CN113742651A - 基于字典学习的分布式布里渊频移提取方法及其装置 - Google Patents
基于字典学习的分布式布里渊频移提取方法及其装置 Download PDFInfo
- Publication number
- CN113742651A CN113742651A CN202110994828.3A CN202110994828A CN113742651A CN 113742651 A CN113742651 A CN 113742651A CN 202110994828 A CN202110994828 A CN 202110994828A CN 113742651 A CN113742651 A CN 113742651A
- Authority
- CN
- China
- Prior art keywords
- brillouin
- gain spectrum
- dictionary learning
- brillouin gain
- frequency shift
- 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.)
- Granted
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 55
- 238000001228 spectrum Methods 0.000 claims abstract description 197
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 93
- 238000000354 decomposition reaction Methods 0.000 claims description 36
- 238000009826 distribution Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 17
- 230000003287 optical effect Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 13
- 239000000835 fiber Substances 0.000 description 17
- 239000013307 optical fiber Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 239000000523 sample Substances 0.000 description 9
- 230000008901 benefit Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 3
- 230000010287 polarization Effects 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 229910052691 Erbium Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- UYAHIZSMUZPPFV-UHFFFAOYSA-N erbium Chemical compound [Er] UYAHIZSMUZPPFV-UHFFFAOYSA-N 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- SAOHCOFTVLEOCB-UHFFFAOYSA-K tris(2,4,6-tribromophenoxy)bismuthane Chemical compound [Bi+3].[O-]C1=C(Br)C=C(Br)C=C1Br.[O-]C1=C(Br)C=C(Br)C=C1Br.[O-]C1=C(Br)C=C(Br)C=C1Br SAOHCOFTVLEOCB-UHFFFAOYSA-K 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Optical Transform (AREA)
- Optical Communication System (AREA)
Abstract
本发明公开了一种基于字典学习的分布式布里渊频移提取方法及其装置。其中方法包括：获得三维布里渊增益谱；根据字典学习算法训练所述三维布里渊增益谱，获得对应所述三维布里渊增益谱的过完备字典域的稀疏系数；根据所述稀疏系数调整所述三维布里渊增益谱；根据所述字典学习算法训练调整后的所述三维布里渊增益谱，得到所述布里渊增益谱物理特征参数。本发明提供技术方案，降低了调整参数复杂度，减少了计算时间，提高了信号处理效率。
Description
技术领域
本发明实施例涉及信号处理技术，尤其涉及一种基于字典学习的分布式布里渊频移提取方法及其装置。
背景技术
洛伦兹拟合方法是使用最广泛且布里渊频移提取精度非常高的一种特征提取方法。由于布里渊增益谱满足洛伦兹分布，传统上一般使用最小二乘法对曲线进行拟合，洛伦兹拟合方法虽然结构简单、精确度高，但它需要反复迭代，计算复杂度高，耗时长。并且迭代的结果非常依赖初始参数的精度，当初始参数选取偏差较大时，需要多次迭代，甚至因过拟合而无法收敛。
发明内容
本发明提供一种基于字典学习的分布式布里渊频移提取方法及其装置，降低调整参数复杂度，减少计算时间，提高信号处理效率。
第一方面，本发明实施例提供了一种基于字典学习的分布式布里渊频移提取方法，包括：
获得三维布里渊增益谱。
根据所述稀疏系数调整所述三维布里渊增益谱，降低布里渊频移与布里渊增益谱数据的非线性。
根据所述稀疏系数调整所述三维布里渊增益谱。
根据所述字典学习算法训练调整后的所述三维布里渊增益谱，得到所述布里渊增益谱物理特征参数。
可选的，所述字典学习算法包括K-均值奇异值分解算法。
根据字典学习算法训练所述三维布里渊增益谱，获得对应所述三维布里渊增益谱的过完备字典域的稀疏系数，包括：
固定所述字典学习算法的迭代过程的稀疏度。
根据所述K-均值奇异值分解算法及所述稀疏度计算获得过完备字典域的稀疏系数。其中，所述稀疏系数包括增益系数、第一稀疏系数和第二稀疏系数。
可选的，根据所述稀疏系数调整所述三维布里渊增益谱，包括：
将所述增益系数作为已知参量，重新调整所述三维布里渊增益谱，使所述三维布里渊增益谱与所述第一稀疏系数和所述第二稀疏系数相关。
可选的，根据所述字典学习算法训练调整后的所述三维布里渊增益谱，得到所述布里渊增益谱物理特征参数，包括：
根据布里渊增益谱的洛伦兹分布表达式，对所述字典学习算法的输入数据进行预处理，将所述输入数据转换为布里渊频移与布里渊增益谱谱宽表达式。
根据预处理后的所述布里渊增益谱进行矩阵变换，使所述第一稀疏系数为奇异值矩阵，第二稀疏系数的倒数为对角矩阵，获取矩阵布里渊增益谱。
根据所述奇异值矩阵提取布里渊频移。其中，所述布里渊频移与所述洛伦兹力公式中的布里渊频移具有一致性。
可选的，所述矩阵布里渊增益谱为扫描频率矩阵减去单位矩阵与所述第一稀疏系数的奇异值矩阵的积后与第二稀疏系数的倒数的对角矩阵的乘积。
可选的，所述矩阵布里渊增益谱的表达式为：
其中，所述矩阵布里渊增益谱的表达式包括扫描频率矩阵、布里渊频移矩阵和布里渊增益谱谱宽矩阵。所述扫描频率矩阵的每一列在所述字典学习计算过程可作为一个常量。布里渊频移矩阵为奇异值矩阵的分布。布里渊增益谱谱宽的倒数为对角矩阵。
可选的，根据所述奇异值矩阵提取布里渊频移包括：
将所述三维布里渊增益谱的峰值增益设置为已知量。
设置所述字典学习算法的稀疏度。
根据所述字典学习算法以稀疏系数形式提取所述奇异值矩阵的所述布里渊频移。
第二方面，本发明实施例提供了一种基于字典学习的分布式布里渊频移提取装置，包括布里渊光时域分析模块、字典学习算法模块、调整模块和提取模块。
所述布里渊光时域分析模块用于获得三维布里渊增益谱。
所述字典学习算法模块用于根据字典学习算法训练所述三维布里渊增益谱，获得对应所述三维布里渊增益谱的过完备字典域的稀疏系数。
所述调整模块用于根据所述稀疏系数调整所述三维布里渊增益谱，降低布里渊频移与布里渊增益谱数据的非线性。
所述提取模块用于根据所述字典学习算法训练调整后的所述三维布里渊增益谱，得到所述布里渊增益谱物理特征参数。
可选的，所述调整模块包括线性单元，
所述线性单元用于将所述增益系数作为已知参量，重新调整所述三维布里渊增益谱，使所述三维布里渊增益谱与第一稀疏系数和第二稀疏系数相关。
可选的，所述提取模块包括预处理单元、分解单元和提取单元。
所述预处理单元用于根据布里渊增益谱的洛伦兹分布表达式，对所述字典学习算法的输入数据进行预处理，将所述输入数据转换为布里渊频移与布里渊增益谱谱宽表达式。
所述分解单元用于根据预处理后的所述布里渊增益谱进行矩阵变换，使所述第一稀疏系数为奇异值矩阵，第二稀疏系数的倒数为对角矩阵，获取矩阵布里渊增益谱。
所述提取单元用于根据所述奇异值矩阵提取布里渊频移。其中，所述布里渊频移与所述洛伦兹力公式中的布里渊频移具有一致性。
本发明实施例提供的技术方案，通过获得三维布里渊增益谱。根据字典学习算法训练所述三维布里渊增益谱，获得对应所述三维布里渊增益谱的过完备字典域的稀疏系数。其中，利用字典学习算法对布里渊增益谱提取根据所述稀疏系数调整所述三维布里渊增益谱。根据所述字典学习算法训练调整后的所述三维布里渊增益谱，得到所述布里渊增益谱物理特征参数。利用字典学习算法第一次对布里渊增益谱提取，得到的稀疏系数与布里渊增益谱的峰值增益的对应关系，利用字典学习算法第二次对调整后的布里渊增益谱提取布里渊频移进行提取，因此能够通过稀疏系数解析布里渊增益谱，利用布里渊增益谱获得传感信息。相比于现有技术降低了调整参数复杂度，减少了计算时间，提高信号处理效率。
附图说明
图1为本发明实施例提供的一种基于字典学习的分布式布里渊频移提取方法的流程示意图。
图2为本发明实施例提供的一种获取布里渊增益图谱的结构示意图。
图3为峰值增益和光线长度分布曲线的示意图。
图4为稀疏系数和光线长度分布曲线的示意图。
图5为LCF拟合的光纤的分布曲线示意图。
图6为稀疏系数拟合的光纤的分布曲线示意图。
图7为不同温度下对应的布里渊频移和线性拟合曲线示意图。
图8为不同升温处使用LCF算法和K-均值奇异值分解算法得到的局部温度分布的示意图。
图9为使用LCF和K-均值奇异值分解算法得到的RMSE和温度不确定度的示意图。
图10为本发明实施例提供的一种基于字典学习的分布式布里渊频移提取装置。
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，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。
图1为本发明实施例提供的一种基于字典学习的分布式布里渊频移提取方法的流程示意图，该方法可以由基于字典学习的分布式布里渊频移提取装置来执行，参见图1，其方法包括：
S110、获得三维布里渊增益谱。
具体的，在传感光纤中使脉冲泵浦光通过受激布里渊散射与反向传播的连续探测光相互作用，通过扫描探测光的频率并检测探测光的强度增益，获得三维布里渊增益谱。其中，布里渊增益谱可以由三个物理特征参数，即峰值增益、布里渊频移和布里渊增益谱谱宽进行描述。
S120、根据字典学习算法训练三维布里渊增益谱，获得对应所述三维布里渊增益谱的过完备字典域的稀疏系数。
具体地，由于每个增益谱均满足洛伦兹分布，三维布里渊增益谱具有局部相似性和信息冗余性。使用字典学习算法处理这种图像的好处在于，能够对特征相似的一类布里渊增益谱都进行稀疏表示，从而可以在统一的稀疏域中分析所有信号的稀疏特性。在字典学习算法的迭代过程中调整稀疏度，使用字典学习的方法训练布里渊增益谱以实现稀疏系数的稀疏表达。
S130、根据稀疏系数调整三维布里渊增益谱，降低布里渊频移与布里渊增益谱数据的非线性。
具体的，由于字典学习算法中用到的奇异值分解是一个线性分解的过程。因此使用字典学习方法提取稀疏系数必须保证是线性的过程。通过稀疏系数调整字典学习算法的输入即三维的布里渊增益谱数据，调整后减少未知量，简化了计算过程。降低反映传感信息的布里渊频移与布里渊增益谱数据的非线性，在后续计算过程满足提取要求。
S140、根据字典学习算法训练调整后的三维布里渊增益谱，得到布里渊增益谱物理特征参数。
具体的，将调整后的三维布里渊增益谱数据输入至字典学习算法，通过字典学习算法得到对应于布里渊增益谱三个物理特征参数的稀疏解。所采用的字典学习算法属于一种无监督的学习，不需要大量的布里渊增益谱样本进行训练，也不需要复杂的手动调参过程。因此基于布里渊增益谱稀疏性的字典学习方法既充分考虑了物理信号本来的分布特性，也利用了机器学习算法强大的计算力和灵活性，在洛伦兹信号参数提取上展现出独特的优势。
本发明实施例提供的技术方案，通过获得三维布里渊增益谱。根据字典学习算法训练三维布里渊增益谱，获得对应三维布里渊增益谱的过完备字典域的稀疏系数。其中，利用字典学习算法对布里渊增益谱提取根据稀疏系数调整三维布里渊增益谱。根据字典学习算法训练调整后的三维布里渊增益谱，得到布里渊增益谱物理特征参数。利用字典学习算法第一次对布里渊增益谱提取，得到的稀疏系数与布里渊增益谱的峰值增益的对应关系，利用字典学习算法第二次对调整后的布里渊增益谱提取布里渊频移进行提取，因此能够通过稀疏系数解析布里渊增益谱，利用布里渊增益谱获得传感信息。相比于现有技术降低了调整参数复杂度，减少了计算时间，提高信号处理效率。
可选的，字典学习算法包括K-均值奇异值分解算法。
根据字典学习算法训练三维布里渊增益谱，获得对应三维布里渊增益谱的过完备字典域的稀疏系数，包括：
固定字典学习算法的迭代过程的稀疏度。
根据K-均值奇异值分解算法及稀疏度计算获得过完备字典域的稀疏系数。其中，稀疏系数包括增益系数、第一稀疏系数和第二稀疏系数。
具体的，字典学习算法包括K-均值奇异值分解，该算法需要输入待稀疏表示的布里渊增益谱和设置稀疏信号的稀疏度K。由于布里渊增益谱可由峰值增益、布里渊频移和布里渊增益谱谱宽三个量来完全描述，且这三个量完全独立，因此可以通过字典学习算法，可以找到非线性变换空间中的三个参数来唯一表示布里渊增益谱，此时固定字典学习算法的信号稀疏度，将稀疏度设置为3。对应的布里渊增益谱稀疏表示目标方程表示为：
其中z是光纤传输距离，gB(Ω,z)是不同位置处得到的布里渊增益谱，X为稀疏系数矩阵，||xi||0表示在i位置处的布里渊增益谱稀疏度。通过目标方程约束每个增益谱中稀疏度为3能很好的反映每个位置上的稀疏特性，并且获得对应三维布里渊增益谱的过完备字典域的稀疏系数。通过第一次字典学习算法可以分离与峰值增益相关的增益系数。其中，增益系数与光纤损耗导致的峰值增益存在相关性，第一稀疏系数和第二稀疏系数都与布里渊频移分布类似，第二个稀疏系数在光纤升温处具有与布里渊频移相反的变化，因此在布里渊增益谱谱宽的基础上受到了布里渊频移的影响。因此，三个稀疏系数与实际的物理参量存在联系。
基于上述实施例，可选的，根据稀疏系数调整三维布里渊增益谱，包括：
将增益系数作为已知参量，重新调整三维布里渊增益谱，使三维布里渊增益谱与第一稀疏系数和第二稀疏系数相关。
具体的，为了方便分析参数之间的联系，将三维的布里渊增益谱表达式改写为下面的矩阵表示形式。
坐标矩阵A可表示为：
其中A中元素aij具有以下形式：
其中Ωi是连续激光器扫描的第i个频率，ΩBj表示在j位置处的布里渊频移，ΓBj表示在j位置处的谱宽。在洛伦兹曲线表达式中，峰值增益与布里渊增益谱呈现线性的关系，峰值增益gB(z)的矩阵表达形式与奇异值分解中的奇异值对角矩阵∑形式一致(对角矩阵，每列稀疏度为1)，能够单独分离。而布里渊增益谱的谱宽ΓB，布里渊频移ΩB与布里渊增益谱gB(Ω,z)并不具有这样严格线性的关系，因此在矩阵表示下，这两个变量无法像gB(z)一样单独分离。最终不同光纤位置的不同扫描频率处ΓB和ΩB会一起作用于A矩阵的每个元素aij，矩阵A不能直接分解为ΓB和ΩB的对角矩阵。
布里渊增益谱经字典学习算法处理，获得过完备字典域下的三个稀疏系数，分别是一个与峰值增益相关的增益系数和由布里渊谱宽和布里渊频移一起作用的两个稀疏系数。基于以上算法能对线性数据实现单独分离的分析，因此在第二次字典学习算法处理时，将第一次字典学习算法处理得到的增益系数作为一个已知参量，重新调整布里渊增益谱作为字典学习算法的输入，并且在字典学习过程中调整稀疏度设置，使反映传感信息的布里渊频移(第一稀疏系数)能与调整后的布里渊增益谱数据呈线性关系。
基于上述实施例，可选的，根据字典学习算法训练调整后的三维布里渊增益谱，得到布里渊增益谱物理特征参数，包括：
根据布里渊增益谱的洛伦兹分布表达式，对字典学习算法的输入数据进行预处理，将输入数据转换为布里渊频移与布里渊增益谱谱宽表达式。
根据预处理后的布里渊增益谱进行矩阵变换，使第一稀疏系数为奇异值矩阵，第二稀疏系数的倒数为对角矩阵，获取矩阵布里渊增益谱。
根据奇异值矩阵提取布里渊频移。其中，布里渊频移与洛伦兹力公式中的布里渊频移具有一致性。
具体的，根据布里渊增益谱的洛伦兹分布表达式，对第二次字典学习的输入数据即调整后三维布里渊增益谱进行公式变换：
其中gB(z)为峰值增益，gB(Ω,z)为布里渊增益谱，ΩB(z)为布里渊频移，Ω为扫描频点的频率，ΓB(z)为布里渊增益谱谱宽。
可以将布里渊频移与布里渊增益谱谱宽关系式进行矩阵分解，得到矩阵布里渊增益谱的矩阵公式，布里渊增益谱谱宽的倒数可以单独分离成对角矩阵的形式。不同位置处的布里渊频移在矩阵中类似于奇异值矩阵的分布，根据对第一次字典学习算法的分析，此时布里渊频移是容易被提取的。
可选的，矩阵布里渊增益谱为扫描频率矩阵减去单位矩阵与第一稀疏系数的奇异值矩阵的积后与第二稀疏系数的倒数的对角矩阵的乘积。可选的，矩阵布里渊增益谱的表达式为：
其中，矩阵布里渊增益谱的表达式包括扫描频率矩阵、布里渊频移矩阵和布里渊增益谱谱宽矩阵。扫描频率矩阵的每一列在字典学习计算过程可作为一个常量。布里渊频移矩阵为奇异值矩阵的分布。布里渊增益谱谱宽的倒数为对角矩阵。
基于上述实施例，可选的，根据奇异值矩阵提取布里渊频移，包括：
将三维布里渊增益谱的峰值增益设置为已知量。
设置字典学习算法的稀疏度。
根据字典学习算法以稀疏系数形式提取奇异值矩阵的布里渊频移。
具体的，由于在第二次字典学习算法中已将峰值增益作为已知量，因此调整第二次字典学习算法中稀疏度，示例性的将稀疏度设置为2，通过目标方程约束每个增益谱中稀疏度，以稀疏系数的形式将布里渊频移和布里渊增益谱谱宽两个独立参数提取出来。
示例性的，图2为本发明实施例提供的一种获取布里渊增益图谱的结构示意图，参见图2，使用中心波长在1550nm的窄线宽光纤激光器201作为光源。光源输出的光由3dB光耦合器202分成两束光。其中一束光被电光调制器203正弦调制以产生连续的探测光。微波源214以2MHz步长扫描10.5GHz到10.9GHz的频率范围产生电光调制器203的正弦驱动信号。偏振开关204用来消除受激布里渊效应的偏振相关性。待测光纤为一段10km单模光纤，其尾端100m放入温控室205中加热，实验室温度为22℃，温控室205温度从30℃升高至60℃，每5℃采样一组布里渊增益谱数据。微波源214频率在10.5GHz到10.9GHz的范围内进行扫描，频率步长为2MHz。另一束光由半导体光放大器209进行调制以产生泵浦光，半导体光放大器209由任意波形发生器控制，脉冲宽度为20ns，对应2米的空间分辨率。光脉冲随后通过掺铒光纤放大器208和带通滤波器207进行光放大和抑制噪声。泵浦光经过光环形器206的第一端口输入，经第二端口进入待测光纤，探测光与泵浦光相互作用后经光环形器206的第三端口输出。可调光滤波器210过滤探测光的高频信号，经低噪声的探测器211(PIN型光电二极管)转换成电信号，随后由示波器212进行采集。在接收端对每一个频率的正交偏振态平均512次，以避免信号提取过程受到大噪声的影响。最终在每个温度处采集沿光纤长度分布的三维布里渊增益谱。
可选的，使用K-均值奇异值分解算法第二次处理调整后的输入数据，得到两个新的稀疏系数。基于图2获取的三维布里渊增益谱，温控室温度从30℃升高至60℃，每5℃采样一组布里渊增益谱数据。分别处理温度为35℃,40℃,45℃,50℃,55℃,60℃时采集到的布里渊增益谱，得到在不同温度处沿光纤长度的峰值增益分布和稀疏系数分布。图3为峰值增益和光线长度分布曲线的示意图，图4为稀疏系数和光线长度分布曲线的示意图，参见图3和图4，由于不同温度下的峰值增益差异非常小，为了更清晰的比较洛伦兹拟合方法(Lorentz curve fitting,LCF)和K均值奇异值分解算法两种方法的差异，图中绘制了温度在35℃,40℃,45℃处的峰值增益和稀疏系数分布曲线。
在不同温度处布里渊增益谱峰值增益的变化趋势可以通过K-均值奇异值分解算法得到的稀疏系数反映出来。由于布里渊增益谱的稀疏表示是一种数学的求解过程，K-均值奇异值分解得到的稀疏系数并不具有布里渊增益谱峰值增益的量纲，因此稀疏系数的值不能直接等同于峰值增益。为了探究两者之间的关系，引入相关系数R来量化这两个增益参数之间的线性相关程度：
其中gLCF，j为每个光纤位置处经LCF得到的布里渊增益值。gKSVD,j为K-均值奇异值分解算法得到的布里渊增益值。
表示对应的整段光纤增益系数平均值。一般来说相关系数r绝对值越接近于1，则两者相关程度越大，r为正代表正相关，为负代表负相关。若r等于1，则意味着两者呈完全线性的关系。表1为第一次字典学习稀疏系数与布里渊峰值增益的相关系数。在不同温度处两个增益系数的相关系数r均超过0.97，在温度为45℃时两者的相关系数最高，达到0.9915。这表明K-均值奇异值得到的增益相关稀疏系数与洛伦兹曲线拟合得到的峰值增益的绝对线性关联度，证实了可将K-均值奇异值分解算法得到的gKSVD作为实际布里渊增益一种新的表示方式，也为第二步字典学习过程中将该稀疏系数当成已知增益变量提供了保证。
表1为第一次字典学习稀疏系数与布里渊峰值增益的相关系数。
| 温度 | 30℃ | 35℃ | 40℃ | 45℃ | 50℃ | 55℃ | 60℃ |
| r | 0.9849 | 0.9747 | 0.9914 | 0.9915 | 0.9715 | 0.9763 | 0.9852 |
以上基于稀疏表示的布里渊增益系数成功分离再次体现了该算法对数据线性的依赖。在第二步输入字典学习算法之前，利用该稀疏系数gKSVD将布里渊频移等关键参数调整为与输入数据呈线性的关系。使用K-均值奇异值分解算法处理调整后的输入数据，最终得到两个新的稀疏系数。表2为第二次字典学习得到的两个稀疏系数与布里渊频移和布里渊增益谱谱宽之间的相关系数r。所得的一个稀疏系数与布里渊频移的相关系数均在0.96以上，证实了两者之间强烈的关联度。而与谱宽变化相关联的稀疏系数计算得到的相关系数在-0.5左右波动，相关系数为负是因为谱宽倒数与字典学习的输入成线性关系，因此谱宽与稀疏系数呈现负相关的关系。
表2第二次字典学习稀疏系数与布里渊频移、谱宽的相关系数
分析第一个稀疏系数与布里渊频移之间的具体关系。图5为LCF拟合的光纤的分布曲线示意图，图6为稀疏系数拟合的光纤的分布曲线示意图，参见图5和图6，将稀疏系数与LCF拟合的布里渊频移沿光纤的分布曲线对比。可以观察到，稀疏系数与布里渊频移的变化趋势基本一致。与布里渊频移一样，这个稀疏系数同样会在光纤尾端温度升高处有相应的变化。且随着温度等间隔增加，稀疏系数也有类似线性增加的结果。
为了进一步论证稀疏系数同温度变化之间的关系，图7为不同温度下对应的布里渊频移和线性拟合曲线示意图，参见图7，稀疏系数同样会随着温度的升高呈现线性变化。其中布里渊频移和K-均值奇异值分解算法稀疏系数拟合得到的温度系数CT分别为1.03MHz/℃和0.0848/℃。
另一方面为了比较整体的线性拟合度，引入统计学中的线性回归决定系数R2(coefficient of determination也称拟合优度)来比较拟合的性能：
其中Ti是实际温度，
是Ti的平均值，
是线性拟合得到的观测温度值。R2越大，则拟合曲线中布里渊频移对温度的解释程度越高，观察点在拟合线型附近越密集。经计算，由LCF和K-均值奇异值分解算法得到的布里渊频移相关系数与温度之间的回归决定系数R2分别为0.9953和0.9954，均具有良好的拟合度，能够满足系统对解析温度的要求。在实际布里渊时域分析系统中，一般使用线性拟合公式和得到的布里渊频移来获取光纤的传感温度。图8为不同升温处使用LCF算法和K-均值奇异值分解算法得到的局部温度分布的示意图，参见图8，在图中LCF算法数据以点状表示，K-均值奇异值分解数据以实线表示。可以从单个数据点上清楚地看到温度的波动，由于实验中所用的恒温室温度会存在一定的波动，因此在图中沿光纤长度分布的某温度曲线不是严格的直线。综合比较回归决定系数R2和局部温度分布可得出结论，K-均值奇异值分解算法的特征提取性能和传统的LCF方法基本接近，具有良好的提取精度，布里渊频移与洛伦兹力公式中的布里渊频移具有较好的一致性和相似性。
通过计算置于常温下的光纤传感温度多次测量的均方根误差(RMSE)和不确定度来更客观地比较两种方法的测量精度。其中RMSE定义为：
不确定度通过计算RMSE的二次拟合得到。图9为使用LCF和K-均值奇异值分解算法得到的RMSE和温度不确定度的示意图，参见图9，两种方法在温度不变时沿光纤分布的RMSE均在0.1℃到0.7℃的范围内波动，沿光纤分布的不确定度基本在0.3℃微小波动，在整段光纤上LCF和K-SVD两种方法的平均不确定度分别为0.3134℃和0.3211℃。
最后来比较LCF和K-均值奇异值分解算法两种方法的计算复杂度。LCF方法虽然有较高的布里渊频移提取精度，但它需要反复迭代，计算复杂度高，迭代所需要的时间不能满足传感系统实时动态测量的要求。本发明实施例采集到10km光纤布里渊增益谱，在同样的计算平台上使用LCF方法处理该数据共耗时182.9979s，使用K-均值奇异值分解算法共耗时34.1845s(其中第一次字典学习耗时24.0735s，第二次字典学习耗时10.1110s)。基于字典学习的特征提取方法仅需要原来1/6的处理时间，就能够实现与传统LCF同样的提取精度，在时间消耗和运算复杂度上更占优势。这是由于LCF需要对每个位置处的洛伦兹曲线单一拟合，而K-均值奇异值分解算法训练得到的字典能够适用于满足洛伦兹分布的信号，一次训练就能完成整个光纤段信号的稀疏表示。对于长距离布里渊时域分析系统采集的布里渊增益谱，一般具有相似的洛伦兹分布特性。因此在这样的系统中引入统一的过完备字典来稀疏表示，能够提高信号处理的效率。
本发明实施例还提供了一种基于字典学习的分布式布里渊频移提取装置，图10为本发明实施例提供的一种基于字典学习的分布式布里渊频移提取装置，参见图10，该装置包括：布里渊光时域分析模块810、字典学习算法模块820、调整模块830和提取模块840。
布里渊光时域分析模块810用于获得三维布里渊增益谱。
字典学习算法模块820用于根据字典学习算法训练所述三维布里渊增益谱，获得对应所述三维布里渊增益谱的过完备字典域的稀疏系数。
调整模块830用于根据所述稀疏系数调整所述三维布里渊增益谱，降低布里渊频移与布里渊增益谱数据的非线性。
提取模块840用于根据所述字典学习算法训练调整后的所述三维布里渊增益谱，得到所述布里渊增益谱物理特征参数。
具体的，布里渊光时域分析模块810在传感光纤中使脉冲泵浦光通过受激布里渊散射与反向传播的连续探测光相互作用，通过扫描探测光的频率并检测探测光的强度增益，获得三维布里渊增益谱。其中，布里渊增益谱可以由三个物理特征参数，即峰值增益、布里渊频移和布里渊增益谱谱宽进行描述。字典学习算法模块820使用字典学习算法能够对特征相似的一类布里渊增益谱都进行稀疏表示，从而可以在统一的稀疏域中分析所有信号的稀疏特性。在字典学习算法的迭代过程中调整稀疏度，使用字典学习的方法训练布里渊增益谱以实现稀疏系数的稀疏表达。调整模块830通过稀疏系数调整字典学习算法的输入即三维的布里渊增益谱数据，调整后减少未知量，简化了计算过程。降低反映传感信息的布里渊频移与布里渊增益谱数据的非线性，在后续计算过程满足提取要求。提取模块840将将调整后的三维布里渊增益谱数据输入至字典学习算法，通过字典学习算法得到对应于布里渊增益谱三个物理特征参数的稀疏解。所采用的字典学习算法属于一种无监督的学习，不需要大量的布里渊增益谱样本进行训练，也不需要复杂的手动调参过程。因此基于布里渊增益谱稀疏性的字典学习方法既充分考虑了物理信号本来的分布特性，也利用了机器学习算法强大的计算力和灵活性，在洛伦兹信号参数提取上展现出独特的优势。
可选的，调整模块包括线性单元，
线性单元用于将增益系数作为已知参量，重新调整三维布里渊增益谱，使三维布里渊增益谱与第一稀疏系数和第二稀疏系数相关。
可选的，提取模块包括预处理单元、分解单元和提取单元。
预处理单元用于根据布里渊增益谱的洛伦兹分布表达式，对字典学习算法的输入数据进行预处理，将输入数据转换为布里渊频移与布里渊增益谱谱宽表达式。
分解单元用于根据预处理后的布里渊增益谱进行矩阵变换，使第一稀疏系数为奇异值矩阵，第二稀疏系数的倒数为对角矩阵。
提取单元用于根据奇异值矩阵提取布里渊频移。其中，布里渊频移与洛伦兹力公式中的布里渊频移具有一致性。
本发明实施例提供的基于字典学习的分布式布里渊频移提取方法与本发明任意实施例提供的基于字典学习的分布式布里渊频移提取装置属于相同的发明构思，具有相应的有益效果，未在本实施例详尽的技术细节详见本发明任意实施例提供的基于字典学习的分布式布里渊频移提取方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于字典学习的分布式布里渊频移提取方法，其特征在于，包括：
获得三维布里渊增益谱；
根据字典学习算法训练所述三维布里渊增益谱，获得对应所述三维布里渊增益谱的过完备字典域的稀疏系数；
根据所述稀疏系数调整所述三维布里渊增益谱，降低布里渊频移与布里渊增益谱数据的非线性；
根据所述字典学习算法训练调整后的所述三维布里渊增益谱，得到所述布里渊增益谱物理特征参数。
2.根据权利要求1所述的基于字典学习的分布式布里渊频移提取方法，其特征在于，所述字典学习算法包括K-均值奇异值分解算法；
根据字典学习算法训练所述三维布里渊增益谱，获得对应所述三维布里渊增益谱的过完备字典域的稀疏系数，包括：
固定所述字典学习算法的迭代过程的稀疏度；
根据所述K-均值奇异值分解算法及所述稀疏度计算获得过完备字典域的稀疏系数；其中，所述稀疏系数包括增益系数、第一稀疏系数和第二稀疏系数。
3.根据权利要求2所述的基于字典学习的分布式布里渊频移提取方法，其特征在于，根据所述稀疏系数调整所述三维布里渊增益谱，包括：
将所述增益系数作为已知参量，重新调整所述三维布里渊增益谱，使所述三维布里渊增益谱与所述第一稀疏系数和所述第二稀疏系数相关。
4.根据权利要求3所述的基于字典学习的分布式布里渊频移提取方法，其特征在于，根据所述字典学习算法训练调整后的所述三维布里渊增益谱，得到所述布里渊增益谱物理特征参数，包括：
根据布里渊增益谱的洛伦兹分布表达式，对所述字典学习算法的输入数据进行预处理，将所述输入数据转换为布里渊频移与布里渊增益谱谱宽表达式；
根据预处理后的所述布里渊增益谱进行矩阵变换，使所述第一稀疏系数为奇异值矩阵，第二稀疏系数的倒数为对角矩阵，获取矩阵布里渊增益谱；
根据所述奇异值矩阵提取布里渊频移；其中，所述布里渊频移与所述洛伦兹力公式中的布里渊频移具有一致性。
5.根据权利要求4所述的基于字典学习的分布式布里渊频移提取方法，其特征在于，所述矩阵布里渊增益谱为扫描频率矩阵减去单位矩阵与所述第一稀疏系数的奇异值矩阵的积后与第二稀疏系数的倒数的对角矩阵的乘积。
6.根据权利要求5所述的基于字典学习的分布式布里渊频移提取方法，其特征在于，所述矩阵布里渊增益谱的表达式为：
其中，所述矩阵布里渊增益谱的表达式包括扫描频率矩阵、布里渊频移矩阵和布里渊增益谱谱宽矩阵；所述扫描频率矩阵的每一列在所述字典学习计算过程可作为一个常量；布里渊频移矩阵为奇异值矩阵的分布；布里渊增益谱谱宽的倒数为对角矩阵。
7.根据权利要求4所述的基于字典学习的分布式布里渊频移提取方法，其特征在于，根据所述奇异值矩阵提取布里渊频移包括：
将所述三维布里渊增益谱的峰值增益设置为已知量；
设置所述字典学习算法的稀疏度；
根据所述字典学习算法以稀疏系数形式提取所述奇异值矩阵的所述布里渊频移。
8.一种基于字典学习的分布式布里渊频移提取装置，其特征在于，包括布里渊光时域分析模块、字典学习算法模块、调整模块和提取模块；
所述布里渊光时域分析模块用于获得三维布里渊增益谱；
所述字典学习算法模块用于根据字典学习算法训练所述三维布里渊增益谱，获得对应所述三维布里渊增益谱的过完备字典域的稀疏系数；
所述调整模块用于根据所述稀疏系数调整所述三维布里渊增益谱，降低布里渊频移与布里渊增益谱数据的非线性；
所述提取模块用于根据所述字典学习算法训练调整后的所述三维布里渊增益谱，得到所述布里渊增益谱物理特征参数。
9.根据权利要求8基于字典学习的分布式布里渊频移提取装置，其特征在于，所述调整模块包括线性单元，
所述线性单元用于将所述增益系数作为已知参量，重新调整所述三维布里渊增益谱，使所述三维布里渊增益谱与第一稀疏系数和第二稀疏系数相关。
10.根据权利要求9基于字典学习的分布式布里渊频移提取装置，其特征在于，所述提取模块包括预处理单元、分解单元和提取单元；
所述预处理单元用于根据布里渊增益谱的洛伦兹分布表达式，对所述字典学习算法的输入数据进行预处理，将所述输入数据转换为布里渊频移与布里渊增益谱谱宽表达式；
所述分解单元用于根据预处理后的所述布里渊增益谱进行矩阵变换，使所述第一稀疏系数为奇异值矩阵，第二稀疏系数的倒数为对角矩阵，获取矩阵布里渊增益谱；
所述提取单元用于根据所述奇异值矩阵提取布里渊频移；其中，所述布里渊频移与所述洛伦兹力公式中的布里渊频移具有一致性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110994828.3A CN113742651B (zh) | 2021-08-27 | 2021-08-27 | 基于字典学习的分布式布里渊频移提取方法及其装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110994828.3A CN113742651B (zh) | 2021-08-27 | 2021-08-27 | 基于字典学习的分布式布里渊频移提取方法及其装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113742651A true CN113742651A (zh) | 2021-12-03 |
| CN113742651B CN113742651B (zh) | 2024-03-26 |
Family
ID=78733338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110994828.3A Active CN113742651B (zh) | 2021-08-27 | 2021-08-27 | 基于字典学习的分布式布里渊频移提取方法及其装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113742651B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019203859A (ja) * | 2018-05-25 | 2019-11-28 | 日本電信電話株式会社 | ブリルアン周波数シフトを測定する装置及び方法 |
| 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 |
-
2021
- 2021-08-27 CN CN202110994828.3A patent/CN113742651B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019203859A (ja) * | 2018-05-25 | 2019-11-28 | 日本電信電話株式会社 | ブリルアン周波数シフトを測定する装置及び方法 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| TAN H ET.AL: "Sparse representation of Brillouin spectrum using dictionary learning", OPTICS EXPRESS, vol. 28, no. 12, pages 18160 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113742651B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Brillouin optical time-domain analyzer assisted by support vector machine for ultrafast temperature extraction | |
| CN107402082B (zh) | 一种布里渊散射信号处理方法及其分布式光纤传感系统 | |
| Wu et al. | Support vector machine based differential pulse-width pair Brillouin optical time domain analyzer | |
| Wang et al. | Robust and fast temperature extraction for Brillouin optical time-domain analyzer by using denoising autoencoder-based deep neural networks | |
| CN111879344B (zh) | 基于捷变频与cs技术的快速布里渊光学时域分析仪及方法 | |
| CN110260897B (zh) | 一种基于字典学习的布里渊光时域分析仪去噪方法与系统 | |
| Hun et al. | Fabry–Pérot based short pulsed laser linewidth measurement with enhanced spectral resolution | |
| CN113742651B (zh) | 基于字典学习的分布式布里渊频移提取方法及其装置 | |
| Tian et al. | Deep learning assisted wide-range microwave photonic sensing | |
| Madaschi et al. | Enhanced neural network implementation for temperature profile extraction in distributed Brillouin scattering-based sensors | |
| CN113791037B (zh) | 一种基于生成对抗网络的硅基傅里叶变换光谱测量方法 | |
| Komodromos et al. | A method of fitting BOTDA data for the estimation of the Brillouin frequency shift | |
| US11041803B2 (en) | Feed-forward spectral calibration methodology for line-scanned tunable laser absorption spectroscopy | |
| CN113791052A (zh) | 一种分段扫描激光气体吸收谱拼接获取较宽谱的方法 | |
| CN113049120A (zh) | 红外波段化学激光线宽的测量装置及其测量方法 | |
| CN117009740A (zh) | 一种布里渊传感高精度数据解调方法 | |
| Lv et al. | Cascaded Feedforward Neural Network Based Simultaneously Fast and Precise Multi-Characteristics Extraction and BFS Error Estimation | |
| CN112986180B (zh) | 一种光谱式气体传感数据处理方法及系统 | |
| CN117250784B (zh) | 一种液晶显示器测试方法及系统 | |
| CN113916497B (zh) | 一种光波导参数测量方法和装置 | |
| CN112700373B (zh) | 一种基于非线性回归数据处理的提高光谱图像分辨率的方法、系统、设备及存储介质 | |
| CN113310575B (zh) | 一种布里渊光谱仪测量光谱信号基底的移除方法与装置 | |
| CN118225243B (zh) | 一种光学啁啾小波变换测量激光脉冲装置及其测量方法 | |
| Zhu et al. | A Novel Method for Brillouin Gain Spectrum Recovery based on Compressed | |
| Amiot et al. | Broadband continuous spectral ghost imaging for high resolution spectroscopy |
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 |