基于分布式光纤传感及融合神经网络的高铁入侵监测方法

本发明属于高速铁路沿线周界监测，具体涉及一种基于分布式光纤传感及融合神经网络的高铁入侵监测方法。

背景技术：

1、高速铁路普遍具有沿线里程长且地质复杂等特点，这种特点可能导致突发灾害，如落石、泥石流等情况，对高铁行车安全构成严重威胁。因此，有必要以高速铁路运行安全为重点，建立轨道沿线周界安全实时监测系统，对突发状况做出预警。

2、作为分布式光纤传感技术(dofs)的重要分支，das因其能够实现光纤沿线动态振动的长距离、分布式、实时定量监测，因此非常适用于高铁沿线周界安防监测。光纤传感监测数据不仅包括扰动发生的时间序列数据，还包括扰动位置的空间序列数据，为后续的分析提供了丰富的信息。为了从海量数据中提取出有效信息，国内外学者尝试将机器学习算法与分布式光纤传感技术相结合，通过人为地定义一些特征后，选择适当的机器学习算法，例如相关向量机、决策树、随机森林等，得到最终分类结果。虽然这些方法能通过人工提取特征达到较高的识别率，但存在针对性较强、泛化能力较弱的缺陷。

3、随着深度学习算法的快速发展，其神经网络结构更加复杂多样，能够自动提取信号的深度特征从而减少人工干预，更加适应于更广泛、多变的环境。cnn是一类由数据输入层、卷积层、激励函数层、池化层、全连接层组成的前馈神经网络，是深度学习的代表算法之一。cnn无需手工设计特征提取器，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征，并可通过调整层数及参数，提高模型性能。但cnn无法提取时间序列特征，容易产生过拟合现象，对于信号噪声相对敏感，需要额外的技术来提高模型的鲁棒性。相较于cnn，lstm是一种特别的循环神经网络，是为了解决普通循环神经网络存在的长期依赖问题而设计出来的，其单个循环单元具有多重门，包括输入门、输出门、遗忘门、隐藏特征等。由于独特的设计结构，lstm适合于处理和分析时间序列中间隔和延迟相对较长的重要事件中的关联。为了充分考虑到特定时刻的前后向依赖信息，我们采用了双向lstm(bilstm)模型。然而，bilstm忽略了数据中的空间信息，同时在处理较长序列数据时，可能会遇到梯度消失或梯度爆炸等问题，需要采取一些技术来处理这些问题。因此，在利用das对高铁周界进行监测时，单一的神经网络模型无法有效处理监测数据，需提出一种新的方法，来综合不同神经网络的优势。

4、在其他领域已有研究人员采取将cnn和lstm分别提取到的时间和空间特征进行拼接再分类的方式。但这类既定模型无法直接迁移到高铁入侵监测问题上，因为高铁入侵数据具有扰动样本较少、扰动事件持续时间较短、作用范围较小、扰动类型多样等特性，若无网络结构的进一步优化，仅使用该既定模型训练高铁入侵数据时，则会因为无法针对不同扰动类型的局部特性，导致出现鲁棒性较差、精度不理想、甚至无法区分等缺点。

5、因此目前继续设计出一种适合处理高铁信号数据的、端到端的融合网络结构，使其能够有效提高模型的特征提取能力以及抗干扰能力，使系统在相对复杂的环境下也能保持较高的准确度以及秒级别的反应速度。

技术实现思路

1、解决的技术问题：本发明公开了一种基于分布式光纤传感及融合神经网络的高铁入侵监测方法，利用铁路既有光缆及分布式光纤声波传感系统(das)实现高铁沿线突发事故及非法入侵相关信号的实时监测，利用前沿的卷积神经网络(cnn)、双向长短期记忆神经网络(bilstm)和重新参数化的多层感知机(repmlp)等神经网络分类识别技术，针对高铁常见入侵事件，识别出具体入侵类型，并将事故位置等信息发送给相关监测人员，从而实现高铁周界的长距离、高精度、低耗时的自动化监测。

2、技术方案：

3、一种基于分布式光纤传感及融合神经网络的高铁入侵监测方法，所述高铁入侵监测方法包括以下步骤：

4、s1，利用分布式光纤声波传感系统采集高铁周界的扰动信号，对采集到的扰动信号进行分割处理，将1s内相邻空间范围内若干个采样点的数据划分为一个样本数据，构建包含多种扰动类别标签的样本数据集；

5、s2，针对背景噪声特征，利用启发式阈值小波降噪法去除样本数据中包含的背景噪声；

6、s3，构建高铁入侵检测模型，高铁入侵检测模型包括卷积神经网络、双向长短期记忆神经网络、拼接模块、repmlp模块和softmax层，采用样本数据集对高铁入侵检测模型进行训练和验证；所述卷积神经网络和双向长短期记忆神经网络并行设置，分别对去除背景噪声的样本数据进行特征提取，得到样本数据的空间特征和时间特征：样本数据的空间特征用于表征窗口内扰动信号在相邻采样点间的变化和联系，样本数据的时间特征用于表征在同一窗口内扰动信号随时间的变化行为；所述拼接模块对样本数据的空间特征和时间特征进行拼接，将得到扰动信号的时空特征向量输入到repmlp模块；其中，repmlp模块利用卷积层的局部捕捉特性以表征时空特征向量的几何细节信息，提取得到不同类别扰动信号的瞬时扰动特征；所述softmax层对提取得到的不同类别扰动信号的瞬时扰动特征进行分类，预测得到扰动信号对应的各扰动类别的发生概率；

7、s4，利用分布式光纤声波传感系统采集高铁周界的声波信号，对采集到的声波信号进行分割处理和去噪处理后导入高铁入侵检测模型，提取得到不同采样点位置的声波信号的瞬时扰动特征，输出声波信号对应的各扰动类别的发生概率，将发生概率最高的类型输出为该采样点在当前时刻的分类结果。

8、进一步地，步骤s1中，对采集到的扰动信号进行分割处理，将1s内相邻空间范围内5个采样点的数据划分为一个样本数据。

9、进一步地，所述扰动类别标签包括攀爬、敲击、挖掘、电钻、异物入侵、非法闯入和异常天气影响七种。

10、进一步地，步骤s2中，针对背景噪声特征，利用启发式阈值小波降噪法去除样本数据中包含的背景噪声的过程包括以下步骤：

11、s21，采用coif5小波函数对扰动信号进行三层小波分解计算；

12、s22，设置固定阈值和无偏阈值；

13、s23，对小波分解高频系数的阈值进行量化，并根据第一层小波分解的噪声水平估计进行调整，去除属于噪声的小波系数；当信噪比大于预设信噪比阈值时，采用固定阈值进行降噪处理，否则，采用无偏阈值进行降噪处理

14、s24，通过小波逆变换进行重构，得到去噪后的扰动信号。

15、进一步地，步骤s2中，卷积神经网络包括依次连接的第一二维卷积层、第二二维卷积层、第三二维卷积层、池化层、展平层、第一全连接层、第二全连接层和第三全连接层；

16、所述第一二维卷积层、第二二维卷积层、第三二维卷积层的卷积核大小均为3×3，步长为1，padding为1；对于大小为5×100的输入数据，三个二维卷积层将通道数目从1提升至64，并维持数据后两维的大小不变，仍为5×100；所述池化层用于对第三二维卷积层的输出进行一次大小为2×2的二维max pooling操作，将每个通道的数据大小减小到2×50；所述展平层用于对池化层的输出进行展平，得到长度为6400的一维向量；第一全连接层、第二全连接层和第三全连接层依次对一维向量进行处理，将其映射到64维的空间特征向量。

17、进一步地，所述二维卷积层后分别连接有一个二维的正则化层和一个relu激活函数层；二维的正则化层用于对输出进行批量归一化操作以减小数据分布迁移带来的不利影响，relu激活函数层用于引入非线性的拟合能力；

18、所述第一全连接层和第二全连接层之间连接有dropout层，dropout层用于提高泛化能力，以避免对输入数据进行过拟合。

19、进一步地，所述双向长短期记忆神经网络包括相互堆积的两层lstm网络，每层lstm网络的输入大小为5，隐层大小为16；第二层lstm网络以第一层lstm网络的输出作为输入，同时每层lstm网络将序列数据按正向和反向输入并得到两个方向的输出；

20、将大小为5×100的输入数据输入第一层lstm网络，最终得到两层双向共4个大小为16的隐层输出，拼接得到长度为64的时间特征向量。

21、进一步地，所述repmlp模块包括依次连接的第四全连接层、卷积层、正则化层和第五全连接层；

22、所述repmlp模块对扰动信号的时空特征向量进行处理，将得到的长度为7的logit向量输入softmax层。

23、进一步地，步骤s4中，对输出声波信号对应的各扰动类别的发生概率进行判别，如果所有类型的发生概率均低于预设概率阈值，则判断为非破坏性扰动；如果至少一种类型发生概率高于预设概率阈值，将发生概率最高的类型输出为该采样点在当前时刻的分类结果，并将该采样点位置确定为扰动点位置。

24、有益效果：

25、第一，本发明的基于分布式光纤传感及融合神经网络的高铁入侵监测方法，直接利用铁路既有光缆实现高铁沿线实时监测的需求，无需额外增加设备，降低监测成本及后续的维护费用。

26、第二，本发明的基于分布式光纤传感及融合神经网络的高铁入侵监测方法，依据高铁环境特点，选择利用启发式阈值小波方法对数据进行降噪，能够根据信号特点进行自适应降噪处理，消除复杂环境下背景噪声对分类结果的影响，提升数据整体信噪比。

27、第三，本发明的基于分布式光纤传感及融合神经网络的高铁入侵监测方法，利用融合型神经网络模型自动提取并分析分割后的das信号，充分利用信号的全局特征，通过添加repmlp模块替换单一全连接层，增强了模型局部捕捉特性，有助于精确区分不同扰动类型，提升分类精度，比单一的cnn或lstm模型更加合理，具有高效、全面、强鲁棒性等优点，更加适用于实际高铁周界安防应用。