[发明专利]基于1D-CNN的分布式光纤传感信号特征学习与分类方法

权利要求书

1.一种基于1D-CNN一维卷积神经网络的分布式光纤传感信号特征学习与分类方法，其特征在于；如下步骤：

步骤1、对获取的各空间点的事件信号进行分割，构建典型事件信号数据集；

步骤2、基于训练好的一维卷积神经网络，对典型事件信号数据集中的信号进行1D-CNN可分辨特征提取，得到事件信号特征集；

步骤3、将事件信号特征集用于训练构建的分类器后，筛选出最佳分类器；

步骤4、将测试数据输入训练好的一维卷积神经网络进行事件可分辨特征提到后，再输入到最佳分类器进行分类；

所述步骤2的具体步骤为：

步骤21、构建一维卷积神经网络结构，并设置一维卷积神经网络结构的网络参数；

步骤22、训练步骤21所得到的一维卷积神经网络；

步骤23、对训练后的一维卷积神经网络进行网络调优，若迭代结束，得到训练好的一维卷积神经网络，转到步骤24，否则，对调优后的一维卷积神经网络进行重新训练后，再执行步骤23；

步骤24、将典型事件信号数据集的信号输入训练好的一维卷积神经网络进行1D-CNN可分辨特征提取，得到事件信号特征集。

2.根据权利要求1所述的一种基于1D-CNN一维卷积神经网络的分布式光纤传感信号特征学习与分类方法，其特征在于；所述步骤1的具体步骤如下：

步骤11、基于相位解调的相敏光时域反射技术获取时空响应信号矩阵；

步骤12、将时空响应信号矩阵中每个空间点的一维时间序列，沿时间轴进行事件信号分割，得到包含各类事件信号训练集和测试集的典型事件信号数据集。

3.根据权利要求1所述的一种基于1D-CNN一维卷积神经网络的分布式光纤传感信号特征学习与分类方法，其特征在于；所述步骤21中，构建的一维卷积神经网络结构为9层，具体为：输入层-卷积层C1-池化层P1-卷积层C2-池化层P2-卷积层C3-池化层P3-全连接层FC1-全连接层FC2。

4.根据权利要求1所述的一种基于1D-CNN一维卷积神经网络的分布式光纤传感信号特征学习与分类方法，其特征在于；所述步骤22的具体步骤为：

步骤221、基于网络训练的起点，采用截断正态分布方法对一维卷积神经网络结构的网络参数进行初始化；具体方法为：假设网络参数θ服从正态分布，网络参数θ的取值限制在[a，b]范围内，被修正后的网络参数θ取值由概率密度函数计算得到：

其中，表示标准正态分布函数，u、σ为标准正态分布的期望与方差，φ(·)为标准正态分布的累积分布函数；利用概率密度函数f生成取值在已知限定范围内的θ，作为初始化的网络参数值，θ包含权值矩阵W与偏置变量Bias；

步骤222、输入训练集至步骤221所得的一维卷积神经网络，完成前向传播过程，得到全连接网络的分类输出。

5.根据权利要求4所述的一种基于1D-CNN一维卷积神经网络的分布式光纤传感信号特征学习与分类方法，其特征在于；所述步骤23的具体步骤为：

步骤231、根据全连接网络的分类输出计算交叉熵损失函数C，估计样本真实值与样本预测值之间的距离，公式为：

其中，y、n、a分别表示样本预测值、样本的总数、样本真实值；

步骤232、依据交叉熵损失函数C计算更新梯度后，对网络权值进行更新，采用Adam算法进行优化，具体如下：

m_t＝μ*m_t-1+(1-μ)*g_t (8)

式(7)-(9)中，g_t为计算的目标函数梯度，m_t，n_t分别是梯度的一阶、二阶矩估计，μ、v∈[0，1)，分别为梯度一阶、二阶矩的指数衰减率，设第t次迭代时则CNN网络参数按式(10)进行更新：

式中，α为学习率，ε为非常小的数；

步骤233、用网络参数θ更新一维卷积神经网络结构，使用测试集信号样本进行测试，若迭代结束，得到训练好的一维卷积神经网络，转到步骤24，否则，对调优后的一维卷积神经网络进行重新训练后，再执行步骤23。