一种基于一维卷积神经网络的振动信号识别方法技术

本发明专利技术公开了一种基于一维卷积神经网络的振动信号识别方法，属于振动信号识别技术领域，首先使用地震检波器和示波器搭建振动信号采集装置，利用振动信号采集装置采集振动信号，将采集到的振动信号与样本标签结合构建样本数据集，然后构造一维卷积神经网络模型，通过将振动信号归一化后的数据来训练模型，最后使用训练好的一维卷积神经网络模型对振动信号进行识别；本发明专利技术的识别方法只需对信号进行归一化处理，省去了繁琐的样本特征提取步骤，避免了将信号从时域到频域的转换，最大限度的保留了信号的原始特征，并且可以获得很高的分类精度，可满足振动信号的高精度识别需求。可满足振动信号的高精度识别需求。可满足振动信号的高精度识别需求。

【技术实现步骤摘要】
一种基于一维卷积神经网络的振动信号识别方法


[0001]本专利技术属于振动信号识别
，特别是涉及一种基于一维卷积神经网络的振动信号识别方法。

技术介绍

[0002]随着科学技术的快速发展，犯罪分子的犯罪手段也趋于多样化，使得广大人民群众和企业的财产安全受到了很大的威胁，因此，周界安防的重要性不言而喻。然而，传统的周界安防技术难以适应现在的多样化犯罪手段，因此更为先进的安防技术应运而生。融合先进科学技术的周界安防报警系统可以快速提醒安保人员，使得人民群众和企业财产不受侵犯。
[0003]近年来，随着计算机技术和硬件技术的发展，机器学习技术在图像与语音领域的应用引起了广泛的关注。其中，如支持向量机算法在振动信号识别领域中展现出了巨大的潜力并取得了不错的效果。然而，这些精准的分类结果往往是依赖研究人员对振动信号进行复杂繁琐的时频域特征提取并通过特征挑选得到的，如何直接使用一维原始时域信号高效得到高精度的分类结果依然是一项挑战。
[0004]综上，亟需提供一种在一维原始时域信号下的振动信号识别方法。

