[发明专利]一种基于机器学习的φ-OTDR振动信号识别分类方法

权利要求书

1.一种基于机器学习的振动信号识别分类方法。其特征在于，包括以下步骤：

S1、采集6种振动事件的一维时域信号，利用系统采集6种不同事件的振动信号，振动事件分别是：背景噪声、挖掘、敲击、浇水、震动、行走；

S2、将一维时域信号进行二维图像转换，首先，将得到的振动信号进行归一化，将数据缩放在[-1,1]，使得内积不偏向于最大的观测值：

式中，表示缩放后的采样点，x_i表示缩放前的采样点，max(X)和min(X)分别代表时间序列当中最大数值和最小数值；

然后，将缩放后的数据转换到极坐标系统，即将数值看作夹角余弦值，时间戳看作半径：

式中，半径r是把[0,1]分成n等份，丢弃0数据，角度是利用arccos(x_i)计算得到，其范围在[0,π]，t_i代表当前数据对应时间戳；

之后考虑不同点之间的角度和以识别不同时间点的时间相关性，利用和角关系，GASF方法得到对应的GAF图：

S3、建立My method神经网络，此网络由2个卷积层、2个池化层、1个全连接层以及SVM构成，其中卷积层的核大小为n*n(n为奇数)，池化层的核大小为m*m(m为奇数)，核深度为q，步长为s，填充为p(p在0,1取值)，两个卷积核的激活函数都为ReLu函数，2个池化层都是最大池化层，优化器采用Adam算法，在SVM当中使用高斯径向基核函数；

S4、将数据划分为训练集和测试集，首先进入My method神经网络中卷积、池化以及全连接层进行训练：

式中，w是输入矩阵大小，卷积核大小为k，步长为s，p是补零层数，w'是卷积后产生的特征图大小；

S5、经过卷积、池化和全连接层之后的输出向量转换为My method神经网络中SVM输入向量并进行训练：

式中，为法向量，决定了超平面的方向，b为位移项，决定了超平面与原点之间的距离，是样本点，S为样本总数，y为样本所属类别；

S6、利用测试数据进行识别分类的测试。