CN112749637A - 一种基于snn的分布式光纤传感信号识别方法 - Google Patents

Abstract

本发明提供一种基于SNN的分布式光纤传感信号识别方法，包括以下步骤：S1数据准备：构建不同类型的事件信号数据集；S2信号预处理：对事件信号数据集中的时间信号做信号预处理，构建时频特征数据集；S3构建脉冲神经网络：基于得到的时频特征数据集，构建脉冲神经网络，并采用无监督学习方法训练；S4识别分类：根据每类样本在兴奋层中每个神经元的脉冲响应强度来定义每个兴奋层神经元所属类别；根据测试样本在每类神经元的平均脉冲响应个数来判定其类别；本发明具有在线实时处理能力，在实际应用中有效避免常见CNN模型中的过拟合问题，能达到较好的识别效果。

Description

一种基于SNN的分布式光纤传感信号识别方法

技术领域

本发明涉及分布式光纤传感应用领域，具体涉及一种基于SNN的分布式光纤传感信号识别方法。

背景技术

相敏光时域反射技术(Φ-OTDR)作为分布式光纤传感技术的代表，利用光纤感测沿线环境中振动、声波等物理量的时间变化和空间分布信息，具有长距离多点定位能力强，同时感测灵敏度高，光纤中无功能器件，寿命长，单端探测，工程施工和维护简便，因此是实现大范围环境安全监测的一种重要技术手段，在管道安全、光电线缆安全、轨道安全、土木结构健康监测及周界安防等应用领域中发挥重要作用。近年来，Φ-OTDR线性相位解调方法使该系统能够高灵敏探测并高保真还原出较高频的声音和振动信号，成为光纤传感的研究热点。但Φ-OTDR的应用现场数据分析、数据挖掘理解和应用软件还不够成熟，其大规模组网带来了大范围复杂环境中监测时产生的大数据分析处理和深度挖掘等方面的严峻挑战，成为目前光纤传感领域的公共难题。现有基于相位解调的分布式光纤振动、声波传感系统，在实际大范围监测应用中环境复杂，特别是不同段或不同点位埋设环境千差万别，例如，有些段埋在火车道附近，有些段埋在公路附近，有些段则埋在工厂或河流附近，不同点位感知的干扰源类型不同。目前，在相关深度学习模型及分类方法中，算法对复杂环境的自适应能力及泛化能力差，且处理流程繁琐、计算量大，如结合时频谱图和Mel倒谱系数再用CNN识别的方法，利用一维卷积神经网络(1D-CNN)提取特征再选择分类器等的分类识别方法，在应对不同场景的同类事件数据不一致和复杂多样噪声环境时，都表现出严重的过拟合问题，导致实际应用时系统智能识别能力不佳，整体误报率仍然偏高。

发明内容

本发明提供了一种基于SNN的分布式光纤传感信号识别方法，用以解决现有技术中存在的分布式光纤传感振动及声波传感系统在复杂噪声背景和多种不同场景下信号不一致的过拟合问题，样本不均衡、少样本等引起的模型构建不稳定或无法构建问题，最后导致系统在不同场景下智能识别能力不佳，整体误报率仍然偏高的问题。

