[發明專利]一種基于LMD-ICA-PNN的Φ-OTDR振動信號分類算法

有效

• 申請號: 201910708045.7
• 申請日: 2019-08-01
• 公開（公告）號: CN110472540B
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 王松;胡燕祝;劉娜;熊之野
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及基于LMD?ICA?PNN的Φ?OTDR振動信號分類算法，是一種對振動信號進行識別分類的方法，屬于信號處理與機器學習領域，其特征在于采用如下步驟：(1)確定相鄰極值點的平均值和包絡估計值；(2)確定剩余信號；(3)確定調頻信號和包絡信號；(4)進行LMD分解，確定第一個PF分量；(5)建立ICA數學模型；(6)構建PNN神經網絡；(7)確定輸出變量的判別函數。本發明克服了小波分解自適應較差和EMD分解的模態混疊與端點效應問題，利用PNN神經網絡可以用線性學習算法完成非線性學習算法的優勢，與LMD相結合，取得了較高的分類準確率。為振動信號識別分類領域提供了一種擁有較高分類準確率的方法。

技術領域

本發明涉及信號處理與機器學習領域，主要是一種對Φ-OTDR振動信號進行識別分類的方法。

背景技術

目前，針對Φ-OTDR振動信號分類問題，主要是利用傳統的機器學習算法實現，一般的處理流程是先對信號進行去噪，分解，提取有用特征，最后根據提取的特征訓練模型實現分類。對于振動信號分解問題，常用的方法有小波分解、EMD分解等分解方法，小波分解適用性較差，而EMD分解過程中又容易出現模態混疊和端點效應的情況。此外，由于信號復雜多變，在提取信號特征的過程中，可能出現時頻精度低、虛假成分干擾的情況，從而影響到后續信號分類的準確率。對于振動信號分類問題，傳統的依靠梯度下降法的神經網絡雖然具有很好的泛化能力，但是在模型訓練過程中收斂速度太慢，導致訓練時間過長，此外還存在容易陷入局部極小值、收斂速度慢、對初始設置的參數依賴性很強等問題。特別是對于一些深度的神經網絡，有可能出現梯度爆炸或者梯度消失等情況。

關于Φ-OTDR振動信號分類的應用，在很多領域的發展都相對成熟。例如，利用決策樹、SCN以及各種神經網絡算法在建筑結構監測、周界安防報警、智能交通等方面都實現了較好的振動信號識別分類。隨著人們安全意識的提高以及分布式光纖傳感技術在石油化工、土木工程、隧道交通等領域的廣泛應用，在振動信號的分類精度和速度方面，都提出了相對較高的要求。因此，要實時準確地實現振動信號分類，達到振動信號分類的要求，必須要建立一種高效、準確的Φ-OTDR振動信號分類方法，有效的減少識別時間，提高Φ-OTDR振動信號的分類準確率，為分布式光纖傳感技術的眾多應用領域提供實時、準確的異常信號分類，以便于工作人員及時發現問題，提前做出決策。

發明內容

針對上述現有技術中存在的問題，本發明要解決的技術問題是提供一種基于LMD-ICA-PNN的Φ-OTDR振動信號分類算法，其具體流程如圖1所示。

技術方案實施步驟如下：

(1)確定原始振動信號x(t)的相鄰極值點的平均值m_i和包絡估計值a_i：

式中，m_i表示相鄰極值點的平均值，a_i表示包絡估計值，n_i和n_i+1分別表示第i個和第i+1個局部極值點。

(2)確定剩余信號h₁₁(t)：

將m_i和a_i用折線連接起來，再利用滑動平均法對其進行平滑處理，從而得到局部均值函數m₁₁(t)和局部包絡估計函數a₁₁(t)。將局部均值函數m₁₁(t)從原始振動信號x(t)中分離出來，得到剩余信號h₁₁(t)，即：

h₁₁(t)＝x(t)-m₁₁(t)

式中，h₁₁(t)表示剩余信號，x(t)表示原始振動信號，m₁₁(t)表示局部均值函數。