【技术实现步骤摘要】
一种用于分布式光纤管道入侵检测的深度学习模式识别方法
[0001]本专利技术属于深度学习和安全领域,具体涉及一种用于分布式光纤管道入侵检测的深度学习模式识别方法。
技术介绍
[0002]近年来,分布式光纤振动传感(DOVS)技术因其高灵敏度、抗电磁干扰,价格低等优点,在智能安防等领域引起了广泛的关注。它已应用于周界安全、油气管道安全预警和结构健康监测领域,特别是对长输管道起到了十分有利的保护作用。然而,传感光纤容易受到环境的影响,如风雨、行人行走或动物活动,因此这些无害事件可能会导致系统出现意外的误报。此外,振动信号的复杂性和相似性可能导致振动类型识别的错误。因此,研究可靠的模式识别方法消除这些无害的振动事件,降低虚警率,提高识别精度,对提高分布式光纤传感的实际应用能力更好的保障天然气管道的安全运行都具有十分重要的现实意义和指导作用。
[0003]振动信号类型识别的实现依赖于性能良好的分类器,负责将各种入侵信号的特征输入分类模型进行训练,然后利用分类模型对振动信号进行快速类型识别。这就要求模型具有很强的样本学习能力,以实现高精度的分类。目前,分布式光纤领域多是以一维时序数据作为原始样本,进行信号的特征提取,分类器主要选择包括基于机器学习和基于深度学习的模型分类算法。其中,基于机器学习的模型包括支持向量机(SVM)、相关向量机(RVM)、线性判别分析(LDA)、高斯混合模型(GMM)和随机森林(RF)等等。机器学习方法如支持向量机,虽然可以在小样本的基础上达到较好的分类效果,但对于多分类任务存在明显不足,并且一
【技术保护点】
【技术特征摘要】
1.一种用于分布式光纤管道入侵检测的深度学习模式识别方法,其特征在于,该方法包括以下步骤:(1)按照时间序列采集光纤管道的分布式光纤的原始信号并进行降噪处理。(2)将一维时间序列的入侵信号转换为二维图像。(3)将二维图像进行放缩之后作为训练集,输入至VGG16网络模型进行训练。(4)利用训练后的VGG16网络模型进行分布式光纤管道入侵信号的识别,输出结果为事件类型,分为无入侵、人为活动和机械活动三类。2.根据权利要求1所述的一种用于分布式光纤管道入侵检测的深度学习模式识别方法,其特征在于,所述步骤(1)中,利用小波函数进行分解与重构的Mallat多分辨率分解算法对分布式光纤的原始信号进行降噪处理,将原始信号的j
‑
1尺度空间的尺度系数c
j
‑
1,m
,m=2k+n,经过滤波器系数h(n)进行加权求和得到对应于j尺度空间的尺度系数c
j,k
和小波系数d
j,k
,n代表滤波器的阶数,k表示小波变换中平移操作的参数,Mallat小波变换系数重构的表达式为3.根据权利要求1所述的一种用于分布式光纤管道入侵检测的深度学习模式识别方法,其特征在于,所述步骤(2)中,利用格拉姆角场(GAF)算法,将原始时间序列编码成特征更加集中的二维图像;首先,给出一个时间序列X={x1,x2,...,x
n
},参数n是时间序列的长度;X按比例放缩为[
‑
1,1],通过下式处理减少电源波动引起的误判,确保时序信号转换极坐标信号的角度范围介于0和π之间;其中,表示第i时刻的归一化信号,x
i
表示时间序列X中第i时刻的时序信号,max(X)和min(X)分别表示时间序列X中最大值和最小值;进一步得到余弦角以及重新获得时间序列X和时间戳得到的极性形式的每个元素半径,如下所示:其中,表示第i时刻的极坐标信号的极角,r
i
表示第i时刻的极坐标信号的极半径,t
i
表示第i时刻对应的时间戳,N是用作极性空间正则化因子的常数。重新调整时间序列的比例并将其转换为极坐标系。然后,通过计算每个点之间的反余弦函数之和的三角函数值,使用角度透视来识别不同时间间隔之间的时间相关性。Gramian矩阵定义如下:
其中,表示通过归一化变换后的时间序列信号,表示的转置向量,I是单位行向量[1,1
…
1],Gramian矩阵从左上角到右下角对序列的时间信息进行编码,严格保持信号的时间相关性。4.根据权利要求1所述的一种用于分布式光纤管道入侵检测的深度学习模式识别方法,其特征在于,所述步骤(3)中,利用双三次插值法进行图像放缩:双三...
【专利技术属性】
技术研发人员:沈佳园,张国民,李清毅,朱程远,杨楷翔,杨秦敏,陈积明,
申请(专利权)人:浙江大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。