CN110926355B

CN110926355B - 一种基于卷积神经网络的布里渊频移提取方法和装置

Info

Publication number: CN110926355B
Application number: CN201911084020.0A
Authority: CN
Inventors: 唐明; 昌怡晴; 吴昊; 沈力
Original assignee: Huazhong University of Science and Technology
Current assignee: Huazhong University of Science and Technology
Priority date: 2019-11-07
Filing date: 2019-11-07
Publication date: 2020-10-02
Anticipated expiration: 2039-11-07
Also published as: CN110926355A

Abstract

本发明属于光纤传感技术领域，具体涉及一种基于卷积神经网络的布里渊频移提取方法和装置，方法包括：对于光纤中每个采样位置，对采集的布里渊增益谱进行预处理；将各预处理过的布里渊增益谱进行二维堆叠得到二维图像，二维图像的横坐标为光纤中位置，纵坐标为频率差；将二维图像输入训练好的卷积神经网络，经处理后输出一维数组，对应光纤不同位置的归一化布里渊频移；对各归一化布里渊频移进行反变换，得到光纤不同位置对应的实际布里渊频移。本发明利用卷积神经网络进行频移提取，直接处理的是光纤多个位置的布里渊频谱拼接成的二维图像，具有更强的噪声适应能力，在低信噪比情况下解决了采集时间长和频移提取精度差的问题。

Description

一种基于卷积神经网络的布里渊频移提取方法和装置

【技术领域】

本发明属于光纤传感技术领域，具体涉及一种基于卷积神经网络的布里渊频移提取方法和装置。

【背景技术】

布里渊散射是在光纤中发生的一种非线性散射，是光子与光纤中因为自发运动而产生的声子发生非弹性碰撞产生的，产生的这一散射光与入射光之间的频率差称为布里渊频移(Brillouin frequency shift，简写为BFS)。由于发射的探测光脉冲有一定宽度，以及受光纤中声学声子寿命影响，在频域中，布里渊散射光具有一定宽度，且呈洛伦兹线型，我们称之为布里渊增益谱(Brillouin Gain Spectrum，简写为BGS)，而该增益谱峰值所对应的散射光频率与入射光频率之间的差值即为前文所述的布里渊频移。

布里渊频移的大小取决于声波速度，由于传感光纤收到的温度和应变会影响光纤内部的声波速度，因此可以通过测量布里渊频移来得到传感光纤受到的温度或应变。也因此，在测量中，往往通过测量布里渊频移的变化来测量温度、应变的变化，这就要求我们准确地对布里渊频移进行提取，即从BGS中提取出BFS。在理想状况下提取布里渊频移非常简单，但接收到的信号往往具有较低的信噪比，这就给信号处理带来了难度。

在传统方案中，通常使用洛伦兹拟合方法对布里渊增益谱进行洛伦兹拟合，从而找到增益谱的最高点及其所对应的频移。但该方法实质上是一种迭代算法，需要消耗较长的时间；另一方面，初始值的设定对洛伦兹拟合的结果有很大影响，虽然能够通过一些方法优化初始值的取值，但在信噪比极低时效果有限，在这种情况下，为了取得较好的结果，通常需要对采集到的信号进行512次甚至更多次数的平均来提升信噪比，而这就意味着更长的采集时间以及更差的动态响应，提取精度较差。

为了在低信噪比情况下更快、更精确地提取布里渊频移，也有诸如互相关法和各类基于机器学习的方法被提出。互相关法与洛伦兹拟合方法相比，不需要进行初始值的设定，但其精度并未有显著提升；基于机器学习的方法有SVM、ANN方法等，每次仅使用单个周期的测量数据进行处理，虽能够大大减少信号处理时间，但精度效果提升仍有限，且在采集信号时仍然需要平均到15dB左右的信噪比。因此，为保证在低信噪比情况下节约数据的采集时间、提高布里渊频移提取精度，需要对布里渊频移提取方法进一步改进和优化。

鉴于此，克服上述现有技术所存在的缺陷是本技术领域亟待解决的问题。

【发明内容】

本发明需要解决的技术问题是：

传统方案中通常利用洛伦兹拟合进行布里渊提取，在信噪比极低时，采集信号需要进行更多次的平均来提升信噪比，数据采集时间长、提取精度差，尽管有诸如互相关法和各类基于机器学习的方法被提出，但精度提升效果仍有限。为保证在低信噪比情况下解决采集时间长和布里渊频移提取精度差的问题，仍需对布里渊频移提取方法进一步改进优化。

本发明通过如下技术方案达到上述目的：

第一方面，本发明提供了一种基于卷积神经网络的布里渊频移提取方法，在光纤沿线设有多个采样位置，则布里渊频移提取方法包括：

对于光纤中每个采样位置，对采集到的布里渊增益谱信号进行预处理；

将光纤不同位置预处理过的布里渊增益谱信号进行二维堆叠，得到二维图像；其中，所述二维图像的横坐标为光纤中位置，纵坐标为频率差；

将所述二维图像输入预先训练好的卷积神经网络，经所述卷积神经网络处理后输出一个一维数组，对应光纤中不同位置的归一化布里渊频移；

根据所述预处理过程对输出的各归一化布里渊频移进行反变换，得到光纤中不同位置所对应的实际布里渊频移。

优选的，所述对于光纤中每个采样位置，对采集到的布里渊增益谱信号进行预处理，具体为：

对于光纤中的任一采样位置，将采集到的N次布里渊增益谱进行平均，并将得到的均值作为该采样位置的布里渊增益谱；

对于光纤中的每个采样位置，将平均后的布里渊增益谱进行归一化，得到光纤不同位置所对应的归一化布里渊增益谱；

根据预设的扫频范围和扫频间隔，对光纤不同位置上扫频得到的布里渊频移进行归一化，得到多个归一化布里渊频移。

优选的，所述卷积神经网络包括二维卷积结构和一维卷积结构；

所述二维卷积结构用于对输入的所述二维图像进行二维信息提取，所述一维卷积结构用于对提取的二维信息进行处理，并得到一维数组；其中，所述一维数组中的数值对应光纤中不同位置的归一化布里渊频移。

优选的，所述卷积神经网络包括三部分；

第一部分包括输入层、零填充层、二维卷积层、批量归一化层和最大池化层，用于对所述二维图像进行升维和池化；

第二部分包括一个或多个残差块，用于对所述二维图像进行二维信息提取，实现噪声过滤；其中，所述残差块包括二维卷积层和批量归一化层；

第三部分包括多个一维卷积层，用于对所述二维图像中对应光纤不同位置的信号部分进行处理，提取到对应光纤不同位置的布里渊频移并输出。

优选的，所述卷积神经网络的预先训练过程具体包括：

基于洛伦兹仿真生成训练集和测试集；

利用所述训练集，训练可用于布里渊频移提取的卷积神经网络；

利用所述测试集，测试所训练的卷积神经网络提取布里渊频移的性能。

优选的，所述训练集或所述测试集的生成过程具体包括：

通过不断修改洛伦兹线型公式中的仿真参数对布里渊增益谱信号进行仿真，得到多个不同状态下对应的理想布里渊增益谱；

根据随机生成的信噪比，分别在各理想布里渊增益谱的曲线上叠加高斯白噪声，得到多个不同状态下对应的带噪声的布里渊增益谱；

分别对各带噪声的布里渊增益谱进行归一化处理，得到多个不同状态下对应的归一化噪声布里渊增益谱；

将各归一化噪声布里渊增益谱叠加为第一二维图像，并按照预设长度切割成多个第二二维图像；将与各归一化噪声布里渊增益谱对应的布里渊频移值叠加为第一一维数组，并同样按预设长度切割成多个第二一维数组；

将所述多个第二二维图像作为特征，对应的多个第二一维数组作为标签，生成多个特征-标签对，所述多个特征-标签对形成训练集或测试集；

其中，生成训练集和测试集时，对应选取的仿真参数不同，最终对应得到的归一化噪声布里渊增益谱也不同。

优选的，所述利用所述训练集，训练可用于布里渊频移提取的卷积神经网络，具体为：

在编程环境中搭建一卷积神经网络，并对卷积神经网络的各参数进行随机初始化；其中，所述参数包括网络中各层的权重和偏置；

利用所述训练集对搭建的卷积神经网络进行训练，直至均方误差达到预设值时停止训练，得到可用于提取布里渊频移的卷积神经网络。

优选的，所述利用所述测试集，测试所训练的卷积神经网络提取布里渊频移的性能，具体为：

将所述测试集中的各特征输入训练好的卷积神经网络，并利用该卷积神经网络提取出多个布里渊频移，作为布里渊频移的预测值；

基于所述预测值和对应的标签计算损失值，如果损失值满足预设要求，则训练的该卷积神经网络可用；否则将进行卷积神经网络的重新训练。

优选的，在进行信号采集时，所述布里渊增益谱信号通过布里渊光时域反射技术或布里渊光时域分析技术测量得到。

优选的，在所述得到光纤中不同位置所对应的实际的布里渊频移之后，所述方法还包括：

根据布里渊频移与温度或应变的关系，计算得到光纤中不同位置所对应的温度和/或应变。

第二方面，本发明提供了一种基于卷积神经网络的布里渊频移提取装置，包括至少一个处理器和存储器，所述至少一个处理器和存储器之间通过数据总线连接，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令在被所述处理器执行后，用于完成第一方面所述的基于卷积神经网络的布里渊频移提取方法。

本发明的有益效果是：

本发明提供的布里渊频移提取方法中利用卷积神经网络进行提取，卷积神经网络直接处理的是光纤上多个位置的布里渊频谱拼接成的二维图像信号，不仅利用了频域上的信息，还利用了位置信息，由于噪声在两个维度上都是随机分布的，因此该方法相对于传统一维的数据处理方法具有更强的噪声适应能力，在信噪比较差的情况下仍具备较高的提取精度，而且对原始信号的平均次数较少，大大节约了数据采集时间，在低信噪比情况下解决采集时间长和布里渊频移提取精度差的问题。

【附图说明】

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于卷积神经网络的布里渊频移提取方法的流程图；

图2为本发明实施例提供的一种对原始信号进行预处理的方法流程图；

图3为本发明实施例提供的一种卷积神经网络的结构组成图；

图4为本发明实施例提供的一种卷积神经网络的训练方法流程图；

图5为本发明实施例提供的一种卷积神经网络训练集的生成流程图；

图6为本发明实施例提供的一种仿真得到的理想布里渊增益谱图；

图7为本发明实施例提供的一种二维图像的切割示意图；

图8为本发明实施例提供的一种基于BOTDA的测量系统结构图；

图9为本发明实施例提供的一种基于卷积神经网络的布里渊频移提取装置的架构图。

【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。

在本发明各实施例中，符号“/”表示同时具有两种功能的含义，而对于符号“A和/或B”则表明由该符号连接的前后对象之间的组合包括“A”、“B”、“A和B”三种情况。

此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面就参考附图和实施例结合来详细说明本发明。

实施例1：

本发明实施例提供了一种基于卷积神经网络的布里渊频移提取方法，通过设计训练卷积神经网络，可更快更准确地进行布里渊频移提取。为便于信号采集，在光纤沿线通常设有多个采样位置，则参考图1，本发明实施例提供的布里渊频移提取方法具体包括以下步骤：

步骤201，对于光纤中每个采样位置，对采集到的布里渊增益谱信号进行预处理。

其中，该步骤中所得到的布里渊增益谱信号来源于利用布里渊散射的各类光纤传感技术的传感信号，具体可通过布里渊光时域反射技术(Brillouin Optical Time DomainReflectometer，简写为BOTDR)或布里渊光时域分析技术(Brillouin Optical TimeDomain Analyzer，简写为BOTDA)测量得到。进一步地，所述预处理具体包括指定次数的平均、每个布里渊频移的归一化以及每个布里渊增益谱的归一化，保证归一化后各布里渊频移值分布在0至1之间，各布里渊增益谱的幅值基本分布在0至1之间，具体预处理过程将在后文介绍。

步骤202，将光纤不同位置预处理过的布里渊增益谱信号进行二维堆叠，得到二维图像。

经步骤201之后，可得到预处理过的多个布里渊增益谱信号，分别对应于光纤中的不同位置，将不同位置上对应的这些信号进行二维堆叠，即可得到一张二维图像。其中，该二维图像的横坐标为各布里渊增益谱在光纤中所对应的位置，纵坐标为频率差。

步骤203，将所述二维图像输入预先训练好的卷积神经网络，经所述卷积神经网络处理后输出一个一维数组，对应光纤中不同位置的归一化布里渊频移。

在本发明中，卷积神经网络用于布里渊频移的提取，即从BGS中提取出BFS，网络的输入为BGS，输出为BFS。需要说明的是，为具备更强的噪声适应能力，此处卷积神经网络输入并直接处理的是由光纤不同位置的布里渊频谱拼接成的二维图像信号(即H*W大小的二维矩阵)，输出的是一维数组，该一维数组的值即为光纤中不同位置所对应的归一化布里渊频移，从而实现布里渊频移提取。其中，为实现二维图像的输入和一维数组的输出，即实现二维到一维的转换，所述卷积神经网络需包括二维卷积结构和一维卷积结构；所述二维卷积结构用于对输入的所述二维图像进行二维信息提取，所述一维卷积结构用于对提取的二维信息进行处理，并得到一维数组，所述一维数组中的数值对应光纤中不同位置的归一化布里渊频移。

步骤204，根据所述预处理过程对输出的各归一化布里渊频移进行反变换，得到光纤中不同位置所对应的实际布里渊频移。

所述卷积神经网络提取出的多个布里渊频移均为归一化布里渊频移，如果要得到实际的布里渊频移，仍需结合步骤201中的预处理过程(其中的布里渊频移归一化过程)对提取出的频移值进行反变换，具体不再赘述。

使用上述方法进行布里渊频移提取，在信噪比大于15dB时，提取精度与洛伦兹拟合类似；而在信噪比小于15dB甚至更差时，提取精度比洛伦兹拟合有提高，且此时只需要对步骤201中采集的原始信号进行32次或以下的平均，大大节约了数据采集时间。

本发明实施例提供的上述布里渊频移提取方法中利用卷积神经网络进行提取，卷积神经网络直接处理的是光纤上多个位置的布里渊频谱拼接成的二维图像信号，不仅利用了频域上的信息，还利用了位置信息，由于噪声在两个维度上都是随机分布的，因此该方法相对于传统一维的数据处理方法具有更强的噪声适应能力，在信噪比较差的情况下仍具备较高的提取精度；而且对原始信号的平均次数较少，大大节约了数据采集时间。

进一步地，参考图2，所述对于光纤中每个采样位置，对采集到的布里渊增益谱信号进行预处理，即步骤201中的预处理过程，具体为：

步骤2011，对于光纤中任一采样位置，将采集到的N次布里渊增益谱进行平均，并将得到的均值作为该采样位置的布里渊增益谱。

一般来说，N的取值在8～256之间。当设置的平均次数为N时，对每个位置上测得的N个布里渊增益谱进行平均，具体公式如下：

其中，对于任一采样位置，BGS_i表示该位置每次测量得到的布里渊增益谱，BGS表示该位置平均处理后对应的布里渊增益谱，作为该位置的布里渊增益谱。设置的平均次数N越小，数据采集时间就越短；本发明利用卷积神经网络提取频移，在信噪比小于15dB甚至更差时，仍可保证提取精度，且只需对原始信号进行32次或以下的平均，大大节约了数据采集时间。

步骤2012，对于光纤中的每个采样位置，将平均后的布里渊增益谱进行归一化，得到光纤不同位置所对应的归一化布里渊增益谱。对于每个采样位置，具体的归一化公式如下：

其中，对于任一采样位置，BGS_Nor表示该位置的归一化布里渊增益谱，max(BGS)表示所有采样位置对应的布里渊增益谱BGS中的最大值。

步骤2013，根据预设的扫频范围和扫频间隔，对光纤不同位置上扫频得到的布里渊频移进行归一化，得到多个归一化布里渊频移。

假设扫频范围设置为[a,b]，扫频间隔设置为c，则扫频后可得到(b-a)/c+1个频移，将得到的每个频移进行归一化，具体的归一化公式如下：

其中，BFS_Nor表示各归一化布里渊频移，BFS表示扫频得到的各布里渊频移，BFS_max与BFS_min取决于数据采集时的扫频范围；其中，BFS_max表示各布里渊频移中的最大值，且数值上等于b；BFS_min表示各布里渊频移中的最小值，且数值上等于a。

进一步地，为满足二维图像的输入、一维数组的输出及适应不同噪声的能力，需对卷积神经网络的结构进行相应的设计。由前述可知，为实现二维到一维的转换，所述卷积神经网络需由二维卷积结构和一维卷积结构组合而成。基于上述设计原则，参考图3，在一个具体的实施例中，设计的所述卷积神经网络主要包括三部分；

第一部分包括输入层(Input)、零填充层(ZeroPadding)、二维卷积层(Convolution2D，简写为Conv2D)、批量归一化层(BatchNormalization，简写为BN)和最大池化层(MaxPooling)，主要用于对输入的所述二维图像进行升维和池化等操作。这里使用二维卷积层主要是为了实现所述二维图像的输入，输入维度为H*W。

第二部分包括一个或多个残差块，主要用于对输入的所述二维图像进行二维信息的提取，从而实现噪声过滤的功能。其中，所述残差块包括二维卷积层和批量归一化层，每个残差块的具体结构为二维卷积层1-批量归一化层1-二维卷积层2-批量归一化层2-二维卷积层3-批量归一化层3，即图3中的Conv2D-BN-Conv2D-BN-Conv2D-BN，且在输入和输出部分存在直连。其中，在残差块中使用二维卷积层主要是为了处理二维图像时具备适应不同噪声的能力，使用批量归一化层(BN)主要是为了加速收敛并防止过拟合。图3中是以设置一个残差块为例，当残差块的数目为2时，整个网络可取得更好的提取效果，在此基础上适度增加残差块的数量，还可使得最终结果有一定的提升。

第三部分包括多个一维卷积层(Conv1D)，主要用于对所述二维图像中对应光纤不同位置的信号部分分别进行处理，从而提取到对应光纤不同位置的布里渊频移并输出。这里使用一维卷积的目的是为了将二维图像按照光纤位置一一对应的方式，提取成一维的数组。所述一维卷积层的层数不固定，但需要设计与层数相匹配的卷积核大小，以满足输出时维度为1*W。其中，在整个卷积神经网络中，使用到的激活函数均可为relu。

进一步地，在所述卷积神经网络投入使用之前需要进行训练，训练之后且测试性能合格后才能投入使用。参考图4，所述卷积神经网络的预先训练过程具体包括：

步骤101，基于洛伦兹仿真生成训练集和测试集；其中，所述训练集与所述测试集分别用于训练和测试。结合图5，所述训练集的生成过程具体如下：

步骤1011，通过不断修改洛伦兹线型公式中的仿真参数对布里渊增益谱信号进行仿真，得到多个不同状态下对应的理想布里渊增益谱。其中，洛伦兹线型公式具体如下：

其中，BGS(v)表示理想布里渊增益谱，g_B、v_B、Δv_B为三个仿真参数，分别表示布里渊增益谱信号的最大增益值、布里渊频移和增益谱宽。为了使卷积神经网络具备鲁棒性，三个仿真参数均随机取值。其中每个布里渊增益谱BGS视为一个一维列向量，维度为H*1。在这里，所述不同状态不仅包括光纤中不同位置，还包括不同光源、不同温度等多种情况，从而保证训练集中的样本覆盖的范围更广，更有利于训练。

对于实际采集的信号来说，任何数据处理方法可能都存在一定的误差，无法界定布里渊频移的位置是否正确；而通过仿真可直接确定正确的布里渊频移的位置用于进行训练，得到理想的布里渊增益谱，如图6所示，当温度或应力发生变化时，该增益谱曲线会左右移动。

步骤1012，根据随机生成的信噪比，分别在各理想布里渊增益谱的曲线上叠加高斯白噪声，得到多个不同状态下对应的带噪声的布里渊增益谱。

考虑到实际测量中存在噪声，因此在仿真时也需将噪声因素考虑进来，以便与实际情况相对应。信噪比(SIGNAL-NOISE RATIO，简写为SNR)同样随机取值，并根据该信噪比对步骤1011中得到的各理想布里渊增益谱曲线叠加高斯白噪声，具体为：

BGS_noise＝BGS(v)+n(v)；

其中，BGS_noise表示带噪声的布里渊增益谱，n(v)表示高斯白噪声。

步骤1013，分别对各带噪声的布里渊增益谱进行归一化处理，得到多个不同状态下对应的归一化噪声布里渊增益谱。具体的归一化公式如下：

其中，BGS_noise，Nor表示归一化噪声布里渊增益谱，max(BGS_noise)表示所有状态下对应的BGS_noise中的最大值，通过进行归一化可更便于训练。

步骤1014，将各归一化噪声布里渊增益谱叠加为第一二维图像，并按照预设长度切割成多个第二二维图像；将与各归一化噪声布里渊增益谱对应的布里渊频移值叠加为第一一维数组，并同样按照预设长度切割成多个第二一维数组。

当仿真m种不同状态时，将前面对应得到的m个BGS_noise，Nor(分别简记为BGS₁、BGS₂、...、BGS_m)进行二维叠加，得到一张长度较长的二维图像，记为第一二维图像。考虑到计算机内存有限，为便于处理，此处进一步将所述第一二维图像按照预设长度切割成多个长度较小的二维图像，记为第二二维图像，如图7所示。相应地，将m个BGS_noise，Nor对应的m个布里渊频移值(分别简记为BFS₁、BFS₂、...、BFS_m)叠加为一个长度较长的一维数组，记为第一一维数组；同时，按照相同的预设长度将所述第一一维数组切割成多个长度较小的一维数组，记为第二一维数组，如图7所示。例如，如果希望每个第二二维图像中包含200个BGS，则可按照每200对所述第一二维图像进行分割，如图7所示；其中，每个第二二维图像的维度为H*W，对应的第二一维数组为一个行向量维度为1*W。

步骤1015，将所述多个第二二维图像作为特征，对应的多个第二一维数组作为标签，生成多个特征-标签对，所述多个特征-标签对形成训练集或测试集。

在实际运用卷积神经网络进行频移提取时，向卷积神经网络输入预处理的BGS，希望输出对应的频移BFS；具体以图7为例，也就是说，当使用[BGS₁,BGS₂...BGS_m]作为输入的情况下，期望的输出应该是仿真时对应的[BFS1,BFS₂...BFS_m]，且顺序一一对应。因此，在该步骤中，将上个步骤中得到的多个第二二维图像作为特征部分(即输入部分)，将与各第二二维图像对应的多个第二一维数组作为标签(即输出部分)，生成多个特征-标签对，即BGS-BFS对，这些特征-标签对就形成了训练集，如图7所示。

类似地，所述测试集也按照步骤1011-1015的过程生成，具体不再赘述。需要注意的是，在生成训练集和测试集时，步骤1011中对应选取的仿真参数不同，使得最终对应得到的各归一化噪声布里渊增益谱也不同。

步骤102，利用所述训练集，训练可用于布里渊频移提取的卷积神经网络。具体过程如下：

首先，在编程环境中搭建一卷积神经网络，并对卷积神经网络的各参数进行随机初始化；其中，所述参数包括网络中各层的权重和偏置，目标就是训练神经网络中的权重和偏置满足想要达到的输入-输出效果。具体可人为设置网络的学习率和每个训练批次的数量等来训练网络的参数，设置的取值将直接影响网络训练的效果。

然后，使用特定的学习方法，利用所述训练集对搭建的卷积神经网络进行训练，直至均方误差达到预设值时停止训练，从而得到可用于提取布里渊频移的卷积神经网络。

步骤103，利用所述测试集，测试所训练的卷积神经网络提取布里渊频移的性能。具体过程如下：

首先，将所述测试集中的各特征(即测试集中各BGS-BFS对中的BGS)输入训练好的卷积神经网络，并利用该卷积神经网络提取出多个布里渊频移，作为布里渊频移的预测值。

然后，基于所述预测值和对应的标签计算损失值，如果损失值满足预设要求，则训练的该卷积神经网络可用；否则将进行卷积神经网络的重新训练。其中，这里的标签是指测试集中与各特征对应的标签，即测试集中各BGS-BFS对中的BFS，作为布里渊频移的标准值；将所述预测值和所述标准值做差即可得到损失值，如果该损失值未明显高于训练集损失值，即可认为满足预设要求，则训练的该卷积神经网络可用，否则将按照步骤102重新训练网络。

进一步地，由于传感光纤收到的温度和应变会影响光纤内部的声波速度，进而影响布里渊频移的大小，因此，如果需要检测传感光纤受到的温度和/或应变，则在所述得到光纤中不同位置所对应的实际的布里渊频移之后，即所述步骤204之后，所述方法还可包括：

根据布里渊频移与温度或应变的关系，计算得到光纤中不同位置所对应的温度或应变。通常，温度/应变与布里渊频移之间成线性关系，预先标定好线性公式中的布里渊频移温度系数或应变系数之后，只要提取出某个位置的布里渊频移，即可计算得到该位置的温度/应变。

综上所述，本发明实施例提供的布里渊频移提取方法中利用卷积神经网络进行频移提取，卷积神经网络输入的是由光纤多个位置的布里渊频谱拼接成的二维图像，输出的是光纤不同位置的布里渊频移，不仅利用了频域上的信息，还利用了位置信息，由于噪声在两个维度上都是随机分布的，因此该方法相对于传统一维的数据处理方法具有更强的噪声适应能力，在信噪比较差的情况下仍具备较高的提取精度。经测试发现，使用上述方法进行布里渊频移提取，在信噪比大于15dB时，提取精度与洛伦兹拟合类似；而在信噪比小于15dB甚至更差时，提取精度比洛伦兹拟合有提高，且此时只需要对原始信号进行32次或以下的平均，大大节约了数据采集时间，在低信噪比情况下解决了采集时间长和布里渊频移提取精度差的问题。

实施例2：

在上述实施例1的基础上，本发明实施例以采用BOTDA系统对光纤沿线不同位置上的温度信息进行测量为例，提供了一种具体的实施方法，以便对布里渊频移提取方法有更深入的理解，对应测量系统的结构组成如图8所示。

在图8中，激光器发出的光经过耦合器分为两部分，一部分连续光经过射频信号调制后，依次通过隔离器和掺铒光纤光放大器后进入传感光纤，该路激光由于进行了微波调制，光的频率会发生变化，由f变为f+Δf；另一部分连续光经过脉冲调制之后编程脉冲信号，依次经过掺铒光纤放大器和环形器之后从另一侧进入传感光纤，该路激光的频率不会发生变化，仍为f。两束激光在传感光纤中相遇时，由于布里渊效应，泵浦光的能量转移到连续探测光上，当两者的频率差满足布里渊频移时探测光的光功率最大。光电探测器探测到的谱图中，纵坐标为光强(即光功率)，横坐标为微波源的调制频率，也就是两束光的频率差Δf，因此谱图峰值对应的横坐标即为布里渊频移。为了得到整个布里渊增益谱，我们需要对两束光的频率差进行扫频，也就是使微波源的调制频率发生变化，进而改变Δf，产生不同的频移，最终将这个谱扫描出来，图8中的射频信号就是用于对连续光进行微波调制的。

在该具体的实施例中，将射频信号的扫频范围设置为10.6-10.9GHz，扫频间隔设置为2MHz，因此一共扫描了151个频率值。光纤沿线的采样点数设置为50K个点，一次共扫描50K个位置。基于此，使用卷积神经网络处理信号的过程具体如下：

第一步，对应于实施例1中的步骤201，对于光纤中的任一采样位置，每次扫频后得到的布里渊增益谱的信息均可以存储在H*1的列向量中，其中H＝151。预处理过程如下：

平均处理：取平均次数N为32，对该位置测量32次后，将测量得到的32个布里渊增益谱取均值，作为该点的布里渊增益谱，由于该信号是带有噪声的，因此记为BGS_noise。

布里渊频移归一化：根据所设定的扫频范围和扫频间隔，151个频移BFS的值依次为10.600GHz，10.602GHz，10.604GHz……10.898GHz，10.900MHz。将频移的值进行归一化，则对于每一个频移值，有：

归一化后的各布里渊频移取值在[0，1]之间。

布里渊增益谱的归一化：利用平均后的布里渊增益谱BGS_noise的最大值对增益谱进行增益归一化，有：

归一化后的各布里渊增益谱的幅值基本处于[0，1]之间。

第二步，对应于实施例1中的步骤202，由于设置采样点数为50K个点，则将50K个布里渊增益谱横向堆叠，得到H*W大小的二维矩阵(即二维图像)，其中H＝151，W＝50K。由于计算机内存有限，训练的卷积神经网络难以一次性对该信号进行处理，因此可根据设备进行适度的切割。在此我们将对矩阵长度以250为单位进行切割，从而得到200张151*250的待预测二维图像。

第三步，对应于实施例1中的步骤203，将第二步中得到的200张二维图像作为特征输入训练好的卷积神经网络，得到200个1*250的行向量，通过简单的矩阵拼接处理得到1*50K的一维数组，该数组的值即为光纤中不同位置所对应的归一化布里渊频移，且位置与输入顺序一一对应。

第四步，对应于实施例1中的步骤204，由于卷积神经网络输出的是归一化布里渊频移，需根据第一步中预处理过程进行反变换，得到实际的布里渊频移，范围仍为10.6GHz～10.9GHz。

第五步，对于所使用的光纤，假设事先测量得到的温度与布里渊频移之间成线性关系，且关系式为v_B＝0.00093T+10.68，当网络输出的频移值v_B为10.732G时，对应的输出温度T为55.9摄氏度。

当然，上述实施例中涉及的扫频范围、扫频间隔、采样点数、原始信息预处理时的平均次数等具体数值均为举例说明，并不唯一限定；在可选的实施例中，可根据实际需要灵活选择其他合适的值，在此不做赘述。

实施例3：

在上述实施例1和实施例2提供的基于卷积神经网络的布里渊频移提取方法的基础上，本发明还提供了一种可用于实现上述方法的基于卷积神经网络的布里渊频移提取装置，如图9所示，是本发明实施例的装置架构示意图。本实施例的基于卷积神经网络的布里渊频移提取装置包括一个或多个处理器21以及存储器22。其中，图9中以一个处理器21为例。

所述处理器21和所述存储器22可以通过总线或者其他方式连接，图9中以通过总线连接为例。

所述存储器22作为一种基于卷积神经网络的布里渊频移提取方法非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如实施例1中的基于卷积神经网络的布里渊频移提取方法。所述处理器21通过运行存储在所述存储器22中的非易失性软件程序、指令以及模块，从而执行基于卷积神经网络的布里渊频移提取装置的各种功能应用以及数据处理，即实现实施例1和实施例2的基于卷积神经网络的布里渊频移提取方法。

所述存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，所述存储器22可选包括相对于所述处理器21远程设置的存储器，这些远程存储器可以通过网络连接至所述处理器21。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述程序指令/模块存储在所述存储器22中，当被所述一个或者多个处理器21执行时，执行上述实施例1中的基于卷积神经网络的布里渊频移提取方法，例如，执行以上描述的图1和图2所示的各个步骤。

本领域普通技术人员可以理解实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或光盘等。

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

1.一种基于卷积神经网络的布里渊频移提取方法，其特征在于，在光纤沿线设有多个采样位置，则布里渊频移提取方法包括：

根据所述预处理过程对输出的各归一化布里渊频移进行反变换，得到光纤中不同位置所对应的实际布里渊频移；

其中，所述卷积神经网络包括三部分；

2.根据权利要求1所述的基于卷积神经网络的布里渊频移提取方法，其特征在于，所述对于光纤中每个采样位置，对采集到的布里渊增益谱信号进行预处理，具体为：

3.根据权利要求1所述的基于卷积神经网络的布里渊频移提取方法，其特征在于，所述卷积神经网络的预先训练过程具体包括：

基于洛伦兹仿真生成训练集和测试集；

4.根据权利要求3所述的基于卷积神经网络的布里渊频移提取方法，其特征在于，所述训练集或所述测试集的生成过程具体包括：

将各归一化噪声布里渊增益谱叠加为第一二维图像，并按照预设长度切割成多个第二二维图像；将与各归一化噪声布里渊增益谱对应的布里渊频移值叠加为第一一维数组，并同样按照预设长度切割成多个第二一维数组；

5.根据权利要求4所述的基于卷积神经网络的布里渊频移提取方法，其特征在于，所述利用所述训练集，训练可用于布里渊频移提取的卷积神经网络，具体为：

6.根据权利要求4所述的基于卷积神经网络的布里渊频移提取方法，其特征在于，所述利用所述测试集，测试所训练的卷积神经网络提取布里渊频移的性能，具体为：

7.根据权利要求1-6任一所述的基于卷积神经网络的布里渊频移提取方法，其特征在于，在所述得到光纤中不同位置所对应的实际的布里渊频移之后，所述方法还包括：

8.一种基于卷积神经网络的布里渊频移提取装置，其特征在于，包括至少一个处理器和存储器，所述至少一个处理器和存储器之间通过数据总线连接，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令在被所述处理器执行后，用于完成权利要求1-7任一所述的基于卷积神经网络的布里渊频移提取方法。