的区域事件分布矩阵以事件中心延展开的区域事件矩阵,提取其HOG特征,将特征值与预先设置的预测模型进行比对计算,判别当前事件的类型,输出相应报警。
如图2所示,策略参数与预测模型的生成方法具体步骤如下:
S21、针对不同的地貌与环境,采集各类作业行为的数据,采集数据时应采集可包括行为前5秒,及行为后5秒的数据保证数据完整性,采集数据时应采集行为区域附近多个探测点的数据,形成区域数据,对数据做好分类记录;
S22、针对单个探测点信号,计算预设的特征值,利用线性分割计算能区分开各类行为的阈值,对离散高的样本进行剔除降低特例对***产生的影响;
S23、利用采集的样本生成区域事件分布矩阵,以事件中心为中心,取10*10(即10探测点*10秒)的区域块,使用HOG特征提取方法进行特征提取作为预测模型的样本库,生成分类器(如ECOC分类器),即预测模型;
如图3所示,本发明的一个实施例中,基于预测模型的分布式光纤传感信号模式识别***包括:
样本采集模块1:用于建立样本库,采集不同地貌与环境下,各类行为进行时的信号,各类行为包括人行走、人挖掘、机械经过、机械挖掘;地貌与环境包括但不限于山地、农田、荒原、沙地、公路旁、工厂旁等;采集数据时应采集包括行为前5秒,及行为后5秒的数据保证数据完整性,采集数据时应采集行为区域附近多个探测点的数据,形成区域数据,对数据做好分类记录;
单点信号策略参数计算模块2:针对单个探测点信号,计算预设的特征值,利用线性分割计算能区分开各类行为的阈值,对离散高的样本进行剔除降低特例对***产生的影响;
预测模型生成模块3:利用采集的样本生成区域事件分布矩阵,以事件中心为中心,取10*10的区域块,使用HOG特征提取方法进行特征提取作为预测模型的样本库,生成ECOC分类器,即预测模型;
单点信号模块识别模块4:依据不同的特征参数组合以及阈值设定,对单点信号进行作业行为的判别,并按照时间空间的分布记录各点的行为判别结果,形成区域事件分布矩阵;
区域事件模式识别模块5:提取模块4中生成的区域事件分布矩阵以事件中心延展开的区域事件矩阵,提取其HOG特征,将特征值与预先设置的预测模型进行比对计算,判别当前事件的类型,输出相应报警信息。
单点信号模式识别模块4具体用于对实时数据进行预设特征的计算,并经过特征的组合与阈值判定,得出单个探测点某一时刻的行为判定结果,并存入区域事件分布情况矩阵A当中,假设有N个探测点,观测追踪M秒内的情况,则A应为N*M的矩阵,单点判别的行为判定结果中不同行为对应不同的数字编码;将单点判别的行为判定结果填入矩阵中对应的位置,形成单点分析的区域事件分布情况。
区域事件模式识别模块5具体用于将区域事件分布情况矩阵的HOG特征值与预测模型进行比对,当矩阵中事件分布满足预测模型的要求时,输出对应的行为;将新的事件区域矩阵块的HOG特征值作为分类器输入,判别属于哪一类事件,当相似度均低于设定值时输出未知事件。
综上,本发明基于预测模型的分布式光纤传感***模式识别方法及***,能够更好地满足对监测线路的智能监控,其利用了信号在空间域和时间域上的分布,针对信号在空间域与时间域上的分布的特征,加强对场景中行为的判断,减少或避免误报,更为有效节省人力资源,在分布式光纤传感技术领域有着良好的应用前景。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种基于预测模型的分布式光纤传感信号模式识别方法,其特征在于,包括以下步骤:
S1、样本采集,针对不同的地貌及环境,采集各类行为作业下的多组激励信号,形成样本库;并针对单点信号,进行预设特征值的计算;
S2、策略设置及预测模型生成,比较对应环境下各类行为样本特征参数的差异,进行不同策略参数的配置;针对一段时间内的区域信号,以单点信号组合而成的区域在时间和空间上的表现进行HOG特征提取,并建立各类行为在空间和时间上表现的分类器,即预测模型;
S3、单点信号模式识别,依据不同的特征参数组合以及阈值设定,对待预测的单点信号进行作业行为的判别,并按照时间和空间记录各点的行为判别结果;
S4、区域事件模式识别,依据单点信号的模式识别结果,将一段时间内待预测区域的区域信号与所述预测模型进行比对,满足相似度要求时,输出相应事件信息。
2.根据权利要求1所述的基于预测模型的分布式光纤传感信号模式识别方法,其特征在于,步骤S2具体为:
S21. 取相同地貌与环境下各类行为的样本的特征参数,进行分析比较,设置该地貌与环境下的策略参数及策略号;
S22. 选取另一个地貌与环境下各类行为的样本的特征参数,重复S21步骤,重复多次建立不同地貌与环境下的策略参数。
3.根据权利要求1所述的基于预测模型的分布式光纤传感信号模式识别方法,其特征在于,步骤S3具体为:
对实时数据进行预设特征的计算,并经过特征的组合与阈值判定,得出单个探测点某一时刻的行为判定结果,并存入区域事件分布情况矩阵A当中,假设有N个探测点,观测追踪M秒内的情况,则A应为N*M的矩阵,单点判别的行为判定结果中不同行为对应不同的数字编码;将单点判别的行为判定结果填入矩阵中对应的位置,形成单点分析的区域事件分布情况。
4.根据权利要求3所述的基于预测模型的分布式光纤传感信号模式识别方法,其特征在于,步骤S4中,利用步骤S3中形成的区域事件分布情况矩阵,提取有事件的区域,并将有事件的区域与预设的预测模型进行比较,满足相似度要求时,输出对应事件。
5.一种基于预测模型的分布式光纤传感信号模式识别***,其特征在于,包括:
样本采集模块,用于采集不同地貌与环境下各类行为作业产生的激励信号,形成样本库;
单点信号策略参数计算模块,
