CN108932480B

CN108932480B - 基于1d-cnn的分布式光纤传感信号特征学习与分类方法

Info

Publication number: CN108932480B
Application number: CN201810590114.4A
Authority: CN
Inventors: 吴慧娟; 陈吉平; 刘香荣; 肖垚; 王梦娇; 唐波; 杨明儒; 邱浩宇; 饶云江
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2018-06-08
Filing date: 2018-06-08
Publication date: 2022-03-15
Anticipated expiration: 2038-06-08
Also published as: CN108932480A; US20180357542A1; US11562224B2

Abstract

本发明公开了一种基于1D‑CNN的分布式光纤传感信号特征学习与分类方法。解决现有分布式光纤传感系统采用人工提取的事件可分辨特征对复杂变化的环境适应能力差，耗时、费力的问题。本发明对获取的各空间点的分布式光纤传感声音、振动信号进行时间分割，建立典型事件信号数据集；构建一维卷积神经网络(1D‑CNN)模型，利用典型事件信号数据训练集对网络进行迭代更新训练得到最优网络参数，利用最优网络学习并提取不同类型事件的1D‑CNN可分辨特征，得到典型事件信号特征集；利用典型事件信号特征集训练不同类型分类器后，筛选出最佳分类器。测试时将测试数据输入最优1D‑CNN网络得到事件可分辨特征，再输入最佳分类器得到分类结果。

Description

基于1D-CNN的分布式光纤传感信号特征学习与分类方法

技术领域

基于1D-CNN的分布式光纤传感信号特征学习与分类方法，将人工智能方法用于分布式光纤声音、振动传感信号的特征提取与分类中，适用于地下管网、长输管道、通信光缆、电力线缆、周界及结构安全监测等应用领域。

背景技术

相敏光时域反射技术(Φ-OTDR)作为分布式光纤传感技术的代表，利用光纤感测沿线环境中声波、振动等物理量的空间分布和时间变化信息，该技术长距离多点定位能力强，同时感测灵敏度高，光纤中无功能器件，寿命长，单端探测，工程施工和维护简便，因此是实现大范围环境安全监测的一种重要技术手段，在管道安全、光电线缆安全、轨道安全、土木结构健康监测及周界安防等应用领域中发挥重要作用。特别是近期相位解调方法的广泛应用使得该系统能够高灵敏探测到较高频的声音和振动信号，在光纤传感研究及安全监测应用方面一度成为研究热点。但在现场数据分析处理、数据挖掘和理解深度及应用软件层面有一定差距，导致产业不够成熟，制约其规模化应用的步伐。单点传感数据定量或定性分析难度不大，但其大规模组网带来了大范围复杂环境中监测时产生的大数据分析处理和深度挖掘等方面的严峻挑战，成为目前光纤传感领域的公共难题。现有基于相位解调的分布式光纤声音、振动传感系统，在实际应用中大范围监测环境复杂，特别是不同段或不同点位埋设环境千差万别，例如，有些段埋在火车道附近，有些段埋在公路附近，有些段则埋在工厂或河流附近，不同点位感知的干扰源类型不同。目前局部的观测处理模型及分类方法，未考虑网络节点分布环境的差异性和复杂性，算法对复杂环境的自适应能力及泛化能力差；利用传统人工特征提取及模式识别方法无法跟上海量节点的数据更新速度及变化模式，导致大范围监测时系统现场智能检测识别能力差，整体误报率偏高，智能化水平不够，无法满足实际应用需求。

发明内容

本发明的目的在于：解决现有分布式光纤声音、振动传感系统在实际应用中，由于大范围监测环境复杂多变，采用人工提取分布式光纤传感信号的事件可分辨特征耗时、费力，对复杂变化的环境适应能力差，系统误报率偏高的问题；提供了一种基于1D-CNN的分布式光纤传感信号特征学习与分类方法。

本发明采用的技术方案如下：

一种基于1D-CNN的分布式光纤传感信号特征学习与分类方法，其特征在于；如下步骤：

步骤1、对获取的各空间点的事件信号进行分割，构建典型事件信号数据集；

步骤2、基于训练好的一维卷积神经网络，对典型事件信号数据集中的信号进行1D-CNN可分辨特征提取，得到事件信号特征集；

步骤3、将事件信号特征集用于训练构建的分类器后，筛选出最佳分类器；

步骤4、将测试数据输入训练好的一维卷积神经网络进行事件可分辨特征提到后，再输入到最佳分类器进行分类。

进一步，所述步骤1的具体步骤如下：

步骤11、基于相位解调的相敏光时域反射技术获取时空响应信号矩阵；

步骤12、将时空响应信号矩阵中每个空间点的一维时间序列，沿时间轴进行事件信号分割，得到包含各类事件信号训练集和测试集的典型事件信号数据集。

进一步，所述步骤2的具体步骤为：

步骤21、构建一维卷积神经网络结构，并设置一维卷积神经网络结构的网络参数；

步骤22、训练步骤21所得到的一维卷积神经网络结构；

步骤23、对训练后的一维卷积神经网络进行网络调优，若迭代结束，得到训练好的一维卷积神经网络，转到步骤24，否则，对调优后的一维卷积神经网络进行重新训练后，再执行步骤23；

步骤24、将典型事件信号数据集的信号输入训练好的一维卷积神经网络进行1D-CNN可分辨特征提取，得到事件信号特征集。

进一步，所述步骤21中，构建的一维卷积神经网络结构为9层，具体为：输入层-卷积层C1-池化层P1-卷积层C2-池化层P2-卷积层C3-池化层P3-全连接层FC1-全连接层FC2。

进一步，所述步骤22的具体步骤为：

步骤221、基于网络训练的起点，采用截断正态分布方法对一维卷积神经网络结构的网络参数进行初始化；具体方法为：假设网络参数θ服从正态分布，网络参数θ的取值限制在[a,b]范围内，被修正后的网络参数θ取值由概率密度函数计算得到：

其中，

表示标准正态分布函数，u、σ为标准正态分布的期望与方差，Φ(·)为标准正态分布的累积分布函数；利用概率密度函数f生成取值在已知限定范围内的θ，作为初始化的网络参数值，θ包含权值矩阵W与偏置变量Bias；

步骤222、输入训练集至步骤221所得的一维卷积神经网络，完成前向传播过程，得到全连接网络的分类输出。

进一步，所述步骤23的具体步骤为：

步骤231、根据全连接网络的分类输出计算交叉熵损失函数C，估计样本真实值与样本预测值之间的距离，公式为:

其中，y、n、a分别表示样本预测值、样本的总数、样本真实值。

步骤232、依据交叉熵损失函数C计算更新梯度后，对网络权值进行更新，采用Adam算法进行优化，具体如下：

m_t＝μ*m_t-1+(1-μ)*g_t (8)

式(7)-(9)中，g_t为计算的目标函数梯度，m_t,n_t分别是梯度的一阶、二阶矩估计，μ、v∈[0,1)，分别为梯度一阶、二阶矩的指数衰减率，设第t次迭代时

则CNN网络参数按式(10)进行更新：

式中，α为学习率，ε为非常小的数；

步骤233、用网络参数θ更新一维卷积神经网络结构，使用测试集信号样本进行测试，若迭代结束，得到训练好的一维卷积神经网络，转到步骤24，否则，对调优后的一维卷积神经网络进行重新训练后，再执行步骤23。

进一步，所述步骤3中，将事件信号特征集用于训练构建的分类器的具体步骤为：

步骤31、分别构建四种分类器：支持向量机、决策树、随机森林分类器和xgb分类器；

步骤32、各分类器对事件信号特征集进行分类，根据混淆矩阵及分类精度、召回率和F-score指标衡量各分类器的分类效果，筛选出最佳分类器。

进一步，所述步骤32的具体步骤为：

步骤321、各分类器对事件信号特征集进行分类，得到分类结果；

步骤322、利用分类结果的混淆矩阵评估和比较不同分类器的分类效果；

步骤323、根据分类结果，计算分类精度Precision、召回率Recall和F-score三种指标以衡量不同分类器的性能，具体公式如下：

式中，Precision为衡量查准率、Recall为查全率、F-score为查准率和查全率的综合指标，TP、FP、FN、TN分别表示某类事件被正确判定的数量、A被错误判定为其他类的数量、其他类事件被判定为A的数量、其他类事件判定为除A外的数量；

