CN114818839B - 一种基于深度学习的光纤传感水声信号识别方法及装置 - Google Patents

一种基于深度学习的光纤传感水声信号识别方法及装置 Download PDF

Info

Publication number
CN114818839B
CN114818839B CN202210763891.0A CN202210763891A CN114818839B CN 114818839 B CN114818839 B CN 114818839B CN 202210763891 A CN202210763891 A CN 202210763891A CN 114818839 B CN114818839 B CN 114818839B
Authority
CN
China
Prior art keywords
optical fiber
underwater acoustic
data
acoustic signal
fiber sensing
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
CN202210763891.0A
Other languages
English (en)
Other versions
CN114818839A (zh
Inventor
高嘉豪
彭威
刘泽超
王皓
马玲梅
饶云江
叶松涛
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 Lab
Original Assignee
Zhejiang Lab
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 Lab filed Critical Zhejiang Lab
Priority to CN202210763891.0A priority Critical patent/CN114818839B/zh
Publication of CN114818839A publication Critical patent/CN114818839A/zh
Application granted granted Critical
Publication of CN114818839B publication Critical patent/CN114818839B/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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06N3/08—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
    • G06F2218/12—Classification; Matching

Landscapes

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

Abstract

本发明提供一种基于深度学习的光纤传感水声信号识别方法，该方法降低了光纤传感水声信号识别的难度，通过最优聚类模型，将无监督学习方式转化为有监督学习的方式，使识别未知的目标事件信号成为可能；以光纤传感系统自身固有噪声信号分解分量作为训练数据，构建开集识别网络，可用于识别任意不属于系统噪声的目标事件信号，有效提高了模型的泛化能力。

