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

说明书

本发明公开了一种基于CWT‑Xception‑RF的φ‑OTDR振动信号分类方法，首先通过提取获得φ‑OTDR振动信号的人工特征，通过CWT处理获得φ‑OTDR振动信号时频图；针对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；然后针对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；最后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。本发明为降低φ‑OTDR系统中高误警率的现象提供了一种有效的识别方法。

技术领域

本发明涉及特征提取和模式识别技术领域，通过提取不同振动事件在时域、频域和音频域及Xception模型上的多特征参数构成数据集，利用随机森林分类器模型对振动事件进行识别分类。

背景技术

分布式光纤传感器相比传统传感器而言，具有体积小、重量轻、抗电磁干扰能力强、灵敏度高、传感范围广等优点。其中，相敏式光时域反射计是一种典型的分布式传感光纤技术，具有多点扰动检测、高相干性、结构简单等特点，广泛应用于周界安防、输油管道监测、地震预警、铁路安全监测等重要领域。但在实际应用场景中存在一些不可控制因素，包括外界环境干扰、系统内部光学器件噪声等，造成高误警率(NAR)的现象。因此，为解决高误警率的问题，提出了一些优化φ-OTDR结构提升系统灵敏度的方案。但这些往往由于结构复杂、成本较高等问题，不适合于普遍的应用场景。

发明内容

本发明是为避免上述现有技术所存在的不足，提供一种基于CWT-Xception-RF的φ-OTDR振动事件分类方法，降低φ-OTDR系统中高误警率，实现对外界振动信号进行识别分类。

本发明为解决技术问题采用如下技术方案：

本发明基于CWT-Xception-RF的φ-OTDR振动信号分类方法的特点是：

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。

本发明基于CWT-Xception-RF的φ-OTDR振动信号分类方法特点也在于按如下步骤进行：

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：