本發(fā)明專利技術(shù)涉及機(jī)器學(xué)習(xí)技術(shù)領(lǐng)域，公開了一種基于機(jī)器學(xué)習(xí)的全聲態(tài)光纖監(jiān)測方法，包括：步驟S1，使用GAS主機(jī)采集聲音數(shù)據(jù)，生成模型訓(xùn)練集；步驟S2，搭建神經(jīng)網(wǎng)絡(luò)模型，用模型訓(xùn)練集訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，并將迭代次數(shù)和學(xué)習(xí)率預(yù)設(shè)完整；步驟S3，將聲音數(shù)據(jù)集以數(shù)據(jù)立方體的結(jié)構(gòu)輸入神經(jīng)網(wǎng)絡(luò)模型中對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，生成訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型；步驟S4，采集現(xiàn)場聲音數(shù)據(jù)生成聲音數(shù)據(jù)集，將對應(yīng)的聲音數(shù)據(jù)集輸入進(jìn)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中，還原得到該位置所處現(xiàn)場環(huán)境的聲波震動情況，還原現(xiàn)場聲音并進(jìn)行監(jiān)測。本發(fā)明專利技術(shù)還提供了一種基于機(jī)器學(xué)習(xí)的全聲態(tài)光纖監(jiān)測系統(tǒng)，包括采集單元、模型搭建單元、訓(xùn)練單元和監(jiān)測單元。建單元、訓(xùn)練單元和監(jiān)測單元。建單元、訓(xùn)練單元和監(jiān)測單元。
【技術(shù)實(shí)現(xiàn)步驟摘要】
一種基于機(jī)器學(xué)習(xí)的全聲態(tài)光纖監(jiān)測方法及系統(tǒng)
[0001]本專利技術(shù)涉及機(jī)器學(xué)習(xí)
，具體地說，是一種基于機(jī)器學(xué)習(xí)的全聲態(tài)光纖監(jiān)測方法及系統(tǒng)，通過GAS主機(jī)采集光纖傳感回來的信號，結(jié)合機(jī)器學(xué)習(xí)技術(shù)解析出該位置所處環(huán)境場的聲波振動情況，還原現(xiàn)場聲音。
技術(shù)介紹
[0002]全聲態(tài)光纖監(jiān)測技術(shù)(GAS)是利用普通光纜中的單模纖芯構(gòu)成光纖傳感器，采集光纖周圍的振動信號作為主要參數(shù)，實(shí)現(xiàn)0.5Hz~20kHz的頻率采集，做到聲音的采集還原，但是目前市場上的全聲態(tài)光纖監(jiān)測技術(shù)其對聲音的識別、解析、報警仍有待提高。
[0003]本專利技術(shù)通過GAS主機(jī)采集光纖傳感回來的信號，結(jié)合機(jī)器學(xué)習(xí)技術(shù)解析出該位置所處環(huán)境場的聲波振動情況還原現(xiàn)場聲音，能實(shí)現(xiàn)更豐富的報警分類信息，實(shí)現(xiàn)更加精準(zhǔn)的報警信息分類，本專利技術(shù)設(shè)計的結(jié)合了機(jī)器學(xué)習(xí)的GAS主機(jī)可被廣泛用于油氣管道、國防邊境、通信光纜、礦井搜救、電力電纜、鐵路安防、高速公路、自然災(zāi)害監(jiān)測等領(lǐng)域。在周界應(yīng)用場景下，利用鋪設(shè)于土壤、沙地、水塘、圍墻或者圍欄上的光纜作為傳感單元，對非法入侵、翻越、異常車輛經(jīng)過、沖擊圍欄圍墻等外圍入侵事件進(jìn)行實(shí)時監(jiān)測和報警。在長輸管線監(jiān)控應(yīng)用場景下，在擬監(jiān)控管線旁，利用伴行普通光纜，即可實(shí)現(xiàn)全線的實(shí)時監(jiān)控，對全線的聲音及振動信號進(jìn)行采集，并結(jié)合Al智能算法分辨事件類型第一時間發(fā)現(xiàn)問題并預(yù)警，極大提升巡檢效率。
技術(shù)實(shí)現(xiàn)思路
[0004]本專利技術(shù)的目的在于提供一種基于機(jī)器學(xué)習(xí)的全聲態(tài)光纖監(jiān)測方法及系統(tǒng)，通過GAS主機(jī)采集光纖傳感回來的信號，結(jié)合機(jī)器學(xué)習(xí)技術(shù)解析出該位置所處環(huán)境場的聲波振動情況，還原現(xiàn)場聲音。
