CN114861737A - 分布式光纤传感***的远端扰动特征提取方法及*** - Google Patents
分布式光纤传感***的远端扰动特征提取方法及*** Download PDFInfo
- Publication number
- CN114861737A CN114861737A CN202210637622.XA CN202210637622A CN114861737A CN 114861737 A CN114861737 A CN 114861737A CN 202210637622 A CN202210637622 A CN 202210637622A CN 114861737 A CN114861737 A CN 114861737A
- Authority
- CN
- China
- Prior art keywords
- dictionary
- disturbance
- matrix
- polymorphic
- feature
- 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.)
- Pending
Links
- 239000013307 optical fiber Substances 0.000 title claims abstract description 43
- 238000000605 extraction Methods 0.000 title claims abstract description 21
- 238000001228 spectrum Methods 0.000 claims abstract description 45
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 93
- 238000000034 method Methods 0.000 claims description 34
- 230000005283 ground state Effects 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 8
- 230000000295 complement effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 2
- 230000003287 optical effect Effects 0.000 description 18
- 238000012360 testing method Methods 0.000 description 5
- 239000000523 sample Substances 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000005562 fading Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000000253 optical time-domain reflectometry Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06F2218/08—Feature extraction
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)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明属于分布式光纤传感***的信号处理技术领域,公开了一种分布式光纤传感***的远端扰动特征提取方法,包括:对光纤信道内信号瑞利散射谱的距离维区间进行划分,并针对各区间建立相应的字典学习模型,对原有的字典进行学习观测形成多态等效字典;基于多态等效字典,建立在多态等效字典级联下的联合稀疏表示模型,形成多回波散射谱的联合稀疏表示;构建基于多态级联字典的联合优化重构算法,提取远端扰动信号特征。可以解决针对分布式光纤传感***中远端干扰信号因瑞利散射谱固有衰减而导致的被淹没问题。大大提高了扰动信号特征提取的准确性。
Description
技术领域
本发明属于分布式光纤传感***的信号处理技术领域,本发明涉及一种分布式光纤传感***的远端扰动特征提取方法及***。
背景技术
光纤传感器凭借其不受电磁干扰、灵活性高以及容易组网的优势,在安防、监测与勘测领域中得到了广泛的应用。分布式光纤传感***将光纤上的点均作为独立的传感单元,利用相位敏感(OTDR)技术,相比于传统的点式光纤传感***,在测量范围、测量灵敏度以及响应能力上均有显著的提高。但同样的,分布式光纤传感***的高灵敏度与快响应速度会造成***对噪声与环境扰动的敏感性。同时,在长距离传输探测场景下,由于瑞利散射谱自身的衰落特性,将导致远端干扰信号被近端回波信号所淹没,从而影响对干扰信号的准确提取。
