微地震移动目标跨域泛化识别方法、介质及设备
本发明涉及微地震监测,具体而言,涉及一种微地震移动目标跨域泛化识别方法、计算机可读存储介质及设备。
背景技术:
1、在广袤的荒野中,传统监控系统(如视频摄像头、红外传感器或雷达)常常因电力供应受限、环境遮蔽(如茂密植被、沙尘或雨雾)而难以长期有效运行,从而严重阻碍了对偷猎、非法砍伐和未经授权的越境等非法活动的持续监测。地震无线传感器网络(seismicwireless sensor networks, s-wsn)作为一种新兴的被动式感知解决方案,近年来受到广泛关注,因其能够在有限的电力条件下实现长期、隐蔽且鲁棒的地面活动监测。如图1所示,典型s-wsn由三类节点协同构成:部署于关键路径(如道路、边界线)沿线的传感节点(sensing nodes)10’负责实时采集并分析地面振动信号;中继节点(relay nodes)20’通过远距离通信转发数据;所有信息最终汇聚至汇聚节点(sink node)30’,完成远程事件上报与集中监控。
2、相关技术中,研究重点集中于地震目标分类(seismic target classification,stc)这一核心挑战,即对传感器采集的地震信号中所蕴含的不同类型地面活动(如人员行走、车辆行驶等)进行有效识别与分类。stc方法主要分为传统机器学习tml和深度学习dl。tml方法依赖于人工设计的特征,涵盖时域(如均方根、过零率)、频域(如频谱质心)以及时频域(如mfcc、对数梅尔子带能量)等多个维度,随后结合支持向量机svm或k近邻knn等分类器完成判别任务。其优势在于模型轻量、计算开销低、可解释性强,且在小样本下仍能稳定运行,非常适合部署于资源受限的边缘节点,如stm32等低功耗mcu。
3、然而,tml的性能高度依赖人工特征的有效性,在目标信噪比较低时(如远距离或强环境噪声下),分类性能显著下降。相比之下,dl方法以卷积神经网络cnn为主导,通常将地震信号转换为时频表示(如梅尔谱图或mfcc图谱)作为输入,构成基础建模范式。为进一步捕捉地面振动信号中的复杂时空动态特性,研究者提出了融合架构,例如将cnn与循环神经网络rnn或双向长短期记忆网络bi-lstm相结合。dl的优势在于端到端自动学习多层次判别特征,在大数据下性能和泛化能力显著优于传统方法。但其模型通常参数量大、计算和内存开销高,且依赖大量标注数据,难以部署在低功耗无线传感节点上,一般仅适用于云平台或高性能边缘设备(如nvidia jetson nano)。
4、此外,在所有基于地震信号的目标识别方法中,普遍存在跨域泛化问题:由于不同部署地点的背景噪声和传播条件存在显著差异,模型在地点a上训练并表现良好,一旦迁移到地点b,其性能往往急剧下降。尽管迁移学习策略(如datr)通过在训练中引入域混淆目标对齐源域与目标域的特征分布,可在一定程度上缓解该问题。然而,此类方法的有效性通常依赖于源域与目标域之间分布相近的假设。在实际野外部署中,目标场景往往引入训练阶段未见过的新干扰(如不同土壤类型、天气条件或人为背景振动),导致特征分布发生显著偏移。更为关键的是,受限于节点的功耗预算与通信能力,部署后的模型通常无法进行在线微调或二次训练,致使现有域自适应方法难以适应真实开放环境中的动态变化。
技术实现思路
1、本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种微地震移动目标跨域泛化识别方法,所述微地震移动目标跨域泛化识别方法具有跨域有效泛化、计算开销与内存占用低等优点,能够在功耗和通讯受限条件下对新环境中的分布偏移。
2、本发明还提出一种计算机可读存储介质。
3、本发明还提出一种设备。
4、根据本发明第一方面实施例的微地震移动目标跨域泛化识别方法,包括:
5、采集源域静默信号并按照1秒进行分段,计算第
i个静默片段
x
i(
t)的stft幅值谱s
i(
f,
t),构建背景噪声模板;
6、采用批量三元组损失,利用带标签微地震数据训练嵌入网络;
