基于残差网络的分布式光纤传感系统模式识别方法与流程

本发明涉及分布式光纤声、振动传感应用，具体为基于残差网络的分布式光纤传感系统模式识别方法。

背景技术：

1、基于φ-otdr技术的分布式声、振动传感系统具有高灵敏度、抗电磁干扰、监测距离远、成本低等优点已应用于周界安全、油气管道安全预警、列车定位、地质安全监测等领域。

2、目前分布式光纤传感系统的模式识别方法通常采用支持向量机svm,bp，随机森林算法等机器算法对获取的事件信号类型进行分类。这些方法通常是对信号求取时域、频域特征，以对信号进行特征提取或转换建立多维的特征样本。常计算的特征有：均值、方差、小波能量分解、mfcc梅尔系数、短时傅里叶变换等。因此，传统的机器算法进行事件分类时存在样本计算量大，样本信息丢失、训练不收敛、识别准确率低等问题。

3、随着深度学习在图像应用领域的成功，研究者将分布式光纤传感采集事件信号转换为图像进行事件分类。然而事件图像样本生成也存在着样本信息丢失，计算效率低，识别准确率低的问题。对于提高识别准确率的提高，研究者可通过加深网络层数或增加神经元数目的方式提高网络的特征提取能力。但加深网络层次会存在梯度消失或梯度爆炸的问题，导致训练误差增大、识别效果变差，出现网络退化现象。

技术实现思路

1、为了解决背景技术存在的问题，本发明提供一种深度残差网络的光纤传感模式方法，其特征在于，一方面数据预处理不做特征值计算或数据维度转换，保留了事件数据的原始信息。且该方式简单易行，不耗费大量的计算资源。另一方面设计残差网络消除了深度网络模型网络退化问题。提高了分布式光纤das系统模式识别的准确率。

2、本发明的具体技术方案包括以下步骤：

3、步骤1：分布式光纤声传感系统(das)准备。

4、步骤2：数据采集，提取事件信号。

5、步骤3：事件信号处理。

6、步骤4：构建深度残差网络训练模型。

7、步骤5：模型识别分类。

8、进一步地，所述步骤1包含以下步骤：

9、步骤1.1中所述分布式光纤声传感系统das是采用φ-otdr技术，实时采集外界环境扰动信息。

10、步骤1.2所述φ-otdr光学系统包括窄线宽激光器，光脉冲调制器，光放大器edfa，光纤隔离器，光环形器，光学滤波器，光电探测器，高速数据采集卡，计算机等。

11、步骤1.3完成分布式光纤声传感系统的组装，完成对不同类型事件数据采集，保存。

12、进一步地，上述步骤2包含以下步骤：

13、步骤2.1利用数据采集卡采集n次光脉冲(n>1)返回的后向瑞利散射信号；

14、步骤2.2将信号在计算机内存中按行列位置排列，构建时空二维信号矩阵，其中行索引表示光纤点位置，列表示每次脉冲时间点。

15、步骤2.3在环境事件点位置，对应信号矩阵索引，提取出事件信号，信号时间为1s；

16、步骤2.4将事件信号保存或按一定数据格式发送，建立事件样本数据库。

17、进一步地，步骤3主要包含以下步骤：

18、步骤3.1依据采集场景对应事件数据定义数据标签。

19、步骤3.2数据归一化，采取功率归一化方式。其数学计算公式为：

20、

21、式中s(n)为归一化之后的数据信号，x(n)为数据采集获得数据信号。

22、进一步地上述步骤4包含以下步骤

23、步骤4.1划分比例划分数据训练集，测试集，验证集。比例为6：2：2。

24、步骤4.2创建残差网络模型baseline，由3个残差块组成，将样本输入层，特征提取层和识别结果输出层依次级联得到完整深度学习模型

25、步骤4.3模型训练，将训练集、验证集导入模型进行训练，完成后输入测试集进行测试，测试准确率大于95％的模型保存为模型文件。

26、进一步地上述步骤5包含以下步骤

27、步骤5.1按照上述步骤2获取事件信号并输入模型文件

28、步骤5.2模型文件实时判别获得预测结果输出或发送至预警系统平台完成系统模式识别功能的实时在线预测。

29、进一步地，所述baseline模型以残差网络为基础，主要结构为多个顺序相接的残差块。残差网络结构可表示为：

30、xl+1＝xl+f(xl,wl)

31、进一步地，所述baseline模型首先采用一个3*3卷积层与bn层对信号预处理得到样本进行浅层特征提取，将上述得到的结果直接输入残差网络的第一阶段，该阶段6个残差块构成，首先采用1*1的卷积核对浅层特征图进行维度转换，使其与深层特征f(xl,wl)的输出维度一致。f(xl,wl)中包含了三个卷积层，其中卷积核的尺寸分别为1*1，3*3，1*1，负责将输入数据进一步整合，提取深度特征。并在后两层前均添加批量归一化层。

32、所述baseline模型第二阶段与第三阶段采用相同的网络结构，均含有6个残差块，其中第一个残差块的作用一致，均采用1*1的卷积核对浅层特征图进行维度转换。为防止训练过程中梯度消失，在f(xl,wl)的卷积层前均添加批量归一化层，以此实现网络快速收敛。

33、进一步地所述baseline模型经过上述阶段后，将输出结果进行8*8的最大池化，进一步整合深度特征，简化识别参数，最后采用全连接层，将数据转换为一维数据，并采用softmax激活函数，对输出预测进行分类。

34、本发明技术方案具有以下有益效果：

35、对获取事件信号不做手工特征值计算或者时频维度转换，目的是提高了das底层数据采集系统的实时运行效率，并保留了信号的原始信息，防止信号特征丢失。

36、对样本采取功率归一化的方式，降低环境不同声振动源差异带来的样本不均衡影响。

37、相比dnn,cnn等深度网络模型训练时获得各层特征向量乘积相比，深度残差网络任何深度学习层获得特征是各个残差块特征之和，它不会出现梯度消失现象，具有一定的优越性。

38、深度残差网络具有强大的数据特征学习能力，在面对复杂难以拟合的高维数据时，带短接的残差网络有能力拟合更高维函数，增强了模型的准确率和鲁棒性。

技术特征：

1.基于残差网络的分布式光纤传感系统模式识别方法，包括以下步骤：

2.根据权利要求1所述的基于残差网络的分布式光纤传感系统模式识别方法，其特征在于：所述步骤1包含以下步骤：

3.根据权利要求1所述的基于残差网络的分布式光纤传感系统模式识别方法，其特征在于：所述步骤2包含以下步骤：

4.根据权利要求1所述的基于残差网络的分布式光纤传感系统模式识别方法，其特征在于：所述步骤3主要包含以下步骤：

5.根据权利要求1所述的基于残差网络的分布式光纤传感系统模式识别方法，其特征在于：所述步骤4包含以下步骤

6.根据权利要求1所述的基于残差网络的分布式光纤传感系统模式识别方法，其特征在于：所述步骤5包含以下步骤

7.根据权利要求1所述的基于残差网络的分布式光纤传感系统模式识别方法，其特征在于：所述baseline模型以残差网络为基础，主要结构为多个顺序相接的残差块。残差网络结构可表示为：xl+1＝xl+f(xl,wl)。

8.根据权利要求5所述的基于残差网络的分布式光纤传感系统模式识别方法，其特征在于：所述baseline模型首先采用一个3*3卷积层与bn层对信号预处理得到样本进行浅层特征提取，将上述得到的结果直接输入残差网络的第一阶段，该阶段6个残差块构成，首先采用1*1的卷积核对浅层特征图进行维度转换，使其与深层特征f(xl,wl)的输出维度一致。f(xl,wl)中包含了三个卷积层，其中卷积核的尺寸分别为1*1，3*3，1*1，负责将输入数据进一步整合，提取深度特征，并在后两层前均添加批量归一化层；

9.根据权利要求5所述的基于残差网络的分布式光纤传感系统模式识别方法，其特征在于：所述baseline模型经过上述阶段后，将输出结果进行8*8的最大池化，进一步整合深度特征，简化识别参数，最后采用全连接层，将数据转换为一维数据，并采用softmax激活函数，对输出预测进行分类。

技术总结
本发明涉及分布式光纤声、振动传感应用技术领域，特别涉及一种分布式光纤声、振动传感系统模式识别方法。本发明以分布式光纤传感器实时采集环境扰动信号为基础，将环境异常点位置信号作为数据集样本，构建1维深度残差神经网络模型进行智能识别分类。解决深度学习模型面对复杂高维度信号数据时存在梯度消失，梯度爆炸，训练难以收敛，网络退化等问题，深度残差网络具有对数据多层次特征提取和拟合能力，理论上能拟合任何一个函数，有效地解决了传统分布式光纤声、振动传感系统误报率高的问题。在工程化应用上，该方法样本处理简单，模型具有良好的稳健性和鲁棒性，提高了分布式光纤声振动传感系统模式识别的准确率和效率。

技术研发人员：张洪,谢晋元,熊伟竣
受保护的技术使用者：成都声听科技有限责任公司
技术研发日：
技术公布日：2024/1/15