步骤324、基于各分类器的分类效果和性能综合评估和比较不同分类器的分类效果，筛选出最佳分类器。

进一步，所述步骤4的具体步骤为：

步骤41、将各空间点获得的时间信号，按数据库准备的样本信号长度进行分割；

步骤42、将分割后的信号输入训练好的一维卷积神经网络，在全连接FC1层得到自动提取的1D-CNN特征作为事件可分辨特征；

步骤43、将事件可分辨特征输入最佳分类器，得到分类结果。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

一、本发明中通过设计深层卷积神经网络(CNN)，利用现场采集的海量数据建立大型事件数据库，用以训练和优化学习网络的结构，实现对分布式光纤沿线典型事件信号特征的深度挖掘，并自动提取不同类型事件信号的可分辨特征，代替人工提取的可分辨特征进行识别和分类，各类典型事件识别准确度高，而且算法更新速度快，识别效果优于基于人工提取特征的分类结果；

二、针对分析的事件对象是一维的声音或振动传感信号，本发明与其他利用CNN的方法不同之处在于，现有利用CNN进行一维信号识别的方法，往往需要进行信号时频变换，将一维信号转换为二维信号，然后使用图像处理中常用的二维卷积神经网络(2D-CNN)结构进行识别分类；本发明专门设计适合分布式光纤传感信号时序结构的一维卷积神经网络(1D-CNN)结构，不仅运算复杂度降低，使得学习效果更好；

三、本发明未直接采用CNN网络的全连接层进行分类，仅利用该网络代替人工提取特征过程，实现复杂变化环境条件下典型事件可分辨特征的自动学习、快速提取；将CNN网络学习得到的特征作为输入，通过设计支持向量机、决策树、随机森林、xgb等分类器，从中选择分类性能最优的作为最终分类器，对整个监测范围内各空间点的感知信号实现在线自动识别，有效避免直接采用CNN网络分类时调整参数的麻烦。

附图说明

图1为本发明的信号处理流程示意图；

图2为本发明中基于相敏光时域反射仪的分布式光纤声音、振动传感系统结构及工作原理图；

图3为本发明中经时间累积得到的分布式光纤声音、振动传感系统的时空响应信号；

图4为本发明中基于现场采集信号样本构建的各类典型管道安全事件信号数据集；

图5为本发明设计的一维卷积神经网络(1D-CNN)结构图；

图6为本发明设计的一维卷积神经网络(1D-CNN)结构参数说明；

图7为本发明中支持向量机(SVM)分类原理图；

图8为本发明中决策树(DT)分类原理图；

图9为本发明中随机森林(RF)分类原理图；

图10为本发明中xgb分类原理图；

图11为本发明中支持向量机(SVM)、决策树(DT)、随机森林(RF)、xgb四种分类算法基于1D-CNN特征分类的混淆矩阵对比；

图12为本发明中支持向量机(SVM)、决策树(DT)、随机森林(RF)、xgb四种分类算法基于1D-CNN特征分类精度(Precision)对比；

图13为本发明中支持向量机(SVM)、决策树(DT)、随机森林(RF)、xgb四种分类算法基于1D-CNN特征分类的召回率(Recall)对比；

图14为本发明中支持向量机(SVM)、决策树(DT)、随机森林(RF)、xgb四种分类算法基于1D-CNN特征分类的F-score对比；

图15为本发明中人工提取的特征；

图16为本发明中支持向量机(SVM)、决策树(DT)、随机森林(RF)、xgb四种分类算法分别基于人工特征、1D-CNN特征分类的F-score对比图；

图17、图18为本发明基于支持向量机(SVM)的在线测试分类效果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

近年来基于卷积神经网络的深度学习算法已经能够解决复杂图像、语音的识别问题，并成功用于传感信号的特征学习与故障诊断。因此，本发明基于深层卷积神经网络(CNN)提出一种基于1D-CNN分布式光纤传感信号特征学习与分类方法，利用现场采集的事件声音或振动信号，用数据驱动方式对CNN网络进行训练，即对不同类型事件信号的可分辨特征进行学习，训练最优时该网络可以自动提取已学习事件信号的可分辨特征；最后通过设计合适分类器实现不同现场环境下多种典型事件信号的识别和分类。该方法可以有效提高系统在复杂噪声环境下的自适应能力和识别准确性，算法更新容易，省却人工提取特征及分类过程的耗时费力，同时识别率又优于人工提取特征的分类结果，有助于推动光纤传感的规模应用，具有巨大的潜在应用价值。具体说明如下：

实施例一

以长距离管道安全监测应用为例，基于一维卷积神经网络(1D-CNN)的分布式光纤声音、振动传感信号特征学习与分类方法，整个信号处理流程如图1所示，主要分为三个部分：

第一部分，数据准备。利用基于相敏光时域反射仪的分布式光纤声音、振动传感系统硬件采集实际应用现场复杂背景环境下管道沿线的声音或振动信号(即分布式光纤传感信号)，对各空间点采集的管道事件信号时间序列按时间段进行分割，构建典型事件信号数据集。

第二部分，构建一维卷积神经网络(1D-CNN)，对典型事件信号进行深度学习与特征提取。先构建一维卷积神经网络，简称为1D-CNN，将典型事件信号数据集中的信号作为输入对构建的一维卷积神经网络进行训练，通过迭代调整使一维卷积神经网络达到最优后，将网络后端全连接层FC1的输出作为深度学习得到的典型事件信号的1D-CNN可分辨特征。

第三部分，识别分类。利用1D-CNN网络从典型事件信号中学习得到的1D-CNN可分辨特征构建事件信号特征集后，训练支持向量机(SVM)、决策树(DT)、随机森林(RF)、xgb等分类器，对典型事件信号分别进行识别分类。根据分类结果的混淆矩阵及分类性能指标参数，如分类精度Precision，召回率Recall和F-score等，筛选出最佳分类器，作为在线测试过程的最终分类器进行在线分类和识别。测试过程，将测试数据进行分割，输入最优1D-CNN网络得到事件可分辨特征，再输入最佳分类器得到分类结果。

实施例二

实施例一中信号采集采用的系统硬件，是基于相位解调的相敏光时域反射(Φ-OTDR)

技术的分布式光纤声音、振动传感系统，系统结构及其工作原理如图2所示。系统硬件由三个部分组成，探测光缆、光信号解调设备、信号处理主机。探测光缆通常采用普通单模通信光纤，一般沿地下管道、输电线缆、城镇道路埋地铺设，也可直接利用沿管道或道路铺设的通信光缆空余纤芯。光信号解调设备是该系统的核心，其内部组成器件主要包括光学器件和电学器件两类。由超窄线宽激光器产生一路连续相干光信号，经声光或电光调制器调制成光脉冲信号，光脉冲信号由掺铒光纤放大器(EDFA)集中放大，放大后的光脉冲信号依次经隔离器、环形器的1端口、2端口注入探测光缆；光脉冲信号沿光缆传输过程产生瑞利散射，其后向瑞利散射光信号沿光缆返回，由环形器的2端口、3端口接收，经光学滤波器滤除噪声信号后经第一耦合器耦合后，再将其注入到一个非平衡马赫曾德尔或迈克尔逊干涉仪等，具体由解调方法确定，经由3*3的第二耦合器输出三路相位差为120度的外界扰动引入的相位变化信息，即可获得声波及振动在光纤上的作用信号，解调出的光信号由光电探测器转换成电信号，再由波形发生卡控制的同步触发模数转换器进行信号同步采集，最后数字电信号通过网络等接口实时传输给信号处理主机。信号处理主机为普通电脑主机(PC)或FPGA/DSP嵌入式主板，用于光纤探测信号的分析、处理，通过特定信号处理算法得到引起声波、振动等的事件信息，并由光时域反射原理确定其位置，以及对感测事件进行智能分析、处理和识别分类。

该系统每个时刻返回沿空间分布的原始信号轨迹，在时间轴上连续累积T条原始信号轨迹，构建得到一个时间T维，空间S维的时空信号矩阵：

{XX＝x_ts(t＝1,2,…,T；s＝1,2,…,S)} (1)

其中T为时间采样长度，S为空间采样长度，单位均为采样点。经时间累积得到的分布式光纤声音、振动传感系统的时空响应信号，如图3所示，横坐标为空间轴，表示管道沿线的数据采集空间点，两空间点的距离为ΔS；纵坐标为时间轴，两采样点采样间隔ΔT＝1/f_s，f_s为时间轴上脉冲触发频率，即时间采样频率。

实施例三

将实施例二累积得到的时空响应信号矩阵中每个空间点的一维时间序列，按列沿时间轴进行事件信号分割，构建典型事件信号数据集raw_data。本发明中以管道安全监测为例，构建管道安全相关的典型事件信号数据集raw_data。具体操作过程如下：对每个空间点的信号时间序列，依次截取时间长度为L的事件信号，如图3中矩形框部分所示，作为事件信号样本，记为X₁,X₂....等，根据实际发生的事件类型分别贴上事件类型标签。

管道安全监测过程中，典型事件类型通常有：平稳环境噪声、人为挖掘、机械挖掘、容易误判的车辆干扰和工厂干扰等。本实施例中，将平稳环境噪声称为正常事件，事件类别标签设为1；将人为挖掘、机械挖掘、车辆干扰、工厂干扰等事件统称为异常事件，其中人为挖掘与机械挖掘为真实异常事件，人为挖掘类别标签设为2，机械挖掘类别标签设为3；而车辆干扰和工厂干扰则属于环境干扰事件，其中车辆干扰类别标签设为4，工厂干扰类别标签设为5。根据事件类型标签分别添加到数据库中，完成五类典型事件信号的数据训练集构建，并将整个数据集按照常规比例7:3划分为训练集raw_train与测试集raw_test。基于管道安全监测现场采集的信号样本，构建的各类典型事件数据集如图4所示，包含各类事件信号训练集和测试集的信号样本数等信息。

实施例四

基于实施例三得到的典型事件数据集，构建并训练1D-CNN深度学习网络结构，通过设计1D-CNN结构并设置网络结构参数、训练网络、网络调优和输出1D-CNN特征四个环节完成原始数据到特征的转换。具体方法如下：

(1)设计1D-CNN结构并设置网络结构参数

本发明采用输入层-卷积层C1-池化层P1-卷积层C2-池化层P2-卷积层C3-池化层P3-全连接层FC1-全连接层FC2共9层的网络结构，如图5所示，具体网络结构参数设置如图6所示。

(2)训练网络

训练数据raw_train经过设置参数后的一维卷积神经网络(1D-CNN)得到预测类别标签，与样本真实类别标签比较得到损失值，以此计算梯度来更新网络参数θ。该网络参数θ包括权值矩阵W与偏置变量Bias。以第一次网络参数更新过程为例进行说明：

1)初始化网络参数θ。初始化状态决定网络训练的起点，为使网络易于收敛，本发明采用截断正态分布方法对网络参数进行初始化。具体方法为：假设网络参数θ服从正态分布，网络参数θ的取值限制在[a,b]范围内，被修正后的网络参数θ取值由概率密度函数计算得到:

其中

表示标准正态分布函数，u、σ为标准正态分布的期望与方差，Φ(·)为标准正态分布的累积分布函数；利用概率密度函数f生成取值在已知限定范围内的θ，θ包含权值矩阵W与偏置变量Bias，作为初始化的网络参数值；

2)输入典型事件信号数据集完成前向传播过程

卷积层：以卷积层C1为例进行说明。C1的卷积核个数为M，大小设为m，每个卷积核需进行K次卷积。设输入的一条训练数据为X_i＝{x₁,x₂....x_L}，X_i属于raw_train，第j个卷积核初始化后的权值矩阵W_j＝[W_j1,W_j2....W_jm],偏置向量为Bias_j，从第一个数据点开始，每次对X_i中n个数据进行卷积，再通过线性修正单元(Rectified Linear Unit，简称为ReLU)，得到非线性激活后的结果：

Conv_jk＝ReLU([x_i,x_i+1....x_i+n]·[W_j1,W_j2....W_jm]+Bias_j) (3)

其中i、j、k、L、M分别表示第i个数据点、第j个卷积核、第k次卷积、输入数据的大小、卷积核的大小。(3)式中采用的ReLU激活函数为：

ReLU＝max(x,0) (4)

依此类推，下一次卷积时起始点移动步长S_conv个数据点。每条数据X_i经过M个卷积核，每个核K次卷积后，得到卷积层C1的输出为Conv1＝[Conv₁,Conv₂…Conv_j…Conv_M],其中Conv_j＝[Conv_j1,Conv_j2…Conv_jk…Conv_jK]。

池化层：以池化层P1为例进行说明。如图5所示，P1中各个核与卷积层C1的卷积核一一对应，核个数也为M，大小设为p，每个核需进行P次池化。池化选用最大池化方式，该池化层输入为Conv1，第j个核对Conv1中的第j个向量Conv_j进行池化，从第一个数据点开始，设移动步长为S_pool个数据点，过程如下：

依此类推，所有核池化完毕，最终池化层P1输出为Pool1＝[Pool₁,Pool₂…Pool_j…Pool_M]。类似再经过卷积层C2-池化层P2-卷积层C3-池化层P3后，得到一个二维数组，将其转换为一维数组，输入由全连接层FC1、全连接层FC2组成的全连接网络得到分类输出。全连接层FC1输出为一个向量H＝[h₁,h₂…h_T]，全连接层FC2输出向量y＝[y₁,y₂…y_N]，其中T、N分别表示FC1的神经元数目、事件类别数。注：本发明中全连接网络分类输出仅作为网络调优使用，为避免复杂的分类参数调整，提高算法效率，最终将FC1输出向量H＝[h₁,h₂…h_T]作为提取出的1D-CNN特征，使用其他分类器进行识别分类。

(3)网络调优

根据步骤(2)得到的分类输出计算损失函数，以此对构建的CNN网络继续更新和调优，具体步骤如下：

1)基于分类输出，计算交叉熵损失函数C，估计样本真实值与样本预测值之间的距离:

其中y、n、a分别表示样本预测值、样本的总数、样本真实值。

2)依据交叉熵损失函数C计算更新梯度，对训练得到的网络权值进行更新，采用Adam算法进行优化，步骤如下：

m_t＝μ*m_t-1+(1-μ)*g_t (8)

式(7)-(9)中，g_t为计算的目标函数梯度，m_t,n_t分别是梯度的一阶、二阶矩估计，μ、v∈[0,1)，分别为梯度一阶、二阶矩的指数衰减率。设第t次迭代时

则ID-CNN网络参数按式(10)进行更新：

式中α为学习率，ε为非常小的数，防止除以零。

用网络参数θ更新一维卷积神经网络后，使用测试集raw_test信号样本进行测试，若迭代未结束，返回继续迭代，直至达到设定的最大迭代次数。保存测试结果最好的模型作为最终的深度学习模型，记为CNN-Model。

(4)输出1D-CNN特征

基于最终的深度学习模型CNN-Model，将其全连接层FC1的输出H作为后面分类器的输入，记为1D-CNN特征向量。

原始数据集raw_data(典型事件信号数据集)中所有的原始数据R_X经过训练好的深度学习模型CNN-Model，得到相应的特征数据R_V，以此构建对应于原始数据集raw_data的1D-CNN特征集feature_data。

实施例五

基于实施例四得到的典型事件信号1D-CNN特征集feature_data，按照常规比例7:3划分为特征训练集feature_train与特征测试集feature_test，分别训练支持向量机(SVM)、决策树(DT)、随机森林分类器(RF)、xgb分类器，根据不同分类器的分类结果优劣选择最佳分类器。同时，通过对比基于1D-CNN可分辨特征和基于人工特征的分类结果，比较评估和验证基于本发明方法提取的1D-CNN可分辨特征的有效性。

具体方法如下：

(1)分别构建以下四种分类器：支持向量机(SVM)、决策树(DT)、随机森林分类器(RF)与xgb分类器。

支持向量机(SVM)分类器通过核函数将数据映射到高维空间，然后通过超平面进行区分,分类原理如图7所示；

决策树(DT)分类器模型呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程。它可以认为是if-then规则的集合，基于特征取值范围完成分类。决策树(DT)分类器分类原理如图8所示；

随机森林分类器(RF)分类器通过构建多棵决策树，最后多数表决进行分类，其分类原理如图9所示；

xgb分类器以决策树为基础，采用提升方法，加权表决进行分类,其分类原理如图10所示。

(2)基于本发明提出的深度学习网络得到的1D-CNN可分辨特征进行分类、评估

将实施例四提取得到的1D-CNN可分辨特征分别输入支持向量机(SVM)、决策树(DT)、随机森林分类器(RF)与xgb分类器，根据分类结果的混淆矩阵及分类的精度(precision)、召回率(recall)、F-score等指标衡量不同分类器的分类效果，最后，再与人工特征对应的分类效果进行对比。

1)用分类结果的混淆矩阵评估和比较不同分类器的分类效果：

混淆矩阵直观清楚的体现了不同类别事件的分类性能以及混淆程度。基于本发明提出的深度学习网络得到的1D-CNN可分辨特征对五类典型管道安全监测事件的分类结果，以混淆矩阵表示形式如图11所示。图11中，行代表真实事件类型，列代表预测的事件类型，对角线上为某类事件被正确判定的样本数量占该类事件总样本的比例，其他网格则为某类事件被误判为其他类事件样本占该类事件总样本的比例。对于所有分类器，采用本发明构建的深度学习网络得到的1D-CNN特征进行分类，除了工厂干扰事件类型5以外，其他四类事件分类正确率都在90％以上；其中支持向量机(SVM)与xgb分类器对于这五类典型事件的分类正确率最高，均在90％以上，证明了基于本发明提取的1D-CNN特征进行分类的有效性。

2)利用分类精度(precision)、召回率(recall)、F-score三种指标综合衡量不同分类器的性能，计算分别如式(11)-(13)所示：

其中，TP、FP、FN、TN分别表示某类事件(例如事件A)被正确判定的数量、A被错误判定为其他类的数量、其他类事件被判定为A的数量、其他类事件判定为除A外的数量。基于本发明提出的深度学习网络得到的1D-CNN可分辨特征得到五类典型事件的分类结果，三个指标对比分别如图12-图14所示，图12-14的分类结果表明，支持向量机(SVM)、随机森林和xgb三种分类器的Precision,Recall和F-score等性能指标均远优于决策树，对于五类典型事件的分类准确率Precision均在95％以上，其中支持向量机(SVM)的F-score综合性能最好，对于五类典型事件的分类结果均能达到95％以上。因此，综合所有分类结果的评估指标，在本发明中选择SVM分类器作为最佳分类器。

整体来讲，对于不同分类器，1、2、3前三类事件的分类效果均优于事件4和5，说明分类器基于本发明深度学习网络提取的1D-CNN可分辨特征，能有效识别背景环境、人为挖掘与机器挖掘等基本事件，仅对部分干扰，如交通干扰与工厂干扰等两类事件有一定的混淆。

3)1D-CNN特征与人工特征分类效果对比

为充分验证本发明提取的1D-CNN可分辨特征的有效性，与基于人工提取特征的分类结果进行对比。其中，基于人工方法提取的具体特征列表如图15所示，包含时域、频域、变换域、倒频域多方位的管道事件信号特征。对于支持向量机(SVM)、决策树(DT)、随机森林分类器(RF)、xgb分类器这四种算法，基于两类特征的分类结果F-score分别进行了比较，结果如图16所示。由结果看出，除决策树(DT)外，其他三种分类方法基于本发明方法提取的1D-CNN特征的分类结果均优于基于人工提取的全方位特征的分类结果，其中使用随机森林分类器时，基于两种特征的分类效果比较相近。该结果进一步说明利用本发明提取的1D-CNN特征能够实现有效分类和识别。

实施例六

根据实施例五的测试结果选择最优分类器，如最后选择支持向量机(SVM)分类器作为在线测试的分类器进行在线识别与分类。

对分布式光纤声音、振动传感系统在各空间点获得的时间信号，按数据库准备的样本信号长度进行分割，将分割的一维信号输入构建好的1D-CNN网络，在全连接FC1层得到自动提取的1D-CNN特征，作为事件可分辨特征；将网络提取的1D-CNN特征输入SVM分类器，得到分类器的输出，该输出即为在线识别与分类结果，分类效果如图17、18所示，基于1D-CNN网络提取的特征，该5类典型事件整体的识别率平均高达98％以上。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。