Description

一种基于深度学习的光纤传感水声信号识别方法及装置
技术领域
本发明涉及光纤传感水听信号技术领域，特别涉及一种基于深度学习的光纤传感水声信号识别方法及装置。
背景技术
光纤具有抗电磁干扰、监测范围广、高灵敏、高可靠等特点，光纤分布式传感系统利用光纤来感知水域环境的水声（声波引起的振动）信息并传输感知数据，非常适用于海底环境中目标探测、识别、监控和跟踪任务。
相敏光时域反射（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的能力，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。
光纤传感信号信噪比低，其中系统噪声是一种时域波动、频域稳定的连续非周期信号，为了有效的对噪声进行表征需要对信号进行频域分解建模。变分模态分解（VMD）是一种信号分解并加权融合重构的方法，对于非稳性和低信噪比的信号去噪效果较为明显。专利号为CN202210051483.2的《一种基于自适应VMD的φ-OTDR水声信号处理方法和装置》提出了利用VMD进行光纤传感信号的分解方法。
目前传感信号识别的方法，一方面多采用单阈值或者联合阈值等方法判断，然而分布式光纤传感器的实际应用环境复杂多样，仅凭阈值判断会使识别发生较高的误差。专利号为CN201310672088.7的《干涉型光纤周界振动入侵识别算法》增加了对原始信号模态分解处理，同时采用多特征值门限检测方式；专利号为CN201410348394.X的《光纤传感系统的入侵信号识别方法》依据信号峰穿越浮动阈值的次数来识别入侵信号。这些方法侧重于特征和阈值的计算和判别，但没关注所用参考样本自身对分类效果的影响。另一方面多采用机器学习中监督学习的方式进行分类器的训练，然而分布式光纤传感信号的信噪比低，并且水听目标信号来源未知，无法采用有监督学习的方式进行分类器训练。专利号为：CN202111107840.4的《基于深度学习的调制信号识别方法及系统》提出了利用有标签的循环谱二维截面图作为输入特征训练深度神经网络的方式对未知信号的调制方式进行识别。专利号为：CN202011452612.6的《一种基于深度学习的短突发水声通信信号调制识别方法》提供了一种基于Att-CNN模块的能够有效识别2FSK、4FSK、8FSK、BPSK、QPSK、OFDM、S2C等7类常用水声通信信号的方法。这些方法都是对已知调制类型的识别，并没有考虑未知调制类型的信号。
由于长距离分布式光纤传感系统中各硬件之间存在强耦合效应，导致系统采集的传感信号信噪比极低、信号混叠严重、稳定性差等，为海底复杂环境中的使用带来了极大的挑战，传统的特征识别算法大多应用于中短距离的光纤传感应用，由于高计算复杂度以及海洋环境的复杂性难以满足海洋环境下超长距离传感应用的性能需求。因此基于光纤传感信号的特性和人工智能算法，实现光纤传感系统在复杂海洋环境下的目标信号探测具有重大的研究意义。
发明内容
本发明的目的在于提供一种基于深度学习的光纤传感水声信号识别方法及装置，以克服现有技术中的不足。
为实现上述目的，本发明提供如下技术方案：
本发明公开了一种基于深度学习的光纤传感水声信号识别方法，包括以下步骤：
S1、构建最优聚类模型，将不含未知的目标事件信号的模态分量数据输入模型，得到不含未知的目标事件信号的模态分量数据的最优聚类结果；将含有未知的目标事件信号的模态分量数据输入模型，得到含有未知的目标事件信号的模态分量数据的最优聚类结果；
S2、构建卷积神经网络，将S1中不含未知的目标事件信号的模态分量数据的最优聚类结果作为训练数据输入到卷积神经网络中，对卷积神经网络进行训练；
S3、将S2中训练数据通过训练好的卷积神经网络进行预测，得到预测正确的训练样本的线性层特征向量；
S4、使用极大值理论分析中的韦伯分布来拟合S3中得到的特征向量，得的拟合分布模型；
S5、采用开集识别领域中的OpenMax方法作为卷积神经网络的输出层，含有未知的目标事件信号的模态分量数据的最优聚类结果作为测试数据输入卷积神经网络，得到最后的分类结果。
作为优选，步骤S1具体包括如下子步骤：
S11、从含有噪声信号的光纤上获取n个光纤传感水声信号数据
Figure DEST_PATH_IMAGE001
；从含有噪声信号和未知的目标事件信号的光纤上获取n个光纤传感水声信号数据
Figure DEST_PATH_IMAGE002
；n为正整数；
S12、利用变分模态分解算法分解上述的光纤传感水声信号数据
Figure 916088DEST_PATH_IMAGE001
，得到
Figure DEST_PATH_IMAGE003
个模态分量数据
Figure DEST_PATH_IMAGE004
，利用变分模态分解算法分解上述的光纤传感水声信号数据
Figure 767982DEST_PATH_IMAGE002
，得到
Figure 403844DEST_PATH_IMAGE003
个模态分量数据
Figure DEST_PATH_IMAGE005
；
Figure 454846DEST_PATH_IMAGE003
为正整数；
S13、将S12中所得到的模态分量数据
Figure DEST_PATH_IMAGE006
和
Figure 580802DEST_PATH_IMAGE005
分别作为最优聚类模型的训练样本
Figure DEST_PATH_IMAGE007
，其中
Figure DEST_PATH_IMAGE008
，分别得到两种不同数据的最优聚类结果；其中最优聚类模型构建过程如下：将聚类簇个数
Figure DEST_PATH_IMAGE009
