[发明专利]一种基于一维卷积神经网络的振动信号识别方法

说明书

本发明公开了一种基于一维卷积神经网络的振动信号识别方法，属于振动信号识别技术领域，首先使用地震检波器和示波器搭建振动信号采集装置，利用振动信号采集装置采集振动信号，将采集到的振动信号与样本标签结合构建样本数据集，然后构造一维卷积神经网络模型，通过将振动信号归一化后的数据来训练模型，最后使用训练好的一维卷积神经网络模型对振动信号进行识别；本发明的识别方法只需对信号进行归一化处理，省去了繁琐的样本特征提取步骤，避免了将信号从时域到频域的转换，最大限度的保留了信号的原始特征，并且可以获得很高的分类精度，可满足振动信号的高精度识别需求。

技术领域

本发明属于振动信号识别技术领域，特别是涉及一种基于一维卷积神经网络的振动信号识别方法。

背景技术

随着科学技术的快速发展，犯罪分子的犯罪手段也趋于多样化，使得广大人民群众和企业的财产安全受到了很大的威胁，因此，周界安防的重要性不言而喻。然而，传统的周界安防技术难以适应现在的多样化犯罪手段，因此更为先进的安防技术应运而生。融合先进科学技术的周界安防报警系统可以快速提醒安保人员，使得人民群众和企业财产不受侵犯。

近年来，随着计算机技术和硬件技术的发展，机器学习技术在图像与语音领域的应用引起了广泛的关注。其中，如支持向量机算法在振动信号识别领域中展现出了巨大的潜力并取得了不错的效果。然而，这些精准的分类结果往往是依赖研究人员对振动信号进行复杂繁琐的时频域特征提取并通过特征挑选得到的，如何直接使用一维原始时域信号高效得到高精度的分类结果依然是一项挑战。

综上，亟需提供一种在一维原始时域信号下的振动信号识别方法。

发明内容

为了克服现有技术存在的上述缺陷，本发明提供了一种基于一维卷积神经网络的振动信号识别方法，本发明通过使用一维卷积神经网络的识别方法，利用一维卷积神经网络自适应的提取振动信号的特征，省去了以往单独进行特征提取的步骤，避免了将信号从时域到频域的转换，最大限度的保留了信号的原始特征，一维卷积神经网络提取到的特征输入到全连接层，全连接层将前层(卷积、池化等层)计算得到的特征空间映射到样本标记空间，提高了模型的鲁棒性，最终输入到softmax层，得到识别结果。基于此方法，本发明实现了高识别准确率、结构简单和快速高效的振动信号识别方法，可满足振动信号的识别需求。

本发明通过如下技术方案实现：

一种基于一维卷积神经网络的振动信号识别方法，具体包括如下步骤：

步骤一：采集振动信号；

步骤二：数据集的构建与数据集划分；

采集到的振动信号经过归一化处理后结合样本标签构成数据集，然后使用五折交叉验证方法将数据集分为训练集和测试集，训练集用来训练一维卷积神经网络模型，测试集用来测试已经训练完成的一维卷积神经网络模型的性能；

步骤三：一维卷积神经网络模型的训练；

步骤四：将测试集输入训练好的一维卷积神经网络模型中进行测试。

进一步地，步骤一中振动信号通过振动信号采集装置采集，所述振动信号采集装置由地震检波器和示波器连接组成。

进一步地，步骤一中的振动信号包括室外本底噪声、室外单人行走、室外单人跑步、室外双人行走、室外三人行走、室内单人行走、室内单人跑步、室内双人行走和室内三人行走。

进一步地，步骤三中，在模型训练过程中采用Adam算法对已构建的一维卷积神经网络参数进行迭代调整，以使得损失函数值最小，Adam算法的初始学习率设置为0.001。

进一步地，步骤三中采用的一维卷积神经网络模型使用Keras2.1.5作为环境，算法使用python3.7编写。

进一步地，步骤三中采用的一维卷积神经网络模型的模型参数如下：