预测模型生成模块,用于利用采集的样本生成区域事件分布矩阵,以事件中心为中心,取一定范围内的区域块,使用HOG特征提取方法进行特征提取作为预测模型的样本库,建立各类行为在空间和时间上表现的分类器,即预测模型;
单点信号模式识别模块,用于依据不同的特征参数组合以及阈值设定,对待预测的单点信号进行作业行为的判别,并按照时间和空间记录各点的行为判别结果;
区域事件模式识别模块,用于依据单点信号的模式识别结果,将一段时间内待预测区域的区域信号与所述预测模型进行比对,满足相似度要求时,输出相应事件信息。
6.根据权利要求5所述的***,其特征在于,所述单点信号模式识别模块具体用于对实时数据进行预设特征的计算,并经过特征的组合与阈值判定,得出单个探测点某一时刻的行为判定结果,并存入区域事件分布情况矩阵A当中,假设有N个探测点,观测追踪M秒内的情况,则A应为N*M的矩阵,单点判别的行为判定结果中不同行为对应不同的数字编码;将单点判别的行为判定结果填入矩阵中对应的位置,形成单点分析的区域事件分布情况。
7.根据权利要求6所述的***,其特征在于,所述区域事件模式识别模块具体用于将区域事件分布情况矩阵的HOG特征值与预测模型进行比对,当矩阵中事件分布满足预测模型的要求时,输出对应的行为;将新的事件区域矩阵块的HOG特征值作为分类器输入,判别属于哪一类事件,当相似度均低于设定值时输出未知事件。
8.根据权利要求5所述的***,其特征在于,所述单点信号策略参数计算模块还用于利用线性分割计算区分各类行为的阈值,对离散高的样本进行剔除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811498004.1A CN109614926B (zh) | 2018-12-07 | 2018-12-07 | 基于预测模型的分布式光纤传感信号模式识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811498004.1A CN109614926B (zh) | 2018-12-07 | 2018-12-07 | 基于预测模型的分布式光纤传感信号模式识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109614926A true CN109614926A (zh) | 2019-04-12 |
CN109614926B CN109614926B (zh) | 2021-09-14 |
Family
ID=66007498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811498004.1A Active CN109614926B (zh) | 2018-12-07 | 2018-12-07 | 基于预测模型的分布式光纤传感信号模式识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109614926B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113586039A (zh) * | 2021-08-02 | 2021-11-02 | 西南石油大学 | 一种基于分布式光纤的实时监测溢流和漏失位置的方法 |
CN114268365A (zh) * | 2021-12-02 | 2022-04-01 | 国网甘肃省电力公司酒泉供电公司 | 一种基于可视化技术的通信光缆智能预警方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101097282A (zh) * | 2006-06-30 | 2008-01-02 | 中国石油天然气集团公司 | 光纤安全预警信号识别*** |
US20140101711A1 (en) * | 2010-01-22 | 2014-04-10 | Gainspeed, Inc. | Virtual converged cable access platforms for hfc cable networks |
CN104568122A (zh) * | 2015-01-21 | 2015-04-29 | 东南大学 | 一种分布式光纤振动传感***扰动事件识别及定位方法 |
CN104766099A (zh) * | 2015-05-05 | 2015-07-08 | 武汉理工光科股份有限公司 | 基于图像的分布式光纤周界振动信号处理与识别方法 |
CN106023499A (zh) * | 2016-04-28 | 2016-10-12 | 北京北邮国安技术股份有限公司 | 一种光纤安防信号双重识别方法及*** |
WO2016207776A1 (en) * | 2015-06-22 | 2016-12-29 | Omnisens Sa | A method for reducing noise in measurements taken by a distributed sensor |
-
2018
- 2018-12-07 CN CN201811498004.1A patent/CN109614926B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101097282A (zh) * | 2006-06-30 | 2008-01-02 | 中国石油天然气集团公司 | 光纤安全预警信号识别*** |
