一种应用于光纤传感系统的振动模型建立方法与流程

本发明属于光纤传感技术领域，尤其涉及一种应用于光纤传感系统的振动模型的建立方法。

背景技术：

随着社会的快速发展，对一些重要区域的远程监测和保护已经愈来愈显重要，如机场、石油管道、军事基地、核电厂、监狱、银行等。光纤振动安全预警系统可以采集这些重要区域周边的各种振动信号，通过分析周边振动信号特征，得出振源类型，若监测出对区域有害的振源出现，可以及时进行预警，并报告危害事件的具体位置，达到对重要区域或区域周边的实时保护、减少财产损失的目的。光纤对来自外界的振动信号非常敏感，如果不对采集到的振动信号进行处理，会导致光纤对不同类别的振动事件进行无差别的告警，带来较高的误警率，降低了光纤安全预警系统的实用性，对振动信号进行识别是一种可行的处理手段。目前，有关振动信号处理和识别的研究主要有盲源分离技术、振动信号的盲识别技术、小波分析和变换、线性分类器支持向量机等。应用于光纤预警识别系统主要采用的是DTW算法。由于系统的不断发展，对识别结果要求不断提升，DTW算法已经不能满足系统需求，其存在的主要问题在于以下几点：

1、目前的识别算法识别率较低，不能进行有效的识别。

2、噪声大的环境下，识别率显著下降，不能进行精确的识别。

3、光纤距离越远，采集到数据的振动强度越低，识别结果显著下降。

4、模型比较简单，不能处理更加复杂的识别问题。

技术实现要素：

针对以上技术问题，本发明公开了一种应用于光纤传感系统的振动模型的建立方法，根据光纤振动安全预警系统采集到的不同的振动信号进行属性特征分析，并建立相应的特征模型，通过神经网络识别算法，对采集到的振动信号进行振源识别，大大提高了识别的准确性，具有更高识别率。

对此，本发明的技术方案为：

一种应用于光纤传感系统的振动模型的建立方法，包括以下步骤：

步骤S1：通过光纤振动器将振动信号调节成光纤干涉信号输出，利用输出的信号强度、信号周期结合产生信号的时间、产生信号的距离，以光纤位置与光纤起点的距离为第一坐标轴、时间为第二坐标轴建立信号状态图；其中，所述信号状态图用于表征所述光纤若干个光纤位置在若干个时间上的信号值的信息；

步骤S2：采集不同振动情况下的信号状态图，对这些数据进行人工标注标签，将人工标注标签和信号状态图的数据信息输入到卷积神经网络模型进行图像识别和CNN训练，得到所述应用于光纤传感系统的振动模型；

其中，所述卷积神经网络模型的图像识别和CNN训练包括以下步骤：

第一阶段，向前传播阶段，具体过程如下：

采用平方误差代价函数讨论多类问题，共c类，共N个训练样本，误差项为：

式(1)中，表示第n个样本对应的标签的第k维的向量，表示第n个样本对应的网络输出的第k个输出；c为代表样本的总类；对于多类问题，输出一般组织为“one-of-c”的形式，也就是只有该输入对应的类的输出节点输出为正，其他类的位或者节点为0或者负数，取决于你输出层的激活函数；sigmoid就是0，tanh就是-1；

基于在全部训练集上的误差只是每个训练样本的误差的总和，对于第n个样本的误差，表示为：

然后根据BP规则计算代价函数E关于网络每一个权值的偏导数；用l来表示当前层，当前层的输出可以表示为：

X^l＝f(u^l),with,u^l＝W^lx^l-1+b^l (3)

在公式中，X代表输出，u代表输入，w代表权值，b代表偏置，其中l代表网络的第几层；

第二阶段，向后传播阶段，具体过程如下：

反向传播回来的误差，即每个神经元的基的灵敏度为：

反向传播第l层的灵敏度为：

δ^l＝(W^l+1)^Tδ^l+1οf'(u^l) (5)

在式(5)中，T代表矩阵转置，W代表权值，u代表输入，在本技术方案为神经元信号输入，“ο”表示每个元素相乘；

输出层的神经元的灵敏度为：

δ^L＝f′(u^L)ο(yⁿ-tⁿ). (6)

