Разработан метод распознавания вибрационного сигнала

В статье, опубликованной в датчикиВ этой статье исследователи предложили новый алгоритм обнаружения конечных точек и технологию объединения признаков, основанную на двумерной сверточной нейронной сети для многомасштабного объединения признаков (2DCNN) для идентификации сигналов вибрации волокна.

Стади: Распознавание сигнала вибрации оптического волокна на основе слияния многомасштабных признаков. Изображение предоставлено: AerialVision_it/Shutterstock.com

Распределенная волоконно-оптическая сенсорная система Sagnac страдала недостатком низкой точности при распознавании вибраций проникновения. Метод, описанный в данной статье, сочетает в себе традиционное распознавание сигнала вибрации оптического волокна с функциями автоматического объединения признаков с помощью 2DCNN для достижения более высокой точности.

Новый алгоритм обнаружения конечной точки использовался для обнаружения вибрационной составляющей исходного сигнала, чтобы повысить эффективность обнаружения конечной точки. Этот алгоритм объединяет спектральную энтропию энергии и спектральное точечное произведение для достижения желаемого эффекта обнаружения.

Многомасштабные и многоуровневые признаки сигнала были извлечены с использованием 2DCNN в разных масштабах. Новая технология была использована для включения функций дифференциального агрегирования для предотвращения потери информации в процессе агрегирования.

Извлеченные признаки были распознаны с использованием многослойной реализации (MLP). Эксперименты показали, что эффективность распределенных волоконно-оптических сенсорных систем была выше по сравнению с обычным подходом с переменной декомпозицией (VMD), экспериментальной декомпозицией с распознаванием мод (EMD) и одномерной CNN (1D-CNN).

Растущая потребность в надежных системах охраны периметра

Требования к безопасным и надежным системам охраны периметра становятся все более актуальными из-за быстрого технического и научного прогресса и повышения уровня жизни. Таким образом, безопасность периметра оптического волокна вызвала большой интерес у исследователей во всем мире, и это технология с большим потенциалом роста.

Волоконно-оптические системы охраны периметра широко используются для обнаружения туннелей, пограничного контроля, морской разведки нефти, мониторинга землетрясений, морского мониторинга, безопасности океана и мониторинга нефтепроводов.

READ  GarageBand выпускает новые сессии ремиксов в приложении с участием Кэти Перри и SEVENTEEN

Распределенная волоконно-оптическая сенсорная система на основе интерферометра Саньяка отличается компактными размерами, высокой чувствительностью и простотой установки.

Базовая конструкция распределенной волоконно-оптической сенсорной системы и симметричный дизайн делают обнаружение сигнала вибрации волокна пригодным для распределенного распространения без необходимости высокой степени когерентности источника света. Эталонные волокна не требуются. Таким образом, в настоящем исследовании был признан распределенный волоконно-оптический датчик типа Саньяка.

Тремя основными процессами идентификации сигналов вибрации оптического волокна являются извлечение признаков, объединение, классификация и предварительная обработка сигналов вибрации оптического волокна. Уменьшение шума от сигнала вибрации и обнаружение конечной точки являются основными целями предварительной обработки.

Традиционное распознавание сигнала вибрации оптического волокна в основном ограничено присущим ему методом выделения признаков, а затем идентификации и классификации, что нарушает взаимосвязь между ними и приводит к потере определенной информации о сигнале. Однодиапазонная CNN может извлекать только часть информации о сигнале и не может извлекать данные из разных масштабов сигнала.

Исследователи продемонстрировали метод распределенного обнаружения оптического волокна для идентификации сигналов вибрации оптического волокна в текущей статье. Эффект обнаружения конечной точки эффективно улучшается за счет нового алгоритма обнаружения конечной точки, который сочетает в себе спектральную энтропию энергии и произведения спектрального центра. Этот алгоритм также извлек функции в разных масштабах и уровнях из 2DCNN. Для повышения точности распределенного зондирования оптического волокна была применена новая технология дифференциального агрегирования и слияния признаков.

Создайте улучшенный механизм распознавания сигналов вибрации

Предварительная обработка сигнала, извлечение многомасштабного слияния, признаки дифференциального агрегирования и распознавание классификации сформировали базовую структуру для обнаружения сигнала вибрации оптического волокна на основе слияния многомасштабных признаков.

