CN112115851A - 一种基于cmeemd-gaiw-sw-dfa的分布式光纤信号听觉信息融合方法 - Google Patents

一种基于cmeemd-gaiw-sw-dfa的分布式光纤信号听觉信息融合方法 Download PDF

Info

Publication number
CN112115851A
CN112115851A CN202010976282.4A CN202010976282A CN112115851A CN 112115851 A CN112115851 A CN 112115851A CN 202010976282 A CN202010976282 A CN 202010976282A CN 112115851 A CN112115851 A CN 112115851A
Authority
CN
China
Prior art keywords
signal
determining
optical fiber
imf
data
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
CN202010976282.4A
Other languages
English (en)
Other versions
CN112115851B (zh
Inventor
王松
胡燕祝
高莉茁
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202010976282.4A priority Critical patent/CN112115851B/zh
Publication of CN112115851A publication Critical patent/CN112115851A/zh
Application granted granted Critical
Publication of CN112115851B publication Critical patent/CN112115851B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Complex Calculations (AREA)

Abstract

本发明涉及基于CMEEMD‑GAIW‑SW‑DFA的分布式光纤信号听觉信息融合方法，是一种对分布式光纤振动信号进行信息融合的方法，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光纤信号；(2)确定第一个IMF分量序列集合；(3)确定剩余分量；(4)确定各类信号的IMF分量的互信息；(5)确定信号各IMF分量的初始权值；(6)确定自适应动态惯性权重调整函数；(7)确定融合后光纤信号的方差均值；(8)确定奇异指数和多重分形谱。本发明结合CMEEMD‑GAIW方法与SW‑DFA方法，充分考虑了光纤信号各分量包含信息量的多少，设置了融合权重并利用GAIW算法对其进行了全局自适应动态分配，为光纤信号听觉得融合提供了一种有效实用的方法。