为实现上述目的，本发明采用的技术方案如下：

一种基于SNN的分布式光纤传感信号识别方法，包括以下步骤：

S1数据准备：构建不同类型的事件信号数据集；

S2信号预处理：对事件信号数据集中的时间信号做信号预处理，构建时频特征数据集；

S3构建脉冲神经网络：基于得到的时频特征数据集，构建脉冲神经网络，并采用无监督学习方法训练；

S4识别分类：根据每类样本在兴奋层中每个神经元的脉冲响应强度来定义每个兴奋层神经元所属类别；根据测试样本在每类神经元的平均脉冲响应个数来判定其类别。

进一步地，S1具体包括以下步骤：

S11：利用基于相敏光时域反射仪的分布式光纤振动、声波传感系统硬件，采集多场景复杂背景环境下管道沿线的分布式光纤传感信号；

S12：该系统每个时刻返回沿空间分布的原始信号轨迹，在时间轴上连续累积T条原始信号轨迹，构建得到一个时间T维，空间S维的时空响应信号矩阵；

S13：将累积得到的时空响应信号矩阵中，抽取事件影响的任意一个空间点的一维时间序列，依次按列沿时间轴进行事件信号分割，来构建不同类型事件信号数据集。

进一步地，分布式光纤振动、声波传感系统硬件包括探测光缆、光信号解调设备和信号处理主机。

进一步地，S2具体包括以下步骤：

S21：时间信号通过短时傅里叶变换得到时频图；

S22：对时频图像进行预处理，包括裁剪、灰度转换并将二维图像转换为一维数据向量，构建事件信号样本的时频特征数据集。

进一步地，S3具体包括以下步骤：

S31：对不同类型事件信号的时频特征进行深度学习，构建脉冲神经网络，并对脉冲神经网络进行网络初始化；

S32：将时频特征数据作为输入，对构建的脉冲神经网络进行训练；

S33：利用STDP无监督训练算法对突触的权重值进行迭代调整，并利用设计的动态阈值调整算法对神经元阈值进行调整；

其中STDP无监督训练算法更新机制，是计算突触的权值改变量ΔW，由突触前脉冲和突触后脉冲的踪迹值计算得到：

其中，η是学习率，η_pre和η_post分别指突触对每个突触前脉冲和突触后脉冲的学习率，W_max是突触权重的最大值，μ决定这一次权重改变对上一场权重值的依赖程度，x_pre/x_post是突触前/突触后脉冲踪迹值，每当突触前/突触后神经元发放一个脉冲，该值置为1，否则按指数规律衰减。

进一步地，脉冲神经网络包括兴奋层和抑制层，其中兴奋层由400个兴奋型神经元组成；兴奋层神经元采用泄漏整合放电LIF神经元模型：

抑制层神经元采用简化的LIF模型，其表示如下：

其中E_rest表示静息膜电位，E_exc是兴奋型突触平衡膜电位，g_e为兴奋型突触的电导，τ_i为抑制型神经元的时间常数。

进一步地，网络初始化包括权值初始化和阈值初始化，阈值初始化具体包含以下步骤：将所有神经元的阈值变量Theta通过调试使得各样本输入在兴奋层发出的总脉冲数在5个到100个之间，最终得到的阈值作为初始化的网络参数值。

进一步地，权值初始化具体包含以下步骤：假设网络兴奋层神经元个数为N，在训练集中选取N个样本作为网络初始化样本，N个样本中需要包含四类典型事件的典型样本且各类样本数量一致，一个样本数据初始化一个神经元所连接的突触权值，若样本数小于神经元数，则多余神经元所连接的突触权值在限定范围内随机赋值。

进一步地，迭代调整过程中，每个样本输入在网络中运行250ms，在输入下一个样本前，网络需要在没有输入的情况下继续运行100ms，确保神经元恢复静息态。

进一步地，S4具体包括以下步骤：

S41：将训练时的带标签样本集再按类输入一遍，统计每个神经元对于每类样本发出的脉冲总个数，将其除以该类样本个数得到脉冲响应强度；当得到所有类的脉冲响应强度后，选择脉冲响应强度最强的那一类作为该神经元所属类别；依次类推定义所有神经元所属类别；

S42：分类时，将测试样本输入网络，获得兴奋层各个神经元的脉冲特征向量，以此计算各类神经元的平均脉冲响应个数，选择平均脉冲响应个数最多的那一类作为该样本类别；

每一类神经元的平均脉冲响应个数计算方法，如下：

式中I_j为第j类的响应强度，M_j为属于第j类神经元的个数，x_i为该样本在属于第j类的第i个神经元发放的脉冲个数。

与现有技术相比，本发明的有益效果是：

(1)本发明适合于提取分布式光纤振动及声波传感信号的时序结构信息，特征提取能力强，能在低运算复杂度预处理的数据上得到准确度高的分类结果。相较于其他深度学习分类方法的复杂繁琐的信号预处理过程，本发明的预处理简单，仅仅对原始一维时间信号进行短时傅里叶变换得到时频图，降低了整个方法的计算复杂度和处理时延，便于实现在线实时处理。

(2)本发明利用与SNN网络高度适配的脉冲比例分类器进行分类，实现了基于SNN网络提取的脉冲时序特征的分类识别，有效避免采用CNN网络提取特征和分类时调整参数的麻烦，及选择分类器进行分类时选择分类器的复杂结构。

(3)本发明可以在缺乏海量训练数据时，依靠仅有的少量样本训练得到准确度较高的模型，并有效避免CNN模型中常见的过拟合问题。

(4)本发明面对实际应用中常常遇到的不均衡数据集，能有优于其他深度学习方法的更好的识别效果，使得本发明方法的实际应用能力增强。

(5)本发明在不同场景条件下，SNN具有强迁移学习能力，将同一场景训练的SNN网络在多场景下微调后测试，可达到较好的识别效果。

(6)本发明采用无监督STDP学习机制，还可以对噪声干扰大，难以定义标签的数据进行训练，优于常见基于监督训练的深度学习方法。

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，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为本发明的信号处理流程示意图；

图2为本发明中分布式光纤振动、声波传感系统结构及工作原理；

图3为本发明中经时间累积得到的分布式光纤振动、声波传感时空响应信号；

图4为本发明中基于现场采集信号样本构建的各类管道安全事件信号数据集；

图5为本发明中不同数据集各类事件的波形图和时频图；

图6为本发明中脉冲神经网络(SNN)的结构示意图；

图7为本发明中脉冲神经网络(SNN)的结构参数说明；

图8为本发明种卷积神经网络(CNN)的结构图；

图9为本发明中典型一致数据集中训练集训练的SNN和CNN对于典型一致数据集中测试集的识别效果对比；

图10为本发明中典型一致数据集中训练集训练的SNN和CNN对于典型不一致数据集的识别效果对比；

图11为本发明中典型一致数据集中训练集训练的SNN和CNN对于非典型不一致数据集的识别效果对比；

图12本发明中不均衡样本数据集中训练集训练的SNN和CNN对于不均衡样本数据集的测试集的识别效果对比；

图13为本发明中不均衡样本数据集的训练集训练的SNN和CNN对于不均衡样本数据集的训练集和测试集分类的混淆矩阵对比；(a)CNN在训练集上测试的混淆矩阵；(b)CNN在测试集上测试的混淆矩阵；(c)SNN在训练集上测试的混淆矩阵；(d)SNN在测试集上测试的混淆矩阵。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

实施例1

以长距离管道安全监测应用为例，基于脉冲神经网络(SNN)的分布式光纤振动、声波传感信号特征提取与分类方法，整个信号处理流程如图1所示，主要分为四个步骤：

第一步，数据准备。利用基于相敏光时域反射仪的分布式光纤振动、声波传感系统硬件，采集多场景复杂背景环境下管道沿线的声音或振动信号(即分布式光纤传感信号)，对各空间点采集的管道事件信号按时间段进行分割，构建不同类型的事件信号数据集，主要包括在同一场景下采集的典型一致的信号数据集A，不同场景下采集的典型不一致的信号数据集B和非典型不一致的信号数据集C，以及不均衡样本数据集D。

第二步，信号预处理。对事件信号数据集中的时间信号做短时傅里叶变换(STFT)得到时频图，对时频图像进行预处理，包括裁剪、灰度转换并将二维图像转换为一维数据向量，构建事件信号样本的时频特征数据集。

第三步，构建脉冲神经网络(SNN)。对不同类型事件信号的时频特征进行深度学习，首先构建脉冲神经网络，简称SNN，并对网络进行初始化，包括权值初始化和阈值初始化。将第二部分中处理后的无标签训练集数据作为输入对构建的脉冲神经网络进行训练，训练算法利用STDP无监督训练算法对突触的权重值进行迭代调整，并利用设计的动态阈值调整算法对神经元阈值进行调整，通过训练使网络达到最优。

第四步，识别分类。利用带标签的训练集输入到训练好的脉冲神经网络中，根据每类样本在兴奋层中每个神经元的脉冲响应强度来定义每个兴奋层神经元所属类别；再将测试集输入到网络中，根据测试样本在每类神经元的平均脉冲响应个数来判定其类别。

实施例2

本实施例是在实施例1的基础上，对本发明做出进一步地优化说明。

实施例1中，本发明基于线性相位解调的分布式光纤振动、声波传感系统(DVS/DAS)来实现长距离管道安全监测，系统结构及其工作原理如图2所示。用于采集信号的系统硬件包括探测光缆、光信号解调设备和信号处理主机三部分；探测光缆通常采用普通单模通信光纤，沿地下管道、输电线缆、城镇道路埋地铺设，也可直接利用沿管道或道路铺设的单模通信光缆空余纤芯。光信号解调设备内部组成器件包括光学器件和电学器件两类，由超窄线宽激光器产生连续相干光信号，经声光或电光调制器调制成光脉冲信号，光脉冲信号由掺铒光纤放大器EDFA集中放大，放大后的光脉冲信号依次经隔离器、环形器的1端口、2端口注入探测光缆；光脉冲信号沿光缆传输过程产生瑞利散射，其后向瑞利散射光信号沿光缆返回，由环形器的2端口、3端口接收，经光学滤波器滤除噪声信号后经第一耦合器耦合后，再将其注入到一个非平衡马赫曾德尔或迈克尔逊干涉仪等，具体由解调方法确定，经由3*3的第二耦合器输出三路相位差为120度的外界扰动引入的相位变化信息，即可获得声波/振动在光纤上的作用信号，解调出的光信号由光电探测器转换成电信号，再由波形发生卡控制的同步触发模数转换器进行信号同步采集，最后数字电信号通过网络等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PC或FPGA/DSP嵌入式主板，用于光纤探测信号的分析、处理，通过特定信号处理算法对感测的声波、振动信号进行智能分析、处理和识别分类，并由光时域反射原理确定其位置。

该系统每个时刻返回沿空间分布的原始信号轨迹，在时间轴上连续累积T条原始信号轨迹，构建得到一个时间T维，空间S维的时空响应信号矩阵：

{XX＝x_ts(t＝1，2，…，T；s＝1，2，…，S)} (1)

其中T为时间采样长度，S为空间采样长度，单位均为采样点。经时间累积得到的分布式光纤声音、振动传感系统的时空响应信号，如图3所示，横坐标为空间轴，表示管道沿线的数据采集空间点，两空间点的距离为ΔS；纵坐标为时间轴，两采样点采样间隔ΔT＝1/f_s，f_s为时间轴上脉冲触发频率，即时间采样频率。

实施例3

本实施例是在上述实施例基础上，对本发明做出进一步地优化说明。

将实施例2中累积得到的时空响应信号矩阵中，抽取事件影响的某个空间点的一维时间序列，依次按列沿时间轴进行事件信号分割，来构建不同类型事件信号数据集。本发明中以管道安全监测为例，构建管道安全相关的不同类型事件信号数据集。具体操作过程如下：对每个空间点的信号时间序列，依次截取时间长度为L的事件信号，如图3中矩形框部分所示，作为事件信号样本，记为X₁，X₂....等，根据实际发生的事件类型分别贴上事件类型标签。

管道安全监测过程中，事件类型通常有：平稳环境噪声、人为挖掘、机械破路、容易误判的交通干扰等4种。本实施例中，将平稳背景噪声称为正常事件，事件类别标签设为1；将人为挖掘、机械破路、交通干扰等事件统称为异常事件，其中交通干扰则属于环境干扰事件，交通干扰类别标签设为2，人为挖掘与机械破路为真实异常事件，机械破路类别标签设为3，人为挖掘类别标签设为4。根据事件类型标签分别添加到数据库中，本实施例中，为了验证本发明方法的有效性，根据不同测试目的，构建四个数据集，分别是数据集A,B,C,D。其中数据集A是由典型一致信号样本组成，数据集B是由典型不一致信号样本组成，数据集C是由非典型不一致信号样本组成，数据集D是由不均衡的各类信号样本组成。根据实际现场的复杂条件，同一场景下采集的事件信号是无噪干扰的信号，称为典型信号；同一场景下采集的事件信号是受噪声干扰大的信号称为非典型信号；在不同场景(埋设光纤的地理环境有明显差异)下采集的同一类事件信号有差异的信号称为不一致信号；在同一场景下采集的同一类事件信号近乎无差异的信号称为一致信号。在不均衡样本数据集中，模拟实际实验条件获得的各类样本数差异较大的情况，将四类样本的样本数按14：8：5：3的比例构建。将数据集A和数据集D按照比例4:1划分为训练集与测试集，数据集B和数据集C包含用于微调的无标签集和测试集。基于管道安全监测现场采集的信号样本，构建的数据集如图4所示。

实施例4

本实施例是在上述实施例基础上，对本发明做出进一步地优化说明。

将实施例3中数据集的每个数据样本做信号预处理，构建信号的时频特征集。本发明中以管道安全监测为例，将各数据集中时间信号通过短时傅里叶变换转换成时频图。为了确定非平稳信号在某个时间窗口内的频域分量，需要把时间窗进行局部化，从而确定在该段时间窗内的频率分量。设信号为f(t),需要的窗函数为h(t)：

其中h(τ-t)表示了对窗函数进行局部时移t，利用t来定位到了局部时间窗的位置在实际计算中，τ为离散的时间点，确定的短时信号为：

S(τ)＝f(τ)h(τ-t) (3)

再对S(τ)做FFT，计算出其频率分量，从而降低了计算量。这里采用75阶的矩形窗，其优点是主瓣较集中。在生成时频图后，需要将其进行预处理，包括灰度转换和裁剪，并转换拉伸为50*100长度的一维向量数据，完成四类典型事件信号的时频特征数据集的构建。基于数据集中各类事件信号构建的时频特征数据如图5所示。

实施例5

本实施例是在上述实施例基础上，对本发明做出进一步地优化说明。

基于实施例4得到的时频特征数据集，构建并训练脉冲神经网络(SNN)。具体包括设计SNN结构并设置网络结构参数、训练网络、网络更新和输出脉冲特征四个环节。

(1)设计SNN结构并设置网络结构参数

本发明采用输入层I(编码层)-兴奋层E(分类层)-抑制层L共3层的网络结构，如图6所示，具体网络结构参数设置如图7所示。输入层主要实现样本到脉冲序列的信息编码；兴奋层的神经元接收到突触传导来的脉冲引起其膜电位的变化，当膜电位达到阈值，产生脉冲，继续向下一层传递兴奋脉冲；抑制层模拟实现类脑神经元系统中的神经元间侧抑制和竞争学习机制。

(2)训练网络

脉冲神经网络(SNN)经过参数初始化后，接收输入的训练数据，并通过脉冲时间依赖的可塑性(STDP)学习机制和动态阈值算法对网络参数进行更新，该网络参数θ包括权值矩阵W与阈值变量Theta。以第一次网络参数更新过程为例进行说明：

1)初始化网络参数θ。初始化状态决定网络训练的起点，为使网络易于收敛，本发明利用训练集时频特征数据对网络参数进行初始化。具体方法为：假设网络兴奋层神经元个数为N，在训练集中选取N个样本作为网络初始化样本，N个样本中需要包含四类典型事件的典型样本且各类样本数量一致，一个样本数据初始化一个神经元所连接的突触权值，若样本数小于神经元数，则多余神经元所连接的突触权值在限定范围内随机赋值，首先以一个神经元所连接的突触为例：

式(4)中f(i)表示该样本数据中的第i个值，本实施例中一个样本数据包含5000个值，W(i)表示该神经元第i个突触的权值，由于单个数据占比太小，因此这里将其乘100为使权值不会太大或太小，将其取值限定在[a，b]范围内，当W(i)大于b时，将其置为b，当W(i)小于a时，将其置为a。将所有神经元的阈值变量Theta通过调试使得各样本输入在兴奋层发出的总脉冲数在5个到100个之间，最终得到的权值矩阵W与阈值变量Theta作为初始化的网络参数值。本发明设置的具体参数如图7所示。

2)输入典型事件时频数据集完成前向传播过程

输入层I(编码层)：将时频数据向量中的N个值对应输给输入层I的N个神经元，每个神经元以输入值为脉冲概率进行泊松编码并输出脉冲序列。对二维图形，持续时间T内，每个像素对应的输入神经元发放的脉冲个数成泊松分布,以其中一个神经元为例，该神经元对应的输入值为λ，神经元发放的脉冲个数成泊松分布,在时间步长内，产生脉冲的概率为：

在仿真时长T内，每个时间步长dt会根据概率P确定是否发放脉冲，最终形成脉冲编码。

兴奋层E(分类层)：构建兴奋层神经元模型，我们选择泄漏整合放电神经元(LIF)模型，其膜电位V表示如下：

式(6)中E_rest表示静息膜电位，E_exc和E_inh是兴奋型突触和抑制型突触的平衡膜电位，g_e和g_i分别为兴奋型突触和抑制型突触的电导，τ_e为兴奋型神经元的时间常数。当神经元的膜电位超过其阈值电位Theta时，该神经元发放脉冲，并将膜电位重置为V_reset，并在一段时间内处于不应期，即在一段时间内不被触发而发放脉冲。兴奋层神经元包含兴奋型突触和抑制型突触，其与输入层神经元通过兴奋型突触以全连接的方式连接，当其连接的突触前神经元发放脉冲时，会经过一定的延时传递到突触后神经元，同时使兴奋型突触的电导根据该突触的权值得到增强，当前突触没有脉冲产生时，该突触电导会层指数性衰减，电导g_e的动力学模型为：

同理，抑制型突触的电导g_i的动力学模型为：

抑制层E：构建抑制层神经元模型，我们选择简化的LIF模型，其膜电位V表示如下：

同理，E_rest表示静息膜电位，E_exc是兴奋型突触平衡膜电位，g_e为兴奋型突触的电导，τ_i为抑制型神经元的时间常数，如生物学中观察得到，我们使用的时间常数，抑制型神经元的τ_i远小于兴奋型神经元的τ_e。其与兴奋层神经元通过兴奋型突触以一对一的连接方式正向传播连接，当与其一对一连接的兴奋层神经元在突触的前突触发放脉冲时，该突触的兴奋性电导根据该突触权值增强，同时每个抑制性神经元又与除前向传播连接的那个兴奋层神经元外的所有兴奋层神经元通过抑制型突触反向传播连接，即一个兴奋层神经元E_k与一个抑制层神经元I_k由兴奋型突触正向连接，这个抑制层神经元I_k再与所有兴奋层神经元E_j，j≠k由抑制型突触反向连接。与该层连接的所有突触的时延都设为0ms,并且我们将该层的兴奋型突触的权值设置到足够大，使得当与其连接的兴奋层神经元发放脉冲时，对应的抑制层神经元必定在抑制型突触的前突触发放脉冲，将抑制作用反向传递给兴奋层的其余神经元。

(3)网络更新

1)网络权重更新：

SNN网络根据步骤2中的传播过程接收和发放脉冲，并同时进行网络更新，输入层神经元到兴奋层神经元的所有突触权值利用STDP学习机制进行更新，其不需要利用标签，为了提高计算速率，权值的动态机制利用了突触前神经元和突触后神经元的踪迹值，以其中一个突触的权值更新过程为例，具体步骤如下：

从输入层到输出层神经元间的所以突触都是使用STDP学习算法进行突触权重的改变。STDP算法更新机制，是计算突触的权值改变量ΔW,由突触前和突触后的脉冲踪迹值计算得到，公式如下：

其中，η是学习率，η_pre和η_post分别指突触对每个突触前脉冲和突触后脉冲的学习率，W_max是突触权重的最大值，μ决定这一次权重改变对上一场权重值的依赖程度。x_pre/x_post是突触前/突触后脉冲踪迹值，每当突触前/突触后神经元发放一个脉冲，该值置为1，否则按指数规律衰减。x_tar是在突触后神经元发放脉冲时，突触前踪迹值应达到的目标值，即在x_tar的突触前脉冲强度下，该突触向后传导一定强度的电脉冲使得突触后神经元发放脉冲。这个目标值越高，这个突触的权重值越低。

这个机制使得很少导致突触后神经元放电的突触前神经元与该突触后神经元间的突触权重值越来越小，即神经元间变得越来越不连接，并且在突触后神经元很少活跃的情况下尤其明显，而那些经常导致突触后神经元放电的突触前神经元与该突触后神经元间突触的权重值越来越大，由此模拟大脑神经系统中神经元间突触连接形成、强化、弱化和消失的生物机理。值得注意的是，这个学习算法下突触权重值的更新发生在每次突触前神经元发放脉冲时和每次突触后神经元发放脉冲时。这一事件触发的特点可使算法计算量下降，减小软件仿真的消耗。

2)动态阈值机制：

兴奋层神经元膜阈值的更新利用动态阈值机制，输入脉冲序列的不均匀型会导致兴奋层神经元的脉冲发放率不同，而抑制层的侧向抑制会进一步增加这种差异。但是，希望所有神经元具有近似相等的脉冲发放率，以防止单个兴奋层神经元主导整个脉冲发放而降低整个SNN网络的特征提取能力，进而影响网络型能。为确保每个兴奋层神经元都参与脉冲发放并不同神经元有不同的接受域，即不同的特征采集域，我们在采用了类似于固有可塑型的自适应膜阈值，即动态阈值机制。具体来说，每个兴奋层神经元的膜阈值V_Theta不在是固定值，其表达式如下：

V_Theta＝V_Theta+θ (11)

其中，θ随着每次神经元放电都增加，而未放电时呈指数衰减：

因此，神经元放电越多，其膜阈值就会越高，因此神经元需要更多的输入以在不久的将来达到峰值。使用这种机制，由于基于电导的突触模型将最大膜电位限制为兴奋型逆转电位E_exc，因此神经元的脉冲发放速率受到限制，即一旦神经元膜阈值接近或者高于E_exc，其脉冲释放量就会减少通常(甚至不发放脉冲)直到θ充分减小为止。

将训练集中样本依次输入进行网络更新，每个样本输入在网络中运行250ms，在输入下一个样本前，网络需要在没有输入的情况下继续运行100ms，以确保神经元恢复静息态。用网络参数θ更新一维卷积神经网络后，达到设定的最大迭代次数，保存最终的深度学习模型。

(4)定义神经元所属类别

将兴奋层E的输出H作为后面分类依据，输出记为SNN脉冲特征向量，向量维数与兴奋层神经元个数相同，代表了该层各个神经元在仿真时长内发放的脉冲个数。

数据集中训练样本的时频数据输入训练好的SNN模型中，得到与每个输入样本对应的脉冲特征向量，再根据这些脉冲特征数据定义每个神经元的所属类别。将训练时的带标签样本集再按类输入一遍，统计每个神经元对于每类样本发出的脉冲总个数，将其除以该类样本个数得到脉冲响应强度，具体计算如(13)所示：

其中j为样本类别，N为兴奋层神经元个数，n为第j类样本的训练样本个数，再按其最强响应强度的类给每个神经元打上标签，如x₁₁＞x_j1(j＝2，3，4),则将第一个神经元打上第1类的标签，即兴奋层第i个神经元E_i对第j类样本输入的脉冲响应最强，那就给E_i打上j的标签，当得到所有类的脉冲响应强度后，选择脉冲响应强度最强的那一类作为该神经元所属类别；依次类推定义所有神经元所属类别。至此，识别网络训练完成。

实施例6

本实施例是在上述实施例基础上，对本发明做出进一步地优化说明。

测试时，基于定义好的神经元类别，输入测试集获得兴奋层的脉冲特征向量，并利用兴奋层各类神经元的平均脉冲响应个数来进行分类，具体方法如下：

对测试样本进行分类时，将样本输入网络，统计兴奋层所有神经元的响应情况，即每一类神经元的平均脉冲个数，计算如下：

式(14)中I_j为第j类的平均脉冲响应个数，M_j为属于第j类神经元的个数，x_i为该样本在属于第j类的第i个神经元发放的脉冲个数。统计该样本在每一类的神经元的平均脉冲响应个数，将该未知样本分为有最高脉冲响应强度的那一类，如SNN网络的兴奋层有m个被打上第j类标签的神经元，当第k个未知样本输入后，有第j类标签的神经元一共发出n次脉冲，则其脉冲响应强度为

同理得到其他类的平均脉冲响应个数，如果第j类的平均脉冲响应个数最大，则把这个未知样本归到第j类，完成对测试集样本数据的分类。

实施例7

本实施例是在上述实施例基础上，对本发明做出进一步地优化说明。

基于本发明提出的深度学习网络SNN对事件信号进行分类，并与相同情况下(相同输入条件下)训练好的卷积神经网络CNN的分类效果进行比较。这里，CNN网络是本领域主要采用的深度学习网络，其网络结构如图8所示。

测试一：为了验证SNN在小样本集上构建的优势，样本均衡条件下，从数据集A中选取每类典型事件样本数为50、100、150、200的训练样本，分别训练好四个SNN，记为Model_A1，Model_A2，Model_A3，Model_A4，在数据集A的测试集中随机选取100个样本进行测试。循环测试五次，取五次分类结果的平均值，与相应样本集训练的CNN模型处理结果比较，测试结果如图9所示。其中在每类样本数小于150的情况下，SNN分类效果远优于CNN；在每类样本数大于等于150的情况下，SNN分类精度略低于CNN，证明了SNN可以在少样本情况下进行有效识别。

测试二：为了验证SNN网络在不一致数据集上测试的稳定性及迁移学习能力，对测试一中典型一致数据集上生成的SNN和CNN网络在典型不一致样本、非典型不一致样本数据集B、C上分别进行测试。为了进一步提升网络在不同场景下测试的迁移学习能力，先用不同场景下采集的无标签集通过无监督学习对SNN网络微调，将数据集B、C中的无标签微调集分别输入测试一训练好的Model_A1，Model_A2，Model_A3，Model_A4进行微调训练，利用数据集A中的训练集定义神经元类别；测试时在数据集B、C中分别随机选取100个样本输入微调后的Model_A1，Model_A2，Model_A3，Model_A4中进行测试。循环测试五次，取五次分类结果的平均值，与CNN的测试结果比较，分别如图10和图11所示，对于典型不一致样本和非典型不一致样本的测试结果，SNN的识别率总是优于CNN的识别率。说明本实施例中SNN的迁移学习能力优于CNN，更适于不同场景下不一致样本的识别。

测试三，为了验证SNN对于不均衡样本的适应能力，利用非均衡数据集D的训练集训练好SNN模型Model_B和CNN模型，再在数据集D的测试集中随机选取100个样本，分别输入Model_B、CNN模型中进行测试得到分类结果，循环测试五次，测试结果如图12。在不均衡样本条件下，五次测试SNN识别效果均优于CNN，说明SNN模型更适用于非均衡样本的处理。

测试四，为了进一步验证SNN的抗过拟合能力，将数据集D的训练集和测试集样本分别输入训练好的SNN模型Model_B和CNN模型进行测试，得到的混淆矩阵如图13所示，图13(a)为CNN在训练集上的测试结果，图13(b)为CNN在测试集上的测试结果，图13(c)为SNN在训练集上的测试结果，图13(d)为SNN在测试集上的测试结果。图中行代表真实事件类型，列代表预测的事件类型，对角线上为某类事件被正确判定的样本数量占该类事件总样本的比例，其他网格则为某类事件被误判为其他类事件样本占该类事件总样本的比例，CNN对四类事件训练集的平均识别率达到了100％，但是对四类事件测试集的平均识别率只达到了92.00％；SNN对四类事件训练集的平均识别率达到了99.08％，对四类事件测试集的平均识别率达到了97.67％。由此看出CNN在该数据集的训练有过拟合现象，而SNN抗过拟合能力更强，对测试集的平均识别率更高。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、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SNN的分布式光纤传感信号识别方法，其特征在于，包括以下步骤：

S1数据准备：构建不同类型的事件信号数据集；

S2信号预处理：对事件信号数据集中的时间信号做信号预处理，构建时频特征数据集；

S3构建脉冲神经网络：基于得到的时频特征数据集，构建脉冲神经网络，并采用无监督学习方法训练；

S4识别分类：根据每类样本在兴奋层中每个神经元的脉冲响应强度来定义每个兴奋层神经元所属类别；根据测试样本在每类神经元的平均脉冲响应个数来判定其类别。

2.根据权利要求1所述的一种基于SNN的分布式光纤传感信号识别方法，其特征在于，所述S1具体包括以下步骤：

S11：利用基于相敏光时域反射仪的分布式光纤振动、声波传感系统硬件，采集多场景复杂背景环境下管道沿线的分布式光纤传感信号；

S12：该系统每个时刻返回沿空间分布的原始信号轨迹，在时间轴上连续累积T条原始信号轨迹，构建得到一个时间T维，空间S维的时空响应信号矩阵；

S13：将累积得到的时空响应信号矩阵中，抽取事件影响的任意一个空间点的一维时间序列，依次按列沿时间轴进行事件信号分割，来构建不同类型事件信号数据集。

3.根据权利要求2所述的一种基于SNN的分布式光纤传感信号识别方法，其特征在于，所述分布式光纤振动、声波传感系统硬件包括探测光缆、光信号解调设备和信号处理主机。

4.根据权利要求1所述的一种基于SNN的分布式光纤传感信号识别方法，其特征在于，所述S2具体包括以下步骤：

S21：时间信号通过短时傅里叶变换得到时频图；

S22：对时频图像进行预处理，包括裁剪、灰度转换并将二维图像转换为一维数据向量，构建事件信号样本的时频特征数据集。

5.根据权利要求1所述的一种基于SNN的分布式光纤传感信号识别方法，其特征在于，所述S3具体包括以下步骤：

S31：对不同类型事件信号的时频特征进行深度学习，构建脉冲神经网络，并对脉冲神经网络进行网络初始化；

S32：将时频特征数据作为输入，对构建的脉冲神经网络进行训练；

S33：利用STDP无监督训练算法对突触的权重值进行迭代调整，并利用设计的动态阈值调整算法对神经元阈值进行调整；

其中STDP无监督训练算法更新机制，是计算突触的权值改变量ΔW，由突触前脉冲和突触后脉冲的踪迹值计算得到：

其中，η是学习率，η_pre和η_post分别指突触对每个突触前脉冲和突触后脉冲的学习率，W_max是突触权重的最大值，μ决定这一次权重改变对上一场权重值的依赖程度，x_pre/x_post是突触前/突触后脉冲踪迹值，每当突触前/突触后神经元发放一个脉冲，值置为1，否则按指数规律衰减。

6.根据权利要求5所述的一种基于SNN的分布式光纤传感信号识别方法，其特征在于，所述脉冲神经网络包括兴奋层和抑制层，其中兴奋层由400个兴奋型神经元组成；兴奋层神经元采用泄漏整合放电LIF神经元模型：

抑制层神经元采用简化的LIF模型，其表示如下：

其中E_rest表示静息膜电位，E_exc是兴奋型突触平衡膜电位，g_e为兴奋型突触的电导，τ_i为抑制型神经元的时间常数。

7.根据权利要求5所述的一种基于SNN的分布式光纤传感信号识别方法，其特征在于，所述网络初始化包括权值初始化和阈值初始化，所述阈值初始化具体包含以下步骤：将所有神经元的阈值变量Theta通过调试使得各样本输入在兴奋层发出的总脉冲数在5个到100个之间，最终得到的阈值作为初始化的网络参数值。

8.根据权利要求7所述的一种基于SNN的分布式光纤传感信号识别方法，其特征在于，所述权值初始化具体包含以下步骤：假设网络兴奋层神经元个数为N，在训练集中选取N个样本作为网络初始化样本，N个样本中需要包含四类典型事件的典型样本且各类样本数量一致，一个样本数据初始化一个神经元所连接的突触权值，若样本数小于神经元数，则多余神经元所连接的突触权值在限定范围内随机赋值。

9.根据权利要求5所述的一种基于SNN的分布式光纤传感信号识别方法，其特征在于，迭代调整过程中，每个样本输入在网络中运行250ms，在输入下一个样本前，网络需要在没有输入的情况下继续运行100ms，确保神经元恢复静息态。

10.根据权利要求1所述的一种基于SNN的分布式光纤传感信号识别方法，其特征在于，S4具体包括以下步骤：

S41：将训练时的带标签样本集再按类输入一遍，统计每个神经元对于每类样本发出的脉冲总个数，将其除以该类样本个数得到脉冲响应强度；当得到所有类的脉冲响应强度后，选择脉冲响应强度最强的那一类作为该神经元所属类别；依次类推定义所有神经元所属类别；

S42：分类时，将测试样本输入网络，获得兴奋层各个神经元的脉冲特征向量，以此计算各类神经元的平均脉冲响应个数，选择平均脉冲响应个数最多的那一类作为该样本类别；

每一类神经元的平均脉冲响应个数计算方法，如下：

式中I_j为第j类的响应强度，M_j为属于第j类神经元的个数，x_i为该样本在属于第j类的第i个神经元发放的脉冲个数。

Images