-
公开(公告)号：CN116204813A
公开(公告)日：2023-06-02
申请号：CN202310143415.3
申请日：2023-02-21
Applicant: 电子科技大学
IPC: G06F18/24 , G06N3/045 , G06N3/0464 , G06N3/09 , G06N3/096 , G06N3/098 , G06N3/082 , G06N3/08 , G16Y10/35 , G16Y20/20 , G01H9/00
Abstract: 本发明公开了一种多任务增强的DAS系统及其处理方法，属于分布式光纤传感及应用的技术领域。本发明先采集分布式光纤传感信号，并对其按时间段分割，得到时空矩阵信号；利用得到的时间矩阵信号构建两阶段多任务学习样本数据集，对样本数据集进行分类得到训练集、验证集和测试集；构建两阶段多任务学习网络模型，输入训练集训练模型、输入验证集至训练好的模型对模型进行验证，输入测试集至验证好的模型，完成对空矩阵信号的分类，实现多任务同步处理。本发明降低了冗余特征的提取；有效提高了DAS智能处理能力和处理效率。
-
公开(公告)号：CN111626153B
公开(公告)日：2022-10-18
申请号：CN202010404189.6
申请日：2020-05-13
Applicant: 电子科技大学 , 南京艾森斯智能科技有限公司
Abstract: 本发明公开了一种基于集成学习的局放故障状态识别方法，涉及电力设备局部放电检测识别领域，首先通过局放声光联合检测系统采集局部放电信号，获取原始数据，经过数据预处理，包括异常值检测与清洗、数据去噪和数据标准化，再从多分析域提取信号特征，将得到的超声信号特征、紫外信号特征输入到本发明设计的两阶段Stacking‑Bagging集成学习模型中，最终通过相对多数投票判断出当前输入信号所处的局放故障状态。该识别方法对电力设备的局放故障状态识别率高，且识别稳定性高。
-
公开(公告)号：CN111626153A
公开(公告)日：2020-09-04
申请号：CN202010404189.6
申请日：2020-05-13
Applicant: 电子科技大学 , 南京艾森斯智能科技有限公司
Abstract: 本发明公开了一种基于集成学习的局放故障状态识别方法，涉及电力设备局部放电检测识别领域，首先通过局放声光联合检测系统采集局部放电信号，获取原始数据，经过数据预处理，包括异常值检测与清洗、数据去噪和数据标准化，再从多分析域提取信号特征，将得到的超声信号特征、紫外信号特征输入到本发明设计的两阶段Stacking-Bagging集成学习模型中，最终通过相对多数投票判断出当前输入信号所处的局放故障状态。该识别方法对电力设备的局放故障状态识别率高，且识别稳定性高。
-
Patent Agency Ranking
公开(公告)号：CN113049084B
公开(公告)日：2022-05-06
申请号：CN202110283686.X
申请日：2021-03-16
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于注意力机制的Resnet的分布式光纤传感信号识别方法，属于光纤传感技术领域；包括数据准备：构建不同类型的典型事件信号数据集；信号预处理：对典型事件信号数据集中的时间信号做信号预处理，构建时频特征数据集；基于典型事件时频特征数据集，构建基于注意力机制的残差网络，对模型进行离线训练，得到最优模型；识别分类：利用最优模型对待测事件的时频数据集进行识别；同时将本发明的方法与2D‑CNN、Resnet、2D‑CNN+CBAM网络模型的识别性能进行对比，该方法具有最佳的识别性能。本发明将注意力机制与深度学习网络相结合，使网络自动聚焦于信号的关键信息部分，形成主要信号特征表达，使得识别网络具有更快的收敛速度。
-
公开(公告)号：CN113049084A
公开(公告)日：2021-06-29
申请号：CN202110283686.X
申请日：2021-03-16
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于注意力机制的Resnet的分布式光纤传感信号识别方法，属于光纤传感技术领域；包括数据准备：构建不同类型的典型事件信号数据集；信号预处理：对典型事件信号数据集中的时间信号做信号预处理，构建时频特征数据集；基于典型事件时频特征数据集，构建基于注意力机制的残差网络，对模型进行离线训练，得到最优模型；识别分类：利用最优模型对待测事件的时频数据集进行识别；同时将本发明的方法与2D‑CNN、Resnet、2D‑CNN+CBAM网络模型的识别性能进行对比，该方法具有最佳的识别性能。本发明将注意力机制与深度学习网络相结合，使网络自动聚焦于信号的关键信息部分，形成主要信号特征表达，使得识别网络具有更快的收敛速度。
-
公开(公告)号：CN112464777A
公开(公告)日：2021-03-09
申请号：CN202011316585.X
申请日：2020-11-20
Applicant: 电子科技大学
Abstract: 本发明公开了一种光纤振动源垂直距离智能估算方法，属于分布式光纤传感及应用技术领域。基于分布式光纤振动传感原理，利用埋地光纤感知沿线的振动信号，采集事件影响范围内沿埋地光纤分布的各个空间点的时间信号，分别进行傅里叶变换，获得二维空间频谱图特征，进一步利用深度学习进行可分辨深度特征自动提取与垂直偏移距离的识别分类，最终实现振动源偏离光纤的垂直距离智能估算和威胁级别判定。解决无法对危险振动源到光纤的垂直距离进行准确估算的问题，并以此为依据判断振动源的威胁程度。
-
公开(公告)号：CN116818080A
公开(公告)日：2023-09-29
申请号：CN202310307804.5
申请日：2023-03-27
Applicant: 电子科技大学
IPC: G01H9/00 , G06F18/213 , G06F18/214 , G06F18/241 , G06N3/0464 , G06N3/045 , G06N3/048 , G06N3/084
Abstract: 本发明公开了DAS信号的多维深度特征提取与识别方法，涉属于分布式光纤传感及应用的技术领域。先采集分布式光纤传感信号，并对其按时间段分割，得到二维时空样本信号矩阵，利用短时傅里叶变换将每个空间点的时间信号转换为时频谱图，得到三维的时频空样本；利用得到的时频空信号构建样本数据集，对样本数据集进行分类得到训练集、验证集和测试集；构建与DAS时频空样本输入匹配的基本三维CNN网络模型和最佳的注意力模块，并优化结构形成3D‑ACNN网络模型，对模型训练、验证和测试，完成对DAS信号的高精度快速识别。利用端对端网络加注意力机制从时间、频率和空间三个维度同步自动提取其深度特征，提高识别性能的同时提高了计算效率。
-
公开(公告)号：CN112464777B
公开(公告)日：2023-04-18
申请号：CN202011316585.X
申请日：2020-11-20
Applicant: 电子科技大学
IPC: G06F18/24 , G06F18/213 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种光纤振动源垂直距离智能估算方法，属于分布式光纤传感及应用技术领域。基于分布式光纤振动传感原理，利用埋地光纤感知沿线的振动信号，采集事件影响范围内沿埋地光纤分布的各个空间点的时间信号，分别进行傅里叶变换，获得二维空间频谱图特征，进一步利用深度学习进行可分辨深度特征自动提取与垂直偏移距离的识别分类，最终实现振动源偏离光纤的垂直距离智能估算和威胁级别判定。解决无法对危险振动源到光纤的垂直距离进行准确估算的问题，并以此为依据判断振动源的威胁程度。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.014 seconds)