Description

一种基于CMEEMD-GAIW-SW-DFA的分布式光纤信号听觉信息融 合方法
技术领域
本发明涉及信号处理与机器学习领域，主要是一种对分布式光纤信号进行信息融合的方法。
背景技术
随着分布式光纤传感技术的发展，分布式光纤传感器凭借其优点在工业和军事等领域得到了广泛应用，作为获取分布式听觉信息的传感技术，其在快速发展并广泛应用的过程中，由多种分布式光纤传感器采集获得的信号存在特征不明显、信息冗余严重等问题，因此需要对分布式光纤信号进行信息融合处理。目前，针对分布式光纤信号听觉信息的融合研究，主要是对点式分布式光纤传感器信号的融合，该方法主要是对点式传感器和分布式传感器采集的光纤信号进行融合，这种融合方法并不适用于全分布式光纤信号之间的融合。此外，也有对全分布式信号之间的融合研究，这种方法主要是通过提取分布式信号在时域、频域以及小波域上的特征，实现分布式信号的多特征提取，然后对提取的特征进行融合约简，从而达到分布式光纤信号融合的目的。该类方法忽略了对信号各特征所包含信息量多少的衡量，只是将包含信息量多的特征进行融合，将包含信息量较少的特征进行删除，所以融合后的分布式光纤信号可能会丢失部分特征信息。
关于分布式光纤信号融合的应用，在很多领域的发展都相对成熟。例如，在周界入侵预警、现代化机电设备稳定工作、桥梁结构监测等方面都得到了广泛应用。随着分布式光纤传感技术的发展，对融合后的分布式光纤信号在数据量较少的情况下尽可能地包含完整信息提出了更高的要求。因此，要使融合后的光纤信号包含完整的特征信息，达到分布式光纤信号融合的要求，必须要建立一种分布式光纤信号听觉信息融合方法，从而有效的减少分布式光纤信号数据量，并保留完整的特征信息。
发明内容
针对上述现有技术中存在的问题，本发明要解决的技术问题是提供一种基于CMEEMD-GAIW-SW-DFA的分布式光纤信号听觉信息融合方法，其具体流程如图1所示。
(1)确定引入白噪声信号后的光纤信号
Figure BDA0002685915160000011
和
Figure BDA0002685915160000012
在光纤信号x(t)中引入白噪声信号np(t)和-np(t)，得到
Figure BDA0002685915160000013
Figure BDA0002685915160000014
式中，
Figure BDA0002685915160000015
和
Figure BDA0002685915160000016
表示引入白噪声信号后的光纤信号，x(t)表示原始光纤信号，np(t)和-np(t)表示白噪声信号，ap表示第p次引入噪声信号的幅值，p＝1,2,...,Nnoise，Nnoise表示引入噪声总次数。在处理后得到的结果的基础上，对两端的数据利用GRNN神经网络进行延拓，在两端延拓的数据上加余弦窗函数进行处理。
(2)确定第一个IMF分量序列集合I1(t)：
对
Figure BDA0002685915160000021
和
Figure BDA0002685915160000022
分别进行EMD分解，得到第一组分量序列集合
Figure BDA0002685915160000023
和
Figure BDA0002685915160000024
将序列集合中下角标序号一致的分量进行求和、累加、平均计算，得到I1(t)：
Figure BDA0002685915160000025
式中，I1(t)表示第一个IMF分量序列集合，
Figure BDA0002685915160000026
和
Figure BDA0002685915160000027
表示第一组IMF分量序列集合，p＝1,2,...,Nnoise，Nnoise表示引入噪声的总次数。
(3)确定剩余分量r(t)：
计算I1(t)的排列熵S(t)：
Figure BDA0002685915160000028
式中，g＝1,2,...,k代表序号的种类，m为空间重构维数，
Figure BDA0002685915160000029
设置S(t)的阈值，当S(t)低于该阈值时，判断I1(t)为非异常信号，并将其作为第一个IMF分量从原始信号x(t)中去除，即r(t)＝x(t)-I1(t)，得到剩余分量I1(t)。
对r(t)重复步骤(1)-(4)，依次得到IMF分量I(t)＝I1(t),I2(t),...,Is(t)，其中s为IMF分量的个数。
(4)确定第i类信号与第j类信号的IMF分量的互信息：
Figure BDA00026859151600000210
式中，
Figure BDA00026859151600000211