技术实现思路

[0005]为了克服现有技术存在的上述缺陷，本专利技术提供了一种基于一维卷积神经网络的振动信号识别方法，本专利技术通过使用一维卷积神经网络的识别方法，利用一维卷积神经网络自适应的提取振动信号的特征，省去了以往单独进行特征提取的步骤，避免了将信号从时域到频域的转换，最大限度的保留了信号的原始特征，一维卷积神经网络提取到的特征输入到全连接层，全连接层将前层(卷积、池化等层)计算得到的特征空间映射到样本标记空间，提高了模型的鲁棒性，最终输入到softmax层，得到识别结果。基于此方法，本专利技术实现了高识别准确率、结构简单和快速高效的振动信号识别方法，可满足振动信号的识别需求。
[0006]本专利技术通过如下技术方案实现：
[0007]一种基于一维卷积神经网络的振动信号识别方法，具体包括如下步骤：
[0008]步骤一：采集振动信号；
[0009]步骤二：数据集的构建与数据集划分；
[0010]采集到的振动信号经过归一化处理后结合样本标签构成数据集，然后使用五折交叉验证方法将数据集分为训练集和测试集，训练集用来训练一维卷积神经网络模型，测试集用来测试已经训练完成的一维卷积神经网络模型的性能；
[0011]步骤三：一维卷积神经网络模型的训练；
[0012]步骤四：将测试集输入训练好的一维卷积神经网络模型中进行测试。
[0013]进一步地，步骤一中振动信号通过振动信号采集装置采集，所述振动信号采集装
置由地震检波器和示波器连接组成。
[0014]进一步地，步骤一中的振动信号包括室外本底噪声、室外单人行走、室外单人跑步、室外双人行走、室外三人行走、室内单人行走、室内单人跑步、室内双人行走和室内三人行走。
[0015]进一步地，步骤三中，在模型训练过程中采用Adam算法对已构建的一维卷积神经网络参数进行迭代调整，以使得损失函数值最小，Adam算法的初始学习率设置为0.001。
[0016]进一步地，步骤三中采用的一维卷积神经网络模型使用Keras2.1.5作为环境，算法使用python3.7编写。
[0017]进一步地，步骤三中采用的一维卷积神经网络模型的模型参数如下：
[0018](1)第一卷积层，卷积核个数为128，每个卷积核的大小为7，步长为1，激活函数采用relu函数，采用全零填充；
[0019](2)第一层批量标准化层；
[0020](3)第二卷积层，卷积核个数为72，每个卷积核的大小为5，步长为1，激活函数采用relu函数，采用全零填充；
[0021](4)第一最大池化层，池化大小为7，步长为1；
[0022](5)第三卷积层，卷积核个数为48，每个卷积核的大小为5，步长为1，激活函数采用relu函数，采用全零填充；
[0023](6)第二最大池化层，池化大小为5，步长为1；
[0024](7)第四卷积层，卷积核个数为36，每个卷积核的大小为3，步长为1，激活函数采用relu函数，采用全零填充；
[0025](8)第五卷积层，卷积核个数为32，每个卷积核的大小为3，步长为1，激活函数采用relu函数，采用全零填充；
[0026](9)第三最大池化层，池化大小为5，步长为1；
[0027](10)第一Flatten()层，其作用是将上层输出的数据转化为一维数据；
[0028](11)第一全连接层，神经元个数为128，激活函数采用relu函数，dropout＝0.35；
[0029](12)第二全连接层，神经元个数为64，激活函数采用relu函数，dropout＝0.3；
[0030](13)第三全连接层，神经元个数为9，激活函数采用softmax函数，最终返回样本所属类别的概率。
[0031]本专利技术的工作原理如下：
[0032]本专利技术中采用一维卷积神经网络作为振动信号识别模型，其结构如图2所示。输入层将归一化后的振动信号导入模型；卷积层将卷积核在输入系列上滑动进行卷积运算、提取特征；池化层用来减少模型参数量、特征降维和减小过拟合；全连接层的主要作用就是将前层(卷积、池化等层)计算得到的特征空间映射到样本标记空间，提高了模型的鲁棒性；输出层使用softmax激活函数将输入的神经元转化为和为1的概率，将最大概率值对应的位置作为识别结果，从而实现对振动信号的识别。
[0033]输出层使用softmax激活函数计算公式如下所示：
[0034][0035]其中z
i
表示输出层的第i个神经元的输入值，C表示分类标签的总类别数，每个输
出元素softmax(z
i
)都可以被看为分类器上对应的样本分类结果的概率，样本的识别结果取最大值的位置。
[0036]模型训练过程中采用误差反向传播算法，其目的是为了使损失函数最小化，然后借助梯度下降算法在反向传播过程中逐层调整参数权重，直到模型训练达到一定的次数或者识别的准确率到达满意才结束训练过程。
[0037]与现有技术相比，本专利技术的优点如下：
[0038]1、本专利技术提出了基于一维卷积神经网络的振动信号识别方法，该方法实现简单，计算速度快，且对振动信号识别具有优异的识别准确性，能够高效而又稳定的完成目标分类识别功能；
[0039]2、本专利技术使用一维卷积神经网络进行振动信号识别，一维卷积神经网络适合处理一维信号，可以直接将原始数据作为模型的输入，省去了以往进行特征提取的步骤，避免了将信号从时域到频域的转换，最大限度的保留了信号的原始特征。
附图说明
[0040]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于一维卷积神经网络的振动信号识别方法，其特征在于，具体包括如下步骤：步骤一：采集振动信号；步骤二：数据集的构建与数据集划分；采集到的振动信号经过归一化处理后结合样本标签构成数据集，然后使用五折交叉验证方法将数据集分为训练集和测试集，训练集用来训练一维卷积神经网络模型，测试集用来测试已经训练完成的一维卷积神经网络模型的性能；步骤三：一维卷积神经网络模型的训练；步骤四：将测试集输入训练好的一维卷积神经网络模型中进行测试。2.如权利要求1所述的一种基于一维卷积神经网络的振动信号识别方法，其特征在于，步骤一中振动信号通过振动信号采集装置采集，所述振动信号采集装置由地震检波器和示波器连接组成。3.如权利要求1所述的一种基于一维卷积神经网络的振动信号识别方法，其特征在于，步骤一中的振动信号包括室外本底噪声、室外单人行走、室外单人跑步、室外双人行走、室外三人行走、室内单人行走、室内单人跑步、室内双人行走和室内三人行走。4.如权利要求1所述的一种基于一维卷积神经网络的振动信号识别方法，其特征在于，步骤三中，在模型训练过程中采用Adam算法对已构建的一维卷积神经网络参数进行迭代调整，以使得损失函数值最小，Adam算法的初始学习率设置为0.001。5.如权利要求1所述的一种基于一维卷积神经网络的振动信号识别方法，其特征在于，步骤三中采用的一维卷积神经网络模型使用Keras2.1.5作为环境，算法使用python3....

【专利技术属性】
技术研发人员：胡贵军，付红超，
申请(专利权)人：吉林大学，
类型：发明
国别省市：