从2至
Figure DEST_PATH_IMAGE010
进行取值，
Figure 190267DEST_PATH_IMAGE009
为正整数，然后每一次取值后采用K均值聚类算法，通过随机选取
Figure DEST_PATH_IMAGE011
个聚类质心点
Figure DEST_PATH_IMAGE012
，其中
Figure DEST_PATH_IMAGE013
，对于每个样本
Figure DEST_PATH_IMAGE014
通过计算其与聚类质心点
Figure DEST_PATH_IMAGE015
的欧氏距离，判断其所属于的簇，重新计算每个簇的重心，将其定义为新的聚类质心点
Figure DEST_PATH_IMAGE016
，重复以上过程，直到输出簇划分
Figure DEST_PATH_IMAGE017
，采用Calinski-Harabaz算法与Silhouette-Coefficient算法相结合的方式对每一次聚类结果进行评价得分；聚类簇个数
Figure 21082DEST_PATH_IMAGE009
从2至
Figure 344616DEST_PATH_IMAGE010
依次取值后，可以得到不同聚类簇个数
Figure 135199DEST_PATH_IMAGE009
下聚类结果的得分，比较
Figure DEST_PATH_IMAGE018
个得分，选取得分最高的聚类簇个数
Figure 705727DEST_PATH_IMAGE009
的聚类结果作为最优聚类结果，最优聚类结果的类别个数
Figure DEST_PATH_IMAGE019
。
作为优选，步骤S2中，卷积神经网络的输入层为1×N×1维度，其中N为模态分量数据的特征维度，采用交叉熵损失进行训练。
作为优选，步骤S4具体为：将所有预测正确的训练样本的线性层特征向量
Figure DEST_PATH_IMAGE020
，根据S13中最优聚类结果的
Figure DEST_PATH_IMAGE021
个类别将其对应分开，分别计算
Figure 102466DEST_PATH_IMAGE021
个类别对应向量的均值作为该类别的中心
Figure DEST_PATH_IMAGE022
，其中
Figure DEST_PATH_IMAGE023
，分别计算第
Figure DEST_PATH_IMAGE024
类中每条预测正确的样本线性层特征向量
Figure DEST_PATH_IMAGE025
和其类别对应的均值
Figure 194138DEST_PATH_IMAGE022
间的欧式距离
Figure DEST_PATH_IMAGE026
，其中
Figure DEST_PATH_IMAGE027
表示第
Figure DEST_PATH_IMAGE028
类中第
Figure DEST_PATH_IMAGE029
个样本；将
Figure 750147DEST_PATH_IMAGE026
进行排序，对排序后的几个尾部极大值进行极大值理论分析，使用韦伯分布来拟合距离排序中的尾部极大值，得到一个拟合分布模型
Figure DEST_PATH_IMAGE030
。
作为优选，步骤S5具体为：将模态分量数据
Figure 426329DEST_PATH_IMAGE005
的最优聚类结果作为测试数据，通过训练好的卷积神经网络进行预测，得到每条测试样本的线性层特征向量
Figure DEST_PATH_IMAGE031
，然后使用每个第
Figure 651643DEST_PATH_IMAGE028
类对应的拟合分布模型对其进行预测，分别得到属于已知的多个类的概率
Figure DEST_PATH_IMAGE032
和未知类的概率
Figure DEST_PATH_IMAGE033
。
本发明还公开了一种基于深度学习的光纤传感水声信号识别装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述的一种基于深度学习的光纤传感水声信号识别方法。
本发明还公开了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时,实现上述的一种基于深度学习的光纤传感水声信号识别方法。
本发明的有益效果：
1、本发明提供了一种基于深度学习的光纤传感水声信号识别方法，该方法降低了光纤传感水声信号识别的难度，通过最优聚类模型，将无监督学习方式转化为有监督学习的方式，使识别未知的目标事件信号成为可能。
2、本发明以光纤传感系统自身固有噪声信号分解分量作为训练数据，构建开集识别网络，可用于识别任意不属于系统噪声的目标事件信号，有效提高了模型的泛化能力。
3、本发明适合于提取分布式光纤信号模态分解分量的结构信息，大部分传统方法依赖领域知识，而本发明采用深度卷积神经网络自动提取特征和分类，对信道更加稳健。
本发明的特征及优点将通过实施例结合附图进行详细说明。
附图说明
图1是本发明一种基于深度学习的光纤传感水声信号识别方法的流程示意图；
图2为本发明实施例提供的基于深度学习的光纤传感水声信号识别方法的流程示意图；
图3为本发明实施例提供的最优聚类模型流程示意图；
图4为本发明实施例提供的最优聚类模型输出结果示意图；
图5为本发明实施例提供的深度卷积神经网络训练过程示意图；
图6为本发明实施例提供的测试深度卷积神经网络线性层特征向量经过拟合分布模型得到新的得分分量的分布情况；
图7是本发明一种基于深度学习的光纤传感水声信号识别装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图及实施例，对本发明进行进一步详细说明。但是应该理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
参阅图1，本发明实施例提供一种基于深度学习的光纤传感水声信号识别方法，包括以下步骤：
步骤一：分别对含有未知的目标事件信号和不含未知的目标事件信号的模态分量数据构建最优聚类模型，通过使用从含有噪声信号的光纤上获取光线传感水声信号
Figure 116647DEST_PATH_IMAGE001
；从含有噪声信号和未知目标事件信号的光纤上获取光纤传感水声信号
Figure 884751DEST_PATH_IMAGE002
；利用变分模态分解算法(VMD)分别分解上述的光纤传感水声信号数据
Figure 531502DEST_PATH_IMAGE001
和光纤传感水声信号数据
Figure 671145DEST_PATH_IMAGE002
，得到
Figure 281118DEST_PATH_IMAGE003
个模态分量
Figure 169308DEST_PATH_IMAGE006
和
Figure 521048DEST_PATH_IMAGE005
的数据，采用Kmeans聚类算法，具体步骤如下：
给定训练样本：
Figure DEST_PATH_IMAGE034
；
其中每一个样本元素都是
Figure DEST_PATH_IMAGE035
维向量。
随机选取
Figure DEST_PATH_IMAGE036
个聚类质心点：
Figure DEST_PATH_IMAGE037
；
重复下述过程直到
Figure DEST_PATH_IMAGE038
不变：
对于每个样本
Figure DEST_PATH_IMAGE039
计算其应该属于的簇：
Figure DEST_PATH_IMAGE040
；
对于每一个聚类质心点
Figure DEST_PATH_IMAGE041
，重新计算其值：
Figure DEST_PATH_IMAGE042
；
输出簇划分：
Figure DEST_PATH_IMAGE043
；
通过Calinski-Harabaz算法与Silhouette-Coefficient算法结合的聚类评价算法，对模态分量数据
Figure 72685DEST_PATH_IMAGE004
和
Figure 82754DEST_PATH_IMAGE005
选取最优的聚类结果。选取最优聚类模型如下：
Figure DEST_PATH_IMAGE044
；
其中
Figure DEST_PATH_IMAGE045
为训练集样本数，
Figure 74718DEST_PATH_IMAGE036
为簇个数，
Figure DEST_PATH_IMAGE046
为类别之间的协方差矩阵，
Figure DEST_PATH_IMAGE047
为类别内部数据的协方差矩阵，
Figure DEST_PATH_IMAGE048
为矩阵的迹，
Figure DEST_PATH_IMAGE049
为样本点，
Figure DEST_PATH_IMAGE050
为
Figure 14337DEST_PATH_IMAGE049
所属簇内其它样本的平均距离，
Figure DEST_PATH_IMAGE051
为
Figure 394151DEST_PATH_IMAGE049
与其它簇的样本平均距离的最小值。
步骤二：构建卷积神经网络，其中线性(Linear)层输出特征值长度等于上述的
Figure 204981DEST_PATH_IMAGE009
，然后将不含有未知的目标事件信号的最优聚类结果作为训练数据输入到网络中，对卷积神经网络进行训练，具体为，将模态分量数据
Figure DEST_PATH_IMAGE052
的最优聚类结果中每一个簇标记类为噪声k，并作为训练数据，对卷积神经网络进行训练，卷积神经网络输入层为1×N×1维度，其中N为模态分量数据
Figure 319961DEST_PATH_IMAGE052
的特征维度。
采用交叉熵损失进行训练：
Figure DEST_PATH_IMAGE053
；
其中
Figure DEST_PATH_IMAGE054
是深度神经网络的线性(Linear)层特征向量，
Figure DEST_PATH_IMAGE055
是真实标签。
步骤三：将训练数据通过训练好的卷积神经网络进行预测，得到预测正确的训练样本的线性(Linear)层特征向量；步骤四：使用极大值理论分析（EVT）中的韦伯(weibull)分布来拟合步骤三中得到的特征向量，得的一个拟合分布模型；
首先对训练样本预测结果进行处理，将所有预测正确的样本的线性(Linear)层特征向量
Figure DEST_PATH_IMAGE056
，根据不同的类别将其对应分开，然后分别
Figure 584808DEST_PATH_IMAGE009
个类别对应向量的均值作为该类别的中心
Figure 634672DEST_PATH_IMAGE022
，其中
Figure DEST_PATH_IMAGE057
：
Figure DEST_PATH_IMAGE058
；
对于不同的
Figure 845598DEST_PATH_IMAGE028
类：
Figure DEST_PATH_IMAGE059
；
Figure DEST_PATH_IMAGE060
；
分别计算第
Figure DEST_PATH_IMAGE061
类中每条预测正确的样本线性(Linear)层特征向量
Figure 100002_DEST_PATH_IMAGE062
和其类别对应的均值
Figure DEST_PATH_IMAGE063
间的欧式距离
