CN109815892A - 基于cnn的分布式光纤光栅传感网络的信号识别方法 - Google Patents
基于cnn的分布式光纤光栅传感网络的信号识别方法 Download PDFInfo
- Publication number
- CN109815892A CN109815892A CN201910060161.2A CN201910060161A CN109815892A CN 109815892 A CN109815892 A CN 109815892A CN 201910060161 A CN201910060161 A CN 201910060161A CN 109815892 A CN109815892 A CN 109815892A
- Authority
- CN
- China
- Prior art keywords
- vibration
- signal
- vibration signal
- fiber grating
- distributed fiber
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000000835 fiber Substances 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000001537 neural effect Effects 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000009826 distribution Methods 0.000 claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 2
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims 1
- 208000011580 syndromic disease Diseases 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 239000013307 optical fiber Substances 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013479 data entry Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 230000003796 beauty Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明所设计的基于CNN的分布式光纤光栅传感网络的信号识别方法，该方法包括步骤1：对分布式光纤光栅振动传感系统在工况中实际测得的振动信号按信号来源进行分类；步骤2：使每个振动信号类别中的振动数据个数满足振动数据数量的分布概率公式；步骤3：构建分布式光纤光栅振动传感系统的振动信号识别卷积神经元网络模型，使用训练数据集合对振动信号识别卷积神经元网络模型进行训练，从而确定每个振动信号属于的振动信号类别。本发明将深度学习的数学模型应用于光纤领域做信号识别，极大地提升了分布式光纤光栅振动传感系统对各类振动信号的识别率。
Description
技术领域
本发明涉及光纤光栅传感技术领域，具体地指一种基于CNN(卷积神经元网络)的分布式光纤光栅传感网络的信号识别方法。
技术背景
随着光纤光栅传感技术的不断成熟，光纤光栅已经在科研、生产中逐渐体现出其独特的优势，被广泛地应用于在许多工业领域中。为了对铁轨、电缆以及输油管道等大型线路的重要物理量(如应变、温度等)进行测量，光纤光栅传感网络的组网方式朝着长距离、大容量、分布式、高速等大规模组网方式发展。
在分布式光纤光栅传感网络的解调中，首先让固定波长的光脉冲信号下经过传感网络，然后通过特定解调算法将采集到的数据进行解调，解调得到的信号即各个光栅的受力情况，即应变。在得到最终的振动信号后，需要对信号进行分析归类，比如，人员行走信号，车辆行驶信号以及施工信号等。传统的信号识别分析方法主要有：对信号进行短时过零率分析、短时能量分析、小波分析、快速傅立叶变换、希尔伯特-黄变换以及经验模态分解等等。其中，希尔伯特-黄变换和经验模态分解的理论依据不够明朗，尤其缺乏统一理论依据，属于偏主观经验下的一种信号识别方法，适合作为数据资料方面上的算法，而非理论；快速傅立叶变换对于非平稳信号具有局限性，而振动信号大多都是非平稳的；小波分析可以解决非平稳信号的问题，但是对于未知信号不具有自适应性；短时过零率和短时能量分析无法提取到足够的有用信息，对于信号的特征涵盖不高，只适于类别较小以及特征差别明显的信号。
