基于时频特征的光纤振动模式识别研究

针对分布式光纤周界安防系统中的振动入侵类型识别要求,提出一种基于时频特征的光纤振动模式识别方法。该方法以时频熵和具有时间关联性的重心频率为时频域特征,结合时域特征形成特征向量,并采用概率神经网络(PNN)进行多类模式识别。为了不受不定原理的制约,时频域特征是基于经验模态分解(EMD)和Hi l ber t变换的,在实现上采用两级振动模式识别。实验结果表明,该方法能有效提高不同振动类型的识别准确率。

基于时域特征的光纤安防系统信号识别算法

在分布式光纤周界安防系统中,为实时有效分辨出系统所受的入侵事件和干扰事件,提出了一种基于时域特征的振动信号模式识别算法。对原始振动信号进行降噪处理,然后提取降噪后信号的短时能量和短时过阈值率两类特征值,将提取的特征值作为特征向量输入到支持向量机(SVM)中进行训练和测试,建立分类模型,将分类模型应用于安防系统,实时识别出入侵和干扰事件。实验结果可知:模式识别算法的分类效率高,误差小,具有有效性和可行性。

基于现代谱估计的光纤周界安防系统模式识别

针对分布式光纤周界安防系统,为了有效识别事件类型并兼顾系统实时性,提出一种两级振动模式识别方案。第一级在时域上提取短时能量和短时过阈值率两个特征,与动态阈值进行比较,筛选疑似扰动样本;第二级对疑似扰动样本进行现代功率谱估计,提取各频段功率分布特征,并联合时域特征构建特征向量输入支持向量机(SVM)进行模式识别。

课程思政与在线教学的碰撞:机遇与挑战并存

课程思政是一种中国特色的课程观,作为高校开展三全育人的关键举措,具有重要的时代价值。新冠疫情下在线教学有效保障了学生隔离在家也能正常学习,使得在线课堂成为高校教育教学的新阵地。课程思政是必然需求,在线教学是大势所趋,二者的碰撞使得机遇与挑战并存。本文从教学准备,教学过程,教学效果和教学评价与管理等多个方面分析在线教学模式下开展课程思政面临的机遇和挑战,为完善高校教学体系提供探讨性的建议。