首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

一种基于DAS系统的水声信号相位解卷绕的神经网络方法 

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:东华大学

摘要:本发明公开了一种基于DAS系统的水声信号相位解卷绕的神经网络方法,包括:使用DAS系统对水声信号进行采集;根据需求构建包含训练集验证集和测试集的数据集库;构建嵌套残差的LSTM的神经网络模型结构,结合数据集库进行网络训练;使用训练好的网络模型对采集的卷绕信号进行处理;网络模型的在线训练优化等。本发明充分利用分布式光纤声波传感的分布式优势,结合深度学习神经网络解决传统解调方法中的信号卷绕问题,具有较低的误差率和较大的动态应变响应范围。本发明能够预防并且消除分布式光纤声传感解卷绕方法中出现的跳变和失真问题,有利于提高采集信号的精确度。

主权项:1.一种基于DAS系统的水声信号相位解卷绕的神经网络方法,其特征在于,包括以下步骤:步骤1、采用DAS系统获得水声信号,基于所获得的水声信号构建训练集,训练集中的样本为被卷绕到[-π,π]之间的卷绕信号,每个样本的标签为构建的理想信号;步骤2、构建神经网络模型,利用训练集对所述神经网络模型进行训练,其中,神经网络模型包括上下采样层、LSTM层和下上采样层:在上下采样层中,输入数据被压缩为高维抽象特征,包括N个大残差模块一,N≥2,每个大残差模块一包括进行一次残差连接的三个小残差模块,每个小残差模块内由三个卷积层加BN层加relu层构成的卷积模块进行残差连接;每个大残差模块一后通过平均池化层提取特征;LSTM层用于将上下采样层抽象出来的高维特征转化为所需要的特征,所述特征被输入下上采样层;下上采样层包括N个大残差模块二,大残差模块二的结构与所述大残差模块一的结构相同,每个大残差模块二后连接了一个上卷积层转置卷积层,上下采样层中每个平均池化层的输入与下上采样层中每个上卷积层转置卷积层的输入构建了跳跃连接;下上采样层最后使用1x1的卷积层将特征转换为所需的数据维度;步骤3、将基于DAS系统实时获得的水声信号的卷绕信号输入上一步获得的神经网络模型,由所述神经网络模型进行解卷绕操作。

全文数据:

权利要求:

百度查询: 东华大学 一种基于DAS系统的水声信号相位解卷绕的神经网络方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。