В неповторяющихся данных сигнала вибрации оптического волокна обнаружено несколько неэффективных тихих сигналов. Таким образом, обнаружение конечной точки исходных сигналов вибрации оптического волокна было выполнено до создания набора экспериментальных данных. Затем был захвачен участок вибрации сигнала, чтобы уменьшить анализ бесшумного сигнала и повысить скорость воспроизведения. Обнаружение конечной точки сигнала использовалось в основном для определения начальной и конечной точек колебательной части сигнала.

READ  Новое видео показывает, как Илон Маск поднимается на башню Миказела для SpaceX

2DCNN классифицировала и распознала предварительно обработанный сигнал вибрации оптического волокна, чтобы более полно представить общую информацию об исходном сигнале, повысить скорость распознавания и снизить частоту ошибок.

2DCNN требует меньшего внимания к параметрам, чем другие мелкие или глубокие нейронные сети, и 2DCNN обрабатывает скрытые слои входных данных в модели-кандидате. 2DCNN может интеллектуально извлекать соответствующие функции из слоев функций сверточной и дифференциальной агрегации и автоматически уменьшать шум в сигнале.

В настоящей работе предложена архитектура функций дифференциального агрегирования, которая сочетает в себе среднее агрегирование и максимальное агрегирование, чтобы сделать восстановленные характеристики сигнала вибрации более полными и отчетливыми, повысив точность распознавания сигнала вибрации оптического волокна. Функции дифференциальной агрегации снижают влияние фонового шума на сигнал при сборе конкретной информации о сигнале вибрации волокна, сочетая преимущества максимальной агрегации и средней агрегации.

Были проведены сравнительные эксперименты с использованием собранных наборов данных, чтобы подтвердить эффективность метода распределенного зондирования оптического волокна. В экспериментах настоящей работы технология многомасштабного слияния признаков (Fusion 2DCNN) сравнивалась с CNN первого канала (First 2DCNN), двухканальной CNN (FS 2DCNN) и CNN второго канала (Second 2DCNN).

Показатели метода слияния многомасштабных признаков (Fusion 2DCNN) были лучше, чем у метода FS 2DCNN, показывая, что подход с дифференциальным агрегированием признаков сочетает в себе преимущества среднего агрегирования и максимального агрегирования. Таким образом, было замечено, что подход с использованием дифференциальных элементов сборки имеет решающее значение для повышения производительности распределенного зондирования оптического волокна.

Новое распознавание сигнала вибрации, более безопасный злодей

В этой статье представлен инновационный метод идентификации сигналов вибрации волокна, основанный на новой технологии обнаружения конечных точек и подходе к объединению многомасштабных признаков. Алгоритм обнаружения конечной точки был основан на объединении спектральной энтропии энергии и произведения спектрального центроида и объединении преимуществ каждого из них. Следовательно, метод обнаружения конечной точки эффективно повысил точность обнаружения сигналов вибрации оптического волокна и улучшил эффект обнаружения низкочастотных сигналов.

READ  Apple supplies free repair for 13 inch MacBook Pro with screen backlight issues

Сигналы бега и ходьбы, которые было трудно различить из-за короткого времени вибрации, можно было эффективно различить по сигналу, перехватываемому в течение 1 с. Метод слияния многомасштабных признаков использовался для более эффективного извлечения информации о многоуровневых и многомасштабных признаках сигналов вибрации оптического волокна, а MLP использовался для классификации и распознавания.

Сравнение традиционных методов распознавания образов VMD, EMD и 1D-CNN и методов слияния многомасштабных признаков показало, что средняя точность предложенного метода в настоящей работе выше, чем у других традиционных методов. Таким образом, распределенная система обнаружения оптического волокна может эффективно уменьшить количество ложных срабатываний при распознавании сигнала вибрации оптического волокна и точно идентифицировать четыре типа сигналов вибрации оптического волокна для дороги, бега, ходьбы и трепетания.

ссылка

X. Ма, Дж. Мо, Дж. Чжан, Дж. Хуанг, Распознавание сигнала вибрации оптического волокна на основе слияния функций мультиметра. 2022. датчики.http://www.mdpi.com/1424-8220/22/16/6012/htm

Отказ от ответственности: мнения, выраженные здесь, принадлежат автору, выраженному в его личном качестве, и не обязательно отражают мнение AZoM.com Limited T/A AZoNetwork является владельцем и оператором этого веб-сайта. Этот отказ от ответственности является частью условий использования этого веб-сайта.

Leonid Morozov

Создатель. Любитель кофе. Любитель Интернета. Организатор. Выродок поп-культуры. Поклонник телевидения. Гордый кулинарa

Добавить комментарий

Ваш адрес email не будет опубликован.

Наверх