-
公开(公告)号：CN114548156B
公开(公告)日：2023-05-12
申请号：CN202210077570.5
申请日：2022-01-24
申请人： 成都理工大学
IPC分类号： G06F18/10 , G06F18/213 , G06F18/24 , G06N3/048 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种基于降采样和卷积神经网络的分布式光纤测温降噪方法，包括在待测区域采集anti‑Stokes、Stokes数据、计算比值数据、归一化、降采样成n份降采样数据；模拟生成多组纯净信号和含噪信号，将含噪信号降采样成n份后作为输入，纯净信号作为输出，训练得到复合神经网络模型；将待测区域得到的n份降采样数据送入该模型，输出的数据再反归一化、温度解调得到温度数据。本发明由复合神经网络担任主要降噪任务，无需人工预设参数，运算速度快，可适应不同的工作环境，独特的降采样处理能帮助网络更好的识别热区，有效地提高了原始采集信号的信噪比，减小了温度测量的最大偏差和均方根误差，提高了温度曲线的平滑程度。
-
公开(公告)号：CN112258432B
公开(公告)日：2021-09-21
申请号：CN202011146572.2
申请日：2020-10-23
摘要： 本发明公开了一种基于复合型结构元素数学形态学的中子‑伽马甄别方法，包括P10、获取中子‑伽马脉冲数据；P20、对获取的中子‑伽马脉冲数据进行预处理；P30、构建用于数学形态学变换的复合型结构元素；P40、对预处理后的中子‑伽马脉冲数据进行数学形态学开运算处理；P50、对P40步骤开运算后的结果进行积分，计算得出甄别因子；P60、利用该得到的甄别因子对中子‑伽马脉冲数据进行甄别。本发明具有较好的甄别性能，同时能够表现出很好的抗噪能力，在混合辐射场测量及其数据处理技术领域具有很好的应用价值。
-
公开(公告)号：CN112258432A
公开(公告)日：2021-01-22
申请号：CN202011146572.2
申请日：2020-10-23
摘要： 本发明公开了一种基于复合型结构元素数学形态学的中子‑伽马甄别方法，包括P10、获取中子‑伽马脉冲数据；P20、对获取的中子‑伽马脉冲数据进行预处理；P30、构建用于数学形态学变换的复合型结构元素；P40、对预处理后的中子‑伽马脉冲数据进行数学形态学开运算处理；P50、对P40步骤开运算后的结果进行积分，计算得出甄别因子；P60、利用该得到的甄别因子对中子‑伽马脉冲数据进行甄别。本发明具有较好的甄别性能，同时能够表现出很好的抗噪能力，在混合辐射场测量及其数据处理技术领域具有很好的应用价值。
-
公开(公告)号：CN118337220A
公开(公告)日：2024-07-12
申请号：CN202410751785.X
申请日：2024-06-12
申请人： 成都理工大学
摘要： 本发明公开了一种基于通道相关性的DAS数据有损压缩后处理方法及系统，该方法包括从待压缩的DAS数据集Dall中构造数据集D；预设参数和迭代次数；将数据集D划分为D1、D2；用DAS数据有损压缩模型将D1压缩为DC1、再解压为DR1；计算D2和D1的残差集，过滤、量化、编码得到压缩集DC2；将DC2经哈夫曼解码、反量化、与DR1得到D2的重构集DR2，利用DR1和DR2构成完整重构数据集DR；计算DR与D的信噪比，多次迭代确定最优参数，用于Dall的压缩和解压。本发明极大地减低了DAS数据有损压缩模型的压缩量，成倍地加快了压缩速度，且能提高更高的压缩比，大大的提高了DAS信号的传输和存储效率。
-
公开(公告)号：CN115307776A
公开(公告)日：2022-11-08
申请号：CN202210853806.X
申请日：2022-07-20
申请人： 成都理工大学
摘要： 本发明公开了一种用于分布式光纤测温系统的小尺度热区长度识别方法，包括根据采集卡的最小采样间隔，确定小尺度热区响应模式的循环长度L，循环长度L等分为n份，每份长度L/n；确定m个需识别的小尺度热区的长度，分别标记为l1‑lm；构建训练样本；训练全连接神经网络得到小尺度热区长度识别模型；用小尺度热区长度识别模型对待识别的小尺度热区进行识别。本发明解决了传统的分布式光纤测温系统信号处理方法无法准确判定小尺度热区长度的技术问题，该方法配合全变差反卷积算法可以实现在无人监督的前提下大幅提升分布式光纤测温系统的空间分辨率，使其能更好的应用于小尺度监测场景，扩充了分布式光纤测温系统的应用范围。
-
公开(公告)号：CN118337220B
公开(公告)日：2024-08-13
申请号：CN202410751785.X
申请日：2024-06-12
申请人： 成都理工大学
摘要： 本发明公开了一种基于通道相关性的DAS数据有损压缩后处理方法及系统，该方法包括从待压缩的DAS数据集Dall中构造数据集D；预设参数和迭代次数；将数据集D划分为D1、D2；用DAS数据有损压缩模型将D1压缩为DC1、再解压为DR1；计算D2和D1的残差集，过滤、量化、编码得到压缩集DC2；将DC2经哈夫曼解码、反量化、与DR1得到D2的重构集DR2，利用DR1和DR2构成完整重构数据集DR；计算DR与D的信噪比，多次迭代确定最优参数，用于Dall的压缩和解压。本发明极大地减低了DAS数据有损压缩模型的压缩量，成倍地加快了压缩速度，且能提高更高的压缩比，大大的提高了DAS信号的传输和存储效率。
-
公开(公告)号：CN116388766A
公开(公告)日：2023-07-04
申请号：CN202310274284.2
申请日：2023-03-21
申请人： 成都理工大学
IPC分类号： H03M7/30 , G06N3/0499 , G01K11/32
摘要： 本发明公开了一种基于隐式神经表示的分布式光纤测温系统数据压缩方法，包括用分布式光纤测温系统采集数据并归一化，得到归一化anti‑Stokes矩阵和归一化Stokes矩阵；再对归一化anti‑Stokes矩阵或归一化Stokes矩阵中元素的位置坐标进行随机傅里叶特征映射得到映射值，并将映射值构成映射矩阵；再将映射值作为输入，该映射值对应的位置坐标在归一化anti‑Stokes矩阵和归一化Stokes矩阵中的两个元素值作为输出，训练得到预训练模型作为压缩数据，需要数据时再解压缩即可。本发明提出一种利用预训练模型作为压缩数据的新方法，压缩效率高、重建效果好、损失率低且适用性强，并能针对不同长度段的数据选择精度。
-
公开(公告)号：CN114777947B
公开(公告)日：2023-06-27
申请号：CN202210352906.4
申请日：2022-04-06
申请人： 成都理工大学
IPC分类号： G01K11/32 , G01K15/00 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种分布式光纤温度异常事件定位方法，包括生成由训练样本构成的训练数据集；为训练样本设置标签；构建卷积神经网络、训练得到网络模型；在待测区域布设光纤测温系统得到与训练样本结构相同的子数组；送入卷积神经网络模型中，得到输出特征；再对输出特征映射、二值、偏移、得到多个与输出特征对应的偏移特征，取余弦相似度最大的偏移特征去查找其在序列P中的位置，作为该子数组对应在传感光纤上的温度异常事件定位。本发明可以在不同的背景温度条件下检测出温度异常事件并准确定位温度异常发生的位置。能有效地减少人工调参繁琐和不同长度的光纤采集的数据量不适配的问题，提高了异常检测的正确率和准确率。
-
公开(公告)号：CN116388766B
公开(公告)日：2024-10-11
申请号：CN202310274284.2
申请日：2023-03-21
申请人： 成都理工大学
IPC分类号： H03M7/30 , G06N3/0499 , G01K11/32
摘要： 本发明公开了一种基于隐式神经表示的分布式光纤测温系统数据压缩方法，包括用分布式光纤测温系统采集数据并归一化，得到归一化anti‑Stokes矩阵和归一化Stokes矩阵；再对归一化anti‑Stokes矩阵或归一化Stokes矩阵中元素的位置坐标进行随机傅里叶特征映射得到映射值，并将映射值构成映射矩阵；再将映射值作为输入，该映射值对应的位置坐标在归一化anti‑Stokes矩阵和归一化Stokes矩阵中的两个元素值作为输出，训练得到预训练模型作为压缩数据，需要数据时再解压缩即可。本发明提出一种利用预训练模型作为压缩数据的新方法，压缩效率高、重建效果好、损失率低且适用性强，并能针对不同长度段的数据选择精度。
-
公开(公告)号：CN114777947A
公开(公告)日：2022-07-22
申请号：CN202210352906.4
申请日：2022-04-06
申请人： 成都理工大学
摘要： 本发明公开了一种分布式光纤温度异常事件定位方法，包括生成由训练样本构成的训练数据集；为训练样本设置标签；构建卷积神经网络、训练得到网络模型；在待测区域布设光纤测温系统得到与训练样本结构相同的子数组；送入卷积神经网络模型中，得到输出特征；再对输出特征映射、二值、偏移、得到多个与输出特征对应的偏移特征，取余弦相似度最大的偏移特征去查找其在序列P中的位置，作为该子数组对应在传感光纤上的温度异常事件定位。本发明可以在不同的背景温度条件下检测出温度异常事件并准确定位温度异常发生的位置。能有效地减少人工调参繁琐和不同长度的光纤采集的数据量不适配的问题，提高了异常检测的正确率和准确率。
-
-
-
-
-
-
-
-
-
搜索结果
11 条记录 (耗时 0.022 秒)
