[发明专利]基于模型融合的光纤分布式声波传感信号高精度分类识别方法

说明书

本发明基于模型融合的光纤分布式声波传感信号高精度分类识别方法，属于光纤分布式传感和机器学习技术领域。本发明在DAS信号识别中引入stacking策略将机器学习中决策树模型、随机森林模型、支持向量机模型和极值梯度提升算法模型进行集成，对DAS系统获取的原始数据进行预处理再提取多分析域的特征，并利用人工神经网络对特征进行进一步的提取和分类，使用逻辑回归对上述模型的预测结果进行再学习，得到当前输入信号所处的环境状态的最终预测。该识别方法具有比传统方法更高的识别率以及更短的判别时间，在追求实时性的光纤分布式传感检测方面具有重大意义。

技术领域

本发明涉及光纤分布式传感和机器学习技术领域，尤其涉及基于模型融合的光纤分布式声波传感信号分类识别方法。

背景技术

光纤分布式声波传感(DAS)系统在油气勘探等领域已经得到了广泛的应用。通过解调相干瑞利散射光的相位实现对外界扰动信号的探测，不但可以对外界扰动进行定性检测，还可以通过相位幅度的大小来反映外界扰动信号的大小即实现定量测量。

DAS数据的信号处理主要分为三个阶段。第一个阶段主要是以检测与定位为目的，通过经验模态分解、小波变换、希尔伯特黄变换和信号去噪声与分离等预处理手段来提高检测定位信号的信噪比，降低系统自身噪声和环境噪声对检测结果的影响，可以一定程度提升系统的准确率。但是在实际应用中发现，现场的噪声环境复杂多变，系统的误报率主要是对目标时间状态的演变及变化的噪声源识别不足导致。

第二阶段开始探索多域特征分析与识别模型探索。侧重于研究特定应用环境下目标分类识别方法，提取包括时域的信号幅值、水平过零率、频率谱的FFT谱能量分布特征、短时傅里叶变换谱和梅尔倒谱(MFCC)等等特征，然后结合分类器，如神经网络、高斯混合模型(GMM)、支持向量机、随机森林以及隐马尔可夫模型(HMM)等等。但是其特征提取方法主要依据特定环境或者有限的信号样本进行专业的分析和设计，面对实际的复杂应用环境其泛化能力差，且开发周期长又费时费力，很难在复杂背景噪声环境中实现信号的高精度分类识别。

随着人工智能和机器学习等技术的飞速发展，利用深度学习方法可以在不同目标事件信号上实现特征的自动提取，使得DAS信号的特征提取方式获得了突破性进展，事件的识别准确率进一步提升。在信号处理领域深度学习方法提高了目标分类识别系统的正确率，但是其网络复杂且参数众多，需要大量的数据进行模型训练并且训练时间很长。在实际的应用中，很难采集到大量样本，难以支撑深度学习高精度大模型的训练。

发明内容

本发明的目的在于克服现有技术中光纤分布式声波传感(DAS)系统利用深度学习方法进行不同事件识别需要大量样本支撑高精度大模型的训练的问题和利用传统信号处理方法提取信号特征其需要深厚的数字信号处理领域知识的问题，提供了一种基于模型融合的光纤分布式声波传感信号高精度分类识别方法。

本发明的目的是通过以下技术方案来实现的：

步骤1：DAS系统的数据处理单元接收到外界声波信号，构建原始信号的数据库；

步骤2：对于采集到的外界声波信号采用最大-最小值标准化进行数据标准化处理；

步骤3：对经过步骤2标准化处理后的外界声波信号提取时域、频域和变换域的幅频特性，合并得到特征向量a；