CN110530551B - 基于优化支持向量机的botda的温度提取方法 - Google Patents

Abstract

本发明公开了一种基于优化支持向量机的布里渊光时域分析系统(BOTDA)的温度提取方法，使用布里渊光时域分析系统采集测试光纤的布里渊增益谱参数，采用支持向量机解析布里渊光时域分析系统采集的参数，通过采用粒子群算法、遗传算法、萤火虫算法优化支持向量机模型，从采集到的布里渊增益谱中，提取出更准确的温度信息，利用更快的处理速度，进而提高系统的性能。本发明引入粒子群算法、遗传算法、萤火虫算法优化的支持向量机，提升了布里渊光时域分析系统的温度提取精度和效率，有利于布里渊光时域分析系统在实际监测中的广泛应用。

Description

基于优化支持向量机的BOTDA的温度提取方法

技术领域

本发明属于光纤分布式传感和机器学习领域，涉及一种分布式光纤传感系统，尤其涉及一种基于优化支持向量机的受激布里渊散射的布里渊光时域分析技术。

背景技术

在土木工程、建筑施工、电力配送等领域，为了测量长距离范围内设施(如：桥梁、隧道、油气管道、输电线缆等)的温度、应力等参数的需要(即对关系国计民生的重大设施进行安全监测)，常采用布设测试光纤，通过对测试光纤的温度或受力等参数的测试，来间接测试得到设施在长距离范围内的温度或应力等参数。

目前，测试光纤的布设长度通常为数公里、或数十公里或数百公里，现有技术中，为了采集布设的测试光纤在长距离范围内的工作温度，常使用布里渊光时域分析系统(简称BOTDA)，BOTDA能采集测试光纤的信息参数，比如等间距采集测试光纤在其长度范围内的布里渊增益谱信息，但BOTDA采集到的信息参数均以电信号的形式反映，不能直接读取。

故现有技术常采用洛伦兹曲线拟合算法或支持向量机的算法来解析BOTDA所采集到的信息参数，即通过洛伦兹曲线或支持向量机将BOTDA采集到的电信号参数解析和转化为可读的数字信息参数。其中：洛伦兹曲线拟合算法的解析速度较慢、响应速度和解析效率较低；支持向量机算法的解析速度较快、响应速度和解析效率较高，现应用的范围越来越多。

支持向量机(简称SVM)是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。

支持向量机使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险，是一个具有稀疏性和稳健性的分类器。支持向量机可以通过核方法进行非线性分类，是常见的核学习方法之一。

布里渊光时域分析系统(简称BOTDA)，作为一种重要的DFS技术，在输电线缆、油气管道、土木结构等关系国计民生的重大设施安全监测领域具有广阔的应用前景，布里渊光时域分析技术是基于布里渊散射的分布式光纤传感技术中的主流技术，具有传感距离长、结构相对简单的特点。

分布式光纤传感技术发展迅速，现已广泛应用于一些大型设施领域的安全监测，实现其实时健康状态监测，快速精准定位隐患位置，以确保设施的安全运行。其中，基于布里渊散射的分布式光纤传感系统可以实现温度和应变的测量，该系统传感距离长、精度高，被应用到各个领域，是光纤传感领域的研究热点，但是，如何提高其在实际应用中的性能至关重要。

过去主要是研究基于传统拟合方式对布里渊光时域分析系统的温度进行提取，如采用洛伦兹曲线拟合算法对布里渊光时域分析系统的温度进行提取，但是，这种数据处理方法的数据处理速度慢。目前，基于机器学习方法对布里渊光时域分析系统的温度信息提取具有一定优势。其中，基于机器学习方法的支持向量机的方法在略微损失精度的情况下，数据处理速度大大加快。

但现有的支持向量机算法在解析BOTDA所采集到的电信号参数信息时，其解析出的结果与实测的值存在一定的误差，即现有的支持向量机算法在解析BOTDA所采集到的电信号参数信息时的误差相对较大。

因此，在对测试光纤的温度进行提取时，有必要对现有的支持向量机算法进行优化。即：研究利用优化支持向量机的布里渊光时域分析系统的温度提取方法在实际应用中具有重要意义。

