一种基于机器学习的φ-OTDR振动信号识别分类方法技术

本发明专利技术提供的是一种基于机器学习的φ

【技术实现步骤摘要】
一种基于机器学习的振动信号识别分类方法
(一)

[0001]本专利技术涉及的是一种基于机器学习的振动信号识别分类方法，可对不同振动事件进行快速识别分类，属于光纤传感及机器学习

(二)
技术介绍

[0002]分布式光纤扰动传感系统(DOFS)以其灵敏度高、结构简单、无需外场供电、检测距离长等诸多优势在周界安防、油气管道、通信光缆监测等诸多领域中获得了广泛的应用。其中，基于相位敏感光时域反射计的分布式光纤扰动传感系统凭借其灵敏度高、抗电磁干扰、长距离监测、施工简单、仅用一根光纤以及扰动判别精确稳定和多点同时判别等诸多技术优势已成为目前分布式光纤扰动传感研究领域新的热点。
[0003]是由Taelor等人在1993年首次提出的，它与传统光时域反射计(OTDR)相比，主要区别在于其注入光纤中的光是强相干的，因此系统输出信号为强干涉性的后向瑞利散射光。研究伊始，研究人员将更多的目光放在通过改进传感器硬件设备来提升的性能。然而，单一地通过改进传感器的硬件设备所提升的性能是有限的。
[0004]随着计算机科学技术的快速发展，研究人员开始本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的振动信号识别分类方法。其特征在于，包括以下步骤：S1、采集6种振动事件的一维时域信号，利用系统采集6种不同事件的振动信号，振动事件分别是：背景噪声、挖掘、敲击、浇水、震动、行走；S2、将一维时域信号进行二维图像转换，首先，将得到的振动信号进行归一化，将数据缩放在[
‑
1,1]，使得内积不偏向于最大的观测值：式中，表示缩放后的采样点，x
i
表示缩放前的采样点，max(X)和min(X)分别代表时间序列当中最大数值和最小数值；然后，将缩放后的数据转换到极坐标系统，即将数值看作夹角余弦值，时间戳看作半径：式中，半径r是把[0,1]分成n等份，丢弃0数据，角度是利用arccos(x
i
)计算得到，其范围在[0,π]，t
i
代表当前数据对应时间戳；之后考虑不同点之间的角度和以识别不同时间点的时间相关性，利用和角关系，GA...

【专利技术属性】
技术研发人员：熊显名，郭逸璇，张文涛，杜浩，秦祖军，曾创，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：