[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

说明书

本发明公开了一种基于1D‑CNN的分布式光纤传感信号特征学习与分类方法。解决现有分布式光纤传感系统采用人工提取的事件可分辨特征对复杂变化的环境适应能力差，耗时、费力的问题。本发明对获取的各空间点的分布式光纤传感声音、振动信号进行时间分割，建立典型事件信号数据集；构建一维卷积神经网络(1D‑CNN)模型，利用典型事件信号数据训练集对网络进行迭代更新训练得到最优网络参数，利用最优网络学习并提取不同类型事件的1D‑CNN可分辨特征，得到典型事件信号特征集；利用典型事件信号特征集训练不同类型分类器后，筛选出最佳分类器。测试时将测试数据输入最优1D‑CNN网络得到事件可分辨特征，再输入最佳分类器得到分类结果。

技术领域

基于1D-CNN的分布式光纤传感信号特征学习与分类方法，将人工智能方法用于分布式光纤声音、振动传感信号的特征提取与分类中，适用于地下管网、长输管道、通信光缆、电力线缆、周界及结构安全监测等应用领域。

背景技术

相敏光时域反射技术(Φ-OTDR)作为分布式光纤传感技术的代表，利用光纤感测沿线环境中声波、振动等物理量的空间分布和时间变化信息，该技术长距离多点定位能力强，同时感测灵敏度高，光纤中无功能器件，寿命长，单端探测，工程施工和维护简便，因此是实现大范围环境安全监测的一种重要技术手段，在管道安全、光电线缆安全、轨道安全、土木结构健康监测及周界安防等应用领域中发挥重要作用。特别是近期相位解调方法的广泛应用使得该系统能够高灵敏探测到较高频的声音和振动信号，在光纤传感研究及安全监测应用方面一度成为研究热点。但在现场数据分析处理、数据挖掘和理解深度及应用软件层面有一定差距，导致产业不够成熟，制约其规模化应用的步伐。单点传感数据定量或定性分析难度不大，但其大规模组网带来了大范围复杂环境中监测时产生的大数据分析处理和深度挖掘等方面的严峻挑战，成为目前光纤传感领域的公共难题。现有基于相位解调的分布式光纤声音、振动传感系统，在实际应用中大范围监测环境复杂，特别是不同段或不同点位埋设环境千差万别，例如，有些段埋在火车道附近，有些段埋在公路附近，有些段则埋在工厂或河流附近，不同点位感知的干扰源类型不同。目前局部的观测处理模型及分类方法，未考虑网络节点分布环境的差异性和复杂性，算法对复杂环境的自适应能力及泛化能力差；利用传统人工特征提取及模式识别方法无法跟上海量节点的数据更新速度及变化模式，导致大范围监测时系统现场智能检测识别能力差，整体误报率偏高，智能化水平不够，无法满足实际应用需求。

发明内容

本发明的目的在于：解决现有分布式光纤声音、振动传感系统在实际应用中，由于大范围监测环境复杂多变，采用人工提取分布式光纤传感信号的事件可分辨特征耗时、费力，对复杂变化的环境适应能力差，系统误报率偏高的问题；提供了一种基于1D-CNN的分布式光纤传感信号特征学习与分类方法。

本发明采用的技术方案如下：

一种基于1D-CNN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。

进一步，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。

进一步，所述步骤2的具体步骤为：