表示第i类信号与第j类信号的IMF分量的互信息，N表示光纤信号总的数据个数，m表示时间坐标移动值，Ii(n)表示第i类信号的IMF分量，Ij(n+m)表示第j类信号的IMF分量。
(5)确定信号各IMF分量的初始权值wij：
Figure BDA0002685915160000031
式中，
Figure BDA0002685915160000032
表示第i类信号与第j类信号的IMF分量的互信息，l表示总的互信息个数。
(6)确定自适应动态惯性权重调整函数：
Figure BDA0002685915160000033
式中，α1、α2为常数，r为[0,1]之间均匀分布的随机数，
Figure BDA0002685915160000034
表示第i类信号与第j类信号的IMF分量的互信息。
(7)确定融合后光纤信号的方差均值F2(β,s)：
根据权重系数对分布式光纤信号进行融合，得到：
Figure BDA0002685915160000035
利用带有滑动窗重叠分割的SW-DFA对融合信号做进一步处理，提取特征向量。首先对X(k)进行分割，滑动窗口长度为u，得到N-u+1段数据，对每段数据进行多项式拟合并计算相应的方差均值F2(β,s)：
Figure BDA0002685915160000036
式中，β表示第β段数据，s表示数据的第s项，u表示滑动窗口长度，i表示融合后的数据样本点数。
(8)确定奇异指数a和多重分形谱f(a)：
计算X(k)的q阶波动函数Fq(s)：
Figure BDA0002685915160000041
式中，N-u+1表示分割后的数据段数，β表示第β段数据，F2(β,s)表示方差均值。
奇异指数a和多重分形谱f(a)分别为：
a＝Fq(s)+qF'q(s)
f(a)＝q[a-Fq(s)]+1
式中，Fq(s)表示X(k)的q阶波动函数，a表示奇异指数。
本发明比现有技术具有的优点：
(1)本发明利用CMEEMD方法对分布式光纤信号进行了IMF分量分解，考虑了全分布式光纤信号各分量包含信息量的多少并设置融合权重对其进行衡量，同时利用GAIW算法对融合权重系数进行了全局自适应动态分配，使得分布式光纤信号融合过程中能够根据信号所含信息量的多少进行动态融合。
(2)本发明在利用CMEEMD-GAIW动态融合的基础上，利用带有滑动窗重叠分割的SW-DFA方法对融合后的分布式光纤信号听觉信息进行了进一步的处理，提取了分布式光纤信号的代表性典型特征，从而实现分布式光纤信号听觉信息融合。
附图说明
为了更好地理解本发明，下面结合附图作进一步的说明。
图1是建立基于CMEEMD-GAIW-SW-DFA的分布式光纤信号听觉信息融合方法的步骤流程图；
图2是建立基于CMEEMD-GAIW-SSW-DFA的分布式光纤信号听觉信息融合方法算法流程图；
图3是对分布式光纤信号听觉信息融合前后的分类识别结果图；
具体实施方案
下面通过实施案例对本发明作进一步详细说明。
本实施案例选用的数据集共包含利用BOTDR技术采集的温度、应变数据和Phase-OTDR技术采集的振动数据，采集频率为1KHz，一共800组分布式光纤数据，每组包含200个样本点数。其中包括400组温度应变数据，400组振动数据，每类数据中随机选取300组数据作为训练样本，剩下的100组数据作为实验样本。
本发明所提供的分布式光纤信号听觉信息融合方法整体流程如图1所示，具体步骤如下：
(1)确定引入白噪声信号后的光纤信号
Figure BDA0002685915160000051
和
Figure BDA0002685915160000052
在光纤信号x(t)中引入白噪声信号np(t)和-np(t)，得到
Figure BDA0002685915160000053
Figure BDA0002685915160000054
式中，
Figure BDA0002685915160000055
和
Figure BDA0002685915160000056
表示引入白噪声信号后的光纤信号，x(t)表示原始光纤信号，np(t)和-np(t)表示白噪声信号，ap表示第p次引入噪声信号的幅值，p＝1,2,...,Nnoise，Nnoise表示引入噪声的总次数。本例中，引入噪声信号的幅值分别为1.22,1.37,0.15,0.87,4.32,1.27,3.98,2.61,1.95,0.21，引入噪声的总次数Nnoise设置为10。在处理后得到的结果的基础上，对两端的数据利用GRNN神经网络进行延拓，在两端延拓的数据上加余弦窗函数进行处理。
(2)确定第一个IMF分量序列集合I1(t)：
对
