CN110995339A - 一种分布式光纤传感信号时空信息提取与识别方法 - Google Patents

Abstract

本发明公开了一种分布式光纤传感信号时空信息提取与识别方法，属于光缆安全监测技术领域；利用分布式光纤振动传感系统采集通信光缆沿线的振动信号，将振动源附近的时空信号样本贴事件类型标签，建立典型事件数据库；基于时空信号结构构建CNN‑BiLSTM深度学习模型，利用CNN网络挖掘时空信号各空间点信号的时间结构信息，同时利用双向长短期记忆模型挖掘时空信号中各空间点信号的相关性，基于典型事件数据库对模型进行训练，得到最优模型；最后利用最优模型对待测事件的时空信号进行识别；本发明利用CNN‑BiLSTM深度学习模型，同步提取分布式光纤振动传感时空信号的时间结构信息及空间分布特点并进行识别，其效果上优于该领域以提取信号时间特征为主的信号识别方法。

Description

一种分布式光纤传感信号时空信息提取与识别方法

技术领域

本发明涉及光缆安全监测技术领域，具体涉及一种分布式光纤传感信号时空信息提取与 识别方法。

背景技术

基于相敏光时域反射原理的分布式光纤振动传感技术，是利用现有铺设的通信光缆高 灵敏感知和精确定位周围环境中各种破坏性危险源(机械施工、人为挖掘等)振动产生的信 号，并进行实时预警的一种技术，具有无源、恶劣环境生存能力强、大范围(长距离)连续监 测和规模组网等突出能力，其综合性能优于普通OTDR、电学传感器阵列及其他线路破损 检测手段，在通信光缆网安全监测上具有广阔应用前景。

随着人工智能技术的兴起，在光纤传感领域越来越多的研究人员利用机器学习方法对 信号进行处理，实现光缆安全预警。然而，由于通信光缆实际部署环境的多样性、干扰噪 声的复杂性等客观情况让埋地光缆安全预警仍面临很大的挑战。一方面采用机器学习的方 法，需要人为提取事件信号的特征，特征工程费时费力，而且一旦应用场景发生变化，以 往的系统往往就不再适用，需要重新构建，不同环境背景的泛化性差；另一方面近期很多 研究人员尝试应用深度学习代替人工提取特征的麻烦，得到一些较好的结果。但大多是利 用现有的深度学习网络，侧重于挖掘振动信号的局部随时间变化的信号结构信息，忽略了 这种分布式振动传感系统接收信号的空间分布信息。

发明内容

本发明的目的在于：本发明提供了一种分布式光纤传感信号时空信息提取与识别方法， 解决了目前利用深度学习对分布式振动传感系统接收信号进行识别时泛化性差，同时由于 无法提取信号空间分布信息导致识别率低的技术问题。

本发明采用的技术方案如下：

一种分布式光纤传感信号时空信息提取与识别方法，包括以下步骤：

步骤1：获取分布式光纤传感信号中事件对应的时空信号，将该事件的类型作为该时空 信号的真实标签，利用所述时空信号建立典型事件数据库；

步骤2：基于时空信号的结构构建CNN-BiLSTM深度学习模型，所述CNN-BiLSTM深度学习模型包括级联的CNN网络和双向长短期记忆模型，所述CNN网络用于获取各空间 点的时空信号的时间结构信息，所述双向长短期记忆模型用于获取各空间点间时间结构信息的空间分布特征；

步骤3：利用典型事件数据库中的时空信号样本训练所述CNN-BiLSTM深度学习模型， 得到最优模型；

步骤4：利用所述最优模型对分布式光纤传感信号中待测事件的时空信号进行识别，得 到待测事件的分类结果。

进一步的，所述步骤1中，所述分布式光纤传感信号为利用分布式光纤振动传感系统采 集通信光缆沿线的振动信号，所述事件信号单元的类别包括机械施工、人为施工和交通干 扰。

进一步的，构建CNN-BiLSTM深度学习模型的具体步骤如下：

步骤2.1构建CNN网络，用于输入所述时空信号样本，输出时空信号样本中各空间点 的时间结构信息；

步骤2.2构建双向长短期记忆模型，用于按空间点的顺序，依次输入所述时间结构信息， 得到相邻空间点的空间分布特征；

步骤2.3构建全连接层，用于输入所述空间分布特征，输出所述时空信号样本的类别。

进一步的，所述步骤2.1中，所述CNN网络包括依次连接的卷积层、池化层、Relu激活函数层和BN层。

进一步的，所述步骤2.2中，双向长短期记忆模型，包括LSTM单元，所述时间结构信息通过正序和逆序输入所述LSTM单元。

进一步的，所述步骤3中训练过程具体为：

步骤3.1初始化所述CNN-BiLSTM深度学习模型的参数，所述参数包括矩阵权重W和偏置b；

步骤3.2将所述时空信号样本输入所述CNN-BiLSTM深度学习模型进行前向传播，得 到所述时空信号样本的预测标签；

步骤3.3利用交叉信息熵损失函数计算所述预测标签与真实标签的损失值；

步骤3.4利用所述损失值反向计算所述CNN-BiLSTM深度学习模型的参数梯度，利用 所述参数梯度更新所述CNN-BiLSTM深度学习模型；

步骤3.5利用损失值判断所述CNN-BiLSTM深度学习模型是否收敛，若收敛，则结束训练过程，否则跳转至步骤步骤3.2。

进一步的，所述步骤3.3中，交叉信息熵损失函数公式为：

其中，L表示计算得到的交叉信息熵损失值，n表示时空信号样本总数，a表示时空信 号样本的预测标签，x表示时空信号样本，y表示时空信号样本的真实标签。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1.本发明利用CNN-BiLSTM深度学习方法，同步提取分布式光纤振动传感时空信号的 时间结构信息及空间分布特点，并进行识别，其效果上优于该领域以提取信号时间特征为 主的一维或二维信号识别方法，其模型移植能力也明显增强。

2.本发明先使用卷积神经网络(CNN)学习和提取各空间点时间序列信号的局部结构特征， 充分利用CNN提取信号特征的优势，避免了传统信号处理方法中特征提取与特征选择等费 时费力的特征工程。

3.本发明将CNN提取的时间序列信号特征，按空间采集顺序输入双向长短期记忆网络 (BiLSTM)网络，通过BiLSTM网络继续挖掘不同振动源产生的振动信号在空间各采集点的 信号分布规律，如：大型施工振动信号分布范围广，振动信号幅度较大；交通干扰分布空 间变化大，有宽有窄；而人为挖掘事件其振动信号分布范围较小。该网络第一次将BiLSTM 网络应用于学习分布式光纤传感系统的空间关联关系及空间分布信息，提高系统对振动源 信号的学习与识别能力。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简 单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围 的限定，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 附图获得其他相关的附图。

图1为分布式光纤振动传感系统采集的二维时空信号矩阵；

图2为本发明的信号识别算法流程图；

图3为本发明的卷积神经网络(CNN)结构；

图4为本发明的双向长短期记忆网络(BiLSTM)结构；

图5为本发明实施例1中的网络迭代损失图；

图6为本发明实施例1中的事件识别混淆矩阵。

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，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。 通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设 计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本 发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员 在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操 作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这 种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排 他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除 在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以下结合实施例对本发明的特征和性能作进一步的详细描述。

实施例1

一种分布式光纤传感信号时空信息提取与识别方法，包括以下步骤：

步骤1：获取分布式光纤传感信号中事件对应的时空信号，将该事件的类型作为该时空 信号的真实标签，利用所述时空信号建立典型事件数据库；

所述分布式光纤传感信号为利用分布式光纤振动传感系统采集通信光缆沿线的振动信 号，时空信号为二维时空信号矩阵，由振动信号按N×M维度分割而成，包括空间维度和 时间维度，所述空间维度为振动信号中依次设置的数据采集空间点，所述时间维度为每个 数据采集空间点的时间序列信号，如图2所示，每个时空信号即为一个数据样本，行表示 时间点，列表示空间点。

根据时空信号的时空位置及此处发生的实际事件类型贴上标签，建立典型事件数据库， 所述典型事件数据库中的振动事件信号包括机械施工、人为施工和交通干扰。将所述典型 事件数据库中的数据分为训练集和测试集，分别用于对CNN-BiLSTM深度学习模型进行训 练的测试，如表1所示：

表1典型事件数据库

步骤2：基于时空信号的结构构建CNN-BiLSTM深度学习模型，所述CNN-BiLSTM深度学习模型包括级联的CNN网络和双向长短期记忆模型，所述CNN网络用于获取各空间 点的时空信号的时间结构信息，所述双向长短期记忆模型用于获取各空间点间时间结构信息的空间分布特征；

(1)CNN-BiLSTM深度学习模型包括依次连接的CNN网络、BiLSTM网络和全连接 层，如图1所示，CNN-BiLSTM深度学习模型构建的具体过程为：

步骤2.1构建CNN网络，用于输入所述时空信号样本，输出时空信号样本中各空间点 的时间结构信息；如图3所示，所述CNN网络包括依次连接的卷积层、池化层、Relu激活函数层和BN层，用于输入所述二维时空信号矩阵，得到每个空间点的时间序列信号的局 部结构特征，即将每个空间点的时间序列信号作为CNN网络的输入，基于CNN网络提取 各时间序列信号的局部结构特征，转化成与该空间点时间序列信号分别对应的局部结构特 征序列。

本实施例中，CNN网络包括依次连接的4层卷积层，每一卷积层的输出均连接一层平 均池化层，最后一级平均池化层的输出连接Relu激活函数层，Relu激活函数层连接BN层。

结构参数如表2所示：

表2 CNN网络的结构参数

针对输入的二维时空信号矩阵，卷积阵列对每一个空间点的时间序列通过4层卷积层学 习局部结构特征，对每一层卷积后的输出都利用平均池化层降低时间序列维度，对平均池 化后的输出利用Relu激活函数增加网络的非线性学习能力，同时网络的每一层输出后都用 到了BN层归一化，提高网络学习能力。

步骤2.2构建双向长短期记忆模型(BiLSTM网络)，用于按空间点的顺序，依次输入所述时间结构信息，得到相邻空间点的空间分布特征；所述BiLSTM网络包括LSTM单元， 所述局部结构特征通过正序和逆序输入所述LSTM单元，得到相邻数据采集空间点的时间 序列信号的空间分布特征；

BiLSTM网络，如图4所示，进一步挖掘CNN网络阵列提取出的局部结构特征序列间的空间关联关系。对于CNN模块学习的各个空间点的特征向量，按照空间采集点顺序的正序和逆序分别输入到LSTM单元中，通过LSTM单元中的遗忘门，输入门和输出门等门控 单元，有效的学习空间采集点特征向量的分布规律。

步骤2.3构建全连接层，用于输入所述空间分布特征，输出所述时空信号样本的类别。 利用全连接层作为分类器，对BiLSTM得到的特征向量进行分类。为了防止多分类事件出 现过拟合现象，在全连接层嵌入dropout结构。在本实施例中，每一次迭代过程dropout结 构按照0.3的比例随机失活部分神经单元，可以有效的防止过拟合现象。

(2)对CNN-BiLSTM深度学习模型进行训练的具体过程为：

将训练集中的数据输入CNN-BiLSTM深度学习模型，所述CNN-BiLSTM深度学习模型的损失函数相同，经过网络前向传播得到预测类别概率分布，并通过交叉信息熵损失函数计算所述全连接层输出的类别概率与真实概率的损失值，利用所述损失值反向传播计算每个学习参数的梯度，通过指定的学习率，按照梯度下降法更新模型参数θ，所述模型参数θ包括矩阵权重W和偏置b。

以模型第一次迭代学习过程为例进行说明：

步骤3.1初始化所述CNN-BiLSTM深度学习模型的参数，所述参数包括矩阵权重W和偏置b。初始化的网络参数是模型训练的起点，好的初始化参数使得模型更易学习，快速收敛。本发明采用Xavier方式初始化参数，为了保证前向传播和反向传播时每一层的方差一致，参数随机初始化的分布范围是一个通过该层的输入参数个数n_in，输出参数个数n_out得到的分布范围内的均匀分布。

分布范围公式如：

步骤3.2将所述时空信号样本输入所述CNN-BiLSTM深度学习模型进行前向传播，得 到所述时空信号样本的预测标签；

卷积单元：以卷积单元1为例。

卷积层计算过程如下：

设卷积层的卷积核大小为m，步长为S，边界填充为p，输入的序列长度为L，输入特征通道数为K_in，输出特征通道数为K_out，输入的训练数据为

第j个 卷积核初始化后权值矩阵W_j＝{W_j1,W_j2,...,W_jKin}，

conv＝[conv₁,conv₂,...,conv_Kout] (4)，

池化层步长为s计算过程如下：

Relu激活函数计算过程如下：

conv_out＝max{0,conv_u} (6)

BN层计算公式如下，m表示bacth_size，x_i表示输入的样本数据：

其中μ_B表示沿batch维度的均值，

表示batch维度方差，

表示x_i归一化后的数值，ε表 示归一化计算的平滑参数，γ和β表示数据分布重构的学习参数；

双向LSTM单元，设当前输入x_i，前一时刻细胞输出h_t-1，前一时刻状态C_t-1，初始化权重矩阵W_i，输入门i_i，遗忘门f_t，输出门o_t，σ表示sigmoid激活函数，单向LSTM计 算过程如下：

i_t＝σ(W_i·[h_t-1,x_t]+b_i) (11)

f_t＝σ(W_f·[h_t-1,x_t]+b_f) (13)

o_t＝σ(W_o·[h_t-1,x_t]+b_o) (15)

h_t＝o_t*tanh(C_t) (16)

双向LSTM输出为：

h_bt＝σ(h′_t+h_t) (17)

全连接层计算单元，输入x_i，权重矩阵W_i，偏置b_i，计算过程如下：

y_i＝W_i·x_i+b_i (18)

步骤3.3利用交叉信息熵损失函数计算所述预测标签与真实标签的损失值；

根据交叉信息熵损失函数计算预测事件标签与真实标签之间的距离，得到损失值，计 算公式如下：

其中x，n，a，y分别表示样本、样本总数、样本预测标签、样本真实标签。

步骤3.4利用所述损失值反向计算所述CNN-BiLSTM深度学习模型的参数梯度，利用 所述参数梯度更新所述CNN-BiLSTM深度学习模型；

本发明采用Adam算法进行优化，计算步骤如下：

m_t＝u*m_t-1+(1-u)*g_t (21)

g_t为计算的目标梯度，m_t，n_t分别是梯度的一阶，二阶矩估计，u,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，

则网络参数更新公式为：

式中α为学习率，ε为非常小的数，防止除以零。

步骤3.5利用损失值判断所述CNN-BiLSTM深度学习模型是否收敛，若收敛，则结束训练过程，否则跳转至步骤步骤3.2；如图5所示，为网络迭代损失图，经过多次迭代，待 损失函数值小于一定阈值或迭代超过一定阈值，认为模型收敛，则停止以上迭代过程。

迭代收敛后，使用训练数据集中的验证集进行模型验证，保存结果最好的模型作为最终 事件识别模型。

步骤3：利用所述最优模型作为事件识别模型，对待测事件进行识别，实现在线监测光 缆沿线信号。

还包括利用测试集中的数据对最优模型进行测试，利用分类准确率precision，召回率 recall，F1-Score三种指标衡量分类器的性能。各指标的计算公式如下：

其中，TP表示把原本属于正类的样本预测为正类，FP表示把原本属于负类的样本预测 为正类，TN表示把原本属于负类的样本预测为负类，FN表示把原本属于正类的样本预测 为负类。准确率表示正确预测为正类的样本在预测为正类样本中所占的比例，召回率表示 正确预测为正类的样本在所有正类样本中所占的比重。当准确率和召回率作为评价指标发 生冲突时，很难在模型之间做出比较。为解决这个矛盾，提出F1-score作为准确率和召回 率的调和平均数。

综合以上指标，分别在三类数据库上验证模型性能，得出各类数据库中典型事件平均 指标如表3所示，表3可以看出本发明提出的模型在各类典型事件上均能取得较好的识别 效果，对于机械施工可以完全避免漏报和漏检等现象，有效的解决实际应用中光缆安全监 测问题。

表3典型事件的平均指标

实施例2

本实施例提供一种用于实现通信光缆网安全监测的分布式光纤振动传感系统，该分布式 光纤振动传感系统用于对振动信号进行采集。

主要由三个部分组成：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或声波、振动增敏型传感光缆，一般沿输气管道内 壁或外壁铺设。

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和电学器件两类。在解 调设备中超窄线宽激光器发出连续光信号经声光/电光调制器调制成光脉冲，依次经掺铒光 纤放大器(EDFA)、分布式拉曼放大器、隔离器、环形器注入到探测光缆，沿光缆传输过 程中产生的后向瑞利散射光信号沿光缆返回，并由环形器接收，滤波后经马赫曾德尔干涉 仪(MZI)或其他干涉仪等，解调输出外界声波或扰动带来的相位变化信息，即可获得管道 泄漏或其他干扰事件产生的声波或振动信号，解调出的信号经网口等形式接口实时传输给 信号处理主机。

信号处理主机为普通电脑主机或FPGA/DSP等嵌入式主机，用于对获得的振动传感信 号进行实时分析、处理。

基于分布式光纤振动传感系统采集的通信光缆振动信号构建的二维时空信号矩阵如图2 所示，图中横坐标为空间轴，表示光缆沿线的数据采集空间点；纵坐标为时间轴，两采样 点采样间隔为时间轴上脉冲触发频率。本实施例中系统时间采样频率为1000Hz，空间采 样间隔为5.2m。

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 (7)

1.一种分布式光纤传感信号时空信息提取与识别方法，其特征在于：包括以下步骤：

步骤1：获取分布式光纤传感信号中事件对应的时空信号，将该事件的类型作为该时空信号的真实标签，利用所述时空信号建立典型事件数据库；

步骤2：基于时空信号的结构构建CNN-BiLSTM深度学习模型，所述CNN-BiLSTM深度学习模型包括级联的CNN网络和双向长短期记忆模型，所述CNN网络用于获取各空间点的时空信号的时间结构信息，所述双向长短期记忆模型用于获取各空间点间时间结构信息的空间分布特征；

步骤3：利用典型事件数据库中的时空信号样本训练所述CNN-BiLSTM深度学习模型，得到最优模型；

步骤4：利用所述最优模型对分布式光纤传感信号中待测事件的时空信号进行识别，得到待测事件的分类结果。

2.根据权利要求1所述的一种分布式光纤传感信号时空信息提取与识别方法，其特征在于：所述步骤1中，所述分布式光纤传感信号为利用分布式光纤振动传感系统采集通信光缆沿线的振动信号，所述事件信号单元的类别包括机械施工、人为施工和交通干扰。

3.根据权利要求1所述的一种分布式光纤传感信号时空信息提取与识别方法，其特征在于：构建CNN-BiLSTM深度学习模型的具体步骤如下：

步骤2.1构建CNN网络，用于输入所述时空信号样本，输出时空信号样本中各空间点的时间结构信息；

步骤2.2构建双向长短期记忆模型，用于按空间点的顺序，依次输入所述时间结构信息，得到相邻空间点的空间分布特征；

步骤2.3构建全连接层，用于输入所述空间分布特征，输出所述时空信号样本的类别。

4.根据权利要求3所述的一种分布式光纤传感信号时空信息提取与识别方法，其特征在于：所述步骤2.1中，所述CNN网络包括依次连接的卷积层、池化层、Relu激活函数层和BN层。

5.根据权利要求4所述的一种分布式光纤传感信号时空信息提取与识别方法，其特征在于：所述步骤2.2中，双向长短期记忆模型，包括LSTM单元，所述时间结构信息通过正序和逆序输入所述LSTM单元。

6.根据权利要求1所述的一种分布式光纤传感信号时空信息提取与识别方法，其特征在于：所述步骤3中训练过程具体为：

步骤3.1初始化所述CNN-BiLSTM深度学习模型的参数，所述参数包括矩阵权重W和偏置b；

步骤3.2将所述时空信号样本输入所述CNN-BiLSTM深度学习模型进行前向传播，得到所述时空信号样本的预测标签；

步骤3.3利用交叉信息熵损失函数计算所述预测标签与真实标签的损失值；

步骤3.4利用所述损失值反向计算所述CNN-BiLSTM深度学习模型的参数梯度，利用所述参数梯度更新所述CNN-BiLSTM深度学习模型；

步骤3.5利用损失值判断所述CNN-BiLSTM深度学习模型是否收敛，若收敛，则结束训练过程，否则跳转至步骤步骤3.2。

7.根据权利要求6所述的一种分布式光纤传感信号时空信息提取与识别方法，其特征在于：所述步骤3.3中，交叉信息熵损失函数公式为：

其中，L表示计算得到的交叉信息熵损失值，n表示时空信号样本总数，a表示时空信号样本的预测标签，x表示时空信号样本，y表示时空信号样本的真实标签。

Images