申请号201810359506X公开了一种基于扰动信号特征提取的分布式光纤振动传感定位方法及装置,将待检测光缆划分为若干个区间,并在每个区间分别接收振动产生的脉冲峰信号后记录脉冲峰个数,其中,第i帧第j段光缆上的脉冲峰个数记为N(i,j);分别统计光缆每个区间内脉冲峰个数的平均值和方差;在每个光缆区间内,将所述脉冲峰个数的平均值和方差和预设参数进行比较,根据比较结果确认当前区间的光缆是否存在扰动信号,以此类推,确认所述待检测光缆存在扰动信号的各个区间;获取存在扰动信号的光缆区间,再分别确认所述区间内扰动点位置。该方法基于统计得到,需要有一定量的数据。实际操作繁琐,在数据量较小时,往往无法得到准确的结果。
申请号2017103708538公开了一种相位敏感光时域反射分布式光纤传感***快速定位方法,构建多个光脉冲对应的瑞利散射光数字信号矩阵、在信号矩阵上间隔一定长度选择测试窗口和测试列、获得各个测试列的相位、根据相邻测试窗口测试列相位对扰动源区间粗略定位、提取包含扰动源的区间信号进行扰动精确定位。该方法没有解决由于瑞利散射谱自身的衰落特性,导致远端干扰信号被近端回波信号所淹没的技术问题,无法提取得到准确的扰动特征。
发明内容
本发明的目的在于提供一种分布式光纤传感***的远端扰动特征提取方法及***,针对不同的瑞利散射谱关注区间,对原有的字典进行学习观测形成多态等效字典,随后基于多态等效字典,建立在多态等效字典级联下的联合稀疏表示模型,形成多回波散射谱的联合稀疏表示,最后,通过优化重构算法完成对远端扰动信号的识别与提取。提高了扰动信号特征提取的准确性。
实现本发明目的的技术解决方案为:
一种分布式光纤传感***的远端扰动特征提取方法,包括以下步骤:
S01:对光纤信道内信号瑞利散射谱的距离维区间进行划分,并针对各区间建立相应的字典学习模型,对原有的字典进行学习观测形成多态等效字典;
S02:基于多态等效字典,建立在多态等效字典级联下的联合稀疏表示模型,形成多回波散射谱的联合稀疏表示;
S03:构建基于多态级联字典的联合优化重构算法,提取远端扰动信号特征。
优选的技术方案中,所述步骤S01中形成多态等效字典的方法包括:
S11:针对所有的探测距离构造一个本征特征字典:
Ψ=[ψ1,ψ2,…,ψL];
其中,ψl表示在第l个探测距离上的单位响应;
其中,η为基态特征系数;
S13:针对扰动事件ζn,构建扰动模态观测矩阵:
其中,diag(z)表示以向量z为对角元素构成矩阵,β(n)为权系数向量;
S14:基于上述扰动模态观测矩阵,对本征特征字典进行学习观测,形成扰动事件ζn所对应的模态字典:
Ψ(n)=Φ(n)Ψ;
将所有扰动事件N所对应的模态字典与本征特征字典进行级联组合,得到多态等效字典:
优选的技术方案中,所述步骤S02中形成多回波散射谱的联合稀疏表示的方法包括:
将M个回波光脉冲组成的联合回波矩阵表示为:
其中,Pi表示第i个回波光脉冲对应的采样瑞利曲线,[·]T表示向量与矩阵的转置;
基于多态等效字典,得到联合回波矩阵的联合稀疏表示模型为:
其中,Θ为联合特征矩阵,同时也是一个列稀疏矩阵,其非零列表征了相应多态字典所对应的扰动事件。
优选的技术方案中,所述步骤S03中提取远端扰动信号特征的方法包括:
S31:对联合回波矩阵进行向量化得到r=vec(R),进而得到扩展联合稀疏表示:
r=Γθ
S34:更新索引集Λt=Λt-1∪{λt},记录找到的多态等效字典中与残差相关度最高的列组合,并重建原子集合为γt=[γt-1,Γl];
S35:求解得到θ(t)=argmin||r-γtθ(t)||2,更新残差ε(t)=r-γtθ(t),t=t+1;
S36:判断残差ε(t)是否小于ξ,如是,则迭代停止,输出重构特征向量θ;反之,则跳转至步骤S33继续执行;
S37:由重构特征向量θ重构得到联合特征矩阵Θ。
优选的技术方案中,所述步骤S03之后还包括,将重构得到的联合特征矩阵Θ的前L列置零,随后确定剩余的非零列,获得非零列索引向量υ,由索引向量υ指向扰动事件类型。
本发明还公开了一种分布式光纤传感***的远端扰动特征提取***,包括:
多态等效字典构建模块,对光纤信道内信号瑞利散射谱的距离维区间进行划分,并针对各区间建立相应的字典学习模型,对原有的字典进行学习观测形成多态等效字典;
多回波散射谱的联合稀疏表示模块,基于多态等效字典,建立在多态等效字典级联下的联合稀疏表示模型,形成多回波散射谱的联合稀疏表示;
扰动信号特征提取模块,构建基于多态级联字典的联合优化重构算法,提取远端扰动信号特征。
优选的技术方案中,所述形成多态等效字典的方法包括:
S11:针对所有的探测距离构造一个本征特征字典:
Ψ=[ψ1,ψ2,…,ψL];
其中,ψl表示在第l个探测距离上的单位响应;
其中,η为基态特征系数;
S13:针对扰动事件ζn,构建扰动模态观测矩阵:
其中,diag(z)表示以向量z为对角元素构成矩阵,β(n)为权系数向量;
S14:基于上述扰动模态观测矩阵,对本征特征字典进行学习观测,形成扰动事件ζn所对应的模态字典:
Ψ(n)=Φ(n)Ψ;
将所有扰动事件N所对应的模态字典与本征特征字典进行级联组合,得到多态等效字典:
优选的技术方案中,所述多回波散射谱的联合稀疏表示的方法包括:
将M个回波光脉冲组成的联合回波矩阵表示为:
其中,Pi表示第i个回波光脉冲对应的采样瑞利曲线,[·]T表示向量与矩阵的转置;
基于多态等效字典,得到联合回波矩阵的联合稀疏表示模型为:
其中,Θ为联合特征矩阵,同时也是一个列稀疏矩阵,其非零列表征了相应多态字典所对应的扰动事件。
优选的技术方案中,所述提取远端扰动信号特征的方法包括:
S31:对联合回波矩阵进行向量化得到r=vec(R),进而得到扩展联合稀疏表示:
r=Γθ
S34:更新索引集Λt=Λt-1∪{λt},记录找到的多态等效字典中与残差相关度最高的列组合,并重建原子集合为γt=[γt-1,Γl];
S36:判断残差ε(t)是否小于ξ,如是,则迭代停止,输出重构特征向量θ;反之,则跳转至步骤S33继续执行;
S37:由重构特征向量θ重构得到联合特征矩阵Θ。
优选的技术方案中,还包括扰动事件类型识别模块,将重构得到的联合特征矩阵Θ的前L列置零,随后确定剩余的非零列,获得非零列索引向量υ,由索引向量υ指向扰动事件类型。
本发明与现有技术相比,其显著优点为:
本发明可以解决针对分布式光纤传感***中远端干扰信号因瑞利散射谱固有衰减而导致的被淹没问题。针对不同的瑞利散射谱关注区间,对原有的字典进行学习观测形成多态等效字典,随后基于多态等效字典,建立在多态等效字典级联下的联合稀疏表示模型,形成多回波散射谱的联合稀疏表示,最后,通过优化重构算法完成对远端扰动信号的识别与提取。大大提高了扰动信号特征提取的准确性,还可以对扰动事件类型进行识别。
附图说明
图1为较佳实施例的分布式光纤传感***的远端扰动特征提取方法的流程图;
图2为较佳实施例的分布式光纤传感***的远端扰动特征提取***的原理框图。
具体实施方式
本发明的原理是:针对现有通用夹具和专用夹具的不足,设计一种简易装夹、不损伤精密零件、能完整检测各项形位误差,并且在同类型零件测量和检测对象尺寸存在偏差时具有通用性的夹具,可减少夹具拆卸和不必要的重复定位,从而减轻工人的劳动强度,提高测量效率。
实施例1:
如图1所示,一种分布式光纤传感***的远端扰动特征提取方法,包括以下步骤:
S01:对光纤信道内信号瑞利散射谱的距离维区间进行划分,并针对各区间建立相应的字典学习模型,对原有的字典进行学习观测形成多态等效字典;
S02:基于多态等效字典,建立在多态等效字典级联下的联合稀疏表示模型,形成多回波散射谱的联合稀疏表示;
S03:构建基于多态级联字典的联合优化重构算法,提取远端扰动信号特征。
需要说明的是:对于已完成布线的光缆,其在未收扰动情况下的瑞利散射谱具有固定的分量组合,本发明将上述固定的分量组合称为光缆瑞利散射谱的基态谱,简称基态谱,若考虑光缆中分布式传感器的间隔为Δ,同时探测总长为LΔ,为方便后续内容中公式的简洁性,本发明中假设Δ=1,上述假设不会影响Δ在其他取值情况下本发明内容的一般性。
一较佳的实施例,步骤S01中形成多态等效字典的方法包括:
S11:针对所有的探测距离构造一个本征特征字典:
Ψ=[ψ1,ψ2,…,ψL];
其中,ψl表示在第l个探测距离上的单位响应;
其中,η为基态特征系数;
S13:针对扰动事件ζn,构建扰动模态观测矩阵:
其中,diag(z)表示以向量z为对角元素构成矩阵,β(n)为权系数向量;
S14:基于上述扰动模态观测矩阵,对本征特征字典进行学习观测,形成扰动事件ζn所对应的模态字典:
Ψ(n)=Φ(n)Ψ;
将所有扰动事件N所对应的模态字典与本征特征字典进行级联组合,得到多态等效字典:
一较佳的实施例,步骤S02中形成多回波散射谱的联合稀疏表示的方法包括:
将M个回波光脉冲组成的联合回波矩阵表示为:
其中,Pi表示第i个回波光脉冲对应的采样瑞利曲线,[·]T表示向量与矩阵的转置;
基于多态等效字典,得到联合回波矩阵的联合稀疏表示模型为:
其中,Θ为联合特征矩阵,同时也是一个列稀疏矩阵,其非零列表征了相应多态字典所对应的扰动事件。
一较佳的实施例,步骤S03中提取远端扰动信号特征的方法包括:
S31:对联合回波矩阵进行向量化得到r=vec(R),进而得到扩展联合稀疏表示:
r=Γθ