最后，对每个神经元运用delta规则进行权值更新；用向量的形式表述，对于第l层，误差对于该层每一个权值即组合为矩阵的导数是该层的输入与该层的灵敏度为：

在式(7)中，其中l表示神经网络的层数，代表是第几层X是向量；w是第l层的权值，η是学习率，δ表示灵敏度；对于每一个权值都有一个特定的学习率。

其中，所述卷积神经网络模型包括卷积层和池化层，其中，C层为特征提取层，每个神经元的输入与前一层的局部感受野相连，并提取该局部的特征，一旦该局部特征被提取后，它与其他特征间的位置关系也随之确定下来；S层是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射为一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。

输入图像通过和三个可训练的滤波器和可加偏置进行卷积，卷积后在C1层产生三个特征映射图，然后特征映射图中每组的四个像素再进行求和，加权值，加偏置，通过一个Sigmoid函数得到三个S2层的特征映射图。这些映射图再进过滤波得到C3层。这个层级结构再和S2一样产生S4。最终，这些像素值被光栅化，并连接成一个向量输入到传统的神经网络，得到输出。

此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数，降低了网络参数选择的复杂度。卷积神经网络中的每一个特征提取层(C-层)都紧跟着一个用来求局部平均与二次提取的计算层(S-层)，这种特有的两次特征提取结构使网络在识别时对输入样本有较高的畸变容忍能力。

卷积神经网络模型具有强大的学习能力和高效的特征表达能力，更重要的优点是从像素级原始数据到抽象的语义概念逐层提取信息，这使得它在提取图像的全局特征和上下文信息方面具有突出的优势。

此技术方案，采用基于卷积神经网络(Convolutional Neural Networks，CNN)的图像识别算法来进行模型建立，具有更高效率的识别算法，提高识别率。首先，利用光纤振动信号、光纤振动强度、距离、时间等有效信息，生成了光纤信号状态图，优选热力图，最后通过基于CNN的图像识别算法，对大量的热力图的图片进行模型的训练，得到应用于光纤传感系统的振动模型。利用训练得到的模型对新的信号状态图进行识别分类，优选热力图就可以得到振动类型了。本技术方案提出基于光纤振动传感信号热力图的光纤预警识别算法，根据光纤振动安全预警系统采集到的不同的振动信号进行属性特征分析，并建立相应的振动特征模型，通过神经网络识别算法，对采集到的振动信号进行振源识别，大大提高了识别的准确性。

作为本发明的进一步改进，所述以光纤位置与光纤起点的距离为第一坐标轴、时间为第二坐标轴建立信号状态图，包括：

以光纤位置与光纤起点的距离为第一坐标轴、时间为第二坐标轴、光纤位置在若干个时间上的信号值为第三坐标轴建立信号状态图。

作为本发明的进一步改进，所述信号状态图为热力图，其中，所述热力图中的像素值用于表征所述光纤若干个光纤位置在若干个时间上的信号值的信息。

作为本发明的进一步改进，对热力图通过颜色从浅到深来表示震动强度由小到大。

本发明还公开了一种光纤传感系统的振动模型的确定方法，包括以下步骤：

步骤A：接收光纤电信号，获取所述光纤电信号中对应若干个光纤位置在若干个时间的信号值；其中，所述光纤电信号是由光纤反射的光信号转换得到的；

步骤B：以光纤位置与光纤起点的距离为恒坐标轴、时间为纵坐标轴建立热力图；所述热力图中的像素值用于表征所述光纤若干个光纤位置在若干个时间上的信号值的信息；

步骤C：对热力图进行预处理，然后按照权利要求1得到的所述应用于光纤传感系统的振动模型进行对照识别，得到当前的振动模型类别。其中，对产生的热力图进行预处理，过滤掉一部分噪声，有利于识别。

作为本发明的进一步改进，步骤A中，设置光纤振动阀值，如果光纤电信号超出光纤振动阀值，则不进行后续步骤。

作为本发明的进一步改进，采用L＝(c*T/n)/2计算所述光纤位置与所述光纤起点之间的距离；其中，c为光在真空中的速度，T为所述光纤位置在所述光纤电信号中的时间长度，n为所述光纤的折射率。

