基于随机配置网络的光纤入侵信号识别算法

盛智勇; 曾志强; 曲洪权; 李伟

doi:doi:10.3788/LOP56.140602

激光与光电子学进展, 2019, 56 (14): 140602, 网络出版: 2019-07-12

基于随机配置网络的光纤入侵信号识别算法下载： 1113次

Fiber Intrusion Signal Recognition Algorithm Based on Stochastic Configuration Network

盛智勇曾志强 ^*曲洪权李伟

作者单位

北方工业大学电子信息工程学院, 北京 100144

图 & 表

图 1. 光纤预警系统原理图

Fig. 1. Principle of optical fiber pre-warning system

下载图片查看原文

图 2. 标准SCN模型

Fig. 2. Standard SCN model

下载图片查看原文

图 3. Dropout-SCN模型:展示了一个标准的多输入多输出网络模型

Fig. 3. Dropout-SCN model: standard multi-input and multi-output network model is presented

下载图片查看原文

图 4. 原始信号。(a)挖掘信号;(b)敲击信号;(c)机械信号

Fig. 4. Original signals. (a) Digging signal; (b) knocking signal; (c) electric drill signal

下载图片查看原文

图 5. SCN、Dropout-SCN和L2正则化SCN输出权重分布散点图

Fig. 5. Scatter plot of output weight distributions of SCN, Dropout-SCN and SCN with L2 regularization

下载图片查看原文

图 6. 隐藏节点数L=70条件下,Dropout概率对测试误差的影响

Fig. 6. Effect of Dropout probability on test error under number of hidden nodes L=70

下载图片查看原文

图 7. 3种网络模型的测试RMSE

Fig. 7. Test RMSE for three network models

下载图片查看原文

表 1光纤数据测试集结果

Table1. Results of optical fiber test data

Network model	Hidden node number	Correct prediction number	Accuracy /%
SCN	50	214	89.17
SCN with L2 regularization	50	217	90.42
Dropout-SCN	50	222	92.50
SCN	70	217	90.42
SCN with L2 regularization	70	221	92.08
Dropout-SCN	70	227	94.58

查看原文

盛智勇, 曾志强, 曲洪权, 李伟. 基于随机配置网络的光纤入侵信号识别算法[J]. 激光与光电子学进展, 2019, 56(14): 140602. Zhiyong Sheng, Zhiqiang Zeng, Hongquan Qu, Wei Li. Fiber Intrusion Signal Recognition Algorithm Based on Stochastic Configuration Network[J]. Laser & Optoelectronics Progress, 2019, 56(14): 140602.

基于随机配置网络的光纤入侵信号识别算法下载： 1113次

图 1. 光纤预警系统原理图

Fig. 1. Principle of optical fiber pre-warning system

图 2. 标准SCN模型

Fig. 2. Standard SCN model

图 3. Dropout-SCN模型:展示了一个标准的多输入多输出网络模型

Fig. 3. Dropout-SCN model: standard multi-input and multi-output network model is presented

图 4. 原始信号。(a)挖掘信号;(b)敲击信号;(c)机械信号

Fig. 4. Original signals. (a) Digging signal; (b) knocking signal; (c) electric drill signal

图 5. SCN、Dropout-SCN和L2正则化SCN输出权重分布散点图

Fig. 5. Scatter plot of output weight distributions of SCN, Dropout-SCN and SCN with L2 regularization

图 6. 隐藏节点数L=70条件下,Dropout概率对测试误差的影响

Fig. 6. Effect of Dropout probability on test error under number of hidden nodes L=70

图 7. 3种网络模型的测试RMSE

Fig. 7. Test RMSE for three network models

表 1光纤数据测试集结果

Table1. Results of optical fiber test data

关于本站 Cookie 的使用提示

全站搜索

基于随机配置网络的光纤入侵信号识别算法 下载： 1113次

图 1. 光纤预警系统原理图

Fig. 1. Principle of optical fiber pre-warning system

图 2. 标准SCN模型

Fig. 2. Standard SCN model

图 3. Dropout-SCN模型:展示了一个标准的多输入多输出网络模型

Fig. 3. Dropout-SCN model: standard multi-input and multi-output network model is presented

图 4. 原始信号。(a)挖掘信号;(b)敲击信号;(c)机械信号

Fig. 4. Original signals. (a) Digging signal; (b) knocking signal; (c) electric drill signal

图 5. SCN、Dropout-SCN和L2正则化SCN输出权重分布散点图

Fig. 5. Scatter plot of output weight distributions of SCN, Dropout-SCN and SCN with L2 regularization

图 6. 隐藏节点数L=70条件下,Dropout概率对测试误差的影响

Fig. 6. Effect of Dropout probability on test error under number of hidden nodes L=70

图 7. 3种网络模型的测试RMSE

Fig. 7. Test RMSE for three network models

表 1光纤数据测试集结果

Table1. Results of optical fiber test data

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

基于随机配置网络的光纤入侵信号识别算法下载： 1113次