[发明专利]一种基于机器学习的φ-OTDR振动信号识别分类方法

说明书

本发明提供的是一种基于机器学习的φ‑OTDR振动信号识别分类方法，其特征在于，包括以下步骤：S1、采集6种振动事件的一维时域信号；S2、将一维时域信号进行二维图像转换；S3、建立My method神经网络；S4、将数据划分为训练集和测试集，首先进入My method神经网络中卷积、池化以及全连接层进行训练；S5、经过卷积、池化和全连接层之后的输出向量转换为My method神经网络中SVM输入向量并进行训练；S6、利用测试数据进行识别分类的测试。本发明提供的是一种基于机器学习的φ‑OTDR振动信号识别分类方法，所述方法可实现对不同振动事件的快速识别及分类。

(一)技术领域

本发明涉及的是一种基于机器学习的振动信号识别分类方法，可对不同振动事件进行快速识别分类，属于光纤传感及机器学习技术领域。

(二)背景技术

分布式光纤扰动传感系统(DOFS)以其灵敏度高、结构简单、无需外场供电、检测距离长等诸多优势在周界安防、油气管道、通信光缆监测等诸多领域中获得了广泛的应用。其中，基于相位敏感光时域反射计的分布式光纤扰动传感系统凭借其灵敏度高、抗电磁干扰、长距离监测、施工简单、仅用一根光纤以及扰动判别精确稳定和多点同时判别等诸多技术优势已成为目前分布式光纤扰动传感研究领域新的热点。

是由Taelor等人在1993年首次提出的，它与传统光时域反射计(OTDR)相比，主要区别在于其注入光纤中的光是强相干的，因此系统输出信号为强干涉性的后向瑞利散射光。研究伊始，研究人员将更多的目光放在通过改进传感器硬件设备来提升的性能。然而，单一地通过改进传感器的硬件设备所提升的性能是有限的。

随着计算机科学技术的快速发展，研究人员开始将研究重点从提高硬件性能转移至对振动事件进行模式识别。然而，前期模式识别研究还主要是采取阙值的方法或者简单的特征提取来识别不同的振动类型，并且分类算法也比较简单，这就造成了识别时间长、识别准确率低。在17世纪出现了机器学习这一概念，随着机器学习的发展，Tan等人提出了一种支持向量机派生算法以识别系统中不同的振动信号，Y Wang等结合小波能量谱分析和相关矢量机，分别对三个振动事件进行检测，识别率超过88.6％，但是这些方法所得到的识别准确率仍不够高、识别的事件类型较少并且分类效果受到了数据预处理的影响。振动事件信号识别的发展趋势是提高事件识别的精度和抗干扰能力。

本发明公开了一种基于机器学习的振动信号识别分类方法。此方法中提出的将一维时域信号转换为二维图像，避免了对原始信号进行大量数据预处理工作，从而预处理的好坏不会影响模式识别的效果，并且此方法可用于多种类型的振动事件，由于卷积和池化计算的性质，此方法提出的网络模型所提取得到的特征不容易过拟合并且可以降低特征向量的维数，SVM可以简化分类问题使计算变得更简单、快速。不仅如此，此方法还能运用到各个领域，例如：将传感光纤沿桥梁、隧道的道路边沿铺设，车辆通过路面产生的振动将实时的被传感光纤感知，再利用此算法进行学习和识别分类，即可实现对道路中的事件、车流量、车辆信息等进行智能认知，实现一系列实时、远程、全天候的监测。

(三)发明内容

本发明的目的在于提供一种基于机器学习的振动信号识别分类方法，该方法对多种振动事件的识别准确率高且实时性强，能够较快速地实现对多种不同振动事件的有效分类。

本发明的目的是这样实现的：

一种基于机器学习的振动信号识别分类方法，此方法的技术方案如下：

S1、采集6种振动事件的一维时域信号，其中6种振动事件包括背景噪声、挖掘、敲击、浇水、震动、行走；

S2、将一维时域信号进行二维图像转换，首先，将得到的振动信号进行归一化，将数据缩放在[-1,1]，使得内积不偏向于最大的观测值：

X＝{x₁,x₂,...,x_n}