CN114548156B - 基于降采样和卷积神经网络的分布式光纤测温降噪方法 - Google Patents
基于降采样和卷积神经网络的分布式光纤测温降噪方法 Download PDFInfo
- Publication number
- CN114548156B CN114548156B CN202210077570.5A CN202210077570A CN114548156B CN 114548156 B CN114548156 B CN 114548156B CN 202210077570 A CN202210077570 A CN 202210077570A CN 114548156 B CN114548156 B CN 114548156B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- stokes
- optical fiber
- noise
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000013307 optical fiber Substances 0.000 title claims abstract description 46
- 230000009467 reduction Effects 0.000 title claims abstract description 32
- 238000009529 body temperature measurement Methods 0.000 title claims abstract description 24
- 238000013527 convolutional neural network Methods 0.000 title claims description 18
- 239000002131 composite material Substances 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000010606 normalization Methods 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000004913 activation Effects 0.000 claims description 27
- 238000001069 Raman spectroscopy Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 238000001914 filtration Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Measuring Temperature Or Quantity Of Heat (AREA)
Abstract
本发明公开了一种基于降采样和卷积神经网络的分布式光纤测温降噪方法，包括在待测区域采集anti‑Stokes、Stokes数据、计算比值数据、归一化、降采样成n份降采样数据；模拟生成多组纯净信号和含噪信号，将含噪信号降采样成n份后作为输入，纯净信号作为输出，训练得到复合神经网络模型；将待测区域得到的n份降采样数据送入该模型，输出的数据再反归一化、温度解调得到温度数据。本发明由复合神经网络担任主要降噪任务，无需人工预设参数，运算速度快，可适应不同的工作环境，独特的降采样处理能帮助网络更好的识别热区，有效地提高了原始采集信号的信噪比，减小了温度测量的最大偏差和均方根误差，提高了温度曲线的平滑程度。
Description
技术领域
本发明涉及一种测温降噪方法，尤其涉及一种基于降采样和卷积神经网络的分布式光纤测温降噪方法。
背景技术
基于拉曼散射的分布式光纤传感技术具有监测距离长、成本低廉、不受电磁干扰等特点，因此被广泛用于管道泄漏检测，电力电缆监测等。在实际应用中，自发拉曼散射光信号在WDM和APD中会受到不同强度噪声的影响，从而影响整个RDTS系统的性能。
为了减小随机噪声对测量结果的影响，研究人员分别采用改进系统硬件和运用数字信号处理算法提高系统的信噪比。其中，采用改进系统硬件的方法虽然能够有效地抑制系统随机噪声，但实现难度大且成本昂贵，不适合大范围的实际应用。而采用数据信号处理算法能够在不改进系统硬件的情况下有效地降低系统随机噪声成分。
但是，目前应用于分布式光纤测温系统的传统降噪算法需要针对不同的使用环境进行参数调整，实际使用不便，且测量精度和准确度不够。
发明内容
本发明的目的就在于提供一种解决上述问题，能有效地提高了原始采集信号的信噪比，减小温度测量的平均绝对误差和均方根误差，提高温度曲线的平滑程度的，基于降采样和卷积神经网络的分布式光纤测温降噪方法。
为了实现上述目的，本发明采用的技术方案是这样的：一种基于降采样和卷积神经网络的分布式光纤测温降噪方法，包括以下步骤：
(1)在待测区域布设光纤测温系统，采集anti-Stokes数据和Stokes数据，长度均为L，所述光纤测温系统包括传感光纤；
(2)将anti-Stokes数据除以Stokes数据，得到长度为L的比值数据；
(3)将比值数据进行归一化处理，得到长度为L的归一化数据；
(4)对归一化数据降采样处理，包括(41)-(45)；
(41)预设一降采样组数n，计算分段数k和余数m，L＝n×k+m，m≤n；
(42)将长度为L的归一化数据以n为长度分为k段，尾端剩余m个数值作为余数部分；
(43)依次取第一段到第k段的第1个数值，替换其所在段的数值，并与余数部分拼接成第1份降采样数据；
(44)依次取第一段到第k段的第2个数据，替换其所在段的数值，拼接成第2份降采样数据；
(45)以此类推，得到总计n份降采样数据；
(5)构建复合神经网络、训练得到复合神经网络模型，包括(51)-(54)；
(51)构建一复合神经网络，复合神经网络包括n个全卷积神经网络、一全连接网络和一残差网络，其中n个全卷积神经网络并排设置，输出端经全连接网络连接残差网络；
(52)生成多组长度为L的纯净信号，每组纯净信号由多个长度不同的热区组成，每个热区的长度为模拟传感光纤不同热区的长度，每个区间内的值为该热区模拟温度经归一化后的数值；
(53)给纯净信号叠加高斯噪声生成含噪信号；
(54)将含噪信号按步骤(4)进行降采样处理，得到n组降采样数据作为输入，该含噪信号对应的纯净信号作为输出，送入复合神经网络中进行训练，得到复合神经网络模型；
(6)将步骤(45)中的n份降采样数据，输入复合神经网络模型中得到输出，所述输出为降噪后数据T；
(7)对T反归一化处理，再通过温度解调，得到温度数据。
作为优选：所述光纤测温系统包括依次连接的激光脉冲光源、波分复用器和传感光纤，所述传感光纤沿测试区域长度方向布设，所述波分复用器输出端经雪崩光电二极管、放大器、连接数据采集卡；
其中，激光脉冲光源发出激光脉冲，经波分复用器耦合进传感光纤，传感光纤产生后向拉曼散射光送回波分复用器，由波分复用器分为anti-Stokes光和Stokes光，经雪崩光电二极管转换为anti-Stokes电信号和Stokes电信号，再经过放大器和数据采集卡转换为anti-Stokes数据和Stokes数据。
作为优选：：步骤(3)中，采用下式进行归一化处理；
式中，datamax和datamin为比值数据中的最大值和最小值，xi为归一化前比值数据的第i个元素，xi′为归一化后比值数据的第i个元素。
作为优选：所述全卷积神经网络的结构为：
第1层为输入层，输入形状为n×L；
第2层节点数为32，激活函数为ReLU；
第3层节点数为64，激活函数为ReLU；
第4层节点数为32，激活函数为ReLU；
第5层为输出层，输出形状为1×L，无激活函数；
作为优选：所述残差网络由15个残差块串联而成，每个残差块由两层卷积和一个残差连接构成，其网络结构为：
第1层一维卷积的卷积核大小为3，步进为1，填充1，输入通道为1，输出通道为128，批标准化为128，激活层激活函数为ReLU；
第2层一维卷积的卷积核大小为3，步进为1，填充1，输入通道为128，输出通道为1，无批标准化，无激活函数；
输出为第二层输出与原始输入的和，再经过ReLU激活函数输出；
最后再经过一个一维卷积的卷积核大小为3，步进为1，填充1，输入通道为1，输出通道为1，无批标准化，无激活函数。
作为优选：采用下式进行反归一化处理；
式中，
为反归一化前T中的第i个元素，datai为反归一化后T中的第i个元素。
所以本发明的流程为：将anti-Stokes数据与Stokes数据进行比值计算，得到比值数据，长度与原始数据长度一致为L；将得到的比值数据进行归一化处理，得到长度为L的归一化数据；将得到的归一化数据进行降采样处理，从而得到降采样后的n份长度为L数据；将得到的n份数据同时送入训练好的复合神经网络模型，输出得到大小为1×L的降噪后的数据；将降噪后的数进行反归一化处理，并从该数据中温度解调，得到温度数据。
与现有技术相比，本发明的优点在于：
采用光纤测温系统采集现场的anti-Stokes数据除以Stokes数据，并进行比值计算，得到比值数据，长度与原始数据长度一致，目的是方便温度解调时采用双路光信号温度解调。
将比值数据归一化处理后，通过本发明方法降采样为n组，用于与复合神经网络中的n个全卷积神经网络一一对应。复合神经网络中的n个全卷积神经网络结构完全相同，但因为输入的数据不同，最终训练得到的网络结构内部参数各不相同。这样做的目的是，将一个数据降采样处理成n份，可以帮助复合神经网络提取信号特征、识别热区位置、增强降噪能力，从图9可以得到，增加降采样可以显著提高整个方法的降噪表现，且n越大，整个方法的降噪效果越佳，但是方法的运行时间也会增加。
本发明的复合神经网络模型，采用模拟生成的纯净信号和含噪信号进行训练，复合神经网络模型包含n个全卷积神经网络，用于与n组降采样后的数据一一对应，全卷积网络不仅可以从分组数据中提取特征信号，还可以对数据进行初步去噪；全连接网络可以将全卷积网络处理后的数据进行非线性整合，以减少噪声成分的权重；残差网络部分可以对数据进行进一步的降噪。整个复合神经网络搭配降采样处理后，具有强大的拟合能力和降噪性能。
综上，本发明与其他降噪方法相比，由复合神经网络担任主要降噪任务，无需人工预设参数，运算速度快，可适应不同的工作环境；独特的降采样处理，可以帮助网络更好的识别热区，有效地提高了原始采集信号的信噪比，且减小了温度测量的最大偏差和均方根误差，提高了温度曲线的平滑程度。
附图说明
图1为本发明流程图；
图2为光纤测温系统的原理图；
图3为本发明数据流图；
图4为纯净信号叠加高斯噪声生成含噪信号的示意图；
图5为全卷积神经网络结构图；
图6为全连接神经网络结构图；
图7为残差块的结构图；
图8为残差网络的结构图；
图9为不同降采样份数的降噪效果示意图；
图10为本发明步骤(4)形成降采样数据的示意图；
图11为实测数据累加平均次数为10000次下的降噪效果对比图。
具体实施方式
下面将结合附图对本发明作进一步说明。
实施例1：参见图1到图8，一种基于降采样和卷积神经网络的分布式光纤测温降噪方法，包括以下步骤：
(1)在待测区域布设光纤测温系统，采集anti-Stokes数据和Stokes数据，长度均为L，所述光纤测温系统包括传感光纤；
(2)将anti-Stokes数据除以Stokes数据，得到长度为L的比值数据；
(3)将比值数据进行归一化处理，得到长度为L的归一化数据；具体的采用下式进行归一化处理；
式中，datamax和datamin为比值数据中的最大值和最小值，xi为归一化前比值数据的第i个元素，xi′为归一化后比值数据的第i个元素；
(4)对归一化数据降采样处理，包括(41)-(45)；
(41)预设一降采样组数n，计算分段数k和余数m，L＝n×k+m，m≤n；
(42)将长度为L的归一化数据以n为长度分为k段，尾端剩余m个数值作为余数部分；
(43)依次取第一段到第k段的第1个数值，替换其所在段的数值，并与余数部分拼接成第1份降采样数据；
(44)依次取第一段到第k段的第2个数据，替换其所在段的数值，拼接成第2份降采样数据；
(45)以此类推，得到总计n份降采样数据；
(5)构建复合神经网络、训练得到复合神经网络模型，包括(51)-(54)；
(51)构建一复合神经网络，复合神经网络包括n个全卷积神经网络、一全连接网络和一残差网络，其中n个全卷积神经网络并排设置，输出端经全连接网络连接残差网络；
(52)生成多组长度为L的纯净信号，每组纯净信号由多个长度不同的热区组成，每个热区的长度为模拟传感光纤不同热区的长度，每个区间内的值为该热区模拟温度经归一化后的数值；
(53)给纯净信号叠加高斯噪声生成含噪信号；
(54)将含噪信号按步骤(4)进行降采样处理，得到n组降采样数据作为输入，该含噪信号对应的纯净信号作为输出，送入复合神经网络中进行训练，得到复合神经网络模型；
(6)将步骤(45)中的n份降采样数据，输入复合神经网络模型中得到输出，所述输出为降噪后数据T；
(7)对T反归一化处理，再通过温度解调，得到温度数据，具体的采用下式进行反归一化处理；
式中，
为反归一化前T中的第i个元素，datai为反归一化后T中的第i个元素。
本实施例中：所述光纤测温系统包括依次连接的激光脉冲光源、波分复用器和传感光纤，所述传感光纤沿测试区域长度方向布设，所述波分复用器输出端经雪崩光电二极管、放大器、连接数据采集卡；
其中，激光脉冲光源发出激光脉冲，经波分复用器耦合进传感光纤，传感光纤产生后向拉曼散射光送回波分复用器，由波分复用器分为anti-Stokes光和Stokes光，经雪崩光电二极管转换为anti-Stokes电信号和Stokes电信号，再经过放大器和数据采集卡转换为anti-Stokes数据和Stokes数据。
所述全卷积神经网络的结构为：
第1层为输入层，输入形状为n×L；
第2层节点数为32，激活函数为ReLU；
第3层节点数为64，激活函数为ReLU；
第4层节点数为32，激活函数为ReLU；
第5层为输出层，输出形状为1×L，无激活函数。
所述残差网络由15个残差块串联而成，每个残差块由两层卷积和一个残差连接构成，其网络结构为：
第1层一维卷积的卷积核大小为3，步进为1，填充1，输入通道为1，输出通道为128，批标准化为128，激活层激活函数为ReLU；
第2层一维卷积的卷积核大小为3，步进为1，填充1，输入通道为128，输出通道为1，无批标准化，无激活函数；
输出为第二层输出与原始输入的和，再经过ReLU激活函数输出；
最后再经过一个一维卷积的卷积核大小为3，步进为1，填充1，输入通道为1，输出通道为1，无批标准化，无激活函数。
实施例2：参见图1到图11，为了更好的说明本发明方案，我们在实施例1的基础上，进一步描述：
关于降采样：
降采样份数的选择参见图9，图9中给出了不同降采样份数的降噪效果示意图，可以根据需求选择在降采样处理中的份数，份数越大，降噪效果越佳，处理所需时间也越多。
我们用降采样份数为3份来举例，参见图10；假设L＝7，n＝3，带入公式L＝n×k+m，m≤n；则为7＝3×2+1，k＝2，尾端剩余m＝1个数值作为余数部分。取第一段、第二段的第1个数值，替换其所在段的数值，并与余数部分拼接成第1份降采样数据；取第一段、第二段的第2个数据，替换其所在段的数值，拼接成第2份降采样数据；取第一段、第二段的第3个数据，替换其所在段的数值，拼接成第3份降采样数据；这样，我们就得到了3份降采样数据。
关于纯净信号和含噪信号；
我们通过模拟生产多组长度为L的纯净信号，每组纯净信号由多个长度不同的热区组成，每个热区的长度为模拟传感光纤不同热区的长度，每个区间内的值为该热区模拟温度经归一化后的数值。
例如长度为L＝15，从左到右依次分为4个热区，第一个热区长度为3，每个值为0.15，第二个热区长度为6，每个值为0.6，第三个热区长度为4，每个值为0.3，第四个热区长度为2，每个值为0.74。则该纯净信号表示为：{0.1,0.1,0.1,0.6,0.6,0.6,0.6,0.6,0.6,0.3,0.3,0.3,0.3,0.74,0.74}。该信号中每个值均位于0-1之间，表示该热区模拟温度经归一化后的数值。
最终生成的纯净信号，参见图4中的虚线部分，是由一个个方波构成，方波的宽度，即为该热区的长度，方波的值，即为该热区的值。再为其加高斯噪声就生成了含噪信号，具体参见图4中实线部分。
含噪信号不直接作为输入信号，而是采用本发明步骤(4)的方法进行降采样处理，得到n组降采样数据作为输入，再将该含噪信号对应的纯净信号作为输出，去训练复合神经网络，就得到复合神经网络模型。训练时，该模型输入的是含噪信号的n组降采样数据，目标输出为该含噪信号的纯净信号，实际使用时，我们输入n份降采样数据，则输出则是降噪后的比值数据T，再进行温度解调，就可以得到温度数据。
为了更好地说明本发明效果，我们采用三种方法处理光纤测温系统输出的anti-Stokes数据和Stokes数据；
方法一：原始数据解调；
方法二：采用中值滤波方法处理；
方法三：采用本发明方法处理。
我们以累加平均次数10000为例，采用上述三种方法对实际数据下进行处理，得到三者降噪效果的对比图；参见图11，从图中可以得出，本方法相比于中值滤波降噪方法热区更加接近实际测量温度值，并且热区边缘明显，更符合实验现场情况。
另外，对上述三种方法，我们统计其平均绝对误差、均方根误差和平滑度，见表1：
表1三种方法的平均绝对误差、均方根误差和平滑度对比
从表1中可以看出，运用本方法降噪后进行温度解调与原始数据直接进行温度解调相比，其平均绝对误差降低了1.636℃，均方根误差降低了2.279℃，曲线的平滑程度明显提升，并且，在平均绝对误差、均方根误差和曲线的平滑度三项指标均优于经过中值滤波方法降噪得到的结果。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于降采样和卷积神经网络的分布式光纤测温降噪方法，其特征在于：包括以下步骤：
(1)在待测区域布设光纤测温系统，采集anti-Stokes数据和Stokes数据，长度均为L，所述光纤测温系统包括传感光纤；
(2)将anti-Stokes数据除以Stokes数据，得到长度为L的比值数据；
(3)将比值数据进行归一化处理，得到长度为L的归一化数据；
(4)对归一化数据降采样处理，包括(41)-(45)；
(41)预设一降采样组数n，计算分段数k和余数m，L＝n×k+m，m≤n；
(42)将长度为L的归一化数据以n为长度分为k段，尾端剩余m个数值作为余数部分；
(43)依次取第一段到第k段的第1个数值，替换其所在段的数值，并与余数部分拼接成第1份降采样数据；
(44)依次取第一段到第k段的第2个数据，替换其所在段的数值，并与余数部分拼接成第2份降采样数据；
(45)以此类推，得到总计n份降采样数据；
(5)构建复合神经网络、训练得到复合神经网络模型，包括(51)-(54)；
(51)构建一复合神经网络，复合神经网络包括n个全卷积神经网络、一全连接网络和一残差网络，其中n个全卷积神经网络并排设置，输出端经全连接网络连接残差网络；
(52)生成多组长度为L的纯净信号，每组纯净信号由多个长度不同的热区组成，每个热区的长度为模拟传感光纤不同热区的长度，每个区间内的值为该热区模拟温度经归一化后的数值；
(53)给纯净信号叠加高斯噪声生成含噪信号；
(54)将含噪信号按步骤(4)进行降采样处理，得到n组降采样数据作为输入，该含噪信号对应的纯净信号作为输出，送入复合神经网络中进行训练，得到复合神经网络模型；
(6)将步骤(45)中的n份降采样数据，一一对应输入复合神经网络模型的n个全卷积神经网络中得到输出，所述输出为降噪后数据T；
(7)对T反归一化处理，再通过温度解调，得到温度数据。
2.根据权利要求1所述的基于降采样和卷积神经网络的分布式光纤测温降噪方法，其特征在于：所述光纤测温系统包括依次连接的激光脉冲光源、波分复用器和传感光纤，所述传感光纤沿测试区域长度方向布设，所述波分复用器输出端经雪崩光电二极管、放大器、连接数据采集卡；
其中，激光脉冲光源发出激光脉冲，经波分复用器耦合进传感光纤，传感光纤产生后向拉曼散射光送回波分复用器，由波分复用器分为anti-Stokes光和Stokes光，经雪崩光电二极管转换为anti-Stokes电信号和Stokes电信号，再经过放大器和数据采集卡转换为anti-Stokes数据和Stokes数据。
3.根据权利要求1所述的基于降采样和卷积神经网络的分布式光纤测温降噪方法，其特征在于：步骤(3)中，采用下式进行归一化处理；
式中，datamax和datamin为比值数据中的最大值和最小值，xi为归一化前比值数据的第i个元素，xi′为归一化后比值数据的第i个元素。
4.根据权利要求1所述的基于降采样和卷积神经网络的分布式光纤测温降噪方法，其特征在于：所述全卷积神经网络的结构为：
第1层为输入层，输入形状为n×L；
第2层节点数为32，激活函数为ReLU；
第3层节点数为64，激活函数为ReLU；
第4层节点数为32，激活函数为ReLU；
第5层为输出层，输出形状为1×L，无激活函数。
5.根据权利要求1所述的基于降采样和卷积神经网络的分布式光纤测温降噪方法，其特征在于：所述残差网络由15个残差块串联而成，每个残差块由两层卷积和一个残差连接构成，其网络结构为：
第1层一维卷积的卷积核大小为3，步进为1，填充1，输入通道为1，输出通道为128，批标准化为128，激活层激活函数为ReLU；
第2层一维卷积的卷积核大小为3，步进为1，填充1，输入通道为128，输出通道为1，无批标准化，无激活函数；
输出为第二层输出与原始输入的和，再经过ReLU激活函数输出；
最后再经过一个一维卷积的卷积核大小为3，步进为1，填充1，输入通道为1，输出通道为1，无批标准化，无激活函数。
6.根据权利要求1所述的基于降采样和卷积神经网络的分布式光纤测温降噪方法，其特征在于：采用下式进行反归一化处理；
式中，
为反归一化前T中的第i个元素，datai为反归一化后T中的第i个元素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210077570.5A CN114548156B (zh) | 2022-01-24 | 2022-01-24 | 基于降采样和卷积神经网络的分布式光纤测温降噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210077570.5A CN114548156B (zh) | 2022-01-24 | 2022-01-24 | 基于降采样和卷积神经网络的分布式光纤测温降噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114548156A CN114548156A (zh) | 2022-05-27 |
| CN114548156B true CN114548156B (zh) | 2023-05-12 |
Family
ID=81670762
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210077570.5A Active CN114548156B (zh) | 2022-01-24 | 2022-01-24 | 基于降采样和卷积神经网络的分布式光纤测温降噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114548156B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111751133A (zh) * | 2020-06-08 | 2020-10-09 | 南京航空航天大学 | 一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法 |
| CN111860273A (zh) * | 2020-07-14 | 2020-10-30 | 吉林大学 | 基于卷积神经网络的磁共振地下水探测噪声抑制方法 |
| CN112132256A (zh) * | 2020-08-05 | 2020-12-25 | 芯华创(武汉)光电科技有限公司 | 一种基于神经网络的拉曼分布式温度传感方法和系统 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3311117A1 (en) * | 2015-06-22 | 2018-04-25 | Omnisens S.A. | A method for reducing noise in measurements taken by a distributed sensor |
| CN108932480B (zh) * | 2018-06-08 | 2022-03-15 | 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 |
| CN109141675B (zh) * | 2018-10-12 | 2020-03-31 | 成都理工大学 | 基于二分svd用于分布式光纤测温系统降噪的方法 |
| CN109978778B (zh) * | 2019-03-06 | 2020-11-13 | 浙江工业大学 | 基于残差学习的卷积神经网络医学ct图像去噪方法 |
| CN110516792A (zh) * | 2019-08-26 | 2019-11-29 | 西安电子科技大学 | 基于小波分解和浅层神经网络的非平稳时间序列预测方法 |
| CN113219539B (zh) * | 2020-02-05 | 2022-08-30 | 中国石油天然气集团有限公司 | 光纤声波传感地震数据中井筒波干扰的去除方法及装置 |
| CN113049922B (zh) * | 2020-04-22 | 2022-11-15 | 青岛鼎信通讯股份有限公司 | 一种采用卷积神经网络的故障电弧信号检测方法 |
| US20210374547A1 (en) * | 2020-06-01 | 2021-12-02 | Nvidia Corporation | Selecting annotations for training images using a neural network |
| CN112383921B (zh) * | 2020-08-14 | 2022-08-05 | 南京航空航天大学 | 一种基于异构分布式光纤传感器的在线外部入侵监测方法 |
| CN111951207B (zh) * | 2020-08-25 | 2022-06-14 | 福州大学 | 基于深度增强学习和语义损失的图像质量增强方法 |
| CN112418072B (zh) * | 2020-11-20 | 2024-08-02 | 上海交通大学 | 数据处理方法、装置、计算机设备和存储介质 |
| CN112598759B (zh) * | 2020-12-15 | 2022-09-13 | 太原科技大学 | 抑制低剂量ct图像中伪影噪声的多尺度特征生成对抗网络 |
| CN112837244B (zh) * | 2021-03-11 | 2022-07-22 | 太原科技大学 | 一种基于渐进式生成对抗网络的低剂量ct图像降噪及去伪影方法 |
-
2022
- 2022-01-24 CN CN202210077570.5A patent/CN114548156B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111751133A (zh) * | 2020-06-08 | 2020-10-09 | 南京航空航天大学 | 一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法 |
| CN111860273A (zh) * | 2020-07-14 | 2020-10-30 | 吉林大学 | 基于卷积神经网络的磁共振地下水探测噪声抑制方法 |
| CN112132256A (zh) * | 2020-08-05 | 2020-12-25 | 芯华创(武汉)光电科技有限公司 | 一种基于神经网络的拉曼分布式温度传感方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114548156A (zh) | 2022-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108955734B (zh) | 一种光纤f-p温度/压力复合传感器的腔长解调方法 | |
| CN112326210A (zh) | 一种声振信号联合1d-cnn的大型电机故障诊断方法 | |
| CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
| CN112378660A (zh) | 一种基于数据驱动的航空发动机轴承智能故障诊断方法 | |
| CN106771905A (zh) | 一种适用于高频电流局部放电检测的脉冲提取方法 | |
| CN113310684B (zh) | 基于尺度空间和改进稀疏表示的齿轮箱故障特征提取方法 | |
| CN109088770B (zh) | 一种基于自适应符号传递熵的机电系统交互网络建模方法 | |
| CN104457643B (zh) | 一种轨道几何检测数据的脉冲噪声滤波方法及装置 | |
| Zhang et al. | Fault diagnosis for gearbox based on EMD-MOMEDA | |
| CN112945546A (zh) | 一种齿轮箱复杂故障精确诊断方法 | |
| CN112132256A (zh) | 一种基于神经网络的拉曼分布式温度传感方法和系统 | |
| CN107966287B (zh) | 一种自适应机电装备微弱故障特征提取方法 | |
| CN113901379A (zh) | 一种边缘端的实时数据动态在线快速处理方法 | |
| CN114548156B (zh) | 基于降采样和卷积神经网络的分布式光纤测温降噪方法 | |
| CN109141675B (zh) | 基于二分svd用于分布式光纤测温系统降噪的方法 | |
| CN116877452B (zh) | 基于物联网数据的非变容式水泵运行状态监控系统 | |
| CN110459197B (zh) | 用于微弱盲信号去噪与提取的信号增强器及方法 | |
| CN116625678B (zh) | 基于平均峭度反卷积网络的故障诊断方法及系统 | |
| CN117571316A (zh) | 一种复合故障诊断方法及系统 | |
| CN109901021B (zh) | 基于二维Hankel矩阵多尺度SVD变换法 | |
| CN110780162B (zh) | 一二次融合配电开关局部放电信号提取方法及检测装置 | |
| Yang et al. | Intelligent diagnosis technology of wind turbine drive system based on neural network | |
| CN113191321B (zh) | 基于生成对抗网络的光纤分布式地震波信号降噪方法 | |
| CN113686577A (zh) | 一种基于快速非线性稀疏谱的轴承故障诊断方法 | |
| CN113556169A (zh) | 一种小波阈值去噪方法及基于所述方法的光时域反射仪 |
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 |