[发明专利]基于AdaBoost-ESN算法的光纤传感振动信号模式识别方法有效

专利信息
申请号: 202010007812.4 申请日: 2020-01-05
公开(公告)号: CN111209853B 公开(公告)日: 2023-02-03
发明(设计)人: 吕辰刚;樊丽会;马敬敬;霍紫强 申请(专利权)人: 天津大学
主分类号: G06F18/21 分类号: G06F18/21;G06F18/241
代理公司: 天津市北洋有限责任专利代理事务所 12201 代理人: 程毓英
地址: 300072*** 国省代码: 天津;12
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 adaboost esn 算法 光纤 传感 振动 信号 模式识别 方法
【说明书】:

发明涉及一种基于AdaBoost‑ESN算法的光纤传感振动信号模式识别方法,包括如下步骤:采集振动信号构建数据集。构建AdaBoost‑ESN算法的模式识别网络:对多种已知事件的振动信号进行分类,首先使用回声状态网络构建ESN基础分类器,经过对样本训练识别得到基础分类结果,然后采用AdaBoost迭代框架计算ESN基础分类器分类错误样本,提高分类错误样本的权值,构建下一个ESN基础分类器,多次迭代后集中输出最终强分类器。

技术领域

本发明涉及光纤传感振动信号识别领域,具体指一种基于AdaBoost-ESN算法的光纤传感振动信号事件分类识别方法。

技术背景

近年来,光纤传感系统因其灵敏性高和精度高等优点,被广泛应用在场景振动信号的检测和定位中,如石油管道的振动源,周界安防的不良入侵等事件的检测和有效预警。光纤传感预警系统OFPS可以实时监测输气管道及其周围环境状况,光纤围栏振动情况。安全检测的重点是对不同类型的振动信号进行精确、高效、实时的检测和识别,并根据识别结果对不同类型的振动信号采取相应的措施。因此,振动信号识别方法越来越受到人们重视。

目前针对光纤振动信号模式识别方法主要分为两大类。一类为特征提取+分类器两级模式识别方法,通过对采集的振动信号在时域、频域、时频域提取振动信号的特征,如短时能量法、短时过电平率、峰值、波形因子、小波包分解、经验模态分解EMD、希尔伯特变换、Mel倒谱系数等方法提取振动信号特征,构成时域、频域或复合特征向量,送入分类器进行训练,采用的分类算法如支持向量机SVM、卷积神经网络CNN、决策树、长短时记忆神经网络LSTM等神经网络算法。此类算法由于需要对信号进行特征提取,而没有一种方法能够完全覆盖信号的全部特征,因此导致丢失信号信息,再送入分类器时存在误差导致分类精度存在瓶颈,辨识过程比较复杂,辨识率有待提高。另一类为无需人工设计特征提取方法,将信号直接送入分类器,由网络自学习信号特征并进行分类。本发明提出一种基于AdaBoost-ESN算法的分类识别方法,能够直接对振动信号进行分类,并采用了AdaBoost迭代框架将弱分类器集成为强分类器,进一步提高分类准确度。

发明内容

本发明的目的是提供一种可以直接对振动信号进行分类并能够进一步提高分类准确度的光纤传感振动信号识别方法。本发明使用回声状态网络作为ESN基础分类器,自学振动习信号特征并分类,使用AdaBoost迭代框架训练多个ESN基础分类器,提高分类错误样本的权值,最后多个ESN基础分类器分类结构投票作为强分类器结果。本方法简化了人工对振动信号进行特征提取,保留振动信号全部信息,并使用AdaBoost框架增强了样本的概率分布,并且不容易出现过拟合现象,可以有效的提高分类准确度。技术方案如下:

一种基于AdaBoost-ESN算法的光纤传感振动信号模式识别方法,包括如下步骤:

第一步,采集振动信号构建数据集:搭建光纤传感系统,设定合理采样率,采集多种已知事件的振动信号,并对事件类型打上标签,将振动信号作归一化处理,作为原始数据集。

第二步,构建AdaBoost-ESN算法的模式识别网络:对多种已知事件的振动信号进行分类,首先使用回声状态网络构建ESN基础分类器,经过对样本训练识别得到基础分类结果,然后采用AdaBoost迭代框架计算ESN基础分类器分类错误样本,提高分类错误样本的权值,构建下一个ESN基础分类器,多次迭代后集中输出最终强分类器。

第三步,利用已经训练好的模式识别网络对光纤传感振动信号进行模式识别。

优先地,第二步的执行步骤如下:

(1)初始化样本权重:第一次为均匀分布D1;

(2)构建ESN基础分类器:生成ESN网络,确定输入层节点个数,储存池节点个数N,输出层节点个数,以及三个权值矩阵,激活函数f和输出函数,以及ESN网络的重要参数谱半径SR;将采集的不同类型的振动信号乘以样本权重D1作为输入,将事件类型标签作为输出,对ESN网络进行训练;

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于天津大学,未经天津大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010007812.4/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top