-
公开(公告)号：CN117390413A
公开(公告)日：2024-01-12
申请号：CN202311355783.0
申请日：2023-10-19
Applicant: 东北电力大学
IPC: G06F18/21 , G06F18/213 , G06F18/10 , G06F18/24 , G06N3/045 , G06N3/0442 , G06N3/048 , G06N3/08
Abstract: 分布式电力光纤振动信号降噪与时序特征提取的识别方法，涉及电力光纤信号处理领域，解决现有现有技术无法同时进行信号降噪并提取振动信号的时序特征，振动事件识别准确率低和误警率高的问题，本发明通过采集光纤振动事件的时空矩阵信号，并对信号进行裁剪，保留有效空间采样点的数据；然后对采样点的数据标记事件类型标签，构建光纤振动事件数据集；并根据光纤振动事件数据集构建ASVD模型并进行训练，并对训练后的ASVD模型进行测试，获得光纤振动事件的分类结果；本方法提高了模型在新应用场景下的泛化性和鲁棒性；增加了对振动信号时序状态特征的挖掘，进一步提升模型对多事件的区分能力。
-
Patent Agency Ranking
公开(公告)号：CN119026016A
公开(公告)日：2024-11-26
申请号：CN202411045812.8
申请日：2024-08-01
Applicant: 东北电力大学
IPC: G06F18/2415 , G06F18/25 , G06F18/15 , G06F18/213 , G06F18/2131 , G06F18/21 , G06N3/0464 , G06N3/045 , G08B13/196
Abstract: 基于AsymConv‑Densenet网络的Φ‑OTDR电力光缆周界安防入侵事件识别方法，涉及Φ‑OTDR事件识别技术领域，解决现有技术在识别电力光缆周界安防的Φ‑OTDR入侵事件信号中存在信号特征需要人工提取、识别性能依赖于预训练权重，且对典型入侵事件如攀爬与行走、摇晃和敲击等时频特征相似事件存在识别混淆的问题，本发明将密集连接的卷积网络和非对称卷积块进行结合，提出了AsymConv‑Densenet网络。本网络利用非对称卷积块对Densenet网络进行优化，将Densenet网络中转换块的结果矩阵重新进行特征提取。为了避免对后续层增加额外的计算负担，非对称卷积块得到的结果矩阵尺寸和维度与转换块结果矩阵相同。
-
公开(公告)号：CN118445718A
公开(公告)日：2024-08-06
申请号：CN202410560723.0
申请日：2024-05-08
Applicant: 东北电力大学
IPC: G06F18/2431 , G06F18/213 , G06F18/22 , G06N3/0464 , G06N3/08 , G06N3/045 , H04B17/00 , G06F123/02
Abstract: 基于时空特征提取的电力通信光缆DAS信号事件识别方法，涉及分布式电力光纤传感信号识别技术领域，解决现有网络在进行DAS信号识别过程中，存在计算量大，识别性能不稳定且对时空特征相似事件存在识别混淆问题，本发明通过构建DAS信号光纤振动事件数据集；构建1DCNNs‑gMLP模型，采用DAS信号光纤振动事件数据集对1DCNNs‑gMLP模型进行训练；获得训练后的1DCNNs‑gMLP模型；并进行DAS信号识别。本发明通过充分提取时空信号的特征，建立起特征之间的依赖关系和全局性，以此提高DAS信号识别准确率，并且减少因时空特征相似导致事件识别混淆的问题。
-
公开(公告)号：CN117390413B
公开(公告)日：2024-06-14
申请号：CN202311355783.0
申请日：2023-10-19
Applicant: 东北电力大学
IPC: G06F18/21 , G06F18/213 , G06F18/10 , G06F18/24 , G06N3/045 , G06N3/0442 , G06N3/048 , G06N3/08
Abstract: 分布式电力光纤振动信号降噪与时序特征提取的识别方法，涉及电力光纤信号处理领域，解决现有现有技术无法同时进行信号降噪并提取振动信号的时序特征，振动事件识别准确率低和误警率高的问题，本发明通过采集光纤振动事件的时空矩阵信号，并对信号进行裁剪，保留有效空间采样点的数据；然后对采样点的数据标记事件类型标签，构建光纤振动事件数据集；并根据光纤振动事件数据集构建ASVD模型并进行训练，并对训练后的ASVD模型进行测试，获得光纤振动事件的分类结果；本方法提高了模型在新应用场景下的泛化性和鲁棒性；增加了对振动信号时序状态特征的挖掘，进一步提升模型对多事件的区分能力。
-
公开(公告)号：CN119026016B
公开(公告)日：2025-04-18
申请号：CN202411045812.8
申请日：2024-08-01
Applicant: 东北电力大学
IPC: G06F18/2415 , G06F18/25 , G06F18/15 , G06F18/213 , G06F18/2131 , G06F18/21 , G06N3/0464 , G06N3/045 , G08B13/196
Abstract: 基于AsymConv‑Densenet网络的Φ‑OTDR电力光缆周界安防入侵事件识别方法，涉及Φ‑OTDR事件识别技术领域，解决现有技术在识别电力光缆周界安防的Φ‑OTDR入侵事件信号中存在信号特征需要人工提取、识别性能依赖于预训练权重，且对典型入侵事件如攀爬与行走、摇晃和敲击等时频特征相似事件存在识别混淆的问题，本发明将密集连接的卷积网络和非对称卷积块进行结合，提出了AsymConv‑Densenet网络。本网络利用非对称卷积块对Densenet网络进行优化，将Densenet网络中转换块的结果矩阵重新进行特征提取。为了避免对后续层增加额外的计算负担，非对称卷积块得到的结果矩阵尺寸和维度与转换块结果矩阵相同。
-
公开(公告)号：CN118445718B
公开(公告)日：2024-12-24
申请号：CN202410560723.0
申请日：2024-05-08
Applicant: 东北电力大学
IPC: G06F18/2431 , G06F18/213 , G06F18/22 , G06N3/0464 , G06N3/08 , G06N3/045 , H04B17/00 , G06F123/02
Abstract: 基于时空特征提取的电力通信光缆DAS信号事件识别方法，涉及分布式电力光纤传感信号识别技术领域，解决现有网络在进行DAS信号识别过程中，存在计算量大，识别性能不稳定且对时空特征相似事件存在识别混淆问题，本发明通过构建DAS信号光纤振动事件数据集；构建1DCNNs‑gMLP模型，采用DAS信号光纤振动事件数据集对1DCNNs‑gMLP模型进行训练；获得训练后的1DCNNs‑gMLP模型；并进行DAS信号识别。本发明通过充分提取时空信号的特征，建立起特征之间的依赖关系和全局性，以此提高DAS信号识别准确率，并且减少因时空特征相似导致事件识别混淆的问题。
-
-
-
-
-
Search Results
6
records
(took 0.025 seconds)