S34:更新索引集Λt=Λt-1∪{λt},记录找到的多态等效字典中与残差相关度最高的列组合,并重建原子集合为γt=[γt-1,Γl];
S35:求解得到θ(t)=argmin||r-γtθ(t)||2,更新残差ε(t)=r-γtθ(t),t=t+1;
S36:判断残差ε(t)是否小于ξ,如是,则迭代停止,输出重构特征向量θ;反之,则跳转至步骤S33继续执行;
S37:由重构特征向量θ重构得到联合特征矩阵Θ。
另一实施例中,步骤S03之后还包括,将重构得到的联合特征矩阵Θ的前L列置零,随后确定剩余的非零列,获得非零列索引向量υ,由索引向量υ指向扰动事件类型。从而可以对扰动事件类型进行识别。
又一实施例中,如图2所示,本发明还公开了一种分布式光纤传感***的远端扰动特征提取***,包括:
多态等效字典构建模块,对光纤信道内信号瑞利散射谱的距离维区间进行划分,并针对各区间建立相应的字典学习模型,对原有的字典进行学习观测形成多态等效字典;
多回波散射谱的联合稀疏表示模块,基于多态等效字典,建立在多态等效字典级联下的联合稀疏表示模型,形成多回波散射谱的联合稀疏表示;
扰动信号特征提取模块,构建基于多态级联字典的联合优化重构算法,提取远端扰动信号特征。
具体的,分布式光纤传感***的远端扰动特征提取***的工作流程如下:
一、首先,建立分布式光纤传感***回波瑞利谱曲线的特征字典,对于已完成布线的光缆,其在未收扰动情况下的瑞利散射谱具有固定的分量组合,本发明将上述固定的分量组合称为光缆瑞利散射谱的基态谱,若考虑光缆中分布式传感器的间隔为Δ,同时探测总长为LΔ,为方便后续内容中公式的简洁性,本发明中假设Δ=1,上述假设不会影响Δ在其他取值情况下本发明内容的一般性。令ψl表示在第l个探测距离上的单位响应,则可以针对所有的探测距离构造一个本征特征字典:
Ψ=[ψ1,ψ2,…,ψL] (1)
本发明基于基态特征系数η,设计了一种多态字典学习观测方法,具体为:
令分布式光纤传感***所关心的扰动事件类型数量共为N,则第n个扰动事件记为ζn。基于前期的扰动事件样本训练,可以刻画各类扰动事件的扰动特征分布情况,即扰动特征空间。针对扰动事件ζn,令表示其扰动特征空间,则进一步定义其扰动特征互补空间基于得到对应的特征系数向量具体为:
进一步的,针对扰动事件ζn,构建扰动模态观测矩阵:
其中,diag(z)表示以向量z为对角元素构成矩阵,β(n)为权系数向量。基于上述扰动模态观测矩阵,即可对本征特征字典进行学习观测,形成扰动事件ζn所对应的模态字典:
Ψ(n)=Φ(n)Ψ (5)
将所有关注的扰动事件所对应的模态字典与本征特征字典进行级联组合,即可得到多态等效字典:
二、本发明随后在上述基础上对分布式光纤传感***的多回波光脉冲进行联合优化表示。若Pi表示第i个回波光脉冲对应的采样瑞利曲线,则由M个回波光脉冲组成的联合回波矩阵可以表示为:
其中,[·]T表示向量与矩阵的转置。
基于式(6)所示的多态级联字典,可以得到联合回波矩阵的联合稀疏表示形式:
其中,Θ为联合特征矩阵,同时也是一个列稀疏矩阵,其非零列表征了相应多态字典所对应的扰动事件。
三、基于上述联合稀疏表示模型,从联合回波矩阵中重构得到联合特征矩阵的过程可以概括为以下步骤:
步骤1:对联合回波矩阵进行向量化得到r=vec(R),进而得到扩展联合稀疏表示:
r=Γθ (9)
步骤4:更新索引集Λt=Λt-1∪{λt},记录找到的多态级联字典中与残差相关度最高的列组合,并重建原子集合为γt=[γt-1,Γl];
步骤5:求解得到θ(t)=argmin||r-γtθ(t)||2,更新残差ε(t)=r-γtθ(t),t=t+1;
步骤6:判断残差ε(t)是否小于ξ,如是,则迭代停止,输出重构特征向量θ;反之,则跳转至步骤3继续上述步骤。
步骤7:由重构特征向量θ恢复得到联合特征矩阵Θ。
另一实施例中,在得到联合特征矩阵Θ后,对Θ中数值进行分析,将Θ的前L列置零,随后确定剩余的非零列,获得非零列索引向量υ,由索引向量υ指向扰动事件类型。至此,本发明实现了包括远端扰动事件在内的多类型扰动事件的同步识别。
上述实施例为本发明优选地实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种分布式光纤传感***的远端扰动特征提取方法,其特征在于,包括以下步骤:
S01:对光纤信道内信号瑞利散射谱的距离维区间进行划分,并针对各区间建立相应的字典学习模型,对原有的字典进行学习观测形成多态等效字典;
S02:基于多态等效字典,建立在多态等效字典级联下的联合稀疏表示模型,形成多回波散射谱的联合稀疏表示;
S03:构建基于多态级联字典的联合优化重构算法,提取远端扰动信号特征。
2.根据权利要求1所述的分布式光纤传感***的远端扰动特征提取方法,其特征在于,所述步骤S01中形成多态等效字典的方法包括:
S11:针对所有的探测距离构造一个本征特征字典:
Ψ=[ψ1,ψ2,…,ψL];
其中,ψl表示在第l个探测距离上的单位响应;
其中,η为基态特征系数;
S13:针对扰动事件ζn,构建扰动模态观测矩阵:
其中,diag(z)表示以向量z为对角元素构成矩阵,β(n)为权系数向量;
S14:基于上述扰动模态观测矩阵,对本征特征字典进行学习观测,形成扰动事件ζn所对应的模态字典:
Ψ(n)=Φ(n)Ψ;
将所有扰动事件N所对应的模态字典与本征特征字典进行级联组合,得到多态等效字典:
4.根据权利要求3所述的分布式光纤传感***的远端扰动特征提取方法,其特征在于,所述步骤S03中提取远端扰动信号特征的方法包括:
S31:对联合回波矩阵进行向量化得到r=vec(R),进而得到扩展联合稀疏表示:
r=Γθ
S34:更新索引集Λt=Λt-1∪{λt},记录找到的多态等效字典中与残差相关度最高的列组合,并重建原子集合为Υt=[Υt-1,Γl];
S35:求解得到θ(t)=argmin||r-Υtθ(t)||2,更新残差ε(t)=r-Υtθ(t),t=t+1;
S36:判断残差ε(t)是否小于ξ,如是,则迭代停止,输出重构特征向量θ;反之,则跳转至步骤S33继续执行;
S37:由重构特征向量θ重构得到联合特征矩阵Θ。
5.根据权利要求4所述的分布式光纤传感***的远端扰动特征提取方法,其特征在于,所述步骤S03之后还包括,将重构得到的联合特征矩阵Θ的前L列置零,随后确定剩余的非零列,获得非零列索引向量υ,由索引向量υ指向扰动事件类型。
6.一种分布式光纤传感***的远端扰动特征提取***,其特征在于,包括:
多态等效字典构建模块,对光纤信道内信号瑞利散射谱的距离维区间进行划分,并针对各区间建立相应的字典学习模型,对原有的字典进行学习观测形成多态等效字典;
多回波散射谱的联合稀疏表示模块,基于多态等效字典,建立在多态等效字典级联下的联合稀疏表示模型,形成多回波散射谱的联合稀疏表示;
扰动信号特征提取模块,构建基于多态级联字典的联合优化重构算法,提取远端扰动信号特征。
7.根据权利要求6所述的分布式光纤传感***的远端扰动特征提取***,其特征在于,所述形成多态等效字典的方法包括:
S11:针对所有的探测距离构造一个本征特征字典:
Ψ=[ψ1,ψ2,…,ψL];
其中,ψl表示在第l个探测距离上的单位响应;
其中,η为基态特征系数;
S13:针对扰动事件ζn,构建扰动模态观测矩阵:
其中,diag(z)表示以向量z为对角元素构成矩阵,β(n)为权系数向量;
S14:基于上述扰动模态观测矩阵,对本征特征字典进行学习观测,形成扰动事件ζn所对应的模态字典:
Ψ(n)=Φ(n)Ψ;
将所有扰动事件N所对应的模态字典与本征特征字典进行级联组合,得到多态等效字典:
9.根据权利要求8所述的分布式光纤传感***的远端扰动特征提取***,其特征在于,所述提取远端扰动信号特征的方法包括:
S31:对联合回波矩阵进行向量化得到r=vec(R),进而得到扩展联合稀疏表示:
r=Γθ
S34:更新索引集Λt=Λt-1∪{λt},记录找到的多态等效字典中与残差相关度最高的列组合,并重建原子集合为Υt=[Υt-1,Γl];
S35:求解得到θ(t)=argmin||r-Υtθ(t)||2,更新残差ε(t)=r-Υtθ(t),t=t+1;
S36:判断残差ε(t)是否小于ξ,如是,则迭代停止,输出重构特征向量θ;反之,则跳转至步骤S33继续执行;
S37:由重构特征向量θ重构得到联合特征矩阵Θ。
10.根据权利要求9所述的分布式光纤传感***的远端扰动特征提取***,其特征在于,还包括扰动事件类型识别模块,将重构得到的联合特征矩阵Θ的前L列置零,随后确定剩余的非零列,获得非零列索引向量υ,由索引向量υ指向扰动事件类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210637622.XA CN114861737A (zh) | 2022-06-07 | 2022-06-07 | 分布式光纤传感***的远端扰动特征提取方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210637622.XA CN114861737A (zh) | 2022-06-07 | 2022-06-07 | 分布式光纤传感***的远端扰动特征提取方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114861737A true CN114861737A (zh) | 2022-08-05 |
Family
ID=82624442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210637622.XA Pending CN114861737A (zh) | 2022-06-07 | 2022-06-07 | 分布式光纤传感***的远端扰动特征提取方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114861737A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115790815A (zh) * | 2023-01-17 | 2023-03-14 | 常熟理工学院 | 一种分布式光纤传感***的扰动快速鉴别方法及*** |
CN118089915A (zh) * | 2024-04-29 | 2024-05-28 | 浙江大学 | 光纤传感***背景干扰抑制的扰动事件估计方法和*** |
-
2022
- 2022-06-07 CN CN202210637622.XA patent/CN114861737A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115790815A (zh) * | 2023-01-17 | 2023-03-14 | 常熟理工学院 | 一种分布式光纤传感***的扰动快速鉴别方法及*** |
CN118089915A (zh) * | 2024-04-29 | 2024-05-28 | 浙江大学 | 光纤传感***背景干扰抑制的扰动事件估计方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114861737A (zh) | 分布式光纤传感***的远端扰动特征提取方法及*** | |
US11562224B2 (en) | 1D-CNN-based distributed optical fiber sensing signal feature learning and classification method | |
CN110995339B (zh) | 一种分布式光纤传感信号时空信息提取与识别方法 | |
CN109344195B (zh) | 基于hmm模型的管道安全事件识别及知识挖掘方法 | |
CN111442827B (zh) | 一种变压器绕组振动的光纤无源在线监测*** | |
CN111222743B (zh) | 一种光纤感知事件的垂直偏移距离及威胁级别判断方法 | |
CN113687433B (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及*** | |
CN110542831A (zh) | 一种基于变分模态分解和s变换的故障行波检测方法 | |
CN107678064B (zh) | 一种声波时差实时提取方法 | |
CN113358239A (zh) | 一种基于fbg的波长特征识别方法 | |
CN111832176A (zh) | 降雨条件下全极化微波辐射计海面风场反演方法及*** | |
CN115265750A (zh) | 一种光纤分布式声波传感***及方法 | |
CN105698915B (zh) | 一种光纤振源识别方法及装置、*** | |
CN111427046B (zh) | 一种用于提高检测精度的太赫兹脉冲回波定位方法 | |
CN110333506B (zh) | 一种提取索力测量雷达的拉索位置参数的方法 | |
CN112798142A (zh) | 基于贝叶斯更新和随机模拟的布里渊光纤传感器应变与温度两阶段快速识别方法 | |
CN104278990B (zh) | 测井数据质量恢复方法及装置 | |
CN116046145A (zh) | 交通道路光缆测区一致性检测***及方法 | |
CN113687192B (zh) | 输电线路放电信号采集及定位方法 | |
CN114034327A (zh) | 基于稀疏采样和人工神经网络的布里渊散射信号测量方法 | |
CN112484837B (zh) | 光纤空间定位***及其实现方法 | |
CN115265614A (zh) | 一种基于互相关谱和曲线拟合的距离域错位校正方法 | |
CN114577360B (zh) | 一种拉曼测温雷达信号自动分析校准及反演方法 | |
CN109061725B (zh) | 弹性波数据采集起跳点的自动识别方法及其所用的设备 | |
Velis | Statistical segmentation of geophysical log data |
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 |