[发明专利]基于深度学习预测光纤振动信号危险等级的方法

权利要求书

1.一种基于深度学习预测光纤振动信号危险等级的方法,包括采集时间序列样本采集、生成SVM模板和构建LSTM模型，

其中采集时间序列样本采集如下内容：采集各种振动类型的时间序列数据并获得多个单帧样本数据、对提取单帧样本数据进行中心化和标准化预处理、对经过预处理的数据进行特征提取；

利用LSTM算法对上述特征值进行计算，构建LSTM模型；

根据输入信号的类型，对上述单针样本数据加入危险等级标签，此处可以分为多个危险等级，将加入危险等级标签的单帧信号集输入到SVM算法，进行模板训练；

具体的预测方法如下：

1)采集振动信号一段时间的实时序列；

2)对实时信号序列数据预处理；

3)实时信号序列特征提取；

4)使用LSTM模板预测数据序列，预测出单帧特征数据序列；

5)SVM算法对预测出的单帧特征数据序列进行危险等级分类，最终输出信号的危险等级。

2.根据权利要求1所述的基于深度学习预测光纤振动信号危险等级的方法，其特征在于：采集持续敲击、持续攀爬、持续中雨、持续刮风四种振动类型的样本数据，每种类型的数据采集两秒钟的序列信号数据，该两秒钟的序列信号数据由六包瞬时数据组成。

3.根据权利要求1或者2所述的基于深度学习预测光纤振动信号危险等级的方法，其特征在于：LSTM算法通过遗忘门、输入门、输出门控制前置信息对当前信息的影响；

遗忘门控制应该被遗忘的神经元，计算公式为：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

上式中，W_f是遗忘门的权重矩阵，[h_t-1,x_t]表示把两个向量连接成一个更长的向量，b_f是遗忘门的偏置项，σ是sigmoid函数。

输入门控制应该被加入的新状态，计算公式为：

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

输出门控制根据当前的状态和现在的输入状态，应该输出什么，计算公式为：

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

h_t＝o_t*tanh(C_t)

使用的训练算法是反向传播算法，主要有三个步骤：

步骤一：前向计算每个神经元的输出值，即f_t、i_t、o_t、h_t五个向量的值；

步骤二：反向计算每个神经元的误差项值。与循环神经网络一样，LSTM误差项的反向传播也是包括两个方向：一个是沿时间的反向传播，即从当前t时刻开始，计算每个时刻的误差项；一个是将误差项向上一层传播；

步骤三：根据相应的误差项，计算每个权重的梯度。