光纤传感信号的模糊神经网络处理研究

为精准识别处理光纤传感振动信号、实现通信线路异常实时报警,提出了基于模糊神经网络的光纤传感信号处理方法,通过光纤传感采集异常事件振动信号,运用小波包分解对振动信号实施降噪处理,并提取到振动信号的低频与高频特征向量,对振动信号特征向量进行量化处理,将其作为输入,构建基于概率的模糊神经网络分类器,完成对光纤传感振动信号的处...     

光纤传感和信息处理的发展及其评价

本文对光纤在非通信领域中的应用现状及前景作了概略的评价,着重介绍了目前发展最迅速的光纤传感及信息处理技术。     

人工神经网络处理光纤阵列传感信号的原理,结构及其仿真结果

人工神经网络技术作为机敏材料与结构的关键技术之一，在国外已受到人们的关注。本文探索将人工神经网络技术应用于光纤阵列传感信号处理中的原理、结构及应用于材料与结构损伤估计的方法。给出了适应于此，已用程序实现的两种神经网络模型的仿真处理结果。     

基于概率神经网络光纤周界传感信号处理研究

提出了一种光纤传感报警信号的处理技术,光纤传感具有高灵敏度、抗电磁干扰、耐高压抗腐蚀等优点,但报警信号的误报问题一直是光纤周界系统需要解决的问题,而传统的时域门限分析方法对信号的识别准确率不高,不利于降低安防系统报警信号的误报率。利用小波降噪技术,结合信号的时频域特征,构建基于概率的神经网络分类器,可以在很大程度上减少信号的误报。     

基于深度神经网络的光纤传感识别算法

为解决光纤传感过程中不同类型事件信号混叠造成识别概率降低的问题,搭建了一种采用差分相关计算的双光纤传感结构,并在此基础上提出了基于深度神经网络的信号识别算法。首先利用双光纤回波信号计算相关系数,再通过不同事件类型信号特征设置阈值范围,从而通过相关计算与阈值滤波提高信噪比。设计了包含三个隐藏层的深度神经网络模型,以分离输入层与相关运算层的形式完成低频噪声抑制与信号混叠解调的目的。实验分别对三种常见入侵事件进行测试,并在此基础上分析了不同算法对组合事件的识别概率。结果显示三种事件的回波谱形具有显著特征。三种算法对单一触发事件的识别概率均在95%以上,该算法的识别均值为98.5%。当两个事件同时触发时,三种算法的平均识别概率分别为73.4%、 84.5%和96.4%。当三个事件同时触发时,三种算法的平均识别概率分别为65.2%、78.3%和93.5%。可见,该算法在光纤传感中信号存在干扰及混叠时具有更好的识别效果。     

智能材料与结构中的光纤传感阵列及其神经网络处理

提出了一种新颖的、采用周期性对称与不对称刻纹多模光纤组成的传感阵列网络，可用于智能材料与结构的应力、应变等的状态探测或损伤估计。探索采用了人工神经网络技术处理其阵列传感信号，给出了ＢＰ网与Ｋｏｈｏｎｅｎ网的仿真结果     

光纤光栅传感系统信号解调新技术研究

信号解调是光纤光栅传感系统实用化所面临的最大难题,其核心问题在于设计高分辨率、低成本的波长检测方案。总结了光纤光栅传感信号解调的一般原理和技术难点,对常用解调方法进行了分类和归纳。目前报道的主要解调方法是滤波法、干涉法和可调光源扫描法。针对不同的解调方法,重点介绍了它们的工作原理及性能特点,评价了其优缺点,并分别给出了它们的实验原理图。对目前最有应用前景的可调谐F-P滤波法进行了详细的介绍和分析,并加入了对原有方案的改进,用气体吸收池代替原来的参考光栅。     

光纤光栅传感系统的信号解调

首先介绍了光纤光栅的基本知识,再分别介绍了几种典型解调方法的工作原理、性能和特点,给出了其工作原理图,并对各种解调方法的优缺点进行了论述。提出了一种基于CCD的光纤光栅传感解调系统,该系统采用反射式成像系统,用CCD作为探测器,并利用可编程逻辑器件FPGA设计驱动电路和信号处理电路,实现了一种体积小、结构简单,解调速度快,可以实时测量的波长解调系统,为光纤光栅解调技术的实际应用和光纤光栅传感解调系统的设计提供了理论依据。     

