买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：合肥工业大学

摘要：本发明公开了一种基于CWT‑Xception‑RF的φ‑OTDR振动信号分类方法，首先通过提取获得φ‑OTDR振动信号的人工特征，通过CWT处理获得φ‑OTDR振动信号时频图；针对时频图利用迁移学习Xception模型提取获得φ‑OTDR振动信号深度特征；然后针对人工特征和深度特征，利用皮尔逊相关系数法进行相关性分析，获得相关系数值；最后构建随机森立分类算法RF对相关系数值不高于0.9的人工特征和深度特征进行计算，输出φ‑OTDR振动信号所属各类别的概率，实现φ‑OTDR振动信号分类。本发明为降低φ‑OTDR系统中高误警率的现象提供了一种有效的识别方法。

主权项：1.一种基于CWT-Xception-RF的φ-OTDR振动信号分类方法，其特征是：通过提取获得φ-OTDR振动信号的人工特征；针对φ-OTDR振动信号进行CWT处理获得φ-OTDR振动信号时频图；针对所述φ-OTDR振动信号时频图，利用迁移学习Xception模型提取获得φ-OTDR振动信号深度特征；针对所述φ-OTDR振动信号的人工特征和深度特征，利用皮尔逊相关系数法进行相关性分析，获得相关系数值；构建随机森林分类算法RF对相关系数值不高于0.9的人工特征和深度特征进行计算，输出φ-OTDR振动信号所属各类别的概率，从而实现φ-OTDR振动信号分类；所述基于CWT-Xception-RF的φ-OTDR振动信号分类方法按如下步骤进行：步骤1、对φ-OTDR振动信号进行谱减法去噪处理获得去噪φ-OTDR振动信号傅里叶谱xω，针对所述去噪φ-OTDR振动信号傅里叶谱xω通过IFFTxω傅里叶反变换获得去噪φ-OTDR振动信号xt；步骤2、针对所述去噪φ-OTDR振动信号xt通过提取获得φ-OTDR振动信号人工特征，所述φ-OTDR振动信号人工特征包括φ-OTDR振动信号各时域特征、φ-OTDR振动信号各频域特征，以及φ-OTDR振动信号各音频域特征；步骤3、针对所述φ-OTDR振动信号人工特征中各特征值s按式2进行归一化处理，对应获得各特征值s的归一化特征值s'： 式2中：smin为特征值s中的最小特征值，smax为特征值s中的最大特征值；步骤4：针对所述去噪φ-OTDR振动信号xt按式3进行CWT处理，获得φ-OTDR振动信号时频图： 式3中：Sα,β表示φ-OTDR振动信号经过CWT变换后的时频图像素值；t表示时间，α表示尺度，β表示平移因子，ψt表示小波母函数；步骤5：利用迁移学习Xception模型提取φ-OTDR振动信号时频图深度特征：所述Xception模型包含卷积层、最大池化层以及全连接层；φ-OTDR振动信号的时频图像素值Sα,β在经过卷积层后的卷积层结果Z由式4表征： 式4中：以J,K表示卷积层中的滤波器尺寸，J为滤波器长度，K为滤波器宽度；ω为卷积层的权值，b为卷积层的偏置项；卷积层结果Z在经过最大池化层后的最大池化层像素值Z'由式5表征：Z'＝MaxZ×νn,n5式5中：νn,n为最大池化层窗函数；最大池化层像素值Z'在经过全连接层后的全连接层结果Z”由式6所表征： 式6中：A'＝b'+ω'Z'，b'为全连接层偏置项，ω'为全连接层权值；所述全连接层结果Z”即为φ-OTDR振动信号时频图的深度特征；步骤6：采用皮尔逊相关系数法对所述φ-OTDR振动信号的人工特征和深度特征进行相关性分析按式7计算获得两个特征之间的相关系数值： 式7中： 为特征x1和特征x2之间的相关系数值；covx1,x2为特征x1和特征x2之间的协方差； 和分别为特征x1和特征x2的标准差；步骤7：构建随机森林分类算法RF对相关系数值不高于0.9的人工特征和深度特征进行计算，输出φ-OTDR振动信号所属各类别的概率，实现φ-OTDR振动信号分类。

全文数据：

权利要求：

百度查询： 合肥工业大学 一种基于CWT-Xception-RF的φ-OTDR振动事件分类方法