CN112801306B - 一种基于随机扫频和机器学习的布里渊频移提取方法 - Google Patents

一种基于随机扫频和机器学习的布里渊频移提取方法 Download PDF

Info

Publication number
CN112801306B
CN112801306B CN202110018888.1A CN202110018888A CN112801306B CN 112801306 B CN112801306 B CN 112801306B CN 202110018888 A CN202110018888 A CN 202110018888A CN 112801306 B CN112801306 B CN 112801306B
Authority
CN
China
Prior art keywords
brillouin
random
machine learning
gain spectrum
sweep
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110018888.1A
Other languages
English (en)
Other versions
CN112801306A (zh
Inventor
郑欢
胡风扬
肖枫
黄奕杰
黄厚慧
覃亚丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202110018888.1A priority Critical patent/CN112801306B/zh
Publication of CN112801306A publication Critical patent/CN112801306A/zh
Application granted granted Critical
Publication of CN112801306B publication Critical patent/CN112801306B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • G06N20/10Machine learning using kernel methods, e.g. support vector machines [SVM]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Measurement Of Resistance Or Impedance (AREA)
  • Testing Of Optical Devices Or Fibers (AREA)

Abstract

一种基于随机扫频和机器学习的布里渊频移提取方法,包括以下步骤:步骤1,根据给定采样次数M,使用随机数生成函数生成范围在0到1之间的M个随机数;步骤2,根据给定采样范围和随机数X,构造出M个随机扫频频率;步骤3,给定拟合函数的线型S,布里渊频移取值f,根据随机扫频频率fs构造布里渊增益谱特征集FnxM;步骤4,根据布里渊增益谱数据集FnxM构造对应的标签集Lnx1;步骤5,根据特征集和标签集使用机器学习算法进行训练,得出L=K(F);步骤6,对于给定的布里渊增益谱B,根据L=K(F)求得布里渊增益谱B所对应的布里渊频移。本发明在不降低准确度的前提下能够有效提高效率。

Description

一种基于随机扫频和机器学习的布里渊频移提取方法
技术领域
本发明涉及分布式光纤布里渊应变和温度传感器,属于分布式光纤传感技术领域,尤其涉及一种基于随机扫频和机器学习的布里渊频移提取方法。
背景技术
分布式光纤传感是一种新型传感方法,其中光纤作为传感介质,将其布设于物体表面或内部,可测得物体表面或内部的应变及温度分布情况。与传统监测手段相比,分布式光纤传感技术具有:
(1)可准确给出每个传感光缆所及的任何位置点处的应变情况,避免因理论建模推算引起的误差。
(2)可对结构体的应变情况进行准确定位,方便排查异常应变处的受力情况,排查故障。
(3)采用通讯光缆,使传感器的成本大幅下降。
(4)一旦光缆受到破坏,方便用OTDR等技术对光缆受损位置进行定位并维修。
(6)与电阻式、振弦式等非光纤监测方案比,分布式光纤应变监测系统,实现了光电分离,传感端无电,故抗电磁干扰能力强,适用于煤矿、油田、电厂、炼油厂、炼钢炉等防爆、辐射、高温、危险场所。分布式光纤应变传感的原理是:向光纤两端输入两束光,并将光纤中返回的散射信号解算成应变和温度变化。当泵浦光和探测光两束光在光纤中相遇,且当频率差在布里渊频谱内,会产生布里渊散射效应,探测光强被泵浦光所改变。若对探测光进行扫频,则可测得光纤中每一个位置点的布里渊增益谱特性。从布里渊增益谱可以提取布里渊频移。由于布里渊频移与光纤所受应力、温度在一定范围内呈线性关系,故通过测量布里渊增益谱,可以推算出光纤每一个位置点处的应变、温度分布。
从布里渊增益谱提取布里渊频移,目前主要采用曲线拟合方法。如采用洛仑兹曲线对布里渊增益谱作非线性拟合,或对布里渊增益谱的谱峰作二次拟合。曲线拟合的主要问题是对初始条件的依赖性很强。当探测光扫频完全覆盖布里渊增益谱时,采样次数大大增加,虽然提高了拟合的准确度,但拟合的时长就会大大加长。
发明内容
为了克服已有技术的不足,本发明提供了一种在不降低准确度的前提下能够有效提高效率的基于随机扫频和机器学习的布里渊频移提取方法。
本发明解决其技术问题所采用的技术方案是:
一种基于随机扫频和机器学习的布里渊频移提取方法,包括以下步骤:
步骤1,根据给定采样次数M,使用随机数生成函数,生成范围在0到1之间的M个随机数,X=[X1,···,XM];
步骤2,根据给定采样范围(f1,f2),以及所述的随机数X,构造出M个随机扫频频率fs={fsi,i=1,2,3,···,M},其中
fsi=f1+(f2-f1)×Xi i=1,2,3,···,M;
步骤3,给定拟合函数的线型S,以及布里渊频移取值f=[f1,f2,f3,…,fn],根据所述的随机扫频频率fs,,构造布里渊增益谱特征集FnxM
步骤4,根据所述的布里渊增益谱数据集FnxM构造对应的标签集Lnx1
步骤5,根据特征集和标签集使用机器学习算法进行训练,得出L=K(F);
步骤6,对于给定的布里渊增益谱B=[B1,B2,…,BM],根据步骤5所述的L=K(F),求得布里渊增益谱B所对应的布里渊频移。
优选的,所述步骤1中,所述的随机数生成函数为Mersenne twister,Multiplicative congruential generator或ultiplicative lagged Fibonaccigenerator,Mersenne twister利用线性反馈移位寄存器LFSR产生随机整数N,N>1,由此产生M个0到1之间的数1/N。
优选的,所述步骤3中,拟合函数的线型S是Lorentz曲线、pV曲线或二次曲线拟合等。
优选的,所述步骤5中,机器学习算法是k-近邻(KNN)、决策树(Decision Tree)、朴素贝叶斯、逻辑回归或支持向量机。
支持向量机中,超平面表示为y(X)=WT X+b,其中W为超平面范数向量,b为截距,训练样本表示为S={(Xi,Li),i=1,···,n},范数向量W是训练特征向量Xi的线性组合:
其中,αi是优化过程中引入的拉格朗日乘数,并且仅对支持向量具有非零值,经过QP方法训练后,具有最优超平面和支持向量的支持向量机模型就可以用于分类了;在测试阶段,计算支持向量与输入特征向量之间的内积以获得(XT),
y(Xt)=WT·Xt+b=αili(Xs·Xt)+b
其中Xs和Xt分别表示支持向量和测试向量。
本发明的有益效果主要表现在:用随机扫频代替原有的均匀扫频,有效提高了采样效率;通过构造布里渊增益谱特征集和布里渊频移标签集,并且通过机器学习支持向量机算法进行训练,可以获取布里渊频移关于布里渊增益谱的模型;通过已有模型可以直接得出布里渊增益谱对应的布里渊频移。
附图说明
图1是本发明中基于随机扫频和机器学习的布里渊频移提取方法步骤示意图。
图2是本发明中基于随机扫频和机器学习的布里渊频移提取方法流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2,一种基于随机扫频和机器学习的布里渊频移提取方法,包括以下步骤:
步骤1,根据给定采样次数M,使用随机数生成函数,生成范围在0到1之间的M个随机数,X=[X1,···,XM];
给定的M值,设为50,生成0到1之间50个随机数X=[X1,···,X50]。
步骤2,根据给定采样范围(f1,f2),以及所述的随机数X,构造出M个随机扫频频率fs={fsi,i=1,2,3,···,M},其中
fsi=f1+(f2-f1)×Xi i=1,2,3,···,M;
对于分布式光纤应变传感器,设置扫频起点f1为10500MHz,扫频终点f2为10950MHz,,故扫频取值范围是(10500MHz,10950MHz)。随机扫频频率fs={fsi,i=1,2,3,···,50},其中fsi=10500+(10950-10500)×Xi(MHz)i=1,2,3,···,50
步骤3,给定拟合函数的线型S,以及布里渊频移取值f=[f1,f2,f3,…,fn],根据所述的随机频率fs,,构造布里渊增益谱特征集FnxM
根据扫频取值范围,我们可设布里渊频移f取值范围是10500MHz至11000MHz,间隔1MHz,共501个点。当f在某一个取值时,对每个扫频点,构成一条行向量记录F1xM。对于f的每一个取值,都得出一条行向量,共计501条行向量,构成布里渊增益谱特征集F501x50,这是一个501x50的矩阵。
步骤4,根据所述的布里渊增益谱数据集FnxM构造对应的标签集Lnx1
FnxM的每一个行向量,都对应布里渊频移f的某一个取值,将该取值记录下来构成一个行元素,共计501个行元素,即构成布里渊频移标签集L501x1
步骤5,根据特征集和标签集使用机器学习算法进行训练,得出L=K(F)。
本实施例中采用的机器学习算法为支持向量机。
步骤6,对于给定的布里渊增益谱B=[B1,B2,…,BM],根据步骤5所述的L=K(F),求得布里渊增益谱B所对应的布里渊频移。
将给定的布里渊增益谱B带入步骤5中得出的模型,可获得给定的布里渊增益谱B对应的布里渊频移,其数值为10850MHz。
以下对图2中的各步骤进行详细描述:
通过随机数函数生成随机数,若随机数的大小不在0到1之间,则返回重新生成,若在0到1之间则对应生成随机扫频,方法结束。
本实施例基于随机扫频,通过构造样本集和机器学习,得出最接近真值的布里渊频移。用随机扫频代替原有的均匀扫频,有效提高了采样效率;通过构造布里渊增益谱特征集和布里渊频移标签集,并且通过机器学习支持向量机算法进行训练,可以获取布里渊频移关于布里渊增益谱的模型;通过已有模型可以直接得出布里渊增益谱对应的布里渊频移。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。

Claims (5)

1.一种基于随机扫频和机器学习的布里渊频移提取方法,其特征在于,该方法应用于分布式光纤应变传感,推算出光纤每一个位置点处的应变、温度分布,所述方法包括以下步骤:
步骤1,根据给定采样次数M,使用随机数生成函数,生成范围在0到1之间的M个随机数,X=[X1,···,XM];
步骤2,根据给定采样范围(f1,f2),以及所述的随机数X,构造出M个随机扫频频率fs={fsi,i=1,2,3,···,M},其中
fsi=f1+(f2-f1)×Xii=1,2,3,···,M;
步骤3,给定拟合函数的线型S,以及布里渊频移取值f=[f1,f2,f3,…,fn],根据所述的随机扫频频率fs,构造布里渊增益谱特征集FnxM
步骤4,根据所述的布里渊增益谱数据集FnxM构造对应的标签集Lnx1
步骤5,根据特征集和标签集使用机器学习算法进行训练,得出L=K(F);
步骤6,对于给定的布里渊增益谱B=[B1,B2,…,BM],根据步骤5所述的L=K(F),求得布里渊增益谱B所对应的布里渊频移。
2.如权利要求1所述的一种基于随机扫频和机器学习的布里渊频移提取方法,其特征在于,所述步骤1中,所述的随机数生成函数为Mersenne twister,Multiplicativecongruential generator或ultiplicative lagged Fibonacci generator,Mersennetwister利用线性反馈移位寄存器LFSR产生随机整数N,N>1,由此产生M个0到1之间的数1/N。
3.如权利要求1或2所述的一种基于随机扫频和机器学习的布里渊频移提取方法,其特征在于,所述步骤3中,拟合函数的线型S是Lorentz曲线、pV曲线或二次曲线拟合。
4.如权利要求1或2所述的一种基于随机扫频和机器学习的布里渊频移提取方法,其特征在于,所述步骤5中,机器学习算法是k-近邻KNN、决策树Decision Tree、朴素贝叶斯、逻辑回归或支持向量机。
5.如权利要求4所述的一种基于随机扫频和机器学习的布里渊频移提取方法,其特征在于,支持向量机中,超平面表示为y(X)=WT X+b,其中W为超平面范数向量,b为截距,训练样本表示为S={(Xi,Li),i=1,···,n},范数向量W是训练特征向量Xi的线性组合:
其中,αi是优化过程中引入的拉格朗日乘数,并且仅对支持向量具有非零值,经过QP方法训练后,具有最优超平面和支持向量的支持向量机模型就可以用于分类了;在测试阶段,计算支持向量与输入特征向量之间的内积以获得(XT),
y(Xt)=WT·Xt+b=αili(Xs·Xt)+b
其中Xs和Xt分别表示支持向量和测试向量。
CN202110018888.1A 2021-01-07 2021-01-07 一种基于随机扫频和机器学习的布里渊频移提取方法 Active CN112801306B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110018888.1A CN112801306B (zh) 2021-01-07 2021-01-07 一种基于随机扫频和机器学习的布里渊频移提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110018888.1A CN112801306B (zh) 2021-01-07 2021-01-07 一种基于随机扫频和机器学习的布里渊频移提取方法

Publications (2)

Publication Number Publication Date
CN112801306A CN112801306A (zh) 2021-05-14
CN112801306B true CN112801306B (zh) 2024-03-22

Family

ID=75808981

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110018888.1A Active CN112801306B (zh) 2021-01-07 2021-01-07 一种基于随机扫频和机器学习的布里渊频移提取方法

Country Status (1)

Country Link
CN (1) CN112801306B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113465676B (zh) * 2021-07-09 2022-05-20 浙江大学 一种双阶段布里渊频移提取方法
CN115265613B (zh) * 2022-07-28 2024-07-02 浙江大学绍兴研究院 一种多频率间隔的布里渊频移提取方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110501092A (zh) * 2019-09-25 2019-11-26 华北电力大学(保定) 一种布里渊光纤传感系统温度提取方法
CN110926355A (zh) * 2019-11-07 2020-03-27 华中科技大学 一种基于卷积神经网络的布里渊频移提取方法和装置
CN111721222A (zh) * 2020-05-19 2020-09-29 浙江工业大学 一种基于邻近算法的布里渊频移提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110501092A (zh) * 2019-09-25 2019-11-26 华北电力大学(保定) 一种布里渊光纤传感系统温度提取方法
CN110926355A (zh) * 2019-11-07 2020-03-27 华中科技大学 一种基于卷积神经网络的布里渊频移提取方法和装置
CN111721222A (zh) * 2020-05-19 2020-09-29 浙江工业大学 一种基于邻近算法的布里渊频移提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于改进二次多项式拟合的布里渊频移快速高精度提取算法;徐志钮;胡宇航;赵丽娟;樊明月;;光谱学与光谱分析(第03期);全文 *

Also Published As

Publication number Publication date
CN112801306A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN112801306B (zh) 一种基于随机扫频和机器学习的布里渊频移提取方法
Wu et al. Real-time denoising of Brillouin optical time domain analyzer with high data fidelity using convolutional neural networks
Liu et al. Ultra-high resolution strain sensor network assisted with an LS-SVM based hysteresis model
Wu et al. Support vector machine based differential pulse-width pair Brillouin optical time domain analyzer
CN101769969B (zh) 测量铁电材料压电常数回线和介电常数回线的装置和方法
CN104677398B (zh) 一种基于频漂动态补偿的φ‑otdr增敏方法及装置
CN101051869A (zh) 光缆通信线路安防监控系统
CN111721222B (zh) 一种基于邻近算法的布里渊频移提取方法
CN109579726B (zh) 一种长标距分布式光纤布里渊传感-解调系统及应变测量方法
CN102928003A (zh) 一种具有实时参考的光纤光栅解调系统
Lu et al. A sensitized plastic fiber sensor for multi-point bending measurement based on deep learning
Wang et al. Robust and fast temperature extraction for Brillouin optical time-domain analyzer by using denoising autoencoder-based deep neural networks
CN108802588A (zh) 内置式gis用局部放电特高频与光脉冲联合检测系统及方法
CN114034327B (zh) 基于稀疏采样和人工神经网络的布里渊散射信号测量方法
Dong et al. Compressed sensing based on K-SVD for Brillouin optical fiber distributed sensors
CN112697179B (zh) 一种基于AdaBoost的布里渊频移提取方法
CN104764414A (zh) 一种利用群算法的fbg非均匀应变重构方法
CN110501092A (zh) 一种布里渊光纤传感系统温度提取方法
CN107809279B (zh) 检测光纤事件点的装置及方法
Yao et al. Swallow neural network-empowered high-speed Brillouin optical correlation-domain reflectometry: Optimization and real-time operation
CN103344562A (zh) 一种多点式光纤腐蚀监测装置
CN114121305B (zh) 一种基于扫频技术的传感器安全检测方法和系统
CN111364986A (zh) 一种油井井下油水两相流持水率测量装置及方法
Ma et al. Quantitative measurement of disturbances based on optical-fibre multiparameter optimization method
Zeng et al. Enhanced BOTDA sensors based on brillouin phase recovery using Kramers-Kronig relation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant