买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉浙江大学申请的专利一种基于时空域结合、MFCC和预提取技术的Φ-OTDR信号快速训练识别算法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116756543B 。

龙图腾网通过国家知识产权局官网在2025-10-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310673516.1，技术领域涉及：G06F18/213；该发明授权一种基于时空域结合、MFCC和预提取技术的Φ-OTDR信号快速训练识别算法是由徐敬;廖文栋设计研发完成，并于2023-06-08向国家知识产权局提交的专利申请。

本一种基于时空域结合、MFCC和预提取技术的Φ-OTDR信号快速训练识别算法在说明书摘要公布了：本发明公开了一种基于时空域结合、MFCC和预提取技术的Φ‑OTDR信号快速训练识别算法。该算法包括四个步骤：①首先，将Φ‑OTDR信号数据集进行时域与空间域的相互结合；②其次，求Mel频率倒谱系数MelFrequencyCepstrumCoefficient，MFCC；③然后，将Mel频率倒谱系数预先提取，存储起来；④最后，在训练时，导入预先存储的Mel频率倒谱系数进行训练。总体而言，通过本发明的以上技术方案与现有技术相比，能够取得下列有益效果：①与检测单个光纤节点进行识别分类的方法相比较，本方案中的时域与空间域的相互结合方法可以避免因单个节点报错而产生过大干扰，有更强的抗干扰能力，同时引入了空间域的信息；②与将光纤节点数据直接进行训练识别的方法相比较，本方案中的转化为Mel频率倒谱系数的方法提升了信息特征密度，减少了训练时的数据量；③与同时提取特征和进行训练的方法相比较，本方案中的预先提取技术可以减少训练时间；④与采用复杂的网络结构的方法相比较，本方案中的采用精简的网络结构不仅模型训练快，而且识别也快，更加实用。

本发明授权一种基于时空域结合、MFCC和预提取技术的Φ-OTDR信号快速训练识别算法在权利要求书中公布了：1.一种基于时空域结合、MFCC和预提取技术的Φ-OTDR信号快速训练识别方法，其特征在于，包括： S1：将Φ-OTDR信号数据集进行时域与空间域的相互结合； S2：求Mel频率倒谱系数； S3：将Mel频率倒谱系数预先提取，存储起来； S4：在训练时，导入预先存储的Mel频率倒谱系数进行训练； 所述S1包括： S11：采用的数据集的分类分别是背景声、挖掘声、敲击声、震动声、步行声，训练集和验证集的比例为4:1；数据集共15612个文件，文件格式为.mat格式，经过解析后，每个文件是一个形状为10000×12的矩阵，其中10000为采样频率，代表时域上的信息，12为12个相邻的光纤节点，代表空间域上的信息； S12：事件信号发生时，对于挖掘声、敲击声、震动声、步行声事件信号，将相邻的12个节点信号进行相加求和取平均；对于背景信号，由于不同节点的背景信号强度不一致，直接将10000×12的矩阵拆分为12个10000的序列； 所述S2包括： S21：求Mel频率倒谱系数的步骤如下：①预加重；②分帧；③加窗；④快速傅里叶变化；⑤Mel滤波器组；⑥对数运算；⑦离散余弦变换； S22：求Mel频率倒谱系数，使用Librosa工具包下的feature.mfcc函数；代码为：mfcc＝librosa.feature.mfcc，其中k是序列信息，10000为采样率，求解后，10000个数据变为了含有丰富特征信号的20×20的矩阵数据； 所述S4包括： S41：考虑到Mel频率倒谱系数特征信息丰富，决定采取精简的卷积神经网络，这使模型不仅训练较快，而且识别也快，更加实用； S42：该卷积神经网络主要由输入层、卷积层、池化层、全连接层和输出层组成；网络结构为：按照顺序，在输入层后，先经过2个卷积层和1个池化层，其次又经过2个卷积层和1个池化层，然后使用flatten函数展平，然后进入全连接层，最后进入输出层，同时也使用了ReLu和Dropout函数； S43：通过numpy工具包下的load函数导入数据集，送入到网络结构中，定义好迭代次数、优化方式、损失函数、批次大小、学习率和num_workers参数，进行训练。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江大学，其通讯地址为：316021 浙江省舟山市定海区浙大路一号， 浙江大学舟山校区；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。