CN113408346B - 一种基于迁移学习的光纤预警系统事件分类方法 - Google Patents

一种基于迁移学习的光纤预警系统事件分类方法 Download PDF

Info

Publication number
CN113408346B
CN113408346B CN202110525672.4A CN202110525672A CN113408346B CN 113408346 B CN113408346 B CN 113408346B CN 202110525672 A CN202110525672 A CN 202110525672A CN 113408346 B CN113408346 B CN 113408346B
Authority
CN
China
Prior art keywords
neural network
optical fiber
convolutional neural
vibration event
deep convolutional
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
CN202110525672.4A
Other languages
English (en)
Other versions
CN113408346A (zh
Inventor
施羿
戴尚玮
李映焕
张颖超
范衠
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.)
Shantou University
Original Assignee
Shantou University
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 Shantou University filed Critical Shantou University
Priority to CN202110525672.4A priority Critical patent/CN113408346B/zh
Publication of CN113408346A publication Critical patent/CN113408346A/zh
Application granted granted Critical
Publication of CN113408346B publication Critical patent/CN113408346B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
    • G01H9/004—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means using fibre optic sensors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V8/00—Prospecting or detecting by optical means
    • G01V8/10—Detecting, e.g. by using light barriers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于迁移学习的光纤预警系统事件分类方法，包括：步骤1：通过光纤预警系统检测振动事件发生时得到的瑞利散射光强信号；步骤2：将所述瑞利散射光强信号制作为振动事件数据样本；步骤3：将所述振动事件数据样本输入通过基于迁移学习得到的深度卷积神经网络，获得分类结果。本发明可在较小数据样本以及便携式电脑条件基础上就能完事件分类任务，适用于光纤预警系统应用于一个新的安装环境下的事件识别任务使用。本发明主要用于光纤预警技术领域。

Description

一种基于迁移学习的光纤预警系统事件分类方法
技术领域
本发明涉及光纤预警技术领域，特别涉及一种基于迁移学习的光纤预警系统事件分类方法。
背景技术
分布式光纤传感系统由于其灵敏度高、定位精度高、电磁免疫等特性，广泛应用于长距离油气管道监测及周界安防，建筑结构健康监测等领域。相位敏感型光时域反射仪(Phase Sensitive Optical Time Domain Reflectometer，Φ-OTDR)技术，通过使用长相干光源，检测光脉冲返回光的相干结果，其干涉方法能有效实现动态响应，能同时实现高定位精度和高灵敏度检测，尤其是对于微弱扰动信号的检测，非常适用于管道预警。
一般的Φ-OTDR传感距离在20km左右，不满足长距离管道数十公里的传感长度要求。分布式光放大技术的引入，极大地提高了Φ-OTDR的传感距离。但是，为了保证瑞利散射光的信噪比不大幅下降，在A/D采样前，需采用外差探测结构。外差探测的引入使得瑞利散射光信号产生了很高的拍频(百MHz)，需要使用频谱分析仪或模拟变频电路，使得A/D采样过程变得非常复杂且昂贵。
另一方面，由于Φ-OTDR定性测量的特点，难以实现事件识别，导致误报率较高。传统的事件分类技术基于手动特征分析，难以选取适用于各种环境的通用特征。深度学习技术，尤其是卷积神经网络技术(Convolutional Neural Networks，CNN)的引入，通过机器学习自动获取事件特征，解决了特征选取的问题。但是，深度学习需求大量训练数据以及高性能的显卡作为训练神经网络的硬件基础。在实际应用中，往往难以在一个新的环境下获得大量样本数据，现场一般也不具备高性能显卡的神经网络训练条件。因此，需要一种能够在较小数据样本以及在计算资源不充裕的基础上就能完事件分类任务的方法。
发明内容
本发明的目的是提供一种基于迁移学习的光纤预警系统事件分类方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
本发明解决其技术问题的解决方案是：提供一种基于迁移学习的光纤预警系统事件分类方法，包括：
步骤1：通过光纤预警系统检测振动事件发生时得到的瑞利散射光强信号；
步骤2：将所述瑞利散射光强信号制作为振动事件数据样本；
步骤3：将所述振动事件数据样本输入通过基于迁移学习得到的深度卷积神经网络，获得分类结果。
进一步，所述光纤预警系统包括：窄线宽光源、第一50:50耦合器、移频声光调制器、90:10耦合器、电光调制器、第一环形器、滤波光栅、第一光放大器、第二环形器、传感光纤、脉冲调制声光调制器、第二光放大器、第三环形器、第二50:50耦合器、采集卡和上位机；
所述通过光纤预警系统检测振动事件发生时得到的瑞利散射光强信号包括：传感光纤感应振动事件，所述窄线宽光源产生连续光，经由第一50:50耦合器后分为探测光和泵浦光，所述探测光经由所述脉冲调制声光调制器调制为脉冲光，并产生频移f1，之后经过第二光放大器进行光放大后经由第三环形器从传感光纤首端注入，在传感光纤中产生背向瑞利散射光；背向瑞利散射光经由第三环形器到达第二50:50耦合器；
所述泵浦光经由移频声光调制器，产生频移f2，再经由90:10耦合器分离10％的泵浦光作为本振光，所述本振光到达第二50:50耦合器；
剩余90％的泵浦光到达电光调制器并进行双边带频移，所述双边带频移后的泵浦光通过第一环形器和滤波光栅后滤出上边带，之后经过第一光放大器进行光功率放大后经由第二环形器从传感光纤的尾端注入，并与传感光纤内的脉冲光发生能量迁移，完成脉冲光的分布式光放大；
所述本振光和所述瑞利散射光在第二50:50耦合器处产生干涉信号，形成载波拍频为|f1-f2|，所述干涉信号被采集卡采集，并在上位机中完成数字正交解调，获得瑞利散射光强信号；
所述瑞利散射光强信号包含所要检测的振动信号。
进一步，所述将所述振动事件数据样本输入通过基于迁移学习得到的深度卷积神经网络，获得分类结果包括：
步骤S31：获取在ImageNet数据集上已训练并获得Top5准确率80％以上的已训练深度卷积神经网络，所述深度卷积神经网络记为Pretrained_AlexNet；
步骤S32：根据振动事件数据样本构建训练集Train_Set和测试集Test_Set，其中，将振动时间数据样本分成n个事件类别；
步骤S33：冻结步骤S31中的Pretrained_AlexNet的前15层，并将该Pretrained_AlexNet的第23和25层更改为全连接层和n类别输出层；
步骤S34：使用步骤S32中获得的训练集Train_Set，对步骤S3中的冻结后的Pretrained_AlexNet进行训练，并达到收敛，保存在本地得到训练好的深度卷积神经网络和其所有权重参数，所述深度卷积神经网络记为：Local_Trained_AlexNet；
步骤S35：将测试集Test_Set中的样本数据输入本地训练好的深度卷积神经网络Local_Trained_AlexNet，获得分类结果及深度卷积神经网络识别能力评定，若评定效果达标，则保存该深度卷积神经网络，若评定效果不达标，则重复步骤S33和步骤S34，并更改步骤S33中的冻结比例或步骤S34中的训练次数，直至获得最佳分类效果；
步骤S36：使用步骤S32中方法制作为振动事件数据样本，输入步骤S35得到的深度卷积神经网络，获得分类结果。
进一步，所述将所述瑞利散射光强信号制作为振动事件数据样本包括：
步骤S21：使用光纤预警系统获得振动事件发生时的瑞利散射光光强信号，其中第i条瑞利散射光光强信号记为TRi；
步骤S22：将1s内获得的多条瑞利散射光光强信号重新排列为矩阵形式，获得时空矩阵信号，所述时空矩阵信号记为TR_Matrix；
步骤S23：使用移动差分平均法对振动事件进行定位，以振动事件的定位位置为中心，以25m为半径，提取时空矩阵信号TR_Matrix中的对应位置的数据，记为TR_Pick；
步骤S24：对时空矩阵信号TR_Pick的列方向进行高通滤波，截止频率为5Hz，滤除直流分量；
步骤S25：对步骤S24中滤波后的时空矩阵信号TR_Pick整体进行灰度化；
步骤S26：采用降采样法调整TR_Pick的行数，采用插值法调整TR_Pick的列数，采用复制的方法调整TR_Pick的通道数，并合成为适配深度卷积神经网络的数据类型，得到振动事件数据样本。
进一步，步骤S25中对步骤S24中滤波后的时空矩阵信号TR_Pick整体进行灰度化的具体方法包括：取时空矩阵信号TR_Pick的最大值和最小值，分别记为Max_TR和Min_TR，则灰度化操作记为：
TR_Pick_gray＝floor[255×(TR_Pick-Min_TR)/(Max_TR-Min_TR)]；
其中，TR_Pick_gray为灰度化后的时空矩阵信号，floor[·]为向下取整操作。
进一步，所述步骤S34中深度卷积神经网络训练的方法具体包括：
步骤S341，将训练集Train_Set中的振动事件数据样本j输入部分冻结的深度卷积神经网络Pretrained_AlexNet，完成前向传播过程，获得分类输出及分类概率pj；
步骤S342，根据步骤S341获得的分类输出以及输入振动事件数据样本的标签，以交叉熵损失函数计算损失函数值，公式为，
Figure GDA0003854637460000051
其中，L为交叉熵损失函数值，N为样本总数，M为类别总数，pjc为振动事件数据样本j属于类别c的概率，yjc为指示变量，当振动事件数据样本j的类别和类别c相同时为1，其他情况为0；
步骤S343，根据步骤S342所获得的损失函数值，使用Adam反向传播梯度下降算法对未冻结的深度卷积神经网络权值进行更新；
第t次训练时的权值更新方法为：
Figure GDA0003854637460000052
mt＝β1mt-1+(1-β1)gt；
Figure GDA0003854637460000053
Figure GDA0003854637460000054
Figure GDA0003854637460000061
其中，θ表示深度卷积神经网络未冻结的权值，其下标表示为第t次训练后的权值，
Figure GDA0003854637460000062
表示函数对θ求偏导，β1,β2∈[0,1)，设定为β1＝0.9，β2＝0.1；
权值更新方式如下：
Figure GDA0003854637460000063
其中，α为学习率，设定为α＝0.001，ξ为常数，设定为ξ＝10-6。
本发明的有益效果是：本发明可在较小数据样本以及便携式电脑条件基础上就能完事件分类任务，适用于光纤预警系统应用于一个新的安装环境下的事件识别任务使用。本发明主要用于光纤预警技术领域。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单说明。显然，所描述的附图只是本发明的一部分实施例，而不是全部实施例，本领域的技术人员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设计方案和附图。
图1是光纤预警系统的结构示意图；
图2是通过基于迁移学习得到的深度卷积神经网络，获得分类结果的大概步骤流程图；
图3是本发明使用实施例中的深度卷积神经网络的结构示意图；
图4是本发明方法获得的振动事件数据样本示意图；
在图4中，其中，I为晴天数据样本，II为雨天数据样本，III为人行走数据样本，IV为人跳跃数据样本，V为水冲数据样本，VI为铲拍地数据样本，VII为铲挖掘地数据样本，VIII为自行车路过数据样本。
在图1中各个标号代表的部件如下：
1、窄线宽光源；2、第一50:50耦合器；3、移频声光调制器；4、90:10耦合器；5、电光调制器；6、第一环形器；7、滤波光栅；8、第一光放大器；9、第二环形器；10、传感光纤；11、脉冲调制声光调制器；12、第二光放大器；13、第三环形器；14、第二50:50耦合器；15、采集卡；16、上位机。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。另外，文中所提到的所有联接/连接关系，并非单指构件直接相接，而是指可根据具体实施情况，通过添加或减少联接辅件，来组成更优的联接结构。本发明创造中的各个技术特征，在不互相矛盾冲突的前提下可以交互组合。
实施例1，参考图1和图2，提供一种基于迁移学习的光纤预警系统事件分类方法，包括：
步骤1：通过光纤预警系统检测振动事件发生时得到的瑞利散射光强信号；
步骤2：将所述瑞利散射光强信号制作为振动事件数据样本；
步骤3：将所述振动事件数据样本输入通过基于迁移学习得到的深度卷积神经网络，获得分类结果。
其中，所述光纤预警系统包括：窄线宽光源1、第一50:50耦合器2、移频声光调制器3、90:10耦合器4、电光调制器5、第一环形器6、滤波光栅7、第一光放大器8、第二环形器9、传感光纤10、脉冲调制声光调制器11、第二光放大器12、第三环形器13、第二50:50耦合器14、采集卡15和上位机16；
所述通过光纤预警系统检测振动事件发生时得到的瑞利散射光强信号包括：传感光纤10感应振动事件，所述窄线宽光源1产生连续光，经由第一50:50耦合器2后分为探测光和泵浦光。
所述探测光经由所述脉冲调制声光调制器11调制为200ns宽度的脉冲光，并产生MHz级别的频移f1，例如200MHz。之后经过第二光放大器12进行光放大后经由第三环形器13从传感光纤10首端注入。其中，频移f1的频移量由脉冲调制声光调制器11所决定，本实施例为200MHz。
脉冲光在传感光纤10中产生背向瑞利散射光；背向瑞利散射光经由第三环形器13到达第二50:50耦合器14；
所述泵浦光经由移频声光调制器3，产生另一个MHz级别的频移f2，例如180MHz，再经由90:10耦合器4分离10％的泵浦光作为本振光，所述本振光到达第二50:50耦合器14。其中，频移f2的频移量由移频声光调制器3所决定，本实施例为180MHz。
剩余90％的泵浦光到达电光调制器5并进行双边带频移，产生10.8GHz的双边带频移，该频移量的具体值由传感光纤10的布里渊频移值决定。
所述双边带频移后的泵浦光通过第一环形器6和滤波光栅7后滤出上边带，之后经过第一光放大器8进行光功率放大后经由第二环形器9从传感光纤10的尾端注入，并与传感光纤10内的脉冲光发生能量迁移，完成脉冲光的分布式光放大。本光纤预警系统通过这样可以提升有效传感距离。其中，第二环形器9的第三端口悬空，阻断正向传播的探测光。
所述本振光和所述瑞利散射光在第二50:50耦合器14处产生干涉，形成载波拍频为|f1-f2|，本实施例的载波为20MHz。
所述干涉信号被采集卡15采集，采集卡15采样率为100MHz，之后数据送入上位机16，并在上位机16中完成数字正交解调。本实施例中，使用频率为20MHz的正弦波和余弦波完成正交解调，获得瑞利散射光强信号TR。
其中，所述将所述振动事件数据样本输入通过基于迁移学习得到的深度卷积神经网络，获得分类结果包括：
步骤S31：获取在ImageNet数据集上已训练并获得Top5准确率80％以上的已训练深度卷积神经网络，如使用已训练好的AlexNet，输入层大小为277×277×3，所述深度卷积神经网络记为Pretrained_AlexNet；其的结构如图3所示。
步骤S32：根据振动事件数据样本构建训练集Train_Set和测试集Test_Set，其中，将振动时间数据样本分成n个事件类别；本具体实施例则以8个事件类别为例子，具体为：8个事件类别共计1200个振动事件数据样本，类别分别为晴天数据样本、雨天数据样本、人行走数据样本、人跳跃数据样本、水冲数据样本、为铲拍地数据样本、铲挖掘地数据样本和自行车路过数据样本。对振动事件数据样本进行预处理，改变振动事件数据样本的大小为277×277×3，随机选取1000个振动事件数据样本构建训练集Train_Set，剩余200个振动事件数据样本构建测试集Test_Set。
步骤S33：冻结步骤S31中的Pretrained_AlexNet的前15层，并将该Pretrained_AlexNet的第23和25层更改为全连接层和n类别输出层；在本实施例中，n等于8。
步骤S34：使用步骤S2中获得的训练集Train_Set，对步骤S33中的冻结后的Pretrained_AlexNet进行训练，并达到收敛，保存在本地得到训练好的深度卷积神经网络和其所有权重参数，所述深度卷积神经网络记为：Local_Trained_AlexNet；
步骤S35：将测试集Test_Set中的样本数据输入本地训练好的深度卷积神经网络Local_Trained_AlexNet，获得分类结果及深度卷积神经网络识别能力评定，若评定效果达标，则保存该深度卷积神经网络，若评定效果不达标，则重复步骤S33和步骤S34，并更改步骤S33中的冻结比例或步骤S34中的训练次数，直至获得最佳分类效果；
步骤S36：使用步骤S32中方法制作为振动事件数据样本，输入步骤S35得到的深度卷积神经网络，获得分类结果。
其中，所述将所述瑞利散射光强信号制作为振动事件数据样本包括：
步骤S21：使用光纤预警系统获得振动事件发生时的瑞利散射光光强信号，其中第i条瑞利散射光光强信号记为TRi；
步骤S22：将1s内获得的多条瑞利散射光光强信号重新排列为矩阵形式，获得时空矩阵信号，所述时空矩阵信号记为TR_Matrix；假设光纤预警系统的探测光脉冲重复频率为1kHz，则1s内共获得1000条瑞利散射光光强信号，所组成的时空矩阵信号记为TR_Matrix＝[TR1,TR2,...,TR1000]T,此时时空矩阵信号的行维度代表传感空间维度，列维度代表瑞利散射光光强信号的先后时间顺序。
步骤S23：使用移动差分平均法对振动事件进行定位，以振动事件的定位位置为中心，以25m为半径，提取时空矩阵信号TR_Matrix中的对应位置的数据，记为TR_Pick；此时TR_Pick的大小为1000×50。
步骤S24：对时空矩阵信号TR_Pick的列方向进行高通滤波，截止频率为5Hz，滤除直流分量；
步骤S25：对步骤S24中滤波后的时空矩阵信号TR_Pick整体进行灰度化；
步骤S26：采用降采样法调整TR_Pick的行数，采用插值法调整TR_Pick的列数，采用复制的方法调整TR_Pick的通道数，并合成为适配深度卷积神经网络的数据类型，得到振动事件数据样本。具体在本实施例为：采用降采样法调整TR_Pick的行数为277，采用插值法调整TR_Pick的列数为277，采用复制的方法复制TR_Pick三遍，形成3个通道，并合成总大小为277×277×3的振动施加数据样本，同时记录该振动事件的类型，作为该振动事件数据样本的标签，所形成的的振动事件数据样本如图4所示。
在一些优选的实施例中，步骤S25中对步骤S24中滤波后的时空矩阵信号TR_Pick整体进行灰度化的具体方法包括：取时空矩阵信号TR_Pick的最大值和最小值，分别记为Max_TR和Min_TR，则灰度化操作记为：
TR_Pick_gray＝floor[255×(TR_Pick-Min_TR)/(Max_TR-Min_TR)]；
其中，TR_Pick_gray为灰度化后的时空矩阵信号，floor[·]为向下取整操作。
在一些优选的实施例中，步骤S34中对于深度卷积神经网络训练的思路为：利用迁移学习保障了卷积神经网络的特征提取能力，同时仅使用1000个振动事件数据样本且卷积神经网络所需调整参数仅剩2/5，极大减小了运算量，训练过程可在普通便携式电脑的GPU(GTX1050Ti)上进行。
所述步骤S34中深度卷积神经网络训练的方法具体包括：
步骤S341，将训练集Train_Set中的振动事件数据样本j输入部分冻结的深度卷积神经网络Pretrained_AlexNet，完成前向传播过程，获得分类输出及分类概率pj；
步骤S342，根据步骤S341获得的分类输出以及输入振动事件数据样本的标签，以交叉熵损失函数计算损失函数值，公式为：
Figure GDA0003854637460000121
其中，L为交叉熵损失函数值，N为样本总数，M为类别总数，pjc为振动事件数据样本j属于类别c的概率，yjc为指示变量，当振动事件数据样本j的类别和类别c相同时为1，其他情况为0；
步骤S343，根据步骤S342所获得的损失函数值，使用Adam反向传播梯度下降算法对未冻结的深度卷积神经网络权值进行更新；
第t次训练时的权值更新方法为：
Figure GDA0003854637460000122
mt＝β1mt-1+(1-β1)gt；
Figure GDA0003854637460000123
Figure GDA0003854637460000124
Figure GDA0003854637460000125
其中，θ表示深度卷积神经网络未冻结的权值，其下标表示为第t次训练后的权值，
Figure GDA0003854637460000126
表示函数对θ求偏导，β1,β2∈[0,1)，设定为β1＝0.9，β2＝0.1；
权值更新方式如下：
Figure GDA0003854637460000131
其中，α为学习率，设定为α＝0.001，ξ为常数，设定为ξ＝10-6。
进一步，步骤S35中深度卷积神经网络识别能力评定具体步骤为：使用分类结果，分别计算各个事件类别下的分类准确率Accuracy，精确率Precision，回召率Recall和F分数F1_score，以事件类别1为例，公式如下：
Accuracy1＝(TP1+TN1)/(TP1+TN1+FP1+FN1)
Precision1＝TP1/(TP1+FP1)
Recall1＝TP1/(TP1+FN1)
Figure GDA0003854637460000132
其中，TP1表示事件类别1的样本被分类为事件类别1的数量，FP1表示非事件类别1的样本被分类为事件类别1的数量，TN1非事件类别1的样本被分类为非事件类别1的数量，FN1表示非事件类别1的样本被分类为事件类别1的数量。
本实例中，设定所有类别的准确率Accuracy大于95％时，评定结果达标。
以上对本发明的较佳实施方式进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (4)

1.一种基于迁移学习的光纤预警系统事件分类方法，其特征在于，包括：
步骤1：通过光纤预警系统检测振动事件发生时得到的瑞利散射光强信号；
步骤2：将所述瑞利散射光强信号制作为振动事件数据样本；
步骤3：将所述振动事件数据样本输入通过基于迁移学习得到的深度卷积神经网络，获得分类结果；
所述光纤预警系统包括：窄线宽光源、第一50:50耦合器、移频声光调制器、90:10耦合器、电光调制器、第一环形器、滤波光栅、第一光放大器、第二环形器、传感光纤、脉冲调制声光调制器、第二光放大器、第三环形器、第二50:50耦合器、采集卡和上位机；
所述通过光纤预警系统检测振动事件发生时得到的瑞利散射光强信号包括：传感光纤感应振动事件，所述窄线宽光源产生连续光，经由第一50:50耦合器后分为探测光和泵浦光，所述探测光经由所述脉冲调制声光调制器调制为脉冲光，并产生频移f1，之后经过第二光放大器进行光放大后经由第三环形器从传感光纤首端注入，在传感光纤中产生背向瑞利散射光；背向瑞利散射光经由第三环形器到达第二50:50耦合器；
所述泵浦光经由移频声光调制器，产生频移f2，再经由90:10耦合器分离10％的泵浦光作为本振光，所述本振光到达第二50:50耦合器；
剩余90％的泵浦光到达电光调制器并进行双边带频移，所述双边带频移后的泵浦光通过第一环形器和滤波光栅后滤出上边带，之后经过第一光放大器进行光功率放大后经由第二环形器从传感光纤的尾端注入，并与传感光纤内的脉冲光发生能量迁移，完成脉冲光的分布式光放大；
所述本振光和所述瑞利散射光在第二50:50耦合器处产生干涉信号，形成载波拍频为|f1-f2|，所述干涉信号被采集卡采集，并在上位机中完成数字正交解调，获得瑞利散射光强信号；
所述瑞利散射光强信号中包含所要检测的振动信号；
所述将所述瑞利散射光强信号制作为振动事件数据样本包括：
步骤S21：使用光纤预警系统获得振动事件发生时的瑞利散射光光强信号，其中第i条瑞利散射光光强信号记为TRi；
步骤S22：将1s内获得的多条瑞利散射光光强信号重新排列为矩阵形式，获得时空矩阵信号，所述时空矩阵信号记为TR_Matrix；
步骤S23：使用移动差分平均法对振动事件进行定位，以振动事件的定位位置为中心，以25m为半径，提取时空矩阵信号TR_Matrix中的对应位置的数据，记为TR_Pick；
步骤S24：对时空矩阵信号TR_Pick的列方向进行高通滤波，截止频率为5Hz，滤除直流分量；
步骤S25：对步骤S24中滤波后的时空矩阵信号TR_Pick整体进行灰度化；
步骤S26：采用降采样法调整TR_Pick的行数，采用插值法调整TR_Pick的列数，采用复制的方法调整TR_Pick的通道数，并合成为适配深度卷积神经网络的数据类型，得到振动事件数据样本。
2.根据权利要求1所述的一种基于迁移学习的光纤预警系统事件分类方法，其特征在于，所述将所述振动事件数据样本输入通过基于迁移学习得到的深度卷积神经网络，获得分类结果包括：
步骤S31：获取在ImageNet数据集上已训练并获得Top5准确率80％以上的已训练深度卷积神经网络，所述深度卷积神经网络记为Pretrained_AlexNet；
步骤S32：根据振动事件数据样本构建训练集Train_Set和测试集Test_Set，其中，将振动时间数据样本分成n个事件类别；
步骤S33：冻结步骤S31中的Pretrained_AlexNet的前15层，并将该Pretrained_AlexNet的第23和25层更改为全连接层和n类别输出层；
步骤S34：使用步骤S32中获得的训练集Train_Set，对步骤S33中的冻结后的Pretrained_AlexNet进行训练，并达到收敛，保存在本地得到训练好的深度卷积神经网络和其所有权重参数，所述深度卷积神经网络记为：Local_Trained_AlexNet；
步骤S35：将测试集Test_Set中的样本数据输入本地训练好的深度卷积神经网络Local_Trained_AlexNet，获得分类结果及深度卷积神经网络识别能力评定，若评定效果达标，则保存该深度卷积神经网络，若评定效果不达标，则重复步骤S33和步骤S34，并更改步骤S33中的冻结比例或步骤S34中的训练次数，直至获得最佳分类效果；
步骤S36：使用步骤S32中方法制作为振动事件数据样本，输入步骤S35得到的深度卷积神经网络，获得分类结果。
3.根据权利要求1所述的一种基于迁移学习的光纤预警系统事件分类方法，其特征在于，步骤S25中对步骤S24中滤波后的时空矩阵信号TR_Pick整体进行灰度化的具体方法包括：取时空矩阵信号TR_Pick的最大值和最小值，分别记为Max_TR和Min_TR，则灰度化操作记为：
TR_Pick_gray＝floor[255×(TR_Pick-Min_TR)/(Max_TR-Min_TR)]；
其中，TR_Pick_gray为灰度化后的时空矩阵信号，floor[·]为向下取整操作。
4.根据权利要求2所述的一种基于迁移学习的光纤预警系统事件分类方法，其特征在于，所述步骤S34中深度卷积神经网络训练的方法具体包括：
步骤S341，将训练集Train_Set中的振动事件数据样本j输入部分冻结的深度卷积神经网络Pretrained_AlexNet，完成前向传播过程，获得分类输出及分类概率pj；
步骤S342，根据步骤S341获得的分类输出以及输入振动事件数据样本的标签，以交叉熵损失函数计算损失函数值，公式为，
Figure FDA0003854637450000041
其中，L为交叉熵损失函数值，N为样本总数，M为类别总数，pjc为振动事件数据样本j属于类别c的概率，yjc为指示变量，当振动事件数据样本j的类别和类别c相同时为1，其他情况为0；
步骤S343，根据步骤S342所获得的损失函数值，使用Adam反向传播梯度下降算法对未冻结的深度卷积神经网络权值进行更新；
第t次训练时的权值更新方法为：
Figure FDA0003854637450000042
mt＝β1mt-1+(1-β1)gt；
Figure FDA0003854637450000043
Figure FDA0003854637450000044
Figure FDA0003854637450000045
其中，θ表示深度卷积神经网络未冻结的权值，其下标表示为第t次训练后的权值，
Figure FDA0003854637450000046
表示函数对θ求偏导，β1,β2∈[0,1)，设定为β1＝0.9，β2＝0.1；
权值更新方式如下：
Figure FDA0003854637450000047
其中，α为学习率，设定为α＝0.001，ξ为常数，设定为ξ＝10-6。
CN202110525672.4A 2021-05-14 2021-05-14 一种基于迁移学习的光纤预警系统事件分类方法 Active CN113408346B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110525672.4A CN113408346B (zh) 2021-05-14 2021-05-14 一种基于迁移学习的光纤预警系统事件分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110525672.4A CN113408346B (zh) 2021-05-14 2021-05-14 一种基于迁移学习的光纤预警系统事件分类方法

Publications (2)

Publication Number Publication Date
CN113408346A CN113408346A (zh) 2021-09-17
CN113408346B true CN113408346B (zh) 2022-11-15

Family

ID=77678564

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110525672.4A Active CN113408346B (zh) 2021-05-14 2021-05-14 一种基于迁移学习的光纤预警系统事件分类方法

Country Status (1)

Country Link
CN (1) CN113408346B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113776644B (zh) * 2021-09-24 2023-08-01 中国电子科技集团公司第三十四研究所 基于马赫-曾德尔干涉仪的光纤围栏入侵信号模拟设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108932480A (zh) * 2018-06-08 2018-12-04 电子科技大学 基于1d-cnn的分布式光纤传感信号特征学习与分类方法
CN110617854A (zh) * 2019-10-25 2019-12-27 华北电力大学（保定） 高阶相位调制瑞利botda温度/应变测量方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203519150U (zh) * 2013-09-06 2014-04-02 山东大学 一种基于布里渊分布式光纤传感的晃动监测系统
CN103884363B (zh) * 2014-04-02 2016-10-05 电子科技大学 一种基于布里渊放大的光时域反射计型光纤传感系统
CN108645498B (zh) * 2018-04-28 2020-04-24 南京航空航天大学 基于相敏光反射和卷积神经网络深度学习的冲击定位方法
CN113405577B (zh) * 2018-05-30 2022-11-11 华为技术有限公司 一种测量方法及测量装置
CN112749637B (zh) * 2020-12-29 2023-09-08 电子科技大学 一种基于snn的分布式光纤传感信号识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108932480A (zh) * 2018-06-08 2018-12-04 电子科技大学 基于1d-cnn的分布式光纤传感信号特征学习与分类方法
CN110617854A (zh) * 2019-10-25 2019-12-27 华北电力大学（保定） 高阶相位调制瑞利botda温度/应变测量方法及装置

Also Published As

Publication number Publication date
CN113408346A (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
US11562224B2 (en) 1D-CNN-based distributed optical fiber sensing signal feature learning and classification method
CN108875684A (zh) 基于光纤感测时频图处理的列车运行状态参数估计方法
CN115265750B (zh) 一种光纤分布式声波传感系统及方法
CN107167168B (zh) 相位敏感光时域反射分布式光纤传感系统精确定位方法
CN107923846A (zh) 光纤感测
CN114857504A (zh) 基于分布式光纤传感器和深度学习的管道安全监测方法
Chen et al. Denoising of distributed acoustic sensing seismic data using an integrated framework
CN113408346B (zh) 一种基于迁移学习的光纤预警系统事件分类方法
Tian et al. Intrusion signal recognition in OFPS under multi-level wavelet decomposition based on RVFL neural network
Huot et al. Automated ambient noise processing applied to fiber optic seismic acquisition (DAS)
CN112032575B (zh) 一种基于弱光栅的管道安全监测方法、系统及存储介质
CN107576380A (zh) 一种面向φ‑otdr技术的三维振动信号分类方法
Li et al. Quickly build a high-precision classifier for Φ-OTDR sensing system based on transfer learning and support vector machine
CN112611444B (zh) 一种可精确定位的分布式光纤振动监测系统及方法
Shang et al. Damping ratio identification using attenuation responses extracted by time series semantic segmentation
CN108317402B (zh) 一种分布式光纤传感定位预警分析方法
CN108775909B (zh) 一种基于多变频ofdr的分布式光纤传感系统及传感方法
Chen et al. Classification and Localization of Fracture-Hit Events in Low-Frequency Distributed Acoustic Sensing Strain Rate with Convolutional Neural Networks
CN111539393A (zh) 基于emd分解与lstm的油气管道第三方施工预警方法
CN116026449A (zh) 一种基于单芯光纤传感的振动定位监测系统
Liang et al. 2D-SenseNet: a simultaneous demodulation and denoising network for DAS
Min et al. DAS vehicle signal extraction using machine learning in urban traffic monitoring
CN113627470B (zh) 一种基于零次学习的光纤预警系统未知事件分类方法
Wang et al. A fiber-sensor-based long-distance safety monitoring system for buried oil pipeline
Paap et al. A neural network approach for improved seismic event detection in the Groningen gas field, the Netherlands

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