[发明专利]一种基于CWT-Xception-RF的φ-OTDR振动事件分类方法

权利要求书

1.一种基于CWT-Xception-RF的φ-OTDR振动信号分类方法，其特征是：

通过提取获得φ-OTDR振动信号的人工特征；

针对φ-OTDR振动信号进行CWT处理获得φ-OTDR振动信号时频图；针对所述φ-OTDR振动信号时频图，利用迁移学习Xception模型提取获得φ-OTDR振动信号深度特征；

针对所述φ-OTDR振动信号的人工特征和深度特征，利用皮尔逊相关系数法进行相关性分析，获得相关系数值；

构建随机森立分类算法RF对相关系数值不高于0.9的人工特征和深度特征进行计算，输出φ-OTDR振动信号所属各类别的概率，从而实现φ-OTDR振动信号分类。

2.根据权利要求1所述的基于CWT-Xception-RF的φ-OTDR振动信号分类方法，其特征是按如下步骤进行：

步骤1、对φ-OTDR振动信号进行谱减法去噪处理获得去噪φ-OTDR振动信号傅里叶谱x(ω)，针对所述去噪φ-OTDR振动信号傅里叶谱x(ω)通过IFFT(x(ω))傅里叶反变换获得去噪φ-OTDR振动信号x(t)；

步骤2、针对所述去噪φ-OTDR振动信号x(t)通过提取获得φ-OTDR振动信号人工特征，所述φ-OTDR振动信号人工特征包括φ-OTDR振动信号各时域特征、φ-OTDR振动信号各频域特征，以及φ-OTDR振动信号各音频域特征；

步骤3、针对所述φ-OTDR振动信号人工特征中各特征值s按式(2)进行归一化处理，对应获得各特征值s的归一化特征值s'：

式(2)中：

s_min为特征值s中的最小特征值，s_max为特征值s中的最大特征值；

步骤4：针对所述去噪φ-OTDR振动信号x(t)按式(3)进行CWT处理，获得φ-OTDR振动信号时频图：

式(3)中：

S(α,β)表示φ-OTDR振动信号经过CWT变换后的时频图像素值；

t表示时间，α表示尺度，β表示平移因子，ψ(t)表示小波母函数；

步骤5：利用迁移学习Xception模型提取φ-OTDR振动信号时频图深度特征：

所述Xception模型包含卷积层、最大池化层以及全连接层；

φ-OTDR振动信号的时频图像素值S(α,β)在经过卷积层后的卷积层结果Z由式(4)表征：

式(4)中：

以(J,K)表示卷积层中的滤波器尺寸，J为滤波器长度，K为滤波器宽度；

ω为卷积层的权值，b为卷积层的偏置项；

卷积层结果Z在经过最大池化层后的最大池化层像素值Z'由式(5)表征：

Z'＝Max(Z×ν(n,n)) (5)

式(5)中：

ν(n,n)为最大池化层窗函数；

最大池化层像素值Z'在经过全连接层后的全连接层结果Z”由式(6)所表征：

式(6)中：A'＝b'+ω'Z'，b'为全连接层偏置项，ω'为全连接层权值；

所述全连接层结果Z”即为φ-OTDR振动信号时频图的深度特征；

步骤6：采用皮尔逊相关系数法对所述φ-OTDR振动信号的人工特征和深度特征进行相关性分析按式(7)计算获得两个特征之间的相关系数值：

式(7)中：

为特征x₁和特征x₂之间的相关系数值；

cov(x₁,x₂)为特征x₁和特征x₂之间的协方差；

和分别为特征x₁和特征x₂的标准差。

步骤7：构建随机森立分类算法(RF)对相关系数值不高于0.9的人工特征和深度特征进行计算，输出φ-OTDR振动信号所属各类别的概率，实现φ-OTDR振动信号分类。