目前，针对分布式光纤光栅振动传感网络的多数信号辨识方法都或多或少存在分辨率不高、鲁棒性不佳等问题。这些方法在一定程度上可以起到信号分类的作用，但识别的精度不够，会导致系统作出错误判决。同时，其中很多算法的时间复杂度相当高，需要大量的系统开销，制约了分布式光纤光栅传感网络的信号识别在实际工程中的应用和发展。
发明内容
本发明的目的就是要提供一种基于CNN的分布式光纤光栅传感网络的信号识别方法，本发明将深度学习的数学模型应用于光纤领域做信号识别，极大地提升了分布式光纤光栅振动传感系统对各类振动信号的识别率。此方法首先将在上位机完成的光纤光栅解调数据进行统计分类，并将每个类别的振动信号做好标签，然后将有标签的数据构建成一个大的数据集合投入构建好的CNN模型中训练，最后得到一个特定用来分类光纤光栅振动信号的识别模型。
为实现此目的，本发明所设计的基于CNN的分布式光纤光栅传感网络的信号识别方法，其特征在于，它包括如下步骤：
步骤1：对分布式光纤光栅振动传感系统在工况中实际测得的振动信号按信号来源进行分类，并对各类振动信号设置各自相应的标签，并对所有标签进行编码；根据实际工程中每个类别振动信号发生的频率次数，预设在工况期间内需要采集的各类别振动信号的目标数量；然后根据分布式光纤光栅振动传感系统实际的采样率，分析实际工况中的各类振动信号的频率，确定各类振动信号的频谱分布在0～200Hz，将各类不定长的振动信号做短时傅里叶谱叠加求均值，转换为信号长度为定长的频谱信号，各类不定长的振动信号的信号长度均能涵盖0～200Hz的频谱范围；
步骤2：使每个振动信号类别中的振动数据个数满足公式：pi＝ni/∑jnj＝1/nall，其中，pi为第i个振动信号类别中振动数据数量的分布概率，ni为第i个振动信号类别中振动数据的数量，nall为振动信号类别总数，nj表示第j个种类的振动信号的数量；
同一个类别下的各个振动数据应满足公式：f(xi,xj)＝{cov(Xi,Xj)/σxiσxj}s.t.f()<T i！＝j，其中，s.t.表示限制条件，xi与xj是同一个类别下的任意两个振动数据；f()代表样本相关系数；cov(Xi,Xj)代表xi与xj的协方差；σxi代表xi的标准差，σxj代表xj的标准差；i！＝j表示i不等于j，将同类振动数据下的任意振动信号两两比较，将同一类别振动数据下的傅里叶频谱相关系数大于设定阈值T(0.95)的两个振动数据任意剔除其中一个，直到各类振动信号遍历完毕，保证，每类振动信号中任意两个振动信号的相关性不高于设定阈值T；
步骤3：构建分布式光纤光栅振动传感系统的振动信号识别卷积神经元网络模型，使用训练数据集合对振动信号识别卷积神经元网络模型进行训练，从而确定每个振动信号属于的振动信号类别。
所述步骤3具体包括以下步骤：
步骤3.1：将分布式光纤光栅振动传感系统实际采集到的振动信号进行短时傅立叶处理，得到训练数据集合，然后构建一个与振动信号的离散傅立叶频谱长度匹配的二维数据输入窗口；
步骤3.2：振动信号识别卷积神经元网络模型为五层的层级结构，具体层级结构包括第一卷积层、第一级池化层、第二卷积层、第二级池化层和全连接层，其中，第一卷积层用于提取分布式光纤光栅振动传感系统采集到的各个振动信号的表层特征，第二卷积层用于提取分布式光纤光栅振动传感系统采集到的各个振动信号的深层特征；第一级池化层和第二级池化层通过平均池化法或最大值池化法来降低分布式光纤光栅振动传感系统采集到的振动信号的纬度；全连接层用于将第二池化层输出的二维振动信号特征线性变换为一维振动信号特征；
步骤3.3：全连接层输出分布式光纤光栅振动传感系统采集的振动信号在各类别振动信号中所占的权重，再通过softmax处理从而确定每个振动信号属于的振动信号类别。
本发明具有如下有益效果：
在光纤光栅传感领域的应用场景下，相比于分布式光纤光栅传感网络的信号识别的传统方法，本发明基于CNN模型实现了分布式传感网络的振动信号的超高精度识别，有效地解决了传统信号识别系统对分布式传感网络的振动信号识别度、鲁棒性过低等问题。同时，本发明对传感网络中各光栅解调出的振动信号不需像传统方法一样做过多且冗杂的数据预处理，在完成一些简单处理后即可投入模型中识别，从而可以加快开发。
在光纤光栅传感领域的应用场景下，实地中采集振动数据构建集合，并对数据集合处理后分为训练数据集和测试数据集；在GPU平台下构建了卷积神经元网络模型，将数据集合投入该模型训练，对模型参数进行优化。相较于传统的振动信号识别方法，CNN模型对分布式光纤光栅振动传感网络的信号具有极高的分辨率和辨识度，而该模型具有较高鲁棒性和稳定性。因此，在光纤光栅传感领域，引入卷积神经元网络做信号识别是大有裨益的。
附图说明
图1为本发明中振动信号识别卷积神经元网络模型的结构框图；
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细说明：
本发明的系统结构框图如图1所示，识别光纤光栅振动信号的卷积神经元网络主要包含卷积层、池化层和全连接层三个模块。卷积层类似数字信号系统里的波形卷积，即有卷积核对于信号具有特征提取以及滤除无用信号的作用；池化层主要完成对数据的降维，避免计算量在层级式神经元网络中不断递增，可以节省系统开销；全连接层是本模型的最后一层结构，主要输出识别结果。
本发明设计的一种基于CNN的分布式光纤光栅传感网络的信号识别方法，它包括如下步骤：
步骤1：对分布式光纤光栅振动传感系统在工况中实际测得的振动信号按信号来源进行分类，并对各类振动信号进行各自相应的标签，并对所有标签进行one-hot编码；根据实际工程中每个类别振动信号发生的频率次数，预设在工况期间内需要采集的各类别振动信号的目标数量(如行走的振动信号一天大致发生100次，工况周期为10天，则该信号的目标存储数量为1000个)；然后根据分布式光纤光栅振动传感系统实际的采样率(1kHz)，分析实际工况中的各类振动信号的频率，确定各类振动信号的频谱分布在0～200Hz(比如，人行信号较缓慢，则时域信号偏长，车行信号较快，则时域信号偏短，但各类信号都分布在0～200Hz内，因此设定可以涵盖0～200Hz的频率信号长度，比如设定256个点的长度)，将各类不定长的振动信号做短时傅里叶谱叠加求均值，转换为信号长度为定长的频谱信号，各类不定长的振动信号的信号长度均能涵盖0～200Hz的频谱范围，本模型主要识别人员行走，车辆行驶以及工地施工等十种振动信号，并将这十种信号的标签做one-hot的编码，比如人员行走标签为0000000001，车辆行驶标签0000000010；每一个振动数据的短时傅里叶叠加平均后的频谱长度为256个采样点；
步骤2：使每个振动信号类别中的振动数据个数满足公式：pi＝ni/∑jnj＝1/nall，其中，pi为第i个振动信号类别中振动数据数量的分布概率(尽可能保持pi均匀分布，误差+2％以内)，ni为第i个振动信号类别中振动数据的数量，nall为振动信号类别总数，nj表示第j个种类的振动信号的数量；
同一个类别下的各个振动数据应满足公式：f(xi,xj)＝{cov(Xi,Xj)/σxiσxj}s.t.f()<T i！＝j，其中，s.t.表示限制条件，xi与xj是同一个类别下的任意两个振动数据；f()代表样本相关系数；cov(Xi,Xj)代表xi与xj的协方差；σxi代表xi的标准差，σxj代表xj的标准差，i！＝j表示i不等于j，在样本相关系数小的情况下，样本xi,xj记入数据集，反之，在相关系数越接近设定阈值T的情况下(一般来说阈值取0.95)；将同类振动数据下的任意振动信号两两比较，将同一类别振动数据下的傅里叶频谱相关系数大于0.95的两个振动数据任意剔除其中一个，减少该类不必要的冗杂数据，直到各类振动信号遍历完毕，保证，每类振动信号中任意两个振动信号的相关性不高于设定阈值(0.95)，数据量能达到目标值则构建完成，若达不到，则需要加噪，收缩或拉伸频谱幅值等处理增加数据集样本直至达标；
步骤3：构建分布式光纤光栅振动传感系统的振动信号识别卷积神经元网络模型，使用训练数据集合对振动信号识别卷积神经元网络模型进行训练，从而确定每个振动信号属于的振动信号类别；
所述步骤3具体包括以下步骤：
步骤3.1：将分布式光纤光栅振动传感系统实际采集到的振动信号进行短时傅立叶处理，得到训练数据集合，然后构建一个与振动信号的离散傅立叶频谱长度匹配的二维数据输入窗口(在实际工况中的信号频率谱主要分布在0～200Hz，样本的数据长度设定是256点，才可以囊括这个频率段内的数据，256点的数据长度即对应16*16的矩阵，那么窗口设置成16*16，设定训练次数为50次，即每个数据都要训练50次。数据集合中的数据长度是256，转化成二维矩阵是16*16，振动信号只有单个数据通道，并不像RGB图像一样具有3个通道，所以最终输入的数据是16*16*1的三维矩阵)；
步骤3.2：振动信号识别卷积神经元网络模型为五层的层级结构，具体层级结构包括第一卷积层、第一级池化层、第二卷积层、第二级池化层和全连接层，如图1所示，其中，第一卷积层用于提取分布式光纤光栅振动传感系统采集到的各个振动信号的表层特征，第二卷积层用于提取分布式光纤光栅振动传感系统采集到的各个振动信号的深层特征；第一级池化层和第二级池化层用于通过平均池化法或最大值池化法降低分布式光纤光栅振动传感系统采集到的振动信号的纬度；全连接层用于将第二池化层输出的二维振动信号特征线性变换为一维振动信号特征；
步骤3.3：全连接层输出分布式光纤光栅振动传感系统采集的振动信号在各类别振动信号中所占的权重。一般训练好的模型，数据在其对应种类下具有最高的权重，再通过softmax处理确定每个振动信号属于的振动信号类别。softmax处理后，权重会转换为所有种类所占的概率(概率之和为100％)，数据在其对应种类下具有最高的概率。
所述步骤3.3中，softmax处理的公式如下：
Si＝ei/∑jej
其中，ei代表第i个权重的指数变换，∑jej表示所有权重指数变换后的和，Si代表第i个权重指数变换后的输出概率占比。
上述技术方案中，所述第一卷积层和第二卷积层的前向传播公式如下：
其中，w代表一个卷积核，x为振动信号做短时傅立叶后的数据，后加项的权值wb为卷积核的偏移量，f映射代表激励映射，ai,j表示x经卷积层后提取到的特征，m表示卷积核的第m行，n表示卷积核的第n列，i表示输入信号行的偏移量，j表示输入信号列的偏移量。
步骤4：对第一卷积层和第二卷积层的卷积核采用二维的截断高斯分布进行数据初始化。第一卷积层和第二卷积层的学习率设为0.001，卷积层步进都设置为1；
步骤5：步骤3.3确定的每个振动信号属于的振动信号类别通过BP神经网络反向传播，选择SGD随机梯度下降法并引入L1_norm正则项进行模型的凸优化，更新第一卷积层、第二卷积层和全连接层的卷积核参数，使确定的每个振动信号属于的振动信号类别误差最小；
步骤6：重复步骤B5直到设定训练满50次结束；
步骤7：保存训练完后的振动信号识别卷积神经元网络模型和卷积核更新后的所有参数，利用预设的振动信号测试数据集合对训练完的CNN模型进行性能测试。
上述技术方案中，在第一卷积层、第二卷积层和全连接层的卷积核参数更新时采用滑动平均模型可保证模型的鲁棒性；即公式：shadowvar＝decay*shadowvar+(1-decay)*var
s.t.decay＝min{decay,(1+numupdate)/(10+numupdate)}
其中，shadowvar代表振动信号识别卷积神经元网络模型中更新的最终数据；decay代表振动信号识别卷积神经元网络模型更新数据的衰减系数，var代表卷积核应当更新的数据；numupdate代表数据更新的次数，不引入振动信号识别卷积神经元网络模型时，shadowvar会直接更新为var，会使系统产生随机上下的波动，导致其不稳定。
上述技术方案的步骤3.2中，第一卷积层包含20个5x5x1的特征卷积核，第一级池化层的池化尺寸选择2x2，相当于数据量减少3/4，第二卷积层包含32个5x5x20的特征卷积核，第二级池化层的池化尺寸选择2x2，相当于数据量减少3/4，全连接层将上一层乘以一个矩阵变成10*1的输出矩阵。
上述技术方案中样本集的构建在实际情况中普遍存在分布不均匀，数据太少以及数据噪点过多等问题，这些都会导致系统的过拟合，单一地实地采集很难构建一个较为完美的数据集，因此对数据做预处理显得格外重要。一般的数据集预处理可以加噪，变形等处理来增加样本数量；有一些类别的样本数据的确存在数据量过少的情况，比如振动信号中的施工信号便不是一个长期发生的信号。对于这类样本即使做预处理也增加不了太多衍生出的样本，因此需要在训练时对于这类样本的选择概率要上调，使得此类样本的训练次数大于别类样本。
上述技术方案中，构建卷积神经元网络模型的方式较为单一，核心的工作在于相关参数的设置。一般来说，在全连接层采用softmax回归的方式将输出的概率分布映射到指数上，与设定标签之间的差别可以用交叉熵描述，可使BP神经网络在反向传播时不受求导后的未知因子影响；在描述损失函数上，可以加入L1正则增强模型稀疏性，加入L2正则防止模型过拟合；在卷积核数据初始化上采用截断的高斯分布最佳；模型每训练一次后的数据更新最好采用滑动平均模型，保证系统在后期更新数据时的稳定性和鲁棒性；BP传播中处理中凸优化(convex optimization)的过程可采用随机梯度下降法和适应性动量估计法等。其中，本发明采用随机梯度下降法来保证模型的数据更新优化。
在整个模型的构建和训练过程中，由开始的识别率不到10％，经过多轮的训练，最后基本稳定在了99.9％，具有相当高的识别率。相较传统的一些算法，可能只在特定的数据下具有良好识别率；CNN模型在简单的数据识别上减少层级深度，复杂的数据识别上加大层级深度就可以做到识别的需求，从而对不同程度上的数据都可以具有相当高的识别率；也正是这一特点，CNN模型完全可以在分布式光纤光栅传感领域适应不同环境下的不同振动信号。
总的来说，在光纤光栅传感领域，应用机器学习的算法可以用来识别应变、声音及其他形式扭曲不变性信号。由于CNN的特征检测层通过训练数据进行学习，所以在使用CNN时，避免显式振动信号特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，而本发明中的分布式中，各光纤光栅的振动数据的识别也是可以进行并行识别的，这是光纤光栅传感领域采用卷积神经元网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音和信号处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，减小了系统的开销，特别是输入的一维振动信号可以通过转换直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (9)
1.一种基于CNN的分布式光纤光栅传感网络的信号识别方法，其特征在于，它包括如下步骤：
步骤1：对分布式光纤光栅振动传感系统在工况中实际测得的振动信号按信号来源进行分类，并对各类振动信号设置各自相应的标签，并对所有标签进行编码；根据实际工程中每个类别振动信号发生的频率次数，预设在工况期间内需要采集的各类别振动信号的目标数量；然后根据分布式光纤光栅振动传感系统实际的采样率，分析实际工况中的各类振动信号的频率，确定各类振动信号的频谱分布在0～200Hz，将各类不定长的振动信号做短时傅里叶谱叠加求均值，转换为信号长度为定长的频谱信号，各类不定长的振动信号的信号长度均能涵盖0～200Hz的频谱范围；
步骤2：使每个振动信号类别中的振动数据个数满足公式：pi＝ni/∑jnj＝1/nall，其中，pi为第i个振动信号类别中振动数据数量的分布概率，ni为第i个振动信号类别中振动数据的数量，nall为振动信号类别总数，nj表示第j个种类的振动信号的数量；
同一个类别下的各个振动数据应满足公式：f(xi,xj)＝{cov(Xi,Xj)/σxiσxj}s.t.f()<Ti！＝j，其中，xi与xj是同一个类别下的任意两个振动数据；f()代表样本相关系数；cov(Xi,Xj)代表xi与xj的协方差；σxi代表xi的标准差，σxj代表Xj的标准差；i！＝j表示i不等于j，将同类振动数据下的任意振动信号两两比较，将同一类别振动数据下的傅里叶频谱相关系数大于设定阈值T的两个振动数据任意剔除其中一个，直到各类振动信号遍历完毕，保证，每类振动信号中任意两个振动信号的相关性不高于设定阈值T；
步骤3：构建分布式光纤光栅振动传感系统的振动信号识别卷积神经元网络模型，使用训练数据集合对振动信号识别卷积神经元网络模型进行训练，从而确定每个振动信号属于的振动信号类别。
2.根据权利要求1所述的基于CNN的分布式光纤光栅传感网络的信号识别方法，其特征在于：所述步骤3具体包括以下步骤：
步骤3.1：将分布式光纤光栅振动传感系统实际采集到的振动信号进行短时傅立叶处理，得到训练数据集合，然后构建一个与振动信号的离散傅立叶频谱长度匹配的二维数据输入窗口；
步骤3.2：振动信号识别卷积神经元网络模型为五层的层级结构，具体层级结构包括第一卷积层、第一级池化层、第二卷积层、第二级池化层和全连接层，其中，第一卷积层用于提取分布式光纤光栅振动传感系统采集到的各个振动信号的表层特征，第二卷积层用于提取分布式光纤光栅振动传感系统采集到的各个振动信号的深层特征；第一级池化层和第二级池化层通过平均池化法或最大值池化法来降低分布式光纤光栅振动传感系统采集到的振动信号的纬度；全连接层用于将第二池化层输出的二维振动信号特征线性变换为一维振动信号特征；
步骤3.3：全连接层输出分布式光纤光栅振动传感系统采集的振动信号在各类别振动信号中所占的权重，再通过softmax处理从而确定每个振动信号属于的振动信号类别。
3.根据权利要求2所述的基于CNN的分布式光纤光栅传感网络的信号识别方法，其特征在于：所述步骤3.3中，softmax处理的公式如下：
Si＝ei/∑jej
其中，ei代表第i个权重的指数变换，∑jej表示所有权重指数变换后的和，S代表第i个权重指数变换后的输出概率占比。
4.根据权利要求2所述的基于CNN的分布式光纤光栅传感网络的信号识别方法，其特征在于：所述第一卷积层和第二卷积层的前向传播公式如下：
其中，w代表一个卷积核，x为振动信号做短时傅立叶后的数据，后加项的权值wb为卷积核的偏移量，f映射代表激励映射，ai,j表示x经卷积层后提取到的特征，m表示卷积核的第m行，n表示卷积核的第n列，i表示输入信号行的偏移量，j表示输入信号列的偏移量。
5.根据权利要求2所述的基于CNN的分布式光纤光栅传感网络的信号识别方法，其特征在于：所述步骤3后还包括步骤4：对第一卷积层和第二卷积层的卷积核采用二维的截断高斯分布进行数据初始化。
6.根据权利要求5所述的基于CNN的分布式光纤光栅传感网络的信号识别方法，其特征在于：步骤4后还包括步骤5：步骤3.3确定的每个振动信号属于的振动信号类别通过BP神经网络反向传播，选择SGD随机梯度下降法并引入L1_norm正则项进行模型的凸优化，更新第一卷积层、第二卷积层和全连接层的卷积核参数，使确定的每个振动信号属于的振动信号类别误差最小。
7.根据权利要求6所述的基于CNN的分布式光纤光栅传感网络的信号识别方法，其特征在于：步骤5后还包括步骤6：重复步骤B5直到设定训练满50次结束。
8.根据权利要求7所述的基于CNN的分布式光纤光栅传感网络的信号识别方法，其特征在于：所述步骤6后还包括步骤7：保存训练完后的振动信号识别卷积神经元网络模型和卷积核更新后的所有参数，利用预设的振动信号测试数据集合对训练完的CNN模型进行性能测试。
9.根据权利要求6所述的基于CNN的分布式光纤光栅传感网络的信号识别方法，其特征在于：在第一卷积层、第二卷积层和全连接层的卷积核参数更新时采用滑动平均模型可保证模型的鲁棒性；即公式：shadowvar＝decay*shadowvar+(1-decay)*var
s.t.decay＝min{decay,(1+numupdate)/(10+numupdate)}
其中，shadowvar代表振动信号识别卷积神经元网络模型中更新的最终数据；decay代表振动信号识别卷积神经元网络模型更新数据的衰减系数，var代表卷积核应当更新的数据；numupdate代表数据更新的次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910060161.2A CN109815892A (zh) | 2019-01-22 | 2019-01-22 | 基于cnn的分布式光纤光栅传感网络的信号识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910060161.2A CN109815892A (zh) | 2019-01-22 | 2019-01-22 | 基于cnn的分布式光纤光栅传感网络的信号识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109815892A true CN109815892A (zh) | 2019-05-28 |
Family
ID=66603583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910060161.2A Pending CN109815892A (zh) | 2019-01-22 | 2019-01-22 | 基于cnn的分布式光纤光栅传感网络的信号识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109815892A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110186591A (zh) * | 2019-05-31 | 2019-08-30 | 珠海西默电气股份有限公司 | 基于人工智能的分布式光纤探测系统 |
| CN110570613A (zh) * | 2019-09-18 | 2019-12-13 | 广州亓行智能科技有限公司 | 基于分布式光纤系统的围栏振动入侵定位和模式识别方法 |
| CN110751073A (zh) * | 2019-10-12 | 2020-02-04 | 武汉理工大学 | 基于分布式光纤传感和深度学习的管道早期损伤模式识别方法 |
| CN111696625A (zh) * | 2020-04-21 | 2020-09-22 | 天津金域医学检验实验室有限公司 | 一种fish室荧光计数系统 |
| CN112491468A (zh) * | 2020-11-20 | 2021-03-12 | 福州大学 | 基于孪生节点辅助传感的fbg传感网络节点故障定位方法 |
| CN112539772A (zh) * | 2020-11-02 | 2021-03-23 | 上海大学 | 一种基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法 |
| CN113029327A (zh) * | 2021-03-02 | 2021-06-25 | 招商局重庆公路工程检测中心有限公司 | 基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法 |
| CN113280906A (zh) * | 2021-06-18 | 2021-08-20 | 太原理工大学 | 基于计算机视觉的泡生法籽晶最佳接种时机振动感知方法 |
| CN113670432A (zh) * | 2021-07-14 | 2021-11-19 | 苏州大学 | 振动信息自感知识别与自供能传感系统及识别方法 |
| CN114626420A (zh) * | 2022-03-25 | 2022-06-14 | 合肥工业大学 | 一种基于CWT-Xception-RF的φ-OTDR振动事件分类方法 |
| CN114684217A (zh) * | 2022-03-16 | 2022-07-01 | 武汉理工大学 | 一种轨道交通健康监测系统及方法 |
| CN115394024A (zh) * | 2022-08-10 | 2022-11-25 | 武汉烽理光电技术有限公司 | 一种基于光栅阵列的步行监测和预测方法及装置 |
| CN116306819A (zh) * | 2023-03-22 | 2023-06-23 | 大连海事大学 | 基于光谱重构的高光谱交叉定标方法、装置及电子设备 |
-
2019
- 2019-01-22 CN CN201910060161.2A patent/CN109815892A/zh active Pending
Non-Patent Citations (2)
| Title |
|---|
| CHENGJIN XU，ET.AL: "Pattern recognition based on time-frequency analysis and convolutional neural networks for vibrational events in φ-OTDR", 《OPTICAL ENGINEERING》 * |
| 常传勇: "系统相似度量中特征选择方法", 《机械工程师》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110186591A (zh) * | 2019-05-31 | 2019-08-30 | 珠海西默电气股份有限公司 | 基于人工智能的分布式光纤探测系统 |
| CN110570613A (zh) * | 2019-09-18 | 2019-12-13 | 广州亓行智能科技有限公司 | 基于分布式光纤系统的围栏振动入侵定位和模式识别方法 |
| CN110751073A (zh) * | 2019-10-12 | 2020-02-04 | 武汉理工大学 | 基于分布式光纤传感和深度学习的管道早期损伤模式识别方法 |
| CN111696625A (zh) * | 2020-04-21 | 2020-09-22 | 天津金域医学检验实验室有限公司 | 一种fish室荧光计数系统 |
| CN112539772A (zh) * | 2020-11-02 | 2021-03-23 | 上海大学 | 一种基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法 |
| CN112491468A (zh) * | 2020-11-20 | 2021-03-12 | 福州大学 | 基于孪生节点辅助传感的fbg传感网络节点故障定位方法 |
| CN113029327A (zh) * | 2021-03-02 | 2021-06-25 | 招商局重庆公路工程检测中心有限公司 | 基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法 |
| CN113280906A (zh) * | 2021-06-18 | 2021-08-20 | 太原理工大学 | 基于计算机视觉的泡生法籽晶最佳接种时机振动感知方法 |
| CN113670432A (zh) * | 2021-07-14 | 2021-11-19 | 苏州大学 | 振动信息自感知识别与自供能传感系统及识别方法 |
| CN113670432B (zh) * | 2021-07-14 | 2022-12-06 | 苏州大学 | 振动信息自感知识别与自供能传感系统的识别方法 |
| CN114684217A (zh) * | 2022-03-16 | 2022-07-01 | 武汉理工大学 | 一种轨道交通健康监测系统及方法 |
| CN114684217B (zh) * | 2022-03-16 | 2024-03-01 | 武汉理工大学 | 一种轨道交通健康监测系统及方法 |
| CN114626420A (zh) * | 2022-03-25 | 2022-06-14 | 合肥工业大学 | 一种基于CWT-Xception-RF的φ-OTDR振动事件分类方法 |
| CN114626420B (zh) * | 2022-03-25 | 2024-09-06 | 合肥工业大学 | 一种基于CWT-Xception-RF的φ-OTDR振动事件分类方法 |
| CN115394024A (zh) * | 2022-08-10 | 2022-11-25 | 武汉烽理光电技术有限公司 | 一种基于光栅阵列的步行监测和预测方法及装置 |
| CN115394024B (zh) * | 2022-08-10 | 2024-02-23 | 武汉烽理光电技术有限公司 | 一种基于光栅阵列的步行监测和预测方法及装置 |
| CN116306819A (zh) * | 2023-03-22 | 2023-06-23 | 大连海事大学 | 基于光谱重构的高光谱交叉定标方法、装置及电子设备 |
| CN116306819B (zh) * | 2023-03-22 | 2024-05-03 | 大连海事大学 | 基于光谱重构的高光谱交叉定标方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109815892A (zh) | 基于cnn的分布式光纤光栅传感网络的信号识别方法 | |
| CN110491416B (zh) | 一种基于lstm和sae的电话语音情感分析与识别方法 | |
| CN110442684B (zh) | 一种基于文本内容的类案推荐方法 | |
| CN111126386B (zh) | 场景文本识别中基于对抗学习的序列领域适应方法 | |
| CN110289003A (zh) | 一种声纹识别的方法、模型训练的方法以及服务器 | |
| CN110751044B (zh) | 基于深度网络迁移特征与增广自编码的城市噪声识别方法 | |
| CN106952649A (zh) | 基于卷积神经网络和频谱图的说话人识别方法 | |
| CN101587546B (zh) | 基于支持向量多元分类的下肢动作模式的识别方法 | |
| CN102982803A (zh) | 基于hrsf及改进dtw算法的孤立词语音识别方法 | |
| CN106504772B (zh) | 基于重要性权重支持向量机分类器的语音情感识别方法 | |
| CN107393554A (zh) | 一种声场景分类中融合类间标准差的特征提取方法 | |
| CN103474072B (zh) | 利用纹理特征与随机森林的快速抗噪鸟鸣声识别方法 | |
| CN104978507A (zh) | 一种基于声纹识别的智能测井评价专家系统身份认证方法 | |
| CN111859010B (zh) | 一种基于深度互信息最大化的半监督音频事件识别方法 | |
| CN111724770B (zh) | 一种基于深度卷积生成对抗网络的音频关键词识别方法 | |
| CN114863937B (zh) | 基于深度迁移学习与XGBoost的混合鸟鸣识别方法 | |
| CN113111786B (zh) | 基于小样本训练图卷积网络的水下目标识别方法 | |
| CN112562741A (zh) | 一种基于点积自注意力卷积神经网络的歌声检测方法 | |
| Ge et al. | Optimization of computer aided design system for music automatic classification based on feature analysis | |
| CN117727307B (zh) | 基于特征融合的鸟类声音智能识别方法 | |
| CN110009025A (zh) | 一种用于语音测谎的半监督加性噪声自编码器 | |
| CN113268628A (zh) | 一种基于模块化的加权融合神经网络的音乐情感识别方法 | |
| CN116524960A (zh) | 一种基于混合熵下采样和集成分类器的语音情感识别系统 | |
| CN113989893A (zh) | 一种基于表情和语音双模态的儿童情感识别算法 | |
| CN105006231A (zh) | 基于模糊聚类决策树的分布式大型人口语者识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190528 |
|
| RJ01 | Rejection of invention patent application after publication |