[0005]本專利技術(shù)通過下述技術(shù)方案實(shí)現(xiàn)：一種基于機(jī)器學(xué)習(xí)的全聲態(tài)光纖監(jiān)測方法，包括以下步驟：步驟S1,使用GAS主機(jī)采集現(xiàn)場聲音數(shù)據(jù)，對聲音數(shù)據(jù)進(jìn)行去噪，生成模型訓(xùn)練集；步驟S2,在GAS主機(jī)中根據(jù)CNN音頻分類器捕獲聲音數(shù)據(jù)，使用光譜圖表示聲音數(shù)據(jù)集，搭建神經(jīng)網(wǎng)絡(luò)模型，使用神經(jīng)網(wǎng)絡(luò)模型捕獲光譜圖中的聲音數(shù)據(jù)，用模型訓(xùn)練集訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，并將迭代次數(shù)和學(xué)習(xí)率預(yù)設(shè)完整；所述神經(jīng)網(wǎng)絡(luò)模型由依次連接的上層的點(diǎn)卷積組合模塊和下層的雙卷積池化組合模塊構(gòu)成，所述上層的點(diǎn)卷積組合模塊包括第一卷積層、第二卷積層、第一批一歸化層、第二批一歸化層、第一激活函數(shù)層、第二激活函數(shù)層、最大池化層和特征相乘層；所述雙卷積池化組合模塊包括第三卷積層、第四卷積層、第五卷積層、全連接層、第三批一歸化層、第三激活函數(shù)層、第一正則化層和損失函數(shù)層；步驟S3，將聲音數(shù)據(jù)集以數(shù)據(jù)立方體的結(jié)構(gòu)輸入神經(jīng)網(wǎng)絡(luò)模型中對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，生成訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型；
步驟S4，在實(shí)際場景下使用GAS主機(jī)采集現(xiàn)場聲音數(shù)據(jù)生成對應(yīng)的用光譜圖表示的聲音數(shù)據(jù)集，將對應(yīng)的聲音數(shù)據(jù)集輸入進(jìn)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中，通過深度挖掘分析還原得到該位置所處現(xiàn)場環(huán)境的聲波震動情況，還原現(xiàn)場聲音并進(jìn)行監(jiān)測。
[0006]為了更好地實(shí)現(xiàn)本專利技術(shù)，進(jìn)一步地，設(shè)計所述步驟S2中點(diǎn)卷積組合模塊的方法包括：在所述點(diǎn)卷積組合模塊中將第一卷積層和第二卷積層并聯(lián)連接；將第一卷積層依次連接第一批一歸化層和第一激活函數(shù)層，在第一激活函數(shù)層中設(shè)置Relu激活函數(shù)；將第二卷積層依次連接第二批一歸化層和第二激活函數(shù)層，在第二激活函數(shù)層中設(shè)置Relu激活函數(shù)；將第一激活函數(shù)層和第二激活函數(shù)層之間通過特征相乘層連接，將特征相乘層和最大池化層連接。
[0007]為了更好地實(shí)現(xiàn)本專利技術(shù)，進(jìn)一步地，所述點(diǎn)卷積組合模塊用于解決聲音數(shù)據(jù)集的無序性，增加聲音數(shù)據(jù)集的局部特征。
[0008]為了更好地實(shí)現(xiàn)本專利技術(shù)，進(jìn)一步地，設(shè)計所述步驟S2中雙卷積池化組合模塊的方法包括：在所述雙卷積池化組合模塊中將第三卷積層依次和第三卷積層、第四卷積層、第五卷積層、全連接層、第三批一歸化層、第三激活函數(shù)層、第一正則化層和損失函數(shù)層連接；在第三激活函數(shù)層中設(shè)置Relu激活函數(shù)。
[0009]為了更好地實(shí)現(xiàn)本專利技術(shù)，進(jìn)一步地，所述雙卷積池化組合模塊用于對以光譜圖展示的聲音數(shù)據(jù)集的進(jìn)行分類顯示。
[0010]為了更好地實(shí)現(xiàn)本專利技術(shù)，進(jìn)一步地，所述步驟S3包括：將聲音數(shù)據(jù)集輸入進(jìn)神經(jīng)網(wǎng)絡(luò)模型后利用點(diǎn)卷積組合模塊提取聲音數(shù)據(jù)集的局部信息，與此同時上層的點(diǎn)卷積組合模塊對聲音數(shù)據(jù)進(jìn)行上采樣，再深度挖掘聲音數(shù)據(jù)集，最后由下層的雙卷積池化組合模塊將聲音數(shù)據(jù)集的特征信息聚合之后使用第三激活函數(shù)層中的Relu激活函數(shù)和損失函數(shù)層中的softmax損失函數(shù)計算光譜圖中聲音數(shù)據(jù)集預(yù)測點(diǎn)與聲音數(shù)據(jù)集真實(shí)點(diǎn)的損失值，利用學(xué)習(xí)率下降法不斷迭代衰減損失值，優(yōu)化神經(jīng)網(wǎng)絡(luò)模型權(quán)重參數(shù)，直到迭代次數(shù)等于最大迭代次數(shù)，中止訓(xùn)練，生成訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型。