分布式光纤传感信号高识别率技术研究

为提高基于相敏光时域反射计的分布式光纤声传感系统对振动信号的识别速度与识别准确率度,本文提出使用端点检测对光纤传感振动信号进行预识别的方法。该方式首先使用小波阈值折衷去噪对振动信号进行去噪处理,然后使用基于短时能量与短时过零率的端点检测方式对采集到的振动信号进行检测,如果检测到振动信号中存在有振动,则使用Resnet18网络对振动类型进行进一步的识别;若未检出振动信号,则将振动信号判定为噪音,不再进行进一步的检测。实验证明该方式能有效降低分布式光纤声传感系统对振动信号的识别时间,并且通过使用Resnet18网络对一维振动信号进行识别提高了对振动信号的识别准确率,对噪音信号的识别时间降低为3.5 ms,对振动信号的平均识别准确率达到96.3%。     

基于循环神经网络的卫星幅相信号调制识别与解调算法

针对卫星通信中常用的幅相调制信号,提出了一种基于循环神经网络的信号识别与解调模型.通过循环神经单元直接对信号时序进行深层特征提取,结合全连接神经网络对特征进行维度映射,最终完成目标信号的调制识别与解调.该方法不需要预估目标信号载噪比,克服了人为确定阈值的缺陷,对信号频偏误差、定时误差容忍能力强;且在开发维护和更新拓展方面,克服了传统算法需重新部署判决规则的缺点,符合实际工程需求.仿真实验表明,当网络训练达到稳态时,在信噪比为6dB的条件下,目标信号识别率接近98%,解调误码率接近理论门限.本文所建立的理论形式为当今智能化信号处理提供了新思路,其思想同样可应用于其他通信信号处理领域.     

用于遥感图像分类的简化并行神经网络

本文通过分析遥感图像各类样本的分布特征，提出了一种适用于遥感图像分类的简化并行神经网络（PRNN）。该网络包括了多个彼此相似的原子网络，每一类样本通过一个或多个专门的原子网络作预处理，从而大大提高了整个网络的动态性。实验结果表明，简化并行神经网络（RPNN）能够并行复杂的遥感地物样本。并能够取得较高的分类精度。     

机敏材料中的光纤传感与信号处理技术

简述了机敏材料与结构内状态监测，损伤估计用光纤传感器，光纤传感阵列及其输出信号的人工神经网络处理原理、技术的研究进展和发展趋势     

激光打孔人工神经网络工艺优化研究

本文通过人工神经网络技术对YAG激光打孔的工艺进行了优化，使再铸层厚度从一般情况下的几十个激光降低到十个微米左右。     

基于小波神经网络的遥感信息融合处理

文章提出一种小波神经网络的遥感图像融合算法,在特征级对遥感信息进行融合.并针对小波网络的“维数灾”问题,通过采用改进的遗传算法对时频相位点进行优化选择,从而确定小波网络的隐层节点数目乃至整个小波网络.仿真结果表明利用该方法设计的小波网络具有网络结构小、收敛速度快的优点,证明了该方法在处理遥感信息上优于经典算法.     

基于卷积神经网络的高分遥感影像单木树种分类

树种调查一直面临着成本高、效率低、精度不高等问题.利用遥感手段能大大提高树种类型调查的工作效率、节省成本;卷积神经网络(CNN)虽然已经在自然图像分类领域取得了许多突破,但是较少有人将CNN模型用于单木树种分类.基于上述考虑,搭建出CNN模型,并与高分遥感影像相结合,进行单木树种分类.在利用高分影像半自动化构建单木树种...     

二维量子细胞神经网络及其图像处理应用

以量子细胞自动机为神经元,以量子细胞自动机的极化率和量子相位为状态变量,提出了一种二维多层的量子细胞神经网络结构;以量子细胞自动机的极化率为像素值,通过选择不同的模板,使得量子细胞神经网络实现水平线和垂直线检测以及图像去噪等功能,仿真结果显示其在图像处理上的有效性。与传统的CNN相比,量子细胞神经网络易于超大规模实现且具有超低功耗、超高集成度等优点。     

一种基于神经网络的数据融合方法在遥感图像处理中的应用

用一维自组织特征的神经网络数据融合算法，对分别从3个传感器采集的同一遥感对象的3幅数字灰度图像进行了融合，生成出了高质量图像，为人工判读和下一步特征层和决策层融合处理提供了更佳的输入信息。