[发明专利]基于CNN的分布式光纤光栅传感网络的信号识别方法

权利要求书

1.一种基于CNN的分布式光纤光栅传感网络的信号识别方法，其特征在于，它包括如下步骤：

步骤1：对分布式光纤光栅振动传感系统在工况中实际测得的振动信号按信号来源进行分类，并对各类振动信号设置各自相应的标签，并对所有标签进行编码；根据实际工程中每个类别振动信号发生的频率次数，预设在工况期间内需要采集的各类别振动信号的目标数量；然后根据分布式光纤光栅振动传感系统实际的采样率，分析实际工况中的各类振动信号的频率，确定各类振动信号的频谱分布在0～200Hz，将各类不定长的振动信号做短时傅里叶谱叠加求均值，转换为信号长度为定长的频谱信号，各类不定长的振动信号的信号长度均能涵盖0～200Hz的频谱范围；

步骤2：使每个振动信号类别中的振动数据个数满足公式：p_i＝n_i/∑_jn_j＝1/n_all，其中，p_i为第i个振动信号类别中振动数据数量的分布概率，n_i为第i个振动信号类别中振动数据的数量，n_all为振动信号类别总数，n_j表示第j个种类的振动信号的数量；

同一个类别下的各个振动数据应满足公式：f(x_i,x_j)＝{cov(X_i,X_j)/σx_iσx_j}s.t.f()<Ti！＝j，其中，x_i与x_j是同一个类别下的任意两个振动数据；f()代表样本相关系数；cov(X_i,X_j)代表x_i与x_j的协方差；σx_i代表x_i的标准差，σx_j代表X_j的标准差；i！＝j表示i不等于j，将同类振动数据下的任意振动信号两两比较，将同一类别振动数据下的傅里叶频谱相关系数大于设定阈值T的两个振动数据任意剔除其中一个，直到各类振动信号遍历完毕，保证，每类振动信号中任意两个振动信号的相关性不高于设定阈值T；

步骤3：构建分布式光纤光栅振动传感系统的振动信号识别卷积神经元网络模型，使用训练数据集合对振动信号识别卷积神经元网络模型进行训练，从而确定每个振动信号属于的振动信号类别。

2.根据权利要求1所述的基于CNN的分布式光纤光栅传感网络的信号识别方法，其特征在于：所述步骤3具体包括以下步骤：

步骤3.1：将分布式光纤光栅振动传感系统实际采集到的振动信号进行短时傅立叶处理，得到训练数据集合，然后构建一个与振动信号的离散傅立叶频谱长度匹配的二维数据输入窗口；

步骤3.2：振动信号识别卷积神经元网络模型为五层的层级结构，具体层级结构包括第一卷积层、第一级池化层、第二卷积层、第二级池化层和全连接层，其中，第一卷积层用于提取分布式光纤光栅振动传感系统采集到的各个振动信号的表层特征，第二卷积层用于提取分布式光纤光栅振动传感系统采集到的各个振动信号的深层特征；第一级池化层和第二级池化层通过平均池化法或最大值池化法来降低分布式光纤光栅振动传感系统采集到的振动信号的纬度；全连接层用于将第二池化层输出的二维振动信号特征线性变换为一维振动信号特征；

步骤3.3：全连接层输出分布式光纤光栅振动传感系统采集的振动信号在各类别振动信号中所占的权重，再通过softmax处理从而确定每个振动信号属于的振动信号类别。

3.根据权利要求2所述的基于CNN的分布式光纤光栅传感网络的信号识别方法，其特征在于：所述步骤3.3中，softmax处理的公式如下：

S_i＝eⁱ/∑_je^j

其中，eⁱ代表第i个权重的指数变换，∑_je^j表示所有权重指数变换后的和，S代表第i个权重指数变换后的输出概率占比。