Figure 100002_DEST_PATH_IMAGE064
，其中表示第
Figure 730597DEST_PATH_IMAGE028
类中第
Figure DEST_PATH_IMAGE065
个样本：
Figure 100002_DEST_PATH_IMAGE066
；
将
Figure DEST_PATH_IMAGE067
进行排序，针对排序后的几个尾部极大值进行极大值理论分析(EVT)，使用韦伯(weibull)分布来拟合距离排序中的尾部极大值，得到一个拟合分布模型：
Figure DEST_PATH_IMAGE068
其中，
Figure DEST_PATH_IMAGE069
函数来自元识别(libMR)中，它的功能是拟合集合中极大值，拟合得到的结果是韦伯(weibull)分布的累积分布函数(CDF)：
Figure DEST_PATH_IMAGE070
；
其中，
Figure DEST_PATH_IMAGE071
是已知类质心，
Figure DEST_PATH_IMAGE072
是尺度参数，
Figure DEST_PATH_IMAGE073
是形状参数,
Figure DEST_PATH_IMAGE074
代表该样本不属于此类真样本的概率。
步骤五：采用OpenMax方法作为卷积神经网络的输出层，将含有未知的目标事件信号的最优聚类结果作为测试样本输入网络，得到最后的分类结果。
其中将模态分量数据
Figure 12018DEST_PATH_IMAGE005
的最优聚类结果作为测试数据，通过训练好的卷积神经网络进行预测，得到每条测试样本的线性(Linear)层特征向量
Figure 345916DEST_PATH_IMAGE031
，然后使用第
Figure 842757DEST_PATH_IMAGE028
类对应的拟合分布模型对其进行预测，分别得到属于已知的多个类的概率
Figure DEST_PATH_IMAGE075
和未知类的概率
Figure 807695DEST_PATH_IMAGE033
：
Figure 935051DEST_PATH_IMAGE076
Figure DEST_PATH_IMAGE077
综上所述，可得到新的得分分量：
Figure DEST_PATH_IMAGE078
通过设置阈值
Figure DEST_PATH_IMAGE079
的方式，使测试数据得到最终的预测结果
Figure DEST_PATH_IMAGE080
，具体公式如下：
Figure DEST_PATH_IMAGE081
。
本发明一种基于深度学习的光纤传感水声信号识别装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图7所示，为本发明一种基于深度学习的光纤传感水声信号识别装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图7所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的一种基于深度学习的光纤传感水声信号识别装置。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、SD卡、闪存卡(Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
实施例：
针对低信噪比的光纤水听信号，通过基于深度学习的光纤传感水声信号信噪分离评估算法的进行评价，其中流程如图2所示。
1、实验数据是通过相位生成载波方法解调散射信号的相位值，信号采样频率为20kHz，分布式光纤水听系统噪声信号位置参数
Figure DEST_PATH_IMAGE082
设置为9，含有某种未知事件目标信号的位置参数
Figure 478550DEST_PATH_IMAGE082
设置为6，利用变分模态分解算法(VMD)分别分解为6个模态分量
Figure DEST_PATH_IMAGE083
和
Figure DEST_PATH_IMAGE084
的数据，通过Calinski-Harabaz算法与Silhouette-Coefficient算法结合的方式评价Kmeans聚类算法最优簇个数
Figure DEST_PATH_IMAGE085
，构建最优聚类模型，具体步骤如图3所示；
2、将Kmeans聚类算法的
Figure 139601DEST_PATH_IMAGE085
依照数组[2,3,...,n]，对于两组数据n分别取54和36，通过最优聚类模型进行迭代优化，最后输出结果如图4所示；其中系统噪声信号数据最优聚类簇如图4的(a)、图4的(c)所示
Figure 565903DEST_PATH_IMAGE085
为2，含有某种事件目标信号数据最优聚类簇如图4的(b)、图4的(d)所示
Figure 31870DEST_PATH_IMAGE085
为3；
3、对于聚类结果，将模态分量数据
Figure 278044DEST_PATH_IMAGE083
的聚类结果中两个簇标记类别为噪声0和噪声1，本实施例因数据量小故采用SMOTE数据合成的方式对数据扩充以此作为训练数据，对卷积神经网络进行训练，卷积神经网络输入层为1×N×1维度，其中N为模态分量数据
Figure 851107DEST_PATH_IMAGE083
的特征维度18，学习率取0.0001，迭代20轮，网络训练的过程如图5所示；其中图5的(a)为第一轮训练的深度卷积神经网络线性层特征向量分布图，图5的(b)为第二十轮训练的深度卷积神经网络线性层特征向量分布图，图5的(c)为训练过程中训练误差下降过程，图5的(d)为训练过程中训练准确率的增长过程；