7、计算各类别原型向量p
c并存储;
8、采集实时信号片段x,计算x的stft幅值谱;
9、根据下式计算能量比矩阵:
10、 (1)
11、若maxr
f,
t大于预设阈值,执行如下步骤:
12、根据下式对执行谱减法:
13、 (2)
14、 根据下式提取嵌入并归一化:
15、 (3)
16、 (4)
17、 根据下式计算余弦相似度:
18、 (5)
19、 若满足r
f,
t>条件的频率点数(
f,
t)不少于最小阈值
nmin:
20、 (6)
21、则根据下式输出预测类别:
22、 (7)
23、 否则,判定为未知事件,不报警,并更新所述背景噪声模板;
24、否则,判定为静默噪声,不报警,并更新所述背景噪声模板;
25、对每个目标类别
c,执行如下操作:
26、触发
n
c次典型事件;
27、采集样本{}并根据下式提取嵌入:
28、 (8)
29、 根据下式更新p
c:
30、 (9)
31、 量化并写入感知节点;
32、其中,
t为时间帧且
t=1,…
t;
f为频率且
f=1,…,
f;为指示函数;是避免除零的常数。
33、根据本发明实施例的微地震移动目标跨域泛化识别方法,无需目标域数据参与训练、且能在边缘设备上高效部署的轻量化框架,使其对未知背景噪声具备内在鲁棒性,从而实现有效的跨域泛化能力。
34、另外,根据本发明实施例的微地震移动目标跨域泛化识别方法还具有如下附加的技术特征:
35、根据本发明的一些实施例,根据下式构建:
36、 (10)
37、 (11)
38、式中,
m表示用于建模的静默样本总数;
t为每个所述静默样本对应的时间帧数。
39、根据本发明的一些实施例,根据下式更新:
40、 (12)
41、式中,为学习率,用于控制新观测对所述背景噪声模板的影响程度;
t
'为当前静默片段的时间帧数。
42、根据本发明的一些实施例,根据下式计算所述批量三元组损失的hinge损失均值:
43、 (13)
44、式中,为有效三元组集合;
s
ij为嵌入z
i与嵌入z
j各自归一化后的余弦相似度矩阵;
s
ik为嵌入z
i与嵌入z
k各自归一化后的余弦相似度矩阵;
y
i、
y
j、
y
k分别为z
i、z
j、z
k对应的标签;为间隔超参数,且>0。
45、根据本发明的一些实施例,根据下式预测类别:
46、 (14)
47、 (15)
48、式中,为训练集中
c的所有样本。
49、根据本发明的一些实施例,所述感知节点的部署根据地面条件采用两种不同方式:在松软地面上,将传感器探头直接插入土壤;在坚硬地面上,则将所述感知节点直接放置于地表。
50、在本发明的一些实施例中,采用多地形复合采样策略,在异构地理环境中、于高噪声背景下采集三类地震数据集,分别对应:环境噪声、人类活动噪声和轮式车辆噪声。
51、在本发明的一些具体实施例中,训练集与测试集分别由在不同时间段及不同地理区域采集的声学与地震信号构成。
52、根据本发明第二方面实施例的计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如本发明第一方面实施例所述的微地震移动目标跨域泛化识别方法。
53、根据本发明实施例的计算机可读存储介质,通过实现如上所述的微地震移动目标跨域泛化识别方法,具有跨域有效泛化、计算开销与内存占用低等优点,能够在功耗和通讯受限条件下对新环境中的分布偏移。
54、根据本发明第三方面实施例的设备,包括处理器和存储器,所述处理器和所述存储器相连,所述存储器用于存储计算机程序,当所述计算机程序被所述处理器执行时实现如本发明第一方面实施例所述的微地震移动目标跨域泛化识别方法。
55、根据本发明实施例的设备,通过实现如上所述的微地震移动目标跨域泛化识别方法,具有跨域有效泛化、计算开销与内存占用低等优点,能够在功耗和通讯受限条件下对新环境中的分布偏移。
56、本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com