[发明专利]一种基于ADLASSO-SEMPSO-RBF的分布式光纤信号听觉信息解耦方法

权利要求书

1.本发明涉及一种基于ADLASSO-SEMPSO-RBF的分布式光纤信号听觉信息解耦方法，其特征在于：确定了布里渊频移随温度和应变变化的关系，确定了Lasso回归损失函数，确定了MPSO优化模型的惯性权重，确定了MPSO模型的学习因子，确定了MPSO中损失函数的迭代更新公式，确定了RBF神经网络隐藏层的输出，确定了隐藏层到输出层的权重矩阵变化量，确定了RBF神经网络的输出，具体包括以下八个步骤；

步骤一：确定布里渊频移随温度和应变变化的关系v_B(ε,T)；

式中，v_B表示布里渊频移，ε表示应变，T表示温度，k表示泊松比，E表示杨氏模量，ρ表示光纤介质的密度，n表示光纤折射率，λ₀表示泵浦光的波长；

步骤二：确定Lasso回归损失函数L(C)；

保持应变ε＝0不变时，布里渊频移和温度关系为；

保持温度T＝T₀不变时，布里渊频移和应变的关系为；

对上述式子进行级数展开，分析可知布里渊频移与温度和应变的变化关系可表示为；

Δv_B＝C_v,TΔT+C_v,εΔε；

从而确定损失函数L(C)；

式中，n表示样本点数，α表示常数系数，|C||₁表示L₁范数，Δv_B⁽ⁱ⁾表示第i个布里渊平移变化量，在ADLasso模型中，将各个变量采用不同的惩罚项，不重要的变量采用较大的权重惩罚，重要的变量采用较小的权重惩罚，达到保留重要的信息，剔除不重要的信息或者干扰信息的效果，提高实现目标的准确性；

步骤三：确定MPSO优化模型的惯性权重w；

式中，w表示惯性权重，w_min表示最小惯性权重值，w_max表示最大惯性权重值，k表示当前迭代次数，A表示最大迭代次数，f_i为种群中第i个粒子的适应度，f_avg为种群中所有粒子适应度的平均值；

步骤四：确定MPSO模型的学习因子c₁、c₂；

式中，c₁、c₂表示学习因子，c_1s、c_2s表示学习因子初值，c_1e、c_2e表示学习因子终值；

步骤五：确定MPSO中损失函数L(C)的迭代更新公式；

式中，表示Lasso模型中速度为vi的第t+1迭代的温度系数C_v,T和应变系数C_v,ε，p_id表示粒子i的最优位置，p_gd表示粒子种群最优位置，表示粒子i第t迭代的位置，d表示搜索空间维数，t表示迭代次数，w表示惯性权重，c₁表示自身学习因子，c₂表示社会学习因子，r₁、r₂表示[0，1]上的随机数，以上，完成BOTDR中温度应变测量过程中的热力耦合问题，由于热力耦合对分布式光纤信号的振动影响无法确定，所以构建RBF神经网络进行无限逼近；

步骤六：确定RBF神经网络隐藏层的输出

式中，表示高斯基函数的样本数据中心，σ表示高斯基函数的样本方差，表示样本数据距离数据中心的距离；

步骤七：确定隐藏层到输出层的权重矩阵变化量Δν_jk；

式中，Δν_jk权重矩阵变化量，η表示学习速度，W表示隐藏层到输出层的权重矩阵，Φ表示隐藏节点的向量，l_max表示距离数据中心最大的距离；

步骤八：确定RBF神经网络的输出V；

式中，ν_jk表示隐藏层到输出层的连接权重，j表示第j个隐藏节点，J表示隐藏节点总数。