The invention relates to a \u03a6 \u2011 OTDR vibration signal recognition algorithm based on STFT \u2011 CNN \u2011 RVFL, a method for recognition and classification of \u03a6 \u2011 OTDR vibration signal time-frequency graph, belonging to the field of picture processing and pattern recognition, which is characterized in the following steps: (1) STFT transformation of \u03a6 \u2011 OTDR vibration signal to obtain time-frequency graph; (2) gray-scale processing of time-frequency graph; (3) construction of CNN network to extract graph Image features; (4) randomly initialize connection weights and thresholds; (5) construct RVFL neural network; (6) calculate output weights. The invention takes the time-frequency image of the vibration signal as the input, realizes the automatic feature extraction of the vibration signal through the convolution neural network, and combines the powerful image recognition and classification functions of the convolution neural network into the vibration signal recognition. The experimental results show that the vibration signal recognition algorithm designed by the invention has good signal recognition effect and provides an accurate recognition algorithm for the field of vibration signal recognition.
【技术实现步骤摘要】
一种基于STFT-CNN-RVFL的Φ-OTDR振动信号识别算法
本专利技术涉及图片处理与模式识别领域,主要是一种对Φ-OTDR振动信号时频图进行识别分类的方法。
技术介绍
目前,针对Φ-OTDR振动信号分类问题,主要是利用传统的机器学习算法实现,一般的处理流程是先对信号进行去噪,分解,提取有用特征,最后根据提取的特征训练模型实现分类,但是由于信号复杂多变,在提取信号特征的过程中,可能出现时频精度低、虚假成分干扰的情况,从而影响到后续信号分类的准确率。而传统的依靠梯度下降法的神经网络虽然具有很好的泛化能力,但是在模型训练过程中收敛速度太慢,导致训练时间过长,此外还存在容易陷入局部极小值、收敛速度慢、对初始所设置的参数依赖性很强等问题。特别是对于一些深度的神经网络,有可能存在梯度爆炸或者梯度消失等问题。以BP神经网络为例,BP神经网络无需知道输入输出之间的映射关系,仅仅通过对数据的训练,从而获得某种潜在的学习规则。它采用梯度下降法,在每次训练过程中,尽量缩小实际输出值与期望输出值的误差,从而逼近目标函数,但经常会出现陷入局部极小值的情况。在Φ-OTDR振动信号识别方面,在很多领域得到了广泛应用。例如,利用SVM、决策树、或者神经网络等算法在周界安防系统、智能交通、振动安全预警系统等方面实现了较好的振动信号识别。随着人们安全意识的提高以及气体泄漏、人工挖掘和步行等振动信号在入侵信号识别领域中的广泛应用,对振动信号的识别精度和速度提出了更高的要求。因此,要实时准确地实现振动信号识别,达到振动信号识别的要求,必须要建 ...
【技术保护点】
1.本专利技术特征在于:(1)对Φ-OTDR振动信号做STFT变换,获取时频图;(2)对时频图做灰度处理;(3)构建CNN网络,提取图像特征;(4)随机初始化连接权值和阈值;(5)构建RVFL神经网络;(6)计算输出权值;具体包括以下六个步骤:/n步骤一:对Φ-OTDR振动信号做STFT变换,获取时频图:/n
【技术特征摘要】
1.本发明特征在于:(1)对Φ-OTDR振动信号做STFT变换,获取时频图;(2)对时频图做灰度处理;(3)构建CNN网络,提取图像特征;(4)随机初始化连接权值和阈值;(5)构建RVFL神经网络;(6)计算输出权值;具体包括以下六个步骤:
步骤一:对Φ-OTDR振动信号做STFT变换,获取时频图:
式中,X(τ,w)表示STFT变换后得到的时频图像素值,x(t)表示Φ-OTDR振动信号,w(t)表示窗函数,w表示频率,t表示时间,τ表示时间窗间隔;
步骤二:对时频图做灰度处理:
式中,X(τ,w)表示STFT变换后得到的时频图像素值,L表示图像总的灰度级数,[a,b]表示原图像的灰度范围,[c,d]表示变换后图像的灰度范围,g(i)表示灰度处理后的图像像素,i表示第i个数据点;
步骤三:构建CNN网络,提取图像特征:
式中,i表示第i个数据点,n表示整数时移,h(n)表示时移变换函数,g(n)表示原始图像特征,x(n)表示提取得到的图像特征;
步骤四:随机初始化连接权值wj和阈值b:
随机初始化阈值b,输入层神经元和隐藏层神经元之间的连接权值w(w1,w2,...ws),其中s为隐藏层的...
【专利技术属性】
技术研发人员:王松,胡燕祝,刘娜,熊之野,
申请(专利权)人:北京邮电大学,
类型:发明
国别省市:北京;11
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。