采用多视角注意力的声音事件定位与检测

近年来,基于深度学习的方法有效改进了声音事件定位与检测的性能,但当场景中存在多声源重叠时,准确的声源时空信息估计依然较为困难,声音事件定位与检测的性能存在较大提升空间。为充分挖掘多通道深层表示所包含的关键信息,本文提出了一种多视角注意力网络模型MVANet(Multi-View Attention Network)。首先,引入软参数共享网络架构实现不同任务之间的交互学习,计算多通道深层表示,在对比不同通道注意力结构的基础上,选择了一种轻量级的高效通道注意力模块ECA(Efficient Channel Attention)与多头自注意力模块MHSA(Multi-Head Self-Attention)结合,从通道、时间、频率三个视角关注深层表示中的关键特征,丰富高维特征信息。其次,对比了ECA模块和软参数共享架构在MVANet不同位置上的性能,确定了ECA模块和软参数共享在模型上的最佳实现位置,最大程度上提高模型对特征的挖掘能力。仿真结果表明,对于包含同类别重叠声事件的TAU-NIGENS Spatial Sound Events 2020数据集,本文提出的MVANet模型相比较于基线方法,检测和定位性能均得到了改善。在多声源场景下,检测错误率下降了0.03,定位误差下降了1.5°。

110kV变电保护器的故障录波分析与事件定位技术研究

为解决110kV变电保护器故障录波数据不准确或不完整的问题,本文围绕变电站故障录波分析与事件定位技术展开分析。首先识别并详述故障录波装置在实际操作中面临的挑战,并分析了问题产生的原因。在此基础上提出一系列解决方案,包括算法改进、参数优化及抗干扰能力增强等,并对所提方案的技术原理进行了阐释并开展了实践检验。结果表明,所提出的技术方案显著提高了故障录波数据的准确性与完整性,为保障电力系统稳定运行提供了有力支持。

基于双重注意力的声音事件定位与检测

近年来,声音事件定位与检测被广泛应用于各个领域。基于深度学习的声音事件定位与检测的网络模型难以准确捕捉输入特征图的空间和通道信息,从而导致声音事件定位和检测难度较大。提出了一种基于注意力的CECANet(coordinate and efficient channel attention network)网络模型。在残差模块中引入坐标注意力模块,使网络模型更集中关注特征图的空间坐标信息,然后在平均池化层后加入高效通道注意力模块,使网络模型更加关注特征之间的通道信息。实验结果表明,提出的网络模型在TAU-NIGENS Spatial Sound Events 2021数据集中,相较于基线模型性能有整体的提升,F1和LR提升到了0.720和0.728,ER和LE降低到0.393和11.71°。

融合注意力机制的SimNet声音事件定位与检测算法

基于深度学习的声音事件定位与检测网络存在输入特征的关键信息丢失的问题,导致声音事件定位与检测更加困难,提出了一种基于注意力机制的简单无参数网络模型(simple and parameter-free network,SimNet)。首先在残差块后引入简单无参注意力模块(simple and parameter-free attention module,SimAM),通过能量函数帮助网络聚焦特征图中各神经元的深度特征,以此增强模型对更丰富的特征信息的辨别能力。此外为促进模型朝更精准的方向训练,还采用了一种均方根绝对误差(root mean square absolute error,RMSAE)损失函数,有助于模型准确搜索更全面的空间信息。实验结果表明,在TAU-NIGENS Spatial Sound Events 2021数据集中,提出的网络算法相比原基线网络性能有较大程度的提升,错误率(error rate,ER)和定位误差(localization error,LE)降低到0.394和12.03°,F1分数(F1-score)和定位召回(localization recall,LR)提升到72.6%和73.8%。

多事件联合与双差地震定位方法研究:以朝鲜核试验定位为例

双差定位法(Double-difference Earthquake Location,简称DD)和多事件联合定位法(Joint Hypocenter Determination,简称JHD)是精确多事件定位中常用的两种方法.对震源机制相近的相邻事件,DD方法利用事件之间的相对到时精准地反演它们之间的相对位置,到时差数据能够利用波形互相关等方法直接测量,但是却无法准确地确定绝对位置;相比之下,JHD方法能够同时反演事件的绝对位置和台站走时校正值.结合两种方法的优点,本文提出一种混合定位方法,同时利用绝对到时数据和到时差数据准确地反演事件绝对位置和台站走时校正.本文利用模拟数据对该方法进行了验证并将其应用于朝鲜核试验定位,结果表明该方法能够有效减小走时计算误差所导致的定位误差.对于朝鲜核试验,相比单次事件+DD定位方法和JHD方法,相对Myers的定位结果定位偏差分别减小45.67%和40.00%.

基于分布式声波传感阵列的地震动事件定位可行性研究

基于在云南省宾川县开展的现场试验,探究频率-波数分析技术应用于分布式光纤声波传感(DAS)数据处理的可行性,分析该技术在判断地震动事件所在方向的应用效果,在此基础上,探讨频率-波数分析法的偏差来源,并提出减小定位误差、提高分辨能力的措施。研究结果表明,DAS阵列的方向偏差为2.37°,相较于检波器阵列,其判断精确度更高。使用特殊设计的光缆提升应变的传递效率、使用锚固装置增强缆-土之间耦合效果以及改变DAS阵列的几何形态捕获多方向的震动信息等措施可以有效减少定位误差,提高分辨能力。

基于特征融合与Transformer模型的声音事件定位与检测算法研究

针对多通道环境声音检测问题,提出了一种引入Transformer结构的特征融合网络模型TBCF-MTNN。该网络模型以对数梅尔谱和广义互相关谱作为输入,首先通过CNN和GRU获取谱的局部特征以及时间上下文关系特征,之后将2种特征图通过Cross-stitch模块进行融合,有效解决了传统网络中多特征信息无法共享的问题;然后,将融合后的特征图送入Transformer进行特征的再次采集;最终,通过全链接层输出分类和定位结果。在TAU-NIGENS 2020数据集上的实验结果表明,所提出的TBCF-MTNN网络在声音检测任务中的分类错误率能够减小至0.26;在声源定位任务中与Baseline相比较其定位误差减小至4.7°;通过和Baseline、FPN、EIN等模型相比较,结果表明所提网络具有更优的识别检测效果。

昆明地震台网多事件定位问题的初步研究

根据昆明电信传输台网1983—1989年记录的区域地震初至 P 波走时资料,用参数分离和多事件定位的方法得到台网内各台站的 P 波走时校正值.这组校正值在一定程度上反映了该地区地壳上部横向不均匀结构的特征.台站校正值的地理分布明显地分为3个地区:台站最密集的滇西地区,所有台站(不包括南边的云县,施甸和畹町)的台站校正值不超过0.15s;东部地区(楚雄以东)台站分布仍较密集,但间距比滇西大,其中大部分台站显示为正延迟;南部地区包括文山、思茅、普洱以及云县、施甸和畹町,它们均显示出较大的负延迟.这与云南地区的地质构造特征基本上是一致的.走时校正后重新定位的精度有较大的提高,因此,这组台站校正值可以提供地震台网的常规定位使用.

复杂电能质量扰动事件源定位方法

复杂电能质量扰动事件包含多个相关的基本事件和多个扰动事件源。在对复杂扰动事件的类型和时空特征进行分析的基础上,提出一种复杂电能质量扰动事件源定位方法。采用原子算法检测扰动事件,给出根据各基本事件的起止时间进行扰动区段划分的方法;采用叠加原理对瞬时功率进行分析,提出根据扰动能量的极性对各区段扰动事件源进行定位。算例结果表明,该方法能够实现复杂电能质量扰动事件源定位。

改进的微震事件反演重定位方法及其应用

水力压裂微地震监测资料处理解释的核心是微震事件反演定位,基于微震事件准确定位的裂缝成像结果可以为评价压裂施工效果、调整压裂设计和确定致密油气藏的开发方案等提供有效指导。为此,基于前人的研究成果,提出了改进的微震事件反演重定位方法。采取将常规的极化分析约束与空间约束相结合的思路,先对微震事件进行带极化分析约束的常规反演定位,再将走时残差目标函数加入空间约束项,对常规反演结果进行重定位。将常规方法和改进的方法应用于实际资料的微震事件反演定位并作裂缝成像,分别对压裂井中目的层段裂缝发育的走向、倾角、大小进行了描述,分析对比两种方法解释的裂缝形态,改进方法的成像结果成窄带状,收敛效果更好。

复杂电能质量扰动事件区段定位方法研究

复杂电能质量扰动事件包含多个相关的基本事件和多个扰动事件源。在分时段进行扰动方向判别的基础上,提出一种基于测度加权模糊Petri网的复杂电能质量扰动事件源定位方法。基于扰动功率和能量分时段进行扰动方向判别,根据功率传输通路表确定可疑支路,综合扰动强度和扰动方向判别结果可信度给出了状态测度提取方法,最后应用测度加权模糊Petri网对可疑扰动事件源进行定位。算例结果表明,所提方法能够实现多基本事件、多扰动事件源的复杂电能质量扰动事件源定位,并具有较强的容错性能。

无线传感器网络中故障容忍的事件定位算法

研究无线传感器网络的事件定位问题,对SNAP(Subtract on Negative Add on Positive)[1]定位算法进行改进,提出一种定位精度更高,容错性更好的定位算法MSNAP(Modified Subtract on Negative Add on Positive)。首先,每个传感器节点监测事件信号,并将观测值与设定的阈值进行比较,如果大于阈值,节点将观测值发送给Sink节点;否则,节点保持沉默状态;基于各节点汇报的观测值,Sink节点通过对报警节点的区域的+1,不报警节点的区域-1构造似然矩阵,似然矩阵中的最大值对应的位置就是事件发生的位置。与SNAP算法相比,构造似然矩阵时,根据每个节点汇报的观测值的大小,动态地调整它们估计的事件所在区域的大小,提高事件定位精度。实验结果表明:与SNAP比较,算法有效地提高了事件定位的精度和容错性。

混合动态系统状态事件的精确定位方法

为了在分析和仿真混合动态系统时能够精确定位状态事件,避免定位过程中的不连续黏连现象的发生,提出变步长的状态事件定位方法.通过对状态事件条件历史值的拟合,得到预测事件条件的运动趋势,并以此趋势动态地调整数值积分的步长,使得状态事件发生时的连续状态值正好在积分网格上,并将该算法应用于一个整流电路的仿真.分析和仿真结果表明,在给定的误差范围内,对具有非线性事件条件的混合动态系统,该算法能够有效而精确地定位状态事件发生的时刻以及连续状态的值.算法简单易行,适用于控制模态或运动模态需要转换的场合.

群体突发异常事件检测与事件源定位算法

提出一种群体突发异常事件检测与事件源定位算法以提高检测的准确性。算法分为群体异常行为检测和事件源定位两个阶段,在异常行为检测阶段,提出一种空间、时间联合的异常行为检测算法:在空间角度,提取平均动能分布直方图来描述人群的运动特征,并使用支持向量机分类器对不同状态的人群运动特征进行分类;在时间角度,构建隐马尔可夫模型,对场景中连续的人群行为状态进行异常检测。在事件源定位阶段,在随机抽样一致性算法框架下通过计算异常行为人群的反向延长线交点,实现了事件源位置的定位,并可同时标记多个事件源位置。在UMN公共数据集上进行实验,并与传统光流法、SIFT点检测法与社会力法进行对比,结果表明,该算法能够有效检测出群体异常行为,且AUC=0.967,比上述3种方法的AUC分别提高0.127、0.074、0.007,并成功标记出事件源的合理位置。