[0011]為了更好地實(shí)現(xiàn)本專利技術(shù)，進(jìn)一步地，所述步驟S4包括：GAS主機(jī)根據(jù)光纜自身進(jìn)行光纖偵聽，完成聲音復(fù)核。
[0012]為了更好地實(shí)現(xiàn)本專利技術(shù)，進(jìn)一步地，本專利技術(shù)還提供了一種基于機(jī)器學(xué)習(xí)的全聲態(tài)光纖監(jiān)測系統(tǒng)，包括采集單元、模型搭建單元、訓(xùn)練單元和監(jiān)測單元，其中：采集單元，用于使用GAS主機(jī)采集現(xiàn)場聲音數(shù)據(jù)，對聲音數(shù)據(jù)進(jìn)行去噪，生成模型訓(xùn)練集，在GAS主機(jī)中根據(jù)CNN音頻分類器捕獲聲音數(shù)據(jù)，使用光譜圖表示聲音數(shù)據(jù)集；模型搭建單元，用于搭建神經(jīng)網(wǎng)絡(luò)模型，使用神經(jīng)網(wǎng)絡(luò)模型捕獲光譜圖中的聲音數(shù)據(jù)，用模型訓(xùn)練集訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，并將迭代次數(shù)和學(xué)習(xí)率預(yù)設(shè)完整；所述神經(jīng)網(wǎng)絡(luò)模型由依次連接的上層的點(diǎn)卷積組合模塊和下層的雙卷積池化組合模塊構(gòu)成，所述上層的點(diǎn)卷積組合模塊包括第一卷積層、第二卷積層、第一批一歸化層、第二批一歸化層、第一激活函數(shù)層、第二激活函數(shù)層、最大池化層和特征相乘層；
所述雙卷積池化組合模塊包括第三卷積層、第四卷積層、第五卷積層、全連接層、第三批一歸化層、第三激活函數(shù)層、第一正則化層和損失函數(shù)層；訓(xùn)練單元，用于將聲音數(shù)據(jù)集以數(shù)據(jù)立方體的結(jié)構(gòu)輸入神經(jīng)網(wǎng)絡(luò)模型中對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，生成訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型；監(jiān)測單元，用于在實(shí)際場景下使用GAS主機(jī)采集現(xiàn)場聲音數(shù)據(jù)生成對應(yīng)的用光譜圖表示的聲音數(shù)據(jù)集，將對應(yīng)的聲音數(shù)據(jù)集輸入進(jìn)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中，通過深度挖掘分析還原得到該位置所處現(xiàn)場環(huán)境的聲波震動情況，還原現(xiàn)場聲音并進(jìn)行監(jiān)測。
[0013]為了更好地實(shí)現(xiàn)本專利技術(shù)，進(jìn)一步地，本專利技術(shù)還提供了一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序指令，該程序指令被處理器執(zhí)行時實(shí)現(xiàn)上述方法的步驟。
[0014]本專利技術(shù)與現(xiàn)有技術(shù)相比，具有以下優(yōu)點(diǎn)及有益效果：（1）本專利技術(shù)設(shè)計的全聲態(tài)光纖監(jiān)測方法可針對傳感光纖每2~8米(可根據(jù)需求設(shè)定)為一個單元進(jìn)行實(shí)時監(jiān)測，可以針對不同應(yīng)用和防護(hù)場景靈活設(shè)置監(jiān)測區(qū)間，便于構(gòu)筑周界防護(hù)和長輸周界防護(hù)多場景、長距離、一體化的綜合安防系統(tǒng)；（2）本專利技術(shù)通過GAS主機(jī)采集光纖傳感回來的信號，結(jié)合機(jī)器學(xué)習(xí)技術(shù)解析出該位置所處環(huán)境場的聲波振動情況還原現(xiàn)場聲音，能實(shí)現(xiàn)更豐富的報警分類信息，實(shí)現(xiàn)更加精準(zhǔn)的報警信息分類，本專利技術(shù)設(shè)計的結(jié)合了機(jī)器學(xué)習(xí)的GAS主機(jī)可被廣泛用于油氣管道、國防邊境、通信光纜、礦井搜救、電力電纜、鐵路安防本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
