CN111735528A - 一种基于knn投票精准定位扰动点的方法 - Google Patents

Abstract

本发明公开了一种基于KNN投票精准定位扰动点的方法，采集大动态范围大离散单区域样本，提取单区域样本中各脉冲点的上升沿和下降沿，并对各上升沿和下降沿进行加权平均处理；基于KNN对各个脉冲点做投票处理，计算单区域样本中各脉冲点的欧式距离及投票赞成度；计算单区域样本内所有脉冲点的分布概率，将所有点概率分别与对应脉冲点位置相乘并求和，作为单区域样本的扰动点，实现大动态范围大离散单区域快速确定扰动点。本发明无需对原始数据进行处理，克服了数据量大和实时性不高的难题，能够快速精准地确定扰动点。

Description

一种基于KNN投票精准定位扰动点的方法

技术领域

本发明属于光纤振动传感技术领域，特别涉及了一种基于KNN投票精准定位扰动点的方法。

背景技术

随着光导纤维的实用化和光通信技术的发展，光传感技术得到了大力推进。光在光纤中传输时，其强度、相位、频率、偏振态等参量容易受到外部环境的影响，如温度、应力、电场、磁场等。通过测量这些光参量的变化获得相应物理量的变化的技术即为光纤传感技术。光纤传感器相对于传统的电量传感器具有灵敏度高、适应性强、抗电磁干扰、传输距离长、使用寿命长、结构小巧等优点，近年来受到广泛关注。

在各种类型的分布式光纤振动传感器中，大部分均采用入射光的背向散射信号进行外界扰动的探测，但是入射光的背向散射信号却又极其微弱，极其容易淹没在背景噪声中。此外，随着传感距离的增长，传感信号更是急剧减弱。同时，外界环境的变化也会对信号的信噪比产生难以预测的影响，导致大量误报的产生。基于上述因素，现有的大部分技术方案均是采用先对采集到的原始背向散射曲线进行滤波处理，然后再对滤波后的信号采用各种复杂的方法进行振动特征定位处理，虽然此方案可以降低误报，但削弱了有效信号。

发明内容

为了解决上述背景技术提出的技术问题，本发明提出了一种基于KNN投票精准定位扰动点的方法，在上位机上对底层提供的脉冲的上升沿和下降沿进行处理，无需复杂的特征定位，无需进行复杂的滤波处理，在保证实时性的前提下，解决了现有定位算法定位精度低的问题。

为了实现上述技术目的，本发明的技术方案为：

一种基于KNN投票精准定位扰动点的方法，包括以下步骤：

(1)在同一检索脉冲周期内，采集单区域脉冲样本，提取单区域样本中脉冲点的上升沿和下降沿，并对上升沿和下降沿做加权平均处理；

(2)通过KNN计算出单样本中各个脉冲点相互之间欧式距离，计算每个脉冲点的欧式距离满足欧式距离小于阈值的个数，记为单样本内该脉冲点的投票数；

(3)计算单区域样本内所有脉冲点的分布概率；

(4)计算单区域样本内所有脉冲点分布概率，并与对应脉冲点位置相乘求和作为单区域样本的扰动点，实现大动态范围大离散单区域快速确定分布式光纤振动传感系统扰动点。

进一步的，在步骤(1)中，对采集的单样本中脉冲点上升沿和下降沿的处理方法如下：

x_i＝t*x_1i+(1-t)*x_2i

其中x_1i为样本第i个点上升沿，x_2i为样本第i个点的下降沿，N为样本脉冲点个数，i＝1,...,N，t∈[0,1]。

进一步地，步骤(2)的过程如下：

计算单样本中每个脉冲点即x_i和样本中其他脉冲点x_j的欧式距离d_ij，d_ij满足d_ij＝|d_i-d_j|；

当d_ij满足d_ij≤numLeast时，第j个点对第i个点的投票认同度为1，即firstvote_ij＝1，否则firstvote_ij＝0；

计算

vote_i为单样本中第i个脉冲点的投票数。

进一步地，步骤(3)的过程如下：

计算单样本中每个脉冲点的概率p_i：

进一步地，步骤(4)的过程如下：

计算单区域样本内所有脉冲点分布概率与对应脉冲点位置相乘并求和，作为单区域样本的扰动点：

采用上述技术方案带来的有益效果：

(1)本发明直接利用分布式光纤振动传感信号的扰动脉冲定位，与原始振动信号无关，因此对原始信号的信噪比要求较低。

(2)本发明提出的定位方法是基于KNN算法，因此当样本内出现少量误报点时，具有一定的容错能力，即可以避开虚假扰动点，又可以避免由于不同样本扰动脉冲的绝对大小相差过大带来的定位漂移问题。基于上述优点，本发明方法可以实现±2.5m定位离散度，且远小于相同条件下传统定位滑动差分等定位方法的离散度。

(3)为了减弱背景噪声引起的振动信号的波动，传统方法通常通过滤波来减小上述波动，但本发明提出的定位方法直接利用扰动脉冲的上升沿和下降沿，无需对原始数据进行耗时的滤波处理，算法简单、实时性较高。

(4)本发明提出的定位方法最少仅需30个扰动脉冲即可提取出振动信号，数据处理量远小于传统方法。

附图说明

图1为本发明的简化流程图；

图2为本发明的详细流程图；

图3为实施例提供的扰动施加在2.3km处脉冲的上升沿分布曲线图；

图4为实施例提供的扰动施加在2.3km处脉冲的下降沿分布曲线图；

图5为实施例提供的扰动施加在2.3km处初步定位分布规律曲线图；

图6为实施例提供的扰动施加在2.3km处最终定位分布规律曲线图。

图7为实施例提供的扰动施加在2.3km处初步定位结果曲线图。

图8为实施例提供的扰动施加在2.3km处最终定位结果曲线图。

图9为实施例提供的定位离散度和扰动位置关系图。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

本发明设计了一种基于KNN投票精准定位扰动点的方法，如图1、图2所示，其步骤如下：

(1)单样本信号采集：分布式光纤振动传感系统将以ΔT为周期发出巡检光脉冲，传感器为光纤，感知外界扰动，FPGA采集扰动脉冲的上升沿和下降沿，并传送给PC机，PC机不断接收底层传送上来报警信号，报警信号为扰动脉冲的上升沿和下降沿，其中30个报警信号为一个单样本，即N为30。

(2)初始扰动位置计算：将采集的扰动脉冲的上升沿和下降沿做加权平均处理，即x_i＝t*x_1i+(1-t)*x_2i，在本实施样例中t取值为0.5。

(3)单样本脉冲投票统计：对步骤(2)中得到的x_i的单样本进行投票算法处理。计算单样本内x_i之间的欧式距离d_ij，即d_ij＝|d_i-d_j|，当第i个脉冲点与第j个脉冲点的欧式距离满足d_ij≤numLeast时，认为在一定误差范围内d_i＝d_j，即d_i和d_j是属于同一类脉冲，具有相同的分布规律，第j个点对第i个点的投票认同度为1，即firstvote_ij＝1。否则，第j个点对第i个点的投票认同度为0，firstvote_ij＝0。统计单样本内所有脉冲点对第i个脉冲点的投票认同度，即

i＝1...N，j＝1...N，在本实施样例中numLeast取值为10。

(4)单样本脉冲点概率统计：对步骤(3)中的投票认同度vote做概率统计处理。当firstvote_ij＝1时，认为在一定误差范围内d_i＝d_j，vote_i为单样本内第i个脉冲点出现的频率，则单样本中第i个脉冲点出现的概率为

由此可以计算出单样本中所有脉冲点的概率。

(5)定位结果计算：计算单区域样本内所有脉冲点概率与对应脉冲点位置相乘并求和，作为单区域样本的扰动点，即

在本实施例中，在脉宽为1us，采样频率为250MHz的条件下，在2.1km、2.3km、4.3km、7.3km、9.4km处持续施加振动，然后采集从FPGA直接传输到上位机中的脉冲的上升沿和下降沿，图3、图4、图5分别为扰动施加在2.3km处上升沿、下降沿、以及初步定位分布规律图，从图3、4、5可以看出，使用上升沿和下降沿的加权均值处理可以初步集中定位点。图6为使用本发明方法，扰动点在2.3km处最终定位结果分布规律图，从图中可以看出，使用本发明方法后定位结果较为集中，且使用该发明方法并未更改其分布规律。图7为扰动施加在2.3km处初步定位结果图，可以看出定位结果比较离散及离散度较大。图8为使用本发明方法，扰动点在2.3km处最终定位结果图，从图中可以明显看出定位结果非常集中。图9为使用本发明方法，扰动点分别在2.1km、2.3km、4.3km、7.3km、9.4km处的定位离散度图，从图中可以明显看出，利用本发明实现±2.5m左右的定位离散度，完全达到了实际工程实践的要求。

实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (5)

1.一种基于KNN投票精准定位扰动点的方法，其特征在于，包括以下步骤：

(1)采集大动态范围大离散单区域样本，提取单区域样本中脉冲点的上升沿和下降沿，并对上升沿和下降沿做加权平均处理；

(2)通过KNN计算出单样本中各个脉冲点相互之间欧式距离，计算每个脉冲点的欧式距离满足欧式距离小于阈值的个数，记为单样本内该脉冲点的投票数；

(3)计算单区域样本内所有脉冲点的分布概率；

(4)计算单区域样本内所有脉冲点分布概率，且与对应脉冲点位置相乘并求和，作为单区域样本的扰动点，实现单区域快速确定分布式光纤振动传感系统扰动点。

2.根据权利要求1所述基于KNN投票精准定位扰动点的方法，其特征在于，在步骤(1)中，一次采集N个脉冲点的单区域样本，计算各脉冲点的上升沿x_1i和下降沿x_2i的加权均值x_i：

x_i＝t*x_1i+(1-t)*x_2i

其中x_1i为样本第i个点上升沿，x_2i为样本第i个点的下降沿，N为样本脉冲点个数，i＝1,...,N，t∈[0,1]。

3.根据权利要求1所述基于KNN投票精准定位扰动点的方法，其特征在于，在步骤(2)种，通过KNN计算出各个脉冲点的投票数：计算单样本内x_i之间的欧式距离d_ij，即d_ij＝|d_i-d_j|，当第i个脉冲点与第j个脉冲点的欧式距离满足d_ij≤numLeast时，认为在一定误差范围内d_i＝d_j，即d_i和d_j是属于同一类脉冲，具有相同的分布规律，第j个点对第i个点的投票认同度为1，即firstvote_ij＝1；否则，第j个点对第i个点的投票认同度为0，firstvote_ij＝0；统计单样本内所有脉冲点对第i个脉冲点的投票认同度，即

i＝1,...,N，j＝1,...,N。

4.根据权利要求1所述基于KNN投票精准定位扰动点的方法，其特征在于，在步骤(3)中，计算单样本中每个脉冲点的概率p_i：

其中，vote_i为单样本内所有脉冲点对第i个脉冲点的投票认同度，N为样本脉冲点个数。

5.根据权利要求1所述基于KNN投票精准定位扰动点的方法，其特征在于，在步骤(4)中，

计算单区域样本内所有脉冲点分布概率与对应脉冲点位置相乘并求和，作为单区域样本的扰动点：

其中，location表示扰动点，p_i为单样本中第i个脉冲点的概率，x_i为第i个脉冲点上升沿和下降沿的加权均值，N为样本脉冲点个数。

Images