发明内容

鉴于现有数据处理技术存在的上述不足，本发明提出了一种基于优化支持向量机的布里渊光时域分析系统(BOTDA)的温度提取方法，使用布里渊光时域分析系统采集测试光纤的温度参数，采用支持向量机解析布里渊光时域分析系统采集的参数，通过采用粒子群算法、遗传算法、萤火虫算法优化支持向量机模型，从采集到的布里渊增益谱中，提取出更准确的温度信息，利用更快的处理速度，进而提高系统的性能。本发明引入粒子群算法、遗传算法、萤火虫算法优化的支持向量机，提升了布里渊光时域分析系统的温度提取精度和效率，有利于布里渊光时域分析系统在实际监测中的广泛应用。

本发明解决技术问题，所采用的技术方案为：一种基于优化支持向量机的BOTDA的温度提取方法，使用布里渊光时域分析系统采集测试光纤的温度参数，采用支持向量机解析布里渊光时域分析系统采集的参数，所述布里渊光时域分析系统包括分布式反馈激光器、耦合器、声光调制器、电光调制器、第一掺饵光纤放大器、隔离器、偏振扰偏器、环形器、光电探测器、压电振荡器和混频器，分布式反馈激光器发出的激光被耦合器分为两路，分别是泵浦脉冲光和连续探测光，泵浦脉冲光由声光调制器调制生成，被第一掺铒光纤放大器放大，并通过偏振扰偏器消除偏振后进入环形器；连续探测光经过电光调制器被微波信号调制，电光调制器的输出端连接隔离器，泵浦脉冲光和连续探测光在测试光纤中发生受激布里渊散射放大效应，为达到降频目的，压电振荡器产生的本振光与光电探测器探测到的信号在混频器中混频并产生中频信号，采集该中频信号并使用支持向量机进行温度信息提取，使用支持向量机进行温度信息提取时，采用仿生智能优化算法对支持向量机进行优化。

优选的，上述基于优化支持向量机的BOTDA的温度提取方法，所述仿生智能优化算法为粒子群算法，所述粒子群算法的步骤如下：

步骤S1：初始化每组粒子的位置和速度；

步骤S2：计算每个粒子的适应度，根据每个粒子的适应度更新个体极值和全局极值；

步骤S3：更新粒子的位置和速度；

每个粒子有两个属性：速度V和位置X，分别代表移动的快慢和方向，每个粒子单独搜寻最优解，即为p_best，然后每个粒子共享最优解，比较得出全局最优解，即为G_best，速度和位置的更新依赖当前最优解，种群规模为N，其中每个微粒在D维空间中的坐标位置为x_i＝(x_i1,x_i2,...,x_id,...,x_iD)，微粒的速度定义为每次迭代中微粒移动的距离，用v_i＝(v_i1,v_i2,...,v_id,...,v_iD)表示；

微粒在空间中的速度v_id根据式(1)调整：

式(1)中，G_id是群体历史最优解，微粒向群体最优值运动的增量是这个最优解与当前的位置差值；P_id为当前微粒的历史最优解，；t表示当前状态；t+1表示下一时刻状态；c₁、c₂为加速常数；rand表示(0,1)之间的随机数；

微粒自身的位置根据式(2)调整：

微粒的运动根据式(1)和式(2)共同作用，其运动增量与历史飞行经验和群体飞行经验相关，在布里渊光时域分析系统的支持向量机的寻优中，对惩罚因子C和核参数K进行组合寻优；

步骤S4：判断是否为最大迭代次数，如果满足则退出循环，寻优结束，获得最优参数组合，不满足则得到新的粒子种群，并返回步骤S2继续执行循环。

进一步，上述基于优化支持向量机的BOTDA的温度提取方法，在粒子群算法的实验中，参数设置为：最大迭代次数100，种群数量为200，c₁为1.7，c₂为1.5，惯性权重设置为1。

优选的，上述基于优化支持向量机的BOTDA的温度提取方法，所述仿生智能优化算法为遗传算法，所述遗传算法的步骤如下：

步骤S1：种群初始化，随机生成种群；

步骤S2：将群体中的个体基因序列解码为C和K，代进支持向量机进行训练和测试；

步骤S3：计算每个个体的适应度值f_i

式(3)中：M代表评估样本的个数，y_i是第i个评估样本的回归值，x_i是第i个评估样本的特征向量；

步骤S4：确定是否满足终止条件，如果满足则退出循环，寻优结束，获得最优参数组合，不满足终止条件，则继续步骤5；

步骤S5：进行选择、交叉、变异操作，形成新一代个体，返回步骤S2继续执行循环。

优选的，上述基于优化支持向量机的BOTDA的温度提取方法，在遗传算法的实验中，参数设置为：最大迭代次数100，种群数量为200，交叉概率为0.7，变异概率为0.2。

优选的，上述的一种基于优化支持向量机的BOTDA的温度提取方法，所述仿生智能优化算法为萤火虫算法，所述萤火虫算法的步骤如下：

步骤S1：初始化算法基本参数；

步骤S2：随机初始化萤火虫的位置，计算萤火虫的目标函数值作为最大荧光亮度；

步骤S3：计算群体中萤火虫的相对亮度和吸引度，并决定萤火虫的移动方向；

两只萤火虫相互吸引的程度与两个参数有关，一是萤火虫的亮度，发光越亮则说明位置更优；二是距离较远的萤火虫之间吸引力小，萤火虫的相对荧光亮度为：

式(4)中，I₀表示最亮萤火虫的亮度，即自身也就是r＝0处的荧光亮度，与目标函数值相关，目标函数组合越优，自身亮度越高；γ表示光强吸收系数，光强吸收系数设置为常数；T_ij表示萤火虫i与j之间的距离；

相互吸引度：

式(5)中，β₀表示最大吸引度；

步骤S4：更新萤火虫的空间位置，对处在最佳位置的萤火虫进行随机移动；

最优目标迭代式：

x_i(t+1)＝x_i(t)+β(x_j(t)-x_i(t))+α(rand-1/2) (6)

式(6)中，X_i和X_j表示i、j两个萤火虫的位置，α为步长因子，rand表示(0,1)之间的随机数；

步骤S5：根据更新后的萤火虫的位置，重新就算萤火虫的亮度；

步骤S6：判断是否满足停止条件，若满足则停止，输出最优参数组合，若不满足则返回步骤S3继续执行循环3，进行下一次搜索。

进一步的，在萤火虫算法中，将参数设置为：最大迭代次数100，种群数量为200，步长因子α设置为0.5，β为0.2。

更进一步的，上述基于优化支持向量机的BOTDA的温度提取方法，所述布里渊光时域分析系统还包括偏振控制器、第二掺饵光纤放大器、对数检波器和数据采集卡。

上述基于优化支持向量机的BOTDA的温度提取方法，分布式反馈激光器的输出端连接耦合器的输入端，耦合器的输出端分别连接电光调制器和声光调制器的输入端，在耦合器和电光调制器之间连接偏振控制器，声光调制器的输出端连接第一掺饵光纤放大器的输入端，第一掺饵光纤放大器的输出端连接偏振扰偏器的输入端，偏振扰偏器的输出端连接环形器的一个输入端；电光调制器的输出端连接隔离器的输入端，隔离器的输出端通过测试光纤连接环形器的另一个输入端，环形器的输出端通过第二掺饵光纤放大器连接光电探测器的输入端，光电探测器的输出端连接混频器的输入端，混频器的输出端连接对数检波器的输入端，压电振荡器也与混频器连接，对数检波器的输出端连接有数据采集卡。

更进一步的，上述基于优化支持向量机的BOTDA的温度提取方法，数据采集卡将采集到的数据交付给计算机，在计算机中通过优化支持向量机算法对采集的测试光纤的温度参数进行提取，并在计算中采用仿生智能优化算法对支持向量机算法进行优化。

采用上述技术方案后，本发明所具有的有益效果为：

本发明提出的基于优化支持向量机的布里渊光时域分析系统的温度提取方法，采取仿生智能优化算法(粒子群算法、遗传算法、萤火虫算法)对支持向量机模型的参数提前进行优化以提高分类性能。这类算法的基本原理相似，都是模仿生物在以群体生活时发生的行为而构造的随机搜索方法，由此对支持向量机模型的参数进行寻优。支持向量机模型的学习泛化能力直接影响了分类的性能，而核函数类型、核函数参数K及惩罚因子C是至关重要的几个因素。因此，优化后的支持向量机模型在进行温度信息提取时具有更好的性能。本方法借助于粒子群算法、遗传算法、萤火虫算法快速的支持向量机的最优参数组合，得到更好的分类性能。从采集到的布里渊增益谱中，提取出更准确的温度信息，利用更快的处理速度，进而提高系统的性能。本发明引入粒子群算法、遗传算法、萤火虫算法优化的支持向量机，提升了布里渊光时域分析系统的温度提取精度和效率，有利于布里渊光时域分析系统在实际监测中的广泛应用。

附图说明

图1为布里渊光时域分析系统(简称BOTDA)的系统框图。

图2为优化支持向量机提取温度原理示意图。

图3为采用优化支持向量机在不同距离处对BOTDA温度提取误差对比图。

图4为采用优化支持向量机在不同距离处对BOTDA的温度拟合图。

图5为采用优化支持向量机在扫频步长下对BOTDA的温度提取误差对比图

图6为采用优化支持向量机在扫频步长下对BOTDA的温度拟合图。

图中：1-分布式反馈激光器、2-耦合器、3-偏振控制器、4-声光调制器、5-电光调制器、6-第一掺饵光纤放大器、7-第二掺饵光纤放大器、8-隔离器、9-偏振扰偏器、10-环形器、11-光电探测器、12-压电振荡器、13-混频器、14-对数检波器、15-数据采集卡

具体实施方式

下面结合附图对本发明的实施作进一步的描述。

如图1所示，一种布里渊光时域分析系统(简称BOTDA)，包括：分布式反馈激光器1、耦合器2、偏振控制器3、声光调制器4、电光调制器5、第一掺饵光纤放大器6、第二掺饵光纤放大器7、隔离器8、偏振扰偏器9、环形器10、光电探测器11、压电振荡器12、混频器13、对数检波器14和数据采集卡15。

构成上述布里渊光时域分析系统的各硬件的连接关系为：分布式反馈激光器1的输出端连接耦合器2的输入端，耦合器2的输出端分别连接电光调制器5和声光调制器4的输入端，在耦合器2和电光调制器5之间还连接有偏振控制器3，声光调制器4的输出端连接第一掺饵光纤放大器6的输入端，第一掺饵光纤放大器6的输出端连接偏振扰偏器9的输入端，偏振扰偏器9的输出端连接环形器10的一个输入端；电光调制器5的输出端连接隔离器8的输入端，隔离器8的输出端通过测试光纤连接环形器10的另一个输入端，环形器10的输出端通过第二掺饵光纤放大器7连接光电探测器11的输入端，光电探测器11的输出端连接混频器13的输入端，混频器13的输出端连接对数检波器14的输入端，压电振荡器12也与混频器13连接，对数检波器14的输出端连接有数据采集卡15，数据采集卡15将采集到的数据交付给计算机，在计算机中通过支持向量机算法对采集的测试光纤的温度参数进行提取。

在布里渊光时域分析系统中，将测试光纤的两端分别连接在隔离器的输出端和环形器的一个输入端。

在图1中，分布式反馈激光器1发出的激光被耦合器2分为两路，在本实施方式中，耦合器2采用50：50的光耦合器。被耦合器2分为两路的激光，分别是泵浦脉冲光和连续探测光。泵浦脉冲光是由消光比为50dB的声光调制器4调制生成，被第一掺铒光纤放大器6放大，通过一个消除偏振的偏振扰偏器9后进入环形器10。连续探测光经过电光调制器5被微波信号调制，微波信号频率为10.560GHz到10.760GHz，确保探测光在布里渊增益区间扫描，电光调制器5的输出端连接一个隔离器8，用来处理反向传输的光束，最后调制后的信号经过进行边带滤波后进入测试光纤。泵浦脉冲光和连续探测光在测试光纤中发生受激布里渊散射放大效应，散射光经过光电探测器件后转换为电信号，随后将压电振荡器12产生的本振光与光电探测器11探测到的信号在混频器13中混频，产生中频信号，完成降频，方便信号的采集。信号通过对数检波器14，利用数据采集卡15采集数据，最后对采集到的布里渊增益谱进行温度信息提取。

在对布里渊光时域分析系统进行温度提取时，采用优化支持向量机的方法。

本发明提出三种优化支持向量化的方法，分别是：粒子群算法、遗传算法、萤火虫算法。

利用粒子群算法、遗传算法、萤火虫算法这三种中的任一种算法，优化支持向量机模型对温度信息进行提取，得到的在光纤沿线不同位置(不同信噪比)处优化后的温度提取精度，都有所提升，在加大扫频步长时，优化后的支持向量机性能退化更慢。

优化支持向量机提取温度的原理如图2所示，在优化的支持向量机(简称SVM)算法的训练和测试阶段，提取温度信息。根据实际布里渊增益谱的理论分析和性质，实际布里渊增益谱在洛伦兹曲线和高斯曲线之间具有线形，可以用伪Voigt曲线拟合。因此，伪Voigt曲线充当训练样本。在通过优化的支持向量机算法处理之后，输入曲线在训练阶段被转换成不同的温度标度。

为了验证优化的支持向量机算法的鲁棒性，在实验中改变了光纤距离和扫描频率步长的参数，如图2的测试阶段所示。在实验中，测试的布里渊增益谱沿被测光纤用作优化算法的输入以提取温度信息。

本发明提出的三种优化支持向量化的方法，每种方法的具体实施方式如下：

一、粒子群算法

粒子群算法，简称PSO。粒子群算法的具体步骤如下：

步骤S1：初始化每组粒子的位置和速度；

步骤S2：计算每个粒子的适应度，根据每个粒子的适应度更新个体极值和全局极值；

步骤S3：更新粒子的位置和速度；

每个粒子有两个属性：速度V和位置X，分别代表移动的快慢和方向，每个粒子单独搜寻最优解，即为p_best，然后每个粒子共享最优解，比较得出全局最优解，即为G_best，速度和位置的更新依赖当前最优解，种群规模为N，其中每个微粒在D维空间中的坐标位置为x_i＝(x_i1,x_i2,...,x_id,...,x_iD)，微粒的速度定义为每次迭代中微粒移动的距离，用v_i＝(v_i1,v_i2,...,v_id,...,v_iD)表示；

微粒在空间中的速度v_id根据式(1)调整：

式(1)中，G_id是群体历史最优解，微粒向群体最优值运动的增量是这个最优解与当前的位置差值；P_id为当前微粒的历史最优解，c₁、c₂为加速常数；rand表示(0,1)之间的随机数。

注：式(1)中，部分字母的上标带有小写字母“t”，该字符“t”代表时间，含有上标字符“t”的代号，即表示该参数是在当前时间段(如这一秒)得到的参数；含有上标字符“t+1”的代号表示该参数是在当前时间的下一个时段(如下一秒)得到的参数，即t表示当前状态；t+1表示下一时刻状态；

微粒自身的位置根据式(2)调整：

微粒的运动根据式(1)和式(2)共同作用，其运动增量与历史飞行经验和群体飞行经验相关，在布里渊光时域分析系统的支持向量机的寻优中，对惩罚因子C和核参数K进行组合寻优；

步骤S4：判断是否为最大迭代次数，如果满足则退出循环，寻优结束，获得最优参数组合，不满足则得到新的粒子种群，并返回步骤S2继续执行循环。

粒子群算法的主要步骤是迭代，在粒子群算法的实验中，参数优选设置为：最大迭代次数100，种群数量为200，c₁为1.7，c₂为1.5，惯性权重设置为1。

二、遗传算法

遗传算法，简称GA。遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟进化过程搜索最优解的方法。遗传算法以一种群体中所有个体为对象，并利用随机化技术指导对一个被编码的参数空间进行高效搜索，将搜索空间映射到遗传空间，然后将可能的解决方案编码到染色体中，计算每个染色体的适应度，选择最佳染色体并获得最佳解决方案。

遗传算法的具体步骤为：

步骤S1：种群初始化，随机生成种群；

步骤S2：将群体中的个体基因序列解码为C和K，代进支持向量机进行训练和测试；

步骤S3：计算每个个体的适应度值f_i

式(3)中：M代表评估样本的个数，y_i是第i个评估样本的回归值，x_i是第i个评估样本的特征向量；

步骤S4：确定是否满足终止条件，如果满足则退出循环，寻优结束，获得最优参数组合，不满足终止条件，则继续步骤5；

步骤S5：进行选择、交叉、变异操作，形成新一代个体，返回步骤S2继续执行循环。

实验中算法参数设置如下：最大迭代次数100，种群数量为200，交叉概率为0.7，变异概率为0.2。

三、萤火虫算法

萤火虫算法，简称FA。萤火虫算法主要是利用萤火虫的发光特性来进行随机优化，将可行解模拟成萤火虫，而萤火虫的位置和亮度分别对应优化对象和优化目标，每一只萤火虫被比自己更亮的萤火虫吸引的过程，在参数寻优中就是一个搜索和优化过程，萤火虫不断向更亮的萤火虫聚集的过程就是更好的可行解替代历史中所有的可行解的过程。

萤火虫算法的具体步骤为：

步骤S1：初始化算法基本参数；

步骤S2：随机初始化萤火虫的位置，计算萤火虫的目标函数值作为最大荧光亮度；

步骤S3：计算群体中萤火虫的相对亮度和吸引度，并决定萤火虫的移动方向；

两只萤火虫相互吸引的程度与两个参数有关，一是萤火虫的亮度，发光越亮则说明位置更优；二是距离较远的萤火虫之间吸引力小，萤火虫的相对荧光亮度为：

式(4)中，I₀表示最亮萤火虫的亮度，即自身也就是r＝0处的荧光亮度，与目标函数值相关，目标函数组合越优，自身亮度越高；γ表示光强吸收系数，因为荧光会随着距离的增加和传播媒介的吸收逐渐减弱，所以设置光强吸收系数以体现此特性，光强吸收系数设置为常数；T_ij表示萤火虫i与j之间的距离；

相互吸引度：

式(5)中，β₀表示最大吸引度，即光源处(r＝0处)的吸引度；

步骤S4：更新萤火虫的空间位置，对处在最佳位置的萤火虫进行随机移动；

最优目标迭代式：

x_i(t+1)＝x_i(t)+β(x_j(t)-x_i(t))+α(rand-1/2) (6)

式(6)中，X_i和X_j表示i、j两个萤火虫的位置，α为步长因子，rand是随机因子；

步骤S5：根据更新后的萤火虫的位置，重新就算萤火虫的亮度；

步骤S6：判断是否满足停止条件，若满足则停止，输出最优参数组合，若不满足则返回步骤S3继续执行循环3，进行下一次搜索。

在萤火虫算法中，将实验参数设置为：最大迭代次数100，种群数量为200，步长因子α设置为0.5，β为0.2。

图3至图6是分别采用了粒子群算法、遗传算法、萤火虫算法对支持向量机进行了算法优化的试验数据对比图。其中：图3为采用优化支持向量机在不同距离处对BOTDA温度提取误差对比图；图4为采用优化支持向量机在不同距离处对BOTDA的温度拟合图。随着距离的增加，信噪比随着光纤长度的增加而降低，在不同的信噪比下，优化支持向量机在提取温度误差要小于原始支持向量机，拟合精度也优于原始支持向量机。图5为采用优化支持向量机在扫频步长下对BOTDA的温度提取误差对比图；图6为采用优化支持向量机在扫频步长下对BOTDA的温度拟合图。随着频率扫描步长的增加，温度提取的误差会逐渐增加，相比于原始支持向量机，优化支持向量机在误差增加幅度上比较小，鲁棒性较好。

在图3和图5中，带小箭头点的黑色线段，代表未作优化的支持向量机SVM的温度提取值的误差数据；带方框点的黑色线段，代表采用粒子群算法PSO优化支持向量机后的温度提取值的误差数据；带小圆点的黑色线段，代表采用遗传算法GA优化支持向量机后的温度提取值的误差数据；带棱形点的灰色线段，代表采用萤火虫算法FA优化支持向量机后的温度提取值的误差数据。

图3和图5示出的是温度提取误差对比图，从图3和图5中可以看出，采用粒子群算法、遗传算法、萤火虫算法这三种中的任一种算法，其在长度范围内每个点位所提取的温度值的误差数据，均小于未作优化的支持向量机SVM的温度提取值的误差数据，尤其是采用遗传算法GA优化支持向量机后的温度提取值的误差数据最小。

即采用粒子群算法、遗传算法、萤火虫算法这三种中的任一种算法对支持向量机进行优化后，均能提升其温度提取精度。

在图4和图6中，带小箭头点的黑色线段，代表未作优化的支持向量机SVM的拟合优度数据；带方框点的黑色线段，代表采用粒子群算法PSO优化支持向量机后的拟合优度数据；带小圆点的黑色线段，代表采用遗传算法GA优化支持向量机后的拟合优度数据；带棱形点的灰色线段，代表采用萤火虫算法FA优化支持向量机后的拟合优度数据。

图4和图6示出的是温度拟合优度的数据对比图，从图4和图6中可以看出，采用粒子群算法或遗传算法其在长度范围内每个点位的温度拟合优度，均平于或大于未作优化的支持向量机SVM的温度拟合优度。萤火虫算法在不同距离处，在10km至35km的范围内的温度拟合优度略低于未作优化的支持向量机SVM的温度拟合优度，但在扫频步长下，采用萤火虫算法优化后的温度拟合优度还是略高于未作优化的支持向量机SVM的温度拟合优度。

即总体来看，采用粒子群算法、遗传算法、萤火虫算法这三种中的任一种算法对支持向量机进行优化后，均能提升其温度拟合优度。

本发明提出的基于优化支持向量机的布里渊光时域分析系统的温度提取方法，采取仿生智能优化算法(粒子群算法、遗传算法、萤火虫算法)对支持向量机模型的参数提前进行优化以提高分类性能。这类算法的基本原理相似，都是模仿生物在以群体生活时发生的行为而构造的随机搜索方法，由此对支持向量机模型的参数进行寻优。支持向量机模型的学习泛化能力直接影响了分类的性能，而核函数类型、核函数参数K及惩罚因子C是至关重要的几个因素。因此，优化后的支持向量机模型在进行温度信息提取时具有更好的性能。本方法借助于粒子群算法、遗传算法、萤火虫算法快速的支持向量机的最优参数组合，得到更好的分类性能。

综上所述，本发明提出的基于优化支持向量机的布里渊光时域分析系统的温度提取方法如下特征：

1)、在光线沿线不同距离处(不同信噪比下)优化后的支持向量机对布里渊光时域分析系统的温度提取具有更好的精度；

2)、在加大扫频步长的情况下优化后的支持向量机模型对布里渊光时域分析系统的温度提取性能退化更慢。有利于为布里渊光时域分析系统在实际应用中的温度提取提供更好的准确性和效率，为布里渊光时域分析系统的温度提取提供新的方案。

以上所陈述的仅仅是本发明方法的优选实施方式，应当指出，在不脱离本发明方案及装置实质的前提下，在实际实施中可以做出若干更改(比如布里渊光时域分析系统的仪器参数)也应包含在本发明的保护范围以内。

Claims (7)

1.一种基于优化支持向量机的BOTDA的温度提取方法，使用布里渊光时域分析系统采集测试光纤的布里渊增益谱参数，采用支持向量机解析布里渊光时域分析系统采集的参数，所述布里渊光时域分析系统包括分布式反馈激光器(1)、耦合器(2)、声光调制器(4)、电光调制器(5)、第一掺饵光纤放大器(6)、隔离器(8)、偏振扰偏器(9)、环形器(10)、光电探测器(11)、压电振荡器(12)和混频器(13)，其特征在于：所述耦合器为50：50的光耦合器，分布式反馈激光器(1)发出的激光被耦合器(2)分为两路，分别是泵浦脉冲光和连续探测光，泵浦脉冲光是由消光比为50dB的声光调制器(4)调制生成，被第一掺铒光纤放大器(6)放大，并通过偏振扰偏器(9)消除偏振后进入环形器(10)；连续探测光经过电光调制器(5)被微波信号调制，电光调制器(5)的输出端连接隔离器(8)，泵浦脉冲光和连续探测光在测试光纤中发生受激布里渊散射放大效应，压电振荡器(12)产生的本振光与光电探测器(11)探测到的信号在混频器(13)中混频并产生中频信号，采集该中频信号并使用支持向量机进行温度信息提取，使用支持向量机进行温度信息提取时，采用仿生智能优化算法对支持向量机进行优化；所述布里渊光时域分析系统还包括偏振控制器(3)、第二掺饵光纤放大器(7)、对数检波器(14)和数据采集卡(15)；分布式反馈激光器(1)的输出端连接耦合器(2)的输入端，耦合器(2)的输出端分别连接电光调制器(5)和声光调制器(4)的输入端，在耦合器(2)和电光调制器(5)之间连接偏振控制器(3)，声光调制器(4)的输出端连接第一掺饵光纤放大器(6)的输入端，第一掺饵光纤放大器(6)的输出端连接偏振扰偏器(9)的输入端，偏振扰偏器(9)的输出端连接环形器(10)的一个输入端；电光调制器(5)的输出端连接隔离器(8)的输入端，隔离器(8)的输出端通过测试光纤连接环形器(10)的另一个输入端，环形器(10)的输出端通过第二掺饵光纤放大器(7)连接光电探测器(11)的输入端，光电探测器(11)的输出端连接混频器(13)的输入端，混频器(13)的输出端连接对数检波器(14)的输入端，压电振荡器(12)也与混频器(13)连接，对数检波器(14)的输出端连接有数据采集卡(15)；数据采集卡(15)将采集到的数据交付给计算机，在计算机中通过优化支持向量机算法对采集的测试光纤的温度参数进行提取，并在计算中采用仿生智能优化算法对支持向量机算法进行优化。

2.根据权利要求1所述的一种基于优化支持向量机的BOTDA的温度提取方法，其特征在于：所述仿生智能优化算法为粒子群算法，所述粒子群算法的步骤如下：

步骤S1：初始化每组粒子的位置和速度；

步骤S2：计算每个粒子的适应度，根据每个粒子的适应度更新个体极值和全局极值；

步骤S3：更新粒子的位置和速度；

每个粒子有两个属性：速度V和位置X，分别代表移动的快慢和方向，每个粒子单独搜寻最优解，即为p_best，然后每个粒子共享最优解，比较得出全局最优解，即为G_best，速度和位置的更新依赖当前最优解，种群规模为N，其中每个微粒在D维空间中的坐标位置为x_i＝(x_i1,x_i2,...,x_id,...,x_iD)，微粒的速度定义为每次迭代中微粒移动的距离，用v_i＝(v_i1,v_i2,...,v_id,...,v_iD)表示；

微粒在空间中的速度v_id根据式(1)调整：

式(1)中，G_id是群体历史最优解，微粒向群体最优值运动的增量是这个最优解与当前的位置差值；t表示当前状态；t+1表示下一时刻状态；P_id为当前微粒的历史最优解，c₁、c₂为加速常数；rand表示(0,1)之间的随机数；

微粒自身的位置根据式(2)调整：

微粒的运动根据式(1)和式(2)共同作用，其运动增量与历史飞行经验和群体飞行经验相关，在布里渊光时域分析系统的支持向量机的寻优中，对惩罚因子C和核参数K进行组合寻优；

步骤S4：判断是否为最大迭代次数，如果满足则退出循环，寻优结束，获得最优参数组合，不满足则得到新的粒子种群，并返回步骤S2继续执行循环。

3.根据权利要求2所述的一种基于优化支持向量机的BOTDA的温度提取方法，其特征在于：在粒子群算法的实验中，参数设置为：最大迭代次数100，种群数量N为200，c₁为1.7，c₂为1.5，惯性权重设置为1。

4.根据权利要求1所述的一种基于优化支持向量机的BOTDA的温度提取方法，其特征在于：所述仿生智能优化算法为遗传算法，所述遗传算法的步骤如下：

步骤S1：种群初始化，随机生成种群；

步骤S2：将群体中的个体基因序列解码为C和K，代进支持向量机进行训练和测试；

步骤S3：计算每个个体的适应度值f_i

式(3)中：M代表评估样本的个数，y_i是第i个评估样本的回归值，x_i是第i个评估样本的特征向量；

步骤S4：确定是否满足终止条件，如果满足则退出循环，寻优结束，获得最优参数组合，不满足终止条件，则继续步骤5；

步骤S5：进行选择、交叉、变异操作，形成新一代个体，返回步骤S2继续执行循环。

5.根据权利要求4所述的一种基于优化支持向量机的BOTDA的温度提取方法，其特征在于：在遗传算法的实验中，参数设置为：最大迭代次数100，种群数量为200，交叉概率为0.7，变异概率为0.2。

6.根据权利要求1所述的一种基于优化支持向量机的BOTDA的温度提取方法，其特征在于：所述仿生智能优化算法为萤火虫算法，所述萤火虫算法的步骤如下：

步骤S1：初始化算法基本参数；

步骤S2：随机初始化萤火虫的位置，计算萤火虫的目标函数值作为最大荧光亮度；

步骤S3：计算群体中萤火虫的相对亮度和吸引度，并决定萤火虫的移动方向；

两只萤火虫相互吸引的程度与两个参数有关，一是萤火虫的亮度，发光越亮则说明位置更优；二是距离较远的萤火虫之间吸引力小，萤火虫的相对荧光亮度为：

式(4)中，I₀表示最亮萤火虫的亮度，即自身也就是r＝0处的荧光亮度，与目标函数值相关，目标函数组合越优，自身亮度越高；γ表示光强吸收系数，光强吸收系数设置为常数；T_ij表示萤火虫i与j之间的距离；

相互吸引度：

式(5)中，β₀表示最大吸引度；

步骤S4：更新萤火虫的空间位置，对处在最佳位置的萤火虫进行随机移动；

最优目标迭代式：

x_i(t+1)＝x_i(t)+β(x_j(t)-x_i(t))+α(rand-1/2) (6)

式(6)中，X_i和X_j表示i、j两个萤火虫的位置，α为步长因子，rand表示(0,1)之间的随机数；

步骤S5：根据更新后的萤火虫的位置，重新就算萤火虫的亮度；

步骤S6：判断是否满足停止条件，若满足则停止，输出最优参数组合，若不满足则返回步骤S3继续执行循环3，进行下一次搜索。

7.根据权利要求6所述的一种基于优化支持向量机的BOTDA的温度提取方法，其特征在于：在萤火虫算法中，将参数设置为：最大迭代次数100，种群数量为200，步长因子α设置为0.5，β为0.2。

Images