【技術(shù)特征摘要】
1.一種基于機(jī)器學(xué)習(xí)的全聲態(tài)光纖監(jiān)測方法，其特征在于，包括以下步驟：步驟S1,使用GAS主機(jī)采集現(xiàn)場聲音數(shù)據(jù)，對聲音數(shù)據(jù)進(jìn)行去噪，生成模型訓(xùn)練集；步驟S2,在GAS主機(jī)中根據(jù)CNN音頻分類器捕獲聲音數(shù)據(jù)，使用光譜圖表示聲音數(shù)據(jù)集，搭建神經(jīng)網(wǎng)絡(luò)模型，使用神經(jīng)網(wǎng)絡(luò)模型捕獲光譜圖中的聲音數(shù)據(jù)，用模型訓(xùn)練集訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，并將迭代次數(shù)和學(xué)習(xí)率預(yù)設(shè)完整；所述神經(jīng)網(wǎng)絡(luò)模型由依次連接的上層的點(diǎn)卷積組合模塊和下層的雙卷積池化組合模塊構(gòu)成，所述上層的點(diǎn)卷積組合模塊包括第一卷積層、第二卷積層、第一批一歸化層、第二批一歸化層、第一激活函數(shù)層、第二激活函數(shù)層、最大池化層和特征相乘層；所述雙卷積池化組合模塊包括第三卷積層、第四卷積層、第五卷積層、全連接層、第三批一歸化層、第三激活函數(shù)層、第一正則化層和損失函數(shù)層；步驟S3，將聲音數(shù)據(jù)集以數(shù)據(jù)立方體的結(jié)構(gòu)輸入神經(jīng)網(wǎng)絡(luò)模型中對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，生成訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型；步驟S4，在實(shí)際場景下使用GAS主機(jī)采集現(xiàn)場聲音數(shù)據(jù)生成對應(yīng)的用光譜圖表示的聲音數(shù)據(jù)集，將對應(yīng)的聲音數(shù)據(jù)集輸入進(jìn)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中，通過深度挖掘分析還原得到該位置所處現(xiàn)場環(huán)境的聲波震動情況，還原現(xiàn)場聲音并進(jìn)行監(jiān)測。2.根據(jù)權(quán)利要求1所述的一種基于機(jī)器學(xué)習(xí)的全聲態(tài)光纖監(jiān)測方法，其特征在于，設(shè)計所述步驟S2中點(diǎn)卷積組合模塊的方法包括：在所述點(diǎn)卷積組合模塊中將第一卷積層和第二卷積層并聯(lián)連接；將第一卷積層依次連接第一批一歸化層和第一激活函數(shù)層，在第一激活函數(shù)層中設(shè)置Relu激活函數(shù)；將第二卷積層依次連接第二批一歸化層和第二激活函數(shù)層，在第二激活函數(shù)層中設(shè)置Relu激活函數(shù)；將第一激活函數(shù)層和第二激活函數(shù)層之間通過特征相乘層連接，將特征相乘層和最大池化層連接。3.根據(jù)權(quán)利要求2所述的一種基于機(jī)器學(xué)習(xí)的全聲態(tài)光纖監(jiān)測方法，其特征在于，所述點(diǎn)卷積組合模塊用于解決聲音數(shù)據(jù)集的無序性，增加聲音數(shù)據(jù)集的局部特征。4.根據(jù)權(quán)利要求1所述的一種基于機(jī)器學(xué)習(xí)的全聲態(tài)光纖監(jiān)測方法，其特征在于，設(shè)計所述步驟S2中雙卷積池化組合模塊的方法包括：在所述雙卷積池化組合模塊中將第三卷積層依次和第三卷積層、第四卷積層、第五卷積層、全連接層、第三批一歸化層、第三激活函數(shù)層、第一正則化層和損失函數(shù)層連接；在第三激活函數(shù)層中設(shè)置Relu激活函數(shù)。5.根據(jù)權(quán)利要求4所述的一種基于機(jī)器學(xué)習(xí)的全聲態(tài)光纖監(jiān)測方法，其特征在于，所述雙...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：曲云鵬，梁釗，魏玉琳，李萬春，楊丹，李慧琴，
申請(專利權(quán))人：無邊界蘇州新材料科技有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。