线性单事件地震定位方法的改进及应用尝试

根据大震速报和快速预警实际需要,首先对Inglada线性单事件定位方法进行了适当的改进,使其在仅有P波到时数据的情况下也能快速定位,且求解过程仅需简单迭代而不用奇异值分解;其次,尝试将改进后的方法从单层均匀模型引入到分层均匀模型中的近源台网定位情形,并通过单层均匀和分层均匀两种不同模型的理论实验讨论了该方法的可行性和适用范围;最后整合了质量高且分布较好的距离2008年汶川MS8.0地震震中最近的强震、微震,以及川西流动台阵等观测记录资料,对汶川MS8.0主震初始破裂点的时空参数进行了多种模型的定位实验.结果表明,改进后的线性单事件定位方法简单、快捷、易用,可广泛应用于近源地震定位,尤其是用于无法得到S波到时的中强以上直至巨大地震的速报、地震现场流动台网的快速定位以及地震的快速预警等.

时空尺度下域间路由事件的定位方法

针对现有的定位方法无法在时间演化尺度下对域间路由事件进行有效定位的问题,提出了一种时空尺度下的域间路由事件定位方法。从BGP路由表中提取事件在不同时刻下AS级网络的可达性特征和连通性特征,在此基础上计算相邻时刻的时序距离,并将距离最大者推断为事件触发源所在的时间窗口;对该窗口内的AS级网络进行遍历,将具有最高召回率和精度的网络元素识别为事件的触发源。分别以网络瘫痪事件和前缀劫持事件进行实验验证,结果表明,该方法能够准确推断不同类型域间路由事件的起始时间和触发源。

混合动态系统的状态事件快速定位

利用两种不同的微分方程数值解法,提出一种快速区间套搜索方法,用于提高自动分析和仿真混合动态系统时状态事件定位的精度,同时避免定位时常出现的"不连续粘连"现象.在所设定的允许误差范围内,能够快速且精确地定位在状态事件.对一个电路系统的分析和仿真结果表明算法的有效性.

基于希尔伯特-黄变换的OTDR事件定位

希尔伯特-黄变换(HHT)适用于信号奇异性分析。将光时域反射仪(OTDR)信号进行经验模式分解(EMD),得到本征模式函数(IMF),针对低阶的IMF分量分别进行Hilbert变换,做出时间-幅度谱和时间-频率谱,选取时间-幅度谱,采用模极大值法,确定OTDR事件发生的位置。

面向微博的灾害类事件地址提取与空间定位方法——以地震事件为例

针对微博中数量庞大、更新及时的灾害类事件信息,首先利用前置后缀特征词与地址构成规则相结合的方法,高效地提取灾害类事件中地址信息,然后在分析多种网络地图服务商的地理编码API接口的基础上,基于同一事件的空间位置统计推理,实现灾害类事件空间定位与地图化表达。最后以垂直搜索获取的2017年微博地震灾害事件为例,通过实验发现,本文提出的面向微博的灾害类事件地址提取与空间定位方法具有较高的地理编码准确度。

基于卷积自编码器分块学习的视频异常事件检测与定位

视频异常事件检测与定位旨在检测视频中发生的异常事件,并锁定其在视频中发生的位置。但是视频场景复杂多样,并且异常发生的位置随机多变,导致发生的异常事件难以被精准定位。本文提出了一种基于卷积自编码器分块学习的视频异常事件检测与定位方法,首先将视频帧进行均匀划分,提取视频帧中每一块的光流和方向梯度直方图(Histogram of oriented gradient,HOG)特征,然后为视频中的不同图块分别设计卷积自编码器以学习正常运动模式特征,最后在异常事件检测过程中利用卷积自编码器的重构误差大小进行异常判断。该方法可以有效地针对视频不同区域进行特征学习,提升了异常事件定位的准确度。所提方法在UCSD Ped1、UCSD Ped2、CUHK Avenue三个公开数据集上进行实验,结果表明该方法能够准确定位异常事件,并且帧级别AUC(Area under the curve)平均提升了5.61%。