Figure BDA0002685915160000057
和
Figure BDA0002685915160000058
分别进行EMD分解，得到第一组分量序列集合
Figure BDA0002685915160000059
和
Figure BDA00026859151600000510
将序列集合中下角标序号一致的分量进行求和、累加、平均计算，得到I1(t)：
Figure BDA00026859151600000511
式中，I1(t)表示第一个IMF分量序列集合，
Figure BDA00026859151600000512
和
Figure BDA00026859151600000513
表示第一组IMF分量序列集合，p＝1,2,...,10。
(3)确定剩余分量r(t)：
计算I1(t)的排列熵S(t)：
Figure BDA00026859151600000514
式中，g＝1,2,...,k代表序号的种类，m为空间重构维数，
Figure BDA00026859151600000515
本例中，空间重构维数m为6。则有：
Figure BDA00026859151600000516
设置S(t)的阈值，当S(t)低于该阈值时，判断I1(t)为非异常信号，并将其作为第一个IMF分量从原始信号x(t)中去除，即r(t)＝x(t)-I1(t)，得到剩余分量I1(t)。在本案例中，设置S(q)的阈值为0.5。
对r(t)重复步骤(1)-(4)，依次得到IMF分量I(t)＝I1(t),I2(t),...,I7(t)。
(4)确定第i类信号与第j类信号的IMF分量的互信息：
Figure BDA0002685915160000061
式中，
Figure BDA0002685915160000062
表示第i类信号与第j类信号的IMF分量的互信息，m表示时间坐标移动值，Ii(n)表示第i类信号的IMF分量，Ij(n+m)表示第j类信号的IMF分量。本案例中，光纤信号总的数据个数为160000，计算得到
Figure BDA0002685915160000063
的值分别为0.01，0.5，0，0.23，0.82,…,0.54，0.1。
(5)确定信号各IMF分量的初始权值wij：
Figure BDA0002685915160000064
式中，
Figure BDA0002685915160000065
表示第i类信号与第j类信号的IMF分量的互信息，l表示总的互信息个数。计算得到wij分别为0.00001，0.25，0，0.0529，0.6724,…,0.2916，0.01。
(6)确定自适应动态惯性权重调整函数：
Figure BDA0002685915160000066
式中，α1、α2为常数，r为[0,1]之间均匀分布的随机数，
Figure BDA0002685915160000067
表示第i类信号与第j类信号的IMF分量的互信息。本案例中，α1、α2的值分别为0.5和0.3。
(7)确定融合后光纤信号的方差均值F2(β,s)：
根据权重系数对分布式光纤信号进行融合，得到：
Figure BDA0002685915160000071
利用带有滑动窗重叠分割的SW-DFA对融合信号做进一步处理，提取特征向量。首先对X(k)进行分割，本案例中，取滑动窗口长度为500，得到159501段数据，对每段数据进行多项式拟合并计算相应的方差均值F2(β,s)：
Figure BDA0002685915160000072
式中，β表示第β段数据，s表示数据的第s项，表示融合后的数据样本点数为109205。
(8)确定奇异指数a和多重分形谱f(a)：
计算X(k)的q阶波动函数Fq(s)：
Figure BDA0002685915160000073
式中，β表示第β段数据，F2(β,s)表示方差均值。
奇异指数a和多重分形谱f(a)分别为：
Figure BDA0002685915160000074
Figure BDA0002685915160000075
式中，Fq(s)表示X(k)的q阶波动函数，a表示奇异指数。
为了验证本发明对分布式光纤信号听觉信息融合方法的融合效果，对利用本发明融合后的分布式光纤数据和未融合之前的分布式光纤数据采用支持向量机方法进行4组分类识别实验，实验结果如图3所示。由图3可知，本发明所建立的分布式光纤信号听觉信息融合方法对光纤数据进行融合后基本上没有丢失信号信息，保留了信号大部分的特征，对后续的分类识别处理分析没有造成影响，识别准确率可达99％以上，这表明本发明建立的分布式光纤信号听觉信息融合方法是有效的，具有一定的实用性。

Claims (1)

1.本发明涉及一种基于CMEEMD-GAIW-SW-DFA的分布式光纤信号听觉信息融合方法，其特征在于：确定引入白噪声信号后的光纤信号，确定第一个IMF分量序列集合，确定剩余分量，确定各类信号的IMF分量的互信息，确定信号各IMF分量的初始权值，确定自适应动态惯性权重调整函数，确定融合后光纤信号的方差均值，确定奇异指数和多重分形谱，具体包括以下八个步骤：
步骤一：确定引入白噪声信号后的光纤信号
Figure FDA0002685915150000011
和
Figure FDA0002685915150000012
在光纤信号x(t)中引入白噪声信号np(t)和-np(t)，得到；
Figure FDA0002685915150000013
式中，
Figure FDA0002685915150000014
和
Figure FDA0002685915150000015
表示引入白噪声信号后的光纤信号，x(t)表示原始光纤信号，np(t)和-np(t)表示白噪声信号，ap表示第p次引入噪声信号的幅值，p＝1,2,...,Nnoise，Nnoise表示引入噪声总次数，在处理后得到的结果的基础上，对两端的数据利用GRNN神经网络进行延拓，在两端延拓的数据上加余弦窗函数进行处理；
步骤二：确定第一个IMF分量序列集合I1(t)；
对
Figure FDA0002685915150000016
和
Figure FDA0002685915150000017
分别进行EMD分解，得到第一组分量序列集合
Figure FDA0002685915150000018
和
Figure FDA0002685915150000019
将序列集合中下角标序号一致的分量进行求和、累加、平均计算，得到I1(t)；
Figure FDA00026859151500000110
式中，I1(t)表示第一个IMF分量序列集合，
Figure FDA00026859151500000111
和
Figure FDA00026859151500000112
表示第一组IMF分量序列集合，p＝1,2,...,Nnoise，Nnoise表示引入噪声的总次数；
步骤三：确定剩余分量r(t)；
计算I1(t)的排列熵S(t)；
Figure FDA00026859151500000113
式中，g＝1,2,...,k代表序号的种类，m为空间重构维数，
Figure FDA00026859151500000114
设置S(t)的阈值，当S(t)低于该阈值时，判断I1(t)为非异常信号，并将其作为第一个IMF分量从原始信号x(t)中去除，即r(t)＝x(t)-I1(t)，得到剩余分量I1(t)；
对r(t)重复步骤(1)-(4)，依次得到IMF分量I(t)＝I1(t),I2(t),...,Is(t)，其中s为IMF分量的个数；
步骤四：确定第i类信号与第j类信号的IMF分量的互信息；
Figure FDA0002685915150000021
式中，
Figure FDA0002685915150000025
表示第i类信号与第j类信号的IMF分量的互信息，N表示光纤信号总的数据个数，m表示时间坐标移动值，Ii(n)表示第i类信号的IMF分量，Ij(n+m)表示第j类信号的IMF分量；
步骤五：确定信号各IMF分量的初始权值wij；
Figure FDA0002685915150000022
式中，
Figure FDA0002685915150000026
表示第i类信号与第j类信号的IMF分量的互信息，l表示总的互信息个数；
步骤六：确定自适应动态惯性权重调整函数；
Figure FDA0002685915150000023
式中，α1、α2为常数，r为[0,1]之间均匀分布的随机数，
Figure FDA0002685915150000027
表示第i类信号与第j类信号的IMF分量的互信息；
步骤七：确定融合后光纤信号的方差均值F2(β,s)；
根据权重系数对分布式光纤信号进行融合，得到；
Figure FDA0002685915150000024
利用带有滑动窗重叠分割的SW-DFA对融合信号做进一步处理，提取特征向量，首先对X(k)进行分割，滑动窗口长度为u，得到N-u+1段数据，对每段数据进行多项式拟合并计算相应的方差均值F2(β,s)；
Figure FDA0002685915150000031
式中，β表示第β段数据，s表示数据的第s项，u表示滑动窗口长度，i表示融合后的数据样本点数；
步骤八：确定奇异指数a和多重分形谱f(a)；
计算X(k)的q阶波动函数Fq(s)；
Figure FDA0002685915150000032
式中，N-u+1表示分割后的数据段数，β表示第β段数据，F2(β,s)表示方差均值；
奇异指数a和多重分形谱f(a)分别为；
Figure FDA0002685915150000033
式中，Fq(s)表示X(k)的q阶波动函数，a表示奇异指数。
CN202010976282.4A 2020-09-16 2020-09-16 一种基于cmeemd-gaiw-sw-dfa的分布式光纤信号听觉信息融合方法 Active CN112115851B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010976282.4A CN112115851B (zh) 2020-09-16 2020-09-16 一种基于cmeemd-gaiw-sw-dfa的分布式光纤信号听觉信息融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010976282.4A CN112115851B (zh) 2020-09-16 2020-09-16 一种基于cmeemd-gaiw-sw-dfa的分布式光纤信号听觉信息融合方法

Publications (2)

Publication Number Publication Date
CN112115851A true CN112115851A (zh) 2020-12-22
CN112115851B CN112115851B (zh) 2022-02-08

Family

ID=73803650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010976282.4A Active CN112115851B (zh) 2020-09-16 2020-09-16 一种基于cmeemd-gaiw-sw-dfa的分布式光纤信号听觉信息融合方法

Country Status (1)

Country Link
CN (1) CN112115851B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140088891A1 (en) * 2012-09-21 2014-03-27 National Central University Method for determining the precision of gears
CN107885940A (zh) * 2017-11-10 2018-04-06 吉林大学 一种用于分布式光纤振动传感***的信号特征提取方法
CN108095722A (zh) * 2018-01-31 2018-06-01 南京邮电大学 基于脑电信号的改进eemd算法
CN108506736A (zh) * 2018-03-19 2018-09-07 浙江理工大学 一种入侵信号诊断***和方法
CN108986363A (zh) * 2018-08-24 2018-12-11 天津大学 基于arma建模的光纤安防入侵事件识别方法及装置
KR20190092753A (ko) * 2018-01-31 2019-08-08 한국항공대학교산학협력단 전달오차를 이용한 회전체 결함 분석 장치 및 방법
CN110458073A (zh) * 2019-08-01 2019-11-15 北京邮电大学 一种基于MEEMD-Hilbert和多层小波分解的光纤振动信号特征提取方法
CN110619311A (zh) * 2019-09-20 2019-12-27 胡燕祝 一种基于eemd-ica-svm的数据分类方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140088891A1 (en) * 2012-09-21 2014-03-27 National Central University Method for determining the precision of gears
CN107885940A (zh) * 2017-11-10 2018-04-06 吉林大学 一种用于分布式光纤振动传感***的信号特征提取方法
CN108095722A (zh) * 2018-01-31 2018-06-01 南京邮电大学 基于脑电信号的改进eemd算法
KR20190092753A (ko) * 2018-01-31 2019-08-08 한국항공대학교산학협력단 전달오차를 이용한 회전체 결함 분석 장치 및 방법
CN108506736A (zh) * 2018-03-19 2018-09-07 浙江理工大学 一种入侵信号诊断***和方法
CN108986363A (zh) * 2018-08-24 2018-12-11 天津大学 基于arma建模的光纤安防入侵事件识别方法及装置
CN110458073A (zh) * 2019-08-01 2019-11-15 北京邮电大学 一种基于MEEMD-Hilbert和多层小波分解的光纤振动信号特征提取方法
CN110619311A (zh) * 2019-09-20 2019-12-27 胡燕祝 一种基于eemd-ica-svm的数据分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
蒋立辉等: "光纤周界入侵信号特征提取与识别方法的研究", 《激光与红外》 *

Also Published As

Publication number Publication date
CN112115851B (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
CN112084974B (zh) 一种基于元学习的多标签滚动轴承故障诊断方法
CN111597991A (zh) 一种基于信道状态信息和BiLSTM-Attention的康复检测方法
CN108107086B (zh) 一种基于阵列气体传感器的气体检测方法及气体传感器
CN111181634B (zh) 一种分布式光纤振动信号快速定位方法
CN115840120B (zh) 一种高压电缆局放异常监测及预警方法
CN115200850A (zh) 多测点样本结构信息显式表征下的机械设备异常检测方法
CN113296087A (zh) 一种基于数据增强的调频连续波雷达人体动作识别方法
Shankar et al. Epileptic seizure classification based on Gramian angular field transformation and deep learning
CN113865859A (zh) 多尺度多源异构信息融合的齿轮箱状态故障诊断方法
CN110458071B (zh) 一种基于dwt-dfpa-gbdt的光纤振动信号特征提取与分类方法
CN110192864B (zh) 一种跨域心电图生物特征身份识别方法
CN112115851B (zh) 一种基于cmeemd-gaiw-sw-dfa的分布式光纤信号听觉信息融合方法
CN109858511B (zh) 基于协同表示的安全半监督超限学习机分类方法
CN114755010A (zh) 一种旋转机械振动故障诊断方法及其***
CN111160198B (zh) 基于宽度学习的物体识别方法及***
CN117193537A (zh) 一种基于自适应迁移学习的双分支卷积神经网络运动想象意图解码方法
CN116910690A (zh) 一种基于数据融合的目标分类***
CN116340825A (zh) 一种基于迁移学习的跨被试rsvp脑电信号的分类方法
CN115017960A (zh) 一种基于时空联合mlp网络的脑电信号分类方法及应用
CN110458219B (zh) 一种基于stft-cnn-rvfl的φ-otdr振动信号识别算法
Bharti et al. Detection and classification of plant diseases
CN111048203B (zh) 一种脑血流调节机能评价装置
CN112149724B (zh) 一种基于类内紧凑度的脑电数据特征提取方法
Wang et al. BMFLC with neural network and DE for better event classification
CN114489321B (zh) 基于多任务深度学习的稳态视觉诱发电位目标识别方法

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