US20140101711A1 (en) * | 2010-01-22 | 2014-04-10 | Gainspeed, Inc. | Virtual converged cable access platforms for hfc cable networks |
CN104568122A (zh) * | 2015-01-21 | 2015-04-29 | 东南大学 | 一种分布式光纤振动传感***扰动事件识别及定位方法 |
CN104766099A (zh) * | 2015-05-05 | 2015-07-08 | 武汉理工光科股份有限公司 | 基于图像的分布式光纤周界振动信号处理与识别方法 |
WO2016207776A1 (en) * | 2015-06-22 | 2016-12-29 | Omnisens Sa | A method for reducing noise in measurements taken by a distributed sensor |
CN106023499A (zh) * | 2016-04-28 | 2016-10-12 | 北京北邮国安技术股份有限公司 | 一种光纤安防信号双重识别方法及*** |
Non-Patent Citations (2)
Title |
---|
ZHOU ZHENGXIAN ET AL: "Research on optical fiber distributed vibration sensor and pattern recognition technique of vibration signal", 《OPTICAL INSTRUMENTS》 * |
张俊楠等: "基于SVM算法的φ-OTDR分布式光纤扰动传感***模式识别研究", 《红外与激光工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113586039A (zh) * | 2021-08-02 | 2021-11-02 | 西南石油大学 | 一种基于分布式光纤的实时监测溢流和漏失位置的方法 |
CN114268365A (zh) * | 2021-12-02 | 2022-04-01 | 国网甘肃省电力公司酒泉供电公司 | 一种基于可视化技术的通信光缆智能预警方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109614926B (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109765539B (zh) | 室内用户行为监测方法和装置、电器设备和家居监控*** | |
CN105913559B (zh) | 一种基于体感技术的银行atm机智能监控方法 | |
CN109002744A (zh) | 图像识别方法、装置和视频监控设备 | |
CN105426820B (zh) | 基于安防监控视频数据的多人异常行为检测方法 | |
CN107889111A (zh) | 基于深层类神经网络的骚扰电话识别方法和装置 | |
CN103544791B (zh) | 基于地震波的地下入侵监测*** | |
CN103810717B (zh) | 一种人体行为检测方法及装置 | |
CN106241534B (zh) | 多人乘梯异常活动智能监控方法 | |
CN101719216A (zh) | 基于模板匹配的运动人体异常行为识别方法 | |
CN107346435A (zh) | 一种基于车辆特征库的嫌疑***捕获方法 | |
CN109614926A (zh) | 基于预测模型的分布式光纤传感信号模式识别方法及*** | |
CN105139029A (zh) | 一种监狱服刑人员的行为识别方法及装置 | |
CN106127814A (zh) | 一种智慧金睛识别人员聚集打斗报警方法和装置 | |
CN105654735A (zh) | 基于离群点分析算法的***快速甄别方法 | |
Linda et al. | Computational intelligence based anomaly detection for building energy management systems | |
CN110287856A (zh) | 一种执勤人员行为分析***、方法及装置 | |
CN111274886A (zh) | 一种基于深度学习的行人闯红灯违法行为分析方法及*** | |
CN109086808A (zh) | 基于随机森林算法的交通高危人员识别方法 | |
CN109831634A (zh) | 目标对象的密度信息确定方法及装置 | |
CN114598551A (zh) | 一种应对持续威胁攻击的信息网络安全预警*** | |
CN117197726B (zh) | 一种重点人员精准化管控***及方法 | |
CN111539394B (zh) | 基于时域特征与时空信息的管道沿线第三方施工预警方法 | |
CN106503618B (zh) | 基于视频监控平台的人员游荡行为检测方法 | |
CN116052035A (zh) | 一种基于卷积神经网络的电厂人员周界入侵检测方法 | |
Blauensteiner et al. | A socio-technical approach for event detection in security critical infrastructure |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |