CN110260897A - 一种基于字典学习的布里渊光时域分析仪去噪方法与系统 - Google Patents
一种基于字典学习的布里渊光时域分析仪去噪方法与系统 Download PDFInfo
- Publication number
- CN110260897A CN110260897A CN201910527887.2A CN201910527887A CN110260897A CN 110260897 A CN110260897 A CN 110260897A CN 201910527887 A CN201910527887 A CN 201910527887A CN 110260897 A CN110260897 A CN 110260897A
- Authority
- CN
- China
- Prior art keywords
- brillouin
- gain spectrum
- dictionary
- brillouin gain
- rarefaction representation
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000003287 optical effect Effects 0.000 title claims abstract description 36
- 238000004458 analytical method Methods 0.000 title claims abstract description 34
- 238000001228 spectrum Methods 0.000 claims abstract description 112
- 239000000835 fiber Substances 0.000 claims abstract description 14
- 239000000523 sample Substances 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000003595 spectral effect Effects 0.000 claims description 10
- 239000004744 fabric Substances 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 238000003672 processing method Methods 0.000 abstract 1
- 239000013307 optical fiber Substances 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
- G01D5/26—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light
- G01D5/32—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light
- G01D5/34—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells
- G01D5/353—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre
- G01D5/35338—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre using other arrangements than interferometer arrangements
- G01D5/35354—Sensor working in reflection
- G01D5/35358—Sensor working in reflection using backscattering to detect the measured quantity
- G01D5/35364—Sensor working in reflection using backscattering to detect the measured quantity using inelastic backscattering to detect the measured quantity, e.g. using Brillouin or Raman backscattering
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Optical Transform (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本发明公开了一种布里渊光时域分析仪去噪方法，包括如下步骤：S1：扫描探测光的频率并检测探测光的强度增益，获得沿光纤长度分布的的布里渊增益谱；S2：通过字典学习算法训练布里渊增益谱，获得对应于布里渊增益谱每个位置的稀疏表示系数和稀疏表示字典；S3：将布里渊谱分解成多个子矩阵方块，在布里渊增益谱的局部稀疏表示上添加全局先验条件，利用所述布里渊增益谱的稀疏表示系数和稀疏表示字典进行全局平均；S4：将平均后的子矩阵方块重整得到去噪的布里渊增益谱；本发明中，由于噪声不具有稀疏性的特点，在对布里渊增益谱进行稀疏表示的同时会对噪声进行滤除，为布里渊光时域分析系统提供了一种新的数据处理方法，处理速度快、耗时少。
Description
技术领域
本发明属于分布式光纤传感技术领域，更具体地，涉及一种布里渊光时域分析仪去噪方法与系统。
背景技术
近年来，布里渊光时域分析仪因为可以用来分布式监测光纤应变和温度而备受关注，该分析仪具有空间分辨率高，传感距离长，设备成本低等优点，广泛应用于油气管道泄漏检测，桥梁安全监测和火灾报警等领域。
在传感光纤中，脉冲泵浦光通过受激布里渊散射与反向传播的连续探测光相互作用。当这两束光的频率偏移在布里渊增益频谱内时，高频脉冲泵浦光的能量将转移到连续探测光上，布里渊增益谱峰值对应的中心频率称为布里渊频移。由于布里渊频移与温度应力变化呈线性关系，因此可以通过监测布里渊频移实现对光纤温度和应变的分布式测量。
若考虑声波在光纤传播过程中的衰减，布里渊增益谱gB(Ω)表现为具有一定宽度的洛伦兹曲线分布：
其中g0为峰值增益系数，ΩB为布里渊频移，ΓB为布里渊增益的半高全宽，因而在布里渊光时域分析仪中的布里渊增益谱是冗余的，理想条件下可以使用三个特征值来描述。
在实际应用中，布里渊光时域分析仪的传感距离受到系统信噪比的制约。为了增强信噪比提高传输距离，提出了很多不同的解决方案。最典型的是光脉冲编码和自外差检测方法，这些方法会增加发射端和接收端的复杂性，且只能串行处理一维的数据，在长距离传感系统中会消耗大量的时间。另一种将布里渊增益谱看做二维图像并行处理的图像处理算法是一种更快的方案。这些图像处理算法(如非局部均值，小波去噪和三维块匹配等)在布里渊光时域分析仪中具有良好的去噪效果，然而这些算法均没有考虑布里渊增益谱本身的冗余特性，需要在去噪过程中不断调整算法参数，在实际应用中不具有普遍适用性。
发明内容
为了解决背景技术中存在的问题，本发明提供了一种基于字典学习的布里渊光时域分析仪去噪方法。该去噪方法通过字典学习将布里渊增益谱稀疏表示为在一组过完备字典上的线性组合，而稀疏表示过程可利用噪声不具有稀疏性(稀疏性，通常是指大多数信道系数的能量较小，而几个能量较大的抽头分布相隔较远)的特点，从而在获得布里渊增益谱稀疏特性的同时对噪声进行滤除。本发明具有去噪效果良好、处理速度快的特点。
本发明采用的技术方案包括以下步骤：
(1)获得布里渊增益谱：在传感光纤中，脉冲泵浦光通过受激布里渊散射与反向传播的连续探测光相互作用。通过扫描探测光的频率并检测探测光的强度增益，获得三维布里渊增益谱。
(2)使用字典学习算法训练所述的三维布里渊增益谱，获得对应于所述三维布里渊增益谱的稀疏表示系数和稀疏表示字典；
(3)将所述三维布里渊谱分割成多个子矩阵块，在布里渊增益谱的局部稀疏表示上添加全局先验条件，利用所述稀疏表示系数和稀疏表示字典进行全局平均；
(4)将全局平均后的子矩阵块重整，得到去噪的布里渊增益谱；
更进一步地，步骤(2)中使用K-均值奇异值分解或最优方向法作为字典学习的算法。
更进一步地，步骤(2)中字典学习算法迭代过程中固定稀疏度(稀疏系数的个数)来优化最小误差。
更进一步地，所述稀疏度设置为3时能达到最佳的稀疏表示。
更进一步地，步骤(3)中以子块滑动的方式将布里渊增益谱分解成n×n的子矩阵块，其中n为所述子矩阵块的行数和列数。
更进一步地，步骤(3)中所述步骤三中全局先验条件为
其中X为待求的去噪布里渊增益谱，Y为带噪的布里渊增益谱，D为稀疏表示字典，为局部的布里渊增益谱稀疏表示系数，Rij为取块操作符，i和j分别表示子矩阵块在原始布里渊增益谱中的位置。||·||2表示2-范数操作，表示要求去噪布里渊增益谱和带噪布里渊增益谱之间相似度的对数似然全局约束，λ表示拉格朗日系数，表示要求子矩阵块稀疏表示的局部约束。
进一步地，本发明还提供了一种基于字典学习的布里渊光时域分析仪去噪系统，包括三维布里渊增益谱获取模块、字典学习模块、子矩阵块全局平均模块和子矩阵块重整模块，其中：
所述三维布里渊增益谱获取模块，用于获得布里渊增益谱，在传感光纤中，使脉冲泵浦光通过受激布里渊散射与反向传播的连续探测光相互作用，通过扫描探测光的频率并检测探测光的强度增益，获得三维布里渊增益谱；
所述字典学习模块，用于使用字典学习算法训练所述的三维布里渊增益谱，获得对应于所述三维布里渊增益谱的稀疏表示系数和稀疏表示字典；
所述子矩阵块全局平均模块，用于将所述三维布里渊增益谱分解成多个子矩阵块，在布里渊增益谱的局部稀疏表示上添加全局先验条件，利用所述稀疏表示系数和稀疏表示字典进行全局平均；
所述子矩阵块重整模块，用于将全局平均后的子矩阵块进行重整，得到去噪的布里渊增益谱。
总体而言，与现有技术相比，本发明具有以下创新点：
(1)使用字典学习算法对可用3个特征值描述的布里渊增益谱进行训练，利用噪声在任何变换下不具有稀疏性的特点实现去噪；
(2)将字典学习和全局平均结合用来信号的稀疏表示和信号恢复，重构得到去噪的布里渊增益谱。
与现有技术相比，本发明能够取得以下有益效果：
(1)本发明提供的布里渊光时域分析仪去噪方法，使用字典学习得到布里渊增益谱的稀疏表示，能够快速对布里渊增益谱进行去噪，步骤(2)(3)(4)的去噪时间远小于信号采集时间，可以达到实时去噪的效果；
(2)本发明提供的布里渊光时域分析仪去噪方法，只需要设置布里渊增益谱的稀疏度，避免了传统算法繁琐的调参过程。
(3)本发明提供的布里渊光时域分析仪去噪方法，只对布里渊增益谱的稀疏特征进行提取，对于不能很好满足洛伦兹曲线分布的系统也能进行去噪，适用范围广。
附图说明
图1为本发明提供的基于一种基于字典学习的布里渊光时域分析仪去噪方法的流程图；
图2为本发明提供的基于一种基于字典学习的布里渊光时域分析仪去噪方法的实验装置图；
图3为本发明提供的基于一种基于字典学习的布里渊光时域分析仪去噪方法的布里渊增益谱实验结果图；其中图3(a)为布里渊增益谱的原始数据，图3(b)为布里渊增益谱的去噪数据；
图4为本发明提供的基于一种基于字典学习的布里渊光时域分析仪去噪方法的布里渊频移实验结果图；其中图4(a)为布里渊频移的原始数据，图4(b)为布里渊频移的去噪数据；
图5是本发明提供的一种基于字典学习的布里渊光时域分析仪去噪系统的结构示意图。
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仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明提供了一种基于字典学习的布里渊光时域分析仪的去噪方法，包括：
步骤一：获得布里渊增益谱，在传感光纤中，使脉冲泵浦光通过受激布里渊散射与反向传播的连续探测光相互作用，通过扫描探测光的频率并检测探测光的强度增益，获得三维布里渊增益谱；
步骤二：使用字典学习算法训练所述的三维布里渊增益谱，获得对应于所述三维布里渊增益谱的稀疏表示系数和稀疏表示字典；
在本步骤中，一般使用K-均值奇异值分解或最优方向法作为字典学习算法。优先地，在所述字典学习算法的迭代过程中固定稀疏度。例如本发明实施例中为3。因为理想的布里渊增益谱可由洛伦兹曲线的三个参数(增益系数，布里渊频移，半波宽)来描述，而噪声在任何变换下都不稀疏。使用稀疏表示字典学习的方法训练布里渊增益谱以实现三个稀疏度的稀疏表达。
步骤三：将所述三维布里渊增益谱分解成多个子矩阵块，在布里渊增益谱的局部稀疏表示上添加全局先验条件，利用所述稀疏表示系数和稀疏表示字典进行全局平均；
优选地，在本步骤中，以子块滑动的方式将布里渊增益谱分解成n×n的子矩阵块，其中n为所述子块矩阵的行数和列数。
优选地，上述全局先验条件为：
其中X为待求的去噪布里渊增益谱，Y为带噪的布里渊增益谱，D为稀疏表示字典，为局部的布里渊增益谱稀疏表示系数，Rij为取块操作符，i和j分别表示子矩阵块在原始布里渊增益谱中的位置，||·||2表示2-范数操作，表示要求去噪布里渊增益谱和带噪布里渊增益谱之间相似度的对数似然全局约束，λ表示拉格朗日系数，表示要求子矩阵块稀疏表示的局部约束。
步骤四：将全局平均后的子矩阵块进行重整，得到去噪的布里渊增益谱。
以下结合一具体实施例说明本发明上述方法：
本发明实例使用的布里渊光时域分析仪实验装置图如图2所示。使用中心波长在1550nm的窄线宽光纤激光器1作为光源。光源输出的直流光由3dB光耦合器2分成两束光。其中一束光被电光调制器3正弦调制以产生连续的探测光。微波信号源4以2MHz步长扫描10.55GHz到10.85GHz的频率范围产生电光调制器3的正弦驱动信号。偏振开关5用来消除受激布里渊效应的偏振相关性。两段5km单模光纤6和5km单模光纤光纤8用于测试，实验室温度为22℃，温控室7温度为65℃。另一束光由半导体光放大器9进行调制以产生泵浦光，半导体光放大器9由任意波形发生器10控制，脉冲宽度为15ns。光脉冲随后通过掺铒光纤放大器10和带通滤波器11进行光放大和抑制噪声。泵浦光经过光环形器12的1端口输入，经2端口进入待测光纤，探测光与泵浦光相互作用后经光环形器12的3端口输出。可调谐光滤波器13过滤掉探测光的高频信号，经低噪声的PIN型光电二极管14转换成电信号，随后由示波器15进行采集。
理想的布里渊增益谱可由洛伦兹曲线的三个参数(峰值增益系数，布里渊频移，半高全宽)来描述，而噪声在任何变换下都不稀疏。使用字典学习的方法训练布里渊增益谱以实现三个稀疏度的稀疏表达。本发明实例中在Matlab(R2017a)软件上使用K-均值奇异值分解方法。该算法仅在一次迭代后即可收敛，总误差为0.0013，字典学习时间为44s。
使用字典学习得到每个位置上的稀疏表示会在三维的布里渊增益谱上存在明显的块边界，因而需要添加全局先验条件进行平均。使用子块滑动的方式将原布里渊增益谱分解成多个n×n的矩阵，在布里渊增益谱的局部稀疏表示上添加全局先验条件，利用所述布里渊增益谱的稀疏表示系数和稀疏表示字典进行全局平均。将全局平均后的子矩阵块重整，得到去噪的布里渊增益谱。
得到的布里渊增益谱实验结果如图3所示，其中图3(a)为布里渊增益谱的原始数据，图3(b)为布里渊增益谱的去噪数据。所有光纤位置拟合得到的布里渊频移如图4所示，其中图4(a)为布里渊频移的原始数据，图4(b)为布里渊频移的去噪数据。布里渊频移曲线的波动主要是由光纤中的卷曲应变引起的。系统的信噪比通过布里渊频移曲线上的局部响应平均幅度与标准偏差之间的比率计算得到。经计算，去噪后信号的布里渊频移谱信噪比提高了6.9684dB。
进一步地，如图5所示，本发明还提供了一种基于字典学习的布里渊光时域分析仪去噪系统，包括三维布里渊增益谱获取模块、字典学习模块、子矩阵块全局平均模块和子矩阵块重整模块，其中：
所述三维布里渊增益谱获取模块，用于获得布里渊增益谱，在传感光纤中，使脉冲泵浦光通过受激布里渊散射与反向传播的连续探测光相互作用，通过扫描探测光的频率并检测探测光的强度增益，获得三维布里渊增益谱；
所述字典学习模块，用于使用字典学习算法训练所述的三维布里渊增益谱，获得对应于所述三维布里渊增益谱的稀疏表示系数和稀疏表示字典；
所述子矩阵块全局平均模块，用于将所述三维布里渊增益谱分解成多个子矩阵块，在布里渊增益谱的局部稀疏表示上添加全局先验条件，利用所述稀疏表示系数和稀疏表示字典进行全局平均；
所述子矩阵块重整模块，用于将全局平均后的子矩阵块进行重整，得到去噪的布里渊增益谱。
进一步地，所述字典学习模块使用K-均值奇异值分解或最优方向法作为字典学习算法。
进一步地，所述子矩阵块全局平均模块以子块滑动的方式将布里渊增益谱分解成n×n的子矩阵块，其中n为所述子块矩阵的行数和列数。
进一步地，所述全局先验条件为：
其中X为待求的去噪布里渊增益谱，Y为带噪的布里渊增益谱，D为稀疏表示字典，为局部的布里渊增益谱稀疏表示系数，Rij为取块操作符，i和j分别表示子矩阵块在原始布里渊增益谱中的位置，||·||2表示2-范数操作，表示要求去噪布里渊增益谱和带噪布里渊增益谱之间相似度的对数似然全局约束，λ表示拉格朗日系数，表示要求子矩阵块稀疏表示的局部约束。
总的而言，本发明通过字典学习的方法，从布里渊增益谱冗余性出发，对布里渊光时域分析仪的布里渊增益谱进行训练，能够快速实时地去除噪声。
本发明提供的布里渊光时域分析仪方法，本领域的技术人员容易理解，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。
Claims (10)
1.一种基于字典学习的布里渊光时域分析仪去噪方法，其特征在于，包括以下步骤：
步骤一：获得布里渊增益谱，在传感光纤中，使脉冲泵浦光通过受激布里渊散射与反向传播的连续探测光相互作用，通过扫描探测光的频率并检测探测光的强度增益，获得三维布里渊增益谱；
步骤二：使用字典学习算法训练所述的三维布里渊增益谱，获得对应于所述三维布里渊增益谱的稀疏表示系数和稀疏表示字典；
步骤三：将所述三维布里渊增益谱分解成多个子矩阵块，在布里渊增益谱的局部稀疏表示上添加全局先验条件，利用所述稀疏表示系数和稀疏表示字典进行全局平均；
步骤四：将全局平均后的子矩阵块进行重整，得到去噪的布里渊增益谱。
2.如权利要求1所述的基于字典学习的布里渊光时域分析仪去噪方法，其特征在于，所述步骤二中使用K-均值奇异值分解或最优方向法作为字典学习算法。
3.如权利要求2所述的基于字典学习的布里渊光时域分析仪去噪方法，其特征在于，在所述字典学习算法的迭代过程中固定稀疏度。
4.如权利要求3所述的基于字典学习的布里渊光时域分析仪去噪方法，其特征在于，所述稀疏度设置为3。
5.如权利要求1至4任一项所述的基于字典学习的布里渊光时域分析仪去噪方法，其特征在于，所述步骤三中以子块滑动的方式将布里渊增益谱分解成n×n的子矩阵块，其中n为所述子矩阵块的行数和列数。
6.如权利要求1至4任一项所述的基于字典学习的布里渊光时域分析仪去噪方法，其特征在于，所述步骤三中的全局先验条件为：
其中X为待求的去噪布里渊增益谱，Y为带噪的布里渊增益谱，D为稀疏表示字典，为局部的布里渊增益谱稀疏表示系数，Rij为取块操作符，i和j分别表示子矩阵块在原始布里渊增益谱中的位置，||·||2表示2-范数操作，表示要求去噪布里渊增益谱和带噪布里渊增益谱之间相似度的对数似然全局约束，λ表示拉格朗日系数，表示要求子矩阵块稀疏表示的局部约束。
7.一种基于字典学习的布里渊光时域分析仪去噪系统，其特征在于，包括三维布里渊增益谱获取模块、字典学习模块、子矩阵块全局平均模块和子矩阵块重整模块，其中：
所述三维布里渊增益谱获取模块，用于获得布里渊增益谱，在传感光纤中，使脉冲泵浦光通过受激布里渊散射与反向传播的连续探测光相互作用，通过扫描探测光的频率并检测探测光的强度增益，获得三维布里渊增益谱；
所述字典学习模块，用于使用字典学习算法训练所述的三维布里渊增益谱，获得对应于所述三维布里渊增益谱的稀疏表示系数和稀疏表示字典；
所述子矩阵块全局平均模块，用于将所述三维布里渊增益谱分解成多个子矩阵块，在布里渊增益谱的局部稀疏表示上添加全局先验条件，利用所述稀疏表示系数和稀疏表示字典进行全局平均；
所述子矩阵块重整模块，用于将全局平均后的子矩阵块进行重整，得到去噪的布里渊增益谱。
8.如权利要求7所述的基于字典学习的布里渊光时域分析仪去噪系统，其特征在于，所述字典学习模块使用K-均值奇异值分解或最优方向法作为字典学习算法。
9.如权利要求7或8所述的基于字典学习的布里渊光时域分析仪去噪系统，其特征在于，所述子矩阵块全局平均模块以子块滑动的方式将布里渊增益谱分解成n×n的子矩阵块，其中n为所述子矩阵块的行数和列数。
10.如权利要求9所述的基于字典学习的布里渊光时域分析仪去噪系统，其特征在于，所述全局先验条件为：
其中X为待求的去噪布里渊增益谱，Y为带噪的布里渊增益谱，D为稀疏表示字典，为局部的布里渊增益谱稀疏表示系数，Rij为取块操作符，i和j分别表示子矩阵块在原始布里渊增益谱中的位置，||·||2表示2-范数操作，表示要求去噪布里渊增益谱和带噪布里渊增益谱之间相似度的对数似然全局约束，λ表示拉格朗日系数，表示要求子矩阵块稀疏表示的局部约束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910527887.2A CN110260897B (zh) | 2019-06-18 | 2019-06-18 | 一种基于字典学习的布里渊光时域分析仪去噪方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910527887.2A CN110260897B (zh) | 2019-06-18 | 2019-06-18 | 一种基于字典学习的布里渊光时域分析仪去噪方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110260897A true CN110260897A (zh) | 2019-09-20 |
| CN110260897B CN110260897B (zh) | 2020-11-20 |
Family
ID=67919118
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910527887.2A Active CN110260897B (zh) | 2019-06-18 | 2019-06-18 | 一种基于字典学习的布里渊光时域分析仪去噪方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110260897B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110926355A (zh) * | 2019-11-07 | 2020-03-27 | 华中科技大学 | 一种基于卷积神经网络的布里渊频移提取方法和装置 |
| CN112697179A (zh) * | 2020-11-17 | 2021-04-23 | 浙江工业大学 | 一种基于AdaBoost的布里渊频移提取方法 |
| CN113343173A (zh) * | 2021-06-01 | 2021-09-03 | 浙江大学 | 一种布里渊频移提取方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9267821B2 (en) * | 2010-01-28 | 2016-02-23 | Baker Hughes Incorporated | Combined swept-carrier and swept-modulation frequency optical frequency domain reflectometry |
| CN106500735A (zh) * | 2016-11-03 | 2017-03-15 | 重庆邮电大学 | 一种基于压缩感知的fbg信号自适应修复方法 |
| CN106840454A (zh) * | 2016-11-02 | 2017-06-13 | 北京信息科技大学 | 一种光纤光栅温度测量方法及测量系统 |
| CN107659314A (zh) * | 2017-09-19 | 2018-02-02 | 电子科技大学 | 分布式光纤传感时空二维信号的稀疏化表示及压缩方法 |
| CN109635699A (zh) * | 2018-12-05 | 2019-04-16 | 陕西科技大学 | 一种基于k-svd与omp算法结合的心电信号去噪方法 |
-
2019
- 2019-06-18 CN CN201910527887.2A patent/CN110260897B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9267821B2 (en) * | 2010-01-28 | 2016-02-23 | Baker Hughes Incorporated | Combined swept-carrier and swept-modulation frequency optical frequency domain reflectometry |
| CN106840454A (zh) * | 2016-11-02 | 2017-06-13 | 北京信息科技大学 | 一种光纤光栅温度测量方法及测量系统 |
| CN106500735A (zh) * | 2016-11-03 | 2017-03-15 | 重庆邮电大学 | 一种基于压缩感知的fbg信号自适应修复方法 |
| CN107659314A (zh) * | 2017-09-19 | 2018-02-02 | 电子科技大学 | 分布式光纤传感时空二维信号的稀疏化表示及压缩方法 |
| CN109635699A (zh) * | 2018-12-05 | 2019-04-16 | 陕西科技大学 | 一种基于k-svd与omp算法结合的心电信号去噪方法 |
Non-Patent Citations (3)
| Title |
|---|
| 张啸: "分布式光纤传感信号的稀疏性表示及压缩方法", 《中国优秀硕士学位论文全文数据库 科技信息辑》 * |
| 焦莉娟等: "一种快速的K-SVD图像去噪方法", 《小型微型计算机系统》 * |
| 郭亮等: "基于字典学习和稀疏编码的振动信号去噪技术", 《振动、测试与诊断》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110926355A (zh) * | 2019-11-07 | 2020-03-27 | 华中科技大学 | 一种基于卷积神经网络的布里渊频移提取方法和装置 |
| CN112697179A (zh) * | 2020-11-17 | 2021-04-23 | 浙江工业大学 | 一种基于AdaBoost的布里渊频移提取方法 |
| CN113343173A (zh) * | 2021-06-01 | 2021-09-03 | 浙江大学 | 一种布里渊频移提取方法 |
| CN113343173B (zh) * | 2021-06-01 | 2023-07-21 | 浙江大学 | 一种布里渊频移提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110260897B (zh) | 2020-11-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110260897A (zh) | 一种基于字典学习的布里渊光时域分析仪去噪方法与系统 | |
| Wu et al. | Real-time denoising of Brillouin optical time domain analyzer with high data fidelity using convolutional neural networks | |
| CN110926355B (zh) | 一种基于卷积神经网络的布里渊频移提取方法和装置 | |
| CN107402082B (zh) | 一种布里渊散射信号处理方法及其分布式光纤传感系统 | |
| US9322740B2 (en) | Distributed disturbance sensing device and the related demodulation method based on polarization sensitive optical frequency domain reflectometry | |
| CN111879344B (zh) | 基于捷变频与cs技术的快速布里渊光学时域分析仪及方法 | |
| CN110412038B (zh) | 一种基于单光纤光栅和神经网络的结构损伤位置识别系统 | |
| Cunzheng et al. | Large dynamic range optical fiber distributed acoustic sensing (DAS) with differential-unwrapping-integral algorithm | |
| CN101051869A (zh) | 光缆通信线路安防监控系统 | |
| CN110987373B (zh) | 干涉型光纤传感器相位调制深度的测量方法及测量装置 | |
| Wang et al. | Rapid response DAS denoising method based on deep learning | |
| Zhu et al. | A high-precision wavelength demodulation method based on optical fiber fabry-perot tunable filter | |
| Soriano-Amat et al. | Quadratic phase coding for SNR improvement in time-expanded phase-sensitive OTDR | |
| CN109163748A (zh) | 基于捷变频技术的单端动态分布式布里渊反射装置及方法 | |
| Feng et al. | A OFDR signal processing method based on wavelet transform for improving its sensing performance | |
| CN116295778A (zh) | 分布式声波传感系统及其解调方法 | |
| CN106610303B (zh) | 一种基于fft和编码的botdr传感方法和系统 | |
| Hansen | Spherical expansions of time‐domain acoustic fields: Application to near‐field scanning | |
| RU2460102C1 (ru) | Способ передачи информации и способ выделения сигнала | |
| Ruiz-Lombera et al. | Feasibility study of strain and temperature discrimination in a BOTDA system via artificial neural networks | |
| Wu et al. | Super spatial resolution Raman distributed temperature sensing via deep learning | |
| Karapanagiotis | Evaluation of the generalization performance of a CNN-assisted BOFDA system | |
| Blu et al. | A new high-resolution processing method for the deconvolution of optical coherence tomography signals | |
| CN108803018B (zh) | 光波导纵向折射率分布的重构方法 | |
| CN112697178A (zh) | 一种基于压缩感知的布里渊光信号采集方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |