[发明专利]一种基于STFT-CNN-RVFL的Φ-OTDR振动信号识别算法

摘要

本发明涉及基于STFT‑CNN‑RVFL的Φ‑OTDR振动信号识别算法，一种对Φ‑OTDR振动信号时频图进行识别分类的方法，属于图片处理与模式识别领域，其特征在于采用如下步骤：(1)对Φ‑OTDR振动信号做STFT变换，获取时频图；(2)对时频图做灰度处理；(3)构建CNN网络，提取图像特征；(4)随机初始化连接权值和阈值；(5)构建RVFL神经网络；(6)计算输出权值。本发明将振动信号的时频图像作为输入，通过卷积神经网络实现振动信号特征自动提取，将卷积神经网络的强大的图像识别及分类功能结合到振动信号识别当中。实验结果表明本发明设计的振动信号识别算法有着较好的信号识别效果，为振动信号识别领域提供了准确的识别算法。

主权项

1.本发明特征在于：(1)对Φ-OTDR振动信号做STFT变换，获取时频图；(2)对时频图做灰度处理；(3)构建CNN网络，提取图像特征；(4)随机初始化连接权值和阈值；(5)构建RVFL神经网络；(6)计算输出权值；具体包括以下六个步骤：/n步骤一：对Φ-OTDR振动信号做STFT变换，获取时频图：/n /n式中，X(τ，w)表示STFT变换后得到的时频图像素值，x(t)表示Φ-OTDR振动信号，w(t)表示窗函数，w表示频率，t表示时间，τ表示时间窗间隔；/n步骤二：对时频图做灰度处理：/n /n式中，X(τ，w)表示STFT变换后得到的时频图像素值，L表示图像总的灰度级数，[a，b]表示原图像的灰度范围，[c，d]表示变换后图像的灰度范围，g(i)表示灰度处理后的图像像素，i表示第i个数据点；/n步骤三：构建CNN网络，提取图像特征：/n /n式中，i表示第i个数据点，n表示整数时移，h(n)表示时移变换函数，g(n)表示原始图像特征，x(n)表示提取得到的图像特征；/n步骤四：随机初始化连接权值w_j和阈值b：/n随机初始化阈值b，输入层神经元和隐藏层神经元之间的连接权值w(w₁，w₂，...w_s)，其中s为隐藏层的神经元个数；/n步骤五：构建RVFL神经网络：/n训练数据集为S＝{(x(1)，L₁)，(x(2)，L₂)，...，(x(n)，L_n)}，其中x(n)和L_n分别表示用于训练的特征向量和相应的类别标签；设RVFL神经网络的预测误差为ε，则神经网络可以等价表示为：/nT＝Φβ+ε；/n式中，Φ表示神经网络激活函数的输出矩阵，β表示隐含层与输出层之间的权值矩阵，T表示目标输出矩阵，上述矩阵分别表示为：/n /n /n其中，N表示输入样本个数，L表示输入样本维数，s表示隐藏层的神经元个数，g_L(x_N)表示神经网络激活函数，表示神经网络输出；/n步骤六：计算输出权值β：/n在训练过程中，输入层神经元和隐藏层神经元之间的连接权值w(w₁，w₂，...w_s)和阈值b保持不变，隐含层与输出层之间的权值矩阵β可以通过最小二乘法求解，即：/nβ＝(Φ^TΦ)^-1Φ^TT；/n式中，Φ表示神经网络激活函数的输出矩阵，β表示隐含层与输出层之间的权值矩阵，T表示目标输出矩阵，对训练好的RVFL神经网络，将测试集样本作为利用卷积神经网络的输入实现特征自提取后进行对Φ-OTDR振动信号分类，得到分类结果，完成基于STFT-CNN-RVFL的Φ-OTDR振动信号识别算法。/n