与现有技术相比，本发明的有益效果为：

采用本发明的技术方案，通过利用卷积神经网络算法选择合适的卷积神经网络模型，对获得的光纤振动信号生成的信号状态图进行识别，建立振动模型，并利用历史数据产生的热力图对模型进行训练，调参，并用训练好的模型来对新的热力图进行识别，相比于传统的DTW算法在识别率上有显著的提高，识别准确性好，识别能力强和适用性广。实验结果表明，该方法可以很好的识别振动，完全满足安防领域对入侵行为识别需求。

附图说明

图1是本发明一种应用于光纤传感系统的振动模型的建立方法的流程图。

图2是本发明卷积神经网络模型的结构示意图。

具体实施方式

下面结合附图，对本发明的较优的实施例作进一步的详细说明。

一种应用于光纤传感系统的振动模型的建立方法，包括以下步骤：

步骤S1：通过光纤振动器将振动信号调节成光纤干涉信号输出，接收光纤电信号，如果没有超过预先设定的振动阀值，则利用输出的信号强度、信号周期结合产生信号的时间、产生信号的距离，以光纤位置与光纤起点的距离为横坐标轴、时间为纵坐标轴建立热力图；所述热力图中的像素值用于表征所述光纤若干个光纤位置在若干个时间上的信号值的信息，热力图通过颜色从浅到深来表示震动强度由小到大。

步骤S2：采集不同振动情况下的热力图，对这些数据进行人工标注标签，将人工标注标签和信号状态图的数据信息输入到卷积神经网络模型进行图像识别和CNN训练，得到所述应用于光纤传感系统的振动模型。其中，所述人工标注的标签优选为人工挖掘、机械挖掘、动物经过、机械经过。

其中，所述卷积神经网络模型的图像识别和CNN训练包括以下步骤：

第一阶段，向前传播阶段，具体过程如下：

采用平方误差代价函数讨论多类问题，共c类，共N个训练样本，误差项为：

式(1)中，表示第n个样本对应的标签的第k维的向量，表示第n个样本对应的网络输出的第k个输出；c为代表样本的总类；对于多类问题，输出一般组织为“one-of-c”的形式，也就是只有该输入对应的类的输出节点输出为正，其他类的位或者节点为0或者负数，取决于你输出层的激活函数；sigmoid就是0，tanh就是-1；

因为在全部训练集上的误差只是每个训练样本的误差的总和，所以这里我们先考虑对于一个样本的BP。对于第n个样本的误差，表示为：

然后根据BP规则计算代价函数E关于网络每一个权值的偏导数；用l来表示当前层，当前层的输出可以表示为：

X^l＝f(u^l),with,u^l＝W^lx^l-1+b^l (3)

在式(3)中，X代表输出，u代表输入，w代表权值，b代表偏置，其中l代表网络的第几层；

输出激活函数f(.)可以有很多种，一般是sigmoid函数或者双曲线正切函数。sigmoid将输出压缩到[0,1]，所以最后的输出平均值一般趋于0。所以如果将我们的训练数据归一化为零均值和方差为1，可以在梯度下降的过程中增加收敛性。对于归一化的数据集来说，双曲线正切函数也是不错的选择。

第二阶段，向后传播阶段，具体过程如下：

反向传播回来的误差可以看做是每个神经元的基的灵敏度sensitivities，其中灵敏度的意思就是我们的基b变化多少，误差会变化多少，也就是误差对基的变化率，也就是导数了，反向传播回来的误差，即每个神经元的基的灵敏度为如下式(4)所示。其中，第二个等号是根据求导的链式法则得到的。

因为所以也就是说bias基的灵敏度和误差E对一个节点全部输入u的导数是相等的。这个导数就是让高层误差反向传播到底层的神来之笔。

反向传播第l层的灵敏度为：

δ^l＝(W^l+1)^Tδ^l+1οf'(u^l) (5)

在式(5)中，T代表矩阵转置，W代表权值，u代表神经元信号输入，“ο”表示每个元素相乘；

输出层的神经元的灵敏度为：

δ^L＝f′(u^L)ο(yⁿ-tⁿ). (6)

最后，对每个神经元运用delta(即δ)规则进行权值更新。具体来说就是，对一个给定的神经元，得到它的输入，然后用这个神经元的delta(即δ)来进行缩放。用向量的形式表述就是，对于第l层，误差对于该层每一个权值(组合为矩阵)的导数是该层的输入(等于上一层的输出)与该层的灵敏度(该层每个神经元的δ组合成一个向量的形式)的叉乘。然后得到的偏导数乘以一个负学习率就是该层的神经元的权值的更新了：

在式(7)中，其中l表示神经网络的层数，代表是第几层X是向量，w是第l层的权值，η是学习率，δ表示之前的灵敏度对于bias基的更新表达式差不多；实际上，对于每一个权值(W)_ij都有一个特定的学习率η_Ij。

具体实现过程如图1所示。在图1中，通过光纤振动器将振动信号调节成光纤干涉信号输出；利用输出的信号强度，信号周期结合产生信号的时间，产生信号的距离生成得到热力图，通过颜色从浅到深来表示震动强度大小的，采集不同情况下热力图数据，人工对这些数据进行标注，利用这些数据输入到设计好的卷积神经网络模型进行训练，最终得到需要的识别模型。

深度网络具有强大的学习能力和高效的特征表达能力，更重要的优点是从像素级原始数据到抽象的语义概念逐层提取信息，这使得它在提取图像的全局特征和上下文信息方面具有突出的优势，其中卷积层和池化层是卷积神经网络的重要组成部分。

输入图像通过和三个可训练的滤波器和可加偏置进行卷积，卷积后在C1层产生三个特征映射图，然后特征映射图中每组的四个像素再进行求和，加权值，加偏置，通过一个Sigmoid函数得到三个S2层的特征映射图。这些映射图再进过滤波得到C3层。这个层级结构再和S2一样产生S4。最终，这些像素值被光栅化，并连接成一个向量输入到传统的神经网络，得到输出，网络结构图2如下所示。

在图2中，一般地，C层为特征提取层，每个神经元的输入与前一层的局部感受野相连，并提取该局部的特征，一旦该局部特征被提取后，它与其他特征间的位置关系也随之确定下来；S层是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射为一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。

此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数，降低了网络参数选择的复杂度。卷积神经网络中的每一个特征提取层(C-层)都紧跟着一个用来求局部平均与二次提取的计算层(S-层)，这种特有的两次特征提取结构使网络在识别时对输入样本有较高的畸变容忍能力。

为了验证图像识别算法的性能，图像识别系统设计完成后，利用采集数据生成的热力图进行了测试，利用上述方法建立应用于光纤传感系统的振动模型，再次有振动信号时，对该振动信号的振动模型的确定方法，包括以下步骤：

步骤A：接收光纤电信号，获取所述光纤电信号中对应若干个光纤位置在若干个时间的信号值；设置光纤振动阀值，如果光纤电信号超出光纤振动阀值，则不进行后续步骤。其中，所述光纤电信号是由光纤反射的光信号转换得到的；

步骤B：以光纤位置与光纤起点的距离为恒坐标轴、时间为纵坐标轴建立热力图；所述热力图中的像素值用于表征所述光纤若干个光纤位置在若干个时间上的信号值的信息；其中，采用L＝(c*T/n)/2计算所述光纤位置与所述光纤起点之间的距离；其中，c为光在真空中的速度，T为所述光纤位置在所述光纤电信号中的时间长度，n为所述光纤的折射率。

步骤C：对热力图进行预处理，然后按照权利要求1得到的所述应用于光纤传感系统的振动模型进行对照识别，得到当前的振动模型类别。

由于我们的光纤传感器是布置在土地深处用来探测上方振源类别，因此我们挑选了大型机械挖掘、人工挖掘、汽车经过、敲井四种典型的振源类别和人类或动物经过这种常见的干扰动作信号进行了神经网络模式识别测试。当不同的行为引起的振动不同，产生的干涉信号也不同，经FPGA处理后，产生的频率变化信号波形和幅度也有明显的区别。因此，我们利用上位机的卷积神经网络图像识别算法对FPGA处理后的频率变化信号进行模式识别建模，并进行了预测实验,实验结果表明对振动行为的预测准确率都达到了95％以上，和传统的DTW算法相比，实验结果如表1：

表1实验结果对比分析

以上所述，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书所述和以上所述而顺畅地实施本发明；但是，凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，可利用以上所揭示的技术内容而作出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时，凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。