4、对训练样本预测结果进行处理，将所有预测正确的样本的Linear层特征向量
Figure DEST_PATH_IMAGE087
、
Figure DEST_PATH_IMAGE089
，根据不同的类别将其对应分开，噪声0类对应向量的均值作为该类别的中心
Figure DEST_PATH_IMAGE090
为[ 0.72124386, -0.2788445 ]，
Figure 915272DEST_PATH_IMAGE087
与
Figure DEST_PATH_IMAGE092
间的欧式距离为
Figure DEST_PATH_IMAGE094
，针对排序后的20个尾部极大值进行极大值理论分析(EVT)，使用韦伯(weibull)分布来拟合距离排序中的尾部极大值，得到一个拟合分布模型：[<MR object:
'1.560269558930527544760e+00,2.996909315387856320712e+00,2.326270249061255235290e+00,1.046499690871109722323e+00，6.256161253429636026624e+00,1.435619236913827867497e+00,1,5.000000000000000000000e+00,1,20，1,2.392333745956420898438e-01,0\n'>]；
噪声1类对应向量的均值作为该类别的中心
Figure DEST_PATH_IMAGE095
为[-0.24405493,1.3325626 ]，
Figure DEST_PATH_IMAGE096
与
Figure 83298DEST_PATH_IMAGE095
间的欧式距离为
Figure DEST_PATH_IMAGE098
，针对排序后的20个尾部极大值进行极大值理论分析(EVT)，使用韦伯(weibull)分布来拟合距离排序中的尾部极大值，得到一个拟合分布模型：[<MR object: '1.318030504462827767753e+00,6.158902365834689085489e+00,1.758115000183773979359e+00,9.881062447638225831881e-01,2.148125519769919833379e+01,1.765822248410648942496e+00,1,5.000000000000000000000e+00,1,9,1,1.619583368301391601562e-01,0\n'>]；
5、将模态分量数据
Figure DEST_PATH_IMAGE099
的聚类结果同样采用SMOTE数据合成的方式对数据扩充以此作为作为测试数据，通过训练好的卷积神经网络进行预测，得到每条测试样本的线性(Linear)层特征向量
Figure DEST_PATH_IMAGE100
，然后使用每个类别对应的拟合分布模型对其进行预测，预测的准确率为54.3%，预测结果如图6所示。
本发明未尽事宜为公知技术。
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、等同替换或改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于深度学习的光纤传感水声信号识别方法，其特征在于，包括以下步骤：
S1、构建最优聚类模型，将不含未知的目标事件信号的模态分量数据输入模型，得到不含未知的目标事件信号的模态分量数据的最优聚类结果；将含有未知的目标事件信号的模态分量数据输入模型，得到含有未知的目标事件信号的模态分量数据的最优聚类结果；
S1具体包括如下子步骤：
S11、从含有噪声信号的光纤上获取n个光纤传感水声信号数据
Figure 927868DEST_PATH_IMAGE002
；从含有噪声信号和未知的目标事件信号的光纤上获取n个光纤传感水声信号数据
Figure 376167DEST_PATH_IMAGE004
；n为正整数；
S12、利用变分模态分解算法分解上述的光纤传感水声信号数据
Figure 687063DEST_PATH_IMAGE002
，得到
Figure 613430DEST_PATH_IMAGE006
个模态分量数据
Figure 224540DEST_PATH_IMAGE008
，利用变分模态分解算法分解上述的光纤传感水声信号数据
Figure 578161DEST_PATH_IMAGE004
，得到
Figure 376353DEST_PATH_IMAGE010
个模态分量数据
Figure 106411DEST_PATH_IMAGE012
；m为正整数；
S13、将S12中所得到的模态分量数据
Figure 306449DEST_PATH_IMAGE008
和
Figure 830971DEST_PATH_IMAGE012
分别作为最优聚类模型的训练样本
Figure 319721DEST_PATH_IMAGE014
，其中
Figure 587891DEST_PATH_IMAGE016
，分别得到两种不同数据的最优聚类结果；其中最优聚类模型构建过程如下：将聚类簇个数
Figure 642435DEST_PATH_IMAGE018
从2至
Figure 603438DEST_PATH_IMAGE020
进行取值，
Figure 641801DEST_PATH_IMAGE018
为正整数，然后每一次取值后采用K均值聚类算法，通过随机选取
Figure 448083DEST_PATH_IMAGE018
个聚类质心点
Figure 622712DEST_PATH_IMAGE022
，其中
Figure 692299DEST_PATH_IMAGE024
，对于每个样本
Figure 952380DEST_PATH_IMAGE026
通过计算其与聚类质心点
Figure 827932DEST_PATH_IMAGE028
的欧氏距离，判断其应该属于的簇，重新计算每个簇的重心，将其定义为新的聚类质心点
Figure 857068DEST_PATH_IMAGE030
，重复以上过程，直到输出簇划分
Figure 159873DEST_PATH_IMAGE032
，采用Calinski-Harabaz算法与Silhouette-Coefficient算法相结合的方式对每一次聚类结果进行评价得分；聚类簇个数
Figure 844932DEST_PATH_IMAGE018
从2至
Figure 258596DEST_PATH_IMAGE020
依次取值后，可以得到不同聚类簇个数
Figure 407818DEST_PATH_IMAGE018
下聚类结果的得分，比较
Figure 881524DEST_PATH_IMAGE034
个得分，选取得分最高的聚类簇个数
Figure 53880DEST_PATH_IMAGE018
的聚类结果作为最优聚类结果，最优聚类结果的类别个数
Figure 5655DEST_PATH_IMAGE036
；
S2、构建卷积神经网络，将S1中不含未知的目标事件信号的模态分量数据的最优聚类结果作为训练数据输入到卷积神经网络中，对卷积神经网络进行训练；
S3、将S2中训练数据通过训练好的卷积神经网络进行预测，得到预测正确的训练样本的线性层特征向量；
S4、使用极大值理论分析中的韦伯分布来拟合S3中得到的特征向量，得的拟合分布模型；S4具体为：将所有预测正确的训练样本的线性层特征向量
Figure 9383DEST_PATH_IMAGE038
，根据S13中最优聚类结果的
Figure 919570DEST_PATH_IMAGE040
个类别将其对应分开，分别计算
Figure 375959DEST_PATH_IMAGE040
个类别对应向量的均值作为该类别的中心
Figure 131426DEST_PATH_IMAGE042
，其中
Figure 927344DEST_PATH_IMAGE044
，分别计算第
Figure 742853DEST_PATH_IMAGE046
类中每条预测正确的样本线性层特征向量
Figure 686538DEST_PATH_IMAGE048
和其类别对应的均值
Figure 511275DEST_PATH_IMAGE050
间的欧式距离
Figure 224016DEST_PATH_IMAGE052
，其中
Figure 148109DEST_PATH_IMAGE054
表示第
Figure 579091DEST_PATH_IMAGE056
类中第
Figure 676360DEST_PATH_IMAGE054
个样本；将
Figure 774766DEST_PATH_IMAGE052
进行排序，对排序后的几个尾部极大值进行极大值理论分析，使用韦伯分布来拟合距离排序中的尾部极大值，得到一个拟合分布模型
Figure 666498DEST_PATH_IMAGE058
；
S5、采用开集识别领域中的OpenMax方法作为卷积神经网络的输出层，含有未知的目标事件信号的模态分量数据的最优聚类结果作为测试数据输入卷积神经网络，得到最后的分类结果；S5具体为：将模态分量数据
Figure 788038DEST_PATH_IMAGE060
的最优聚类结果作为测试数据，通过训练好的卷积神经网络进行预测，得到每条测试样本的线性层特征向量
Figure DEST_PATH_IMAGE062
，然后使用每个第
Figure 220156DEST_PATH_IMAGE056
类对应的拟合分布模型对其进行预测，分别得到属于已知的多个类的概率
Figure DEST_PATH_IMAGE064
和未知类的概率
Figure DEST_PATH_IMAGE066
。
2.如权利要求1所述的一种基于深度学习的光纤传感水声信号识别方法，其特征在于，步骤S2中，卷积神经网络的输入层为1×N×1维度，其中N为模态分量数据的特征维度,采用交叉熵损失进行训练。
3.一种基于深度学习的光纤传感水声信号识别装置，其特征在于：包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-2任一项所述的一种基于深度学习的光纤传感水声信号识别方法。
4.一种计算机可读存储介质，其特征在于：其上存储有程序，该程序被处理器执行时,实现权利要求1-2任一项所述的一种基于深度学习的光纤传感水声信号识别方法。
CN202210763891.0A 2022-07-01 2022-07-01 一种基于深度学习的光纤传感水声信号识别方法及装置 Active CN114818839B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210763891.0A CN114818839B (zh) 2022-07-01 2022-07-01 一种基于深度学习的光纤传感水声信号识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210763891.0A CN114818839B (zh) 2022-07-01 2022-07-01 一种基于深度学习的光纤传感水声信号识别方法及装置

Publications (2)

Publication Number Publication Date
CN114818839A CN114818839A (zh) 2022-07-29
CN114818839B true CN114818839B (zh) 2022-09-16

Family

ID=82523036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210763891.0A Active CN114818839B (zh) 2022-07-01 2022-07-01 一种基于深度学习的光纤传感水声信号识别方法及装置

Country Status (1)

Country Link
CN (1) CN114818839B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117313001B (zh) * 2023-09-20 2024-05-07 华中科技大学 用于分布式光纤声波传感系统的混合事件分解及识别方法
CN117290669B (zh) * 2023-11-24 2024-02-06 之江实验室 基于深度学习的光纤温度传感信号降噪方法、装置和介质

Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7184991B1 (en) * 2002-07-12 2007-02-27 Chroma Energy, Inc. Pattern recognition applied to oil exploration and production
CN103617684A (zh) * 2013-12-12 2014-03-05 威海北洋电气集团股份有限公司 干涉型光纤周界振动入侵识别算法
CN104134303A (zh) * 2014-07-22 2014-11-05 上海光亮光电科技有限公司 光纤传感系统的入侵信号识别方法
CN105426713A (zh) * 2014-09-11 2016-03-23 齐科斯欧公司 用于基于触摸事件分析来区分触摸屏使用者的方法和装置
CN108281155A (zh) * 2017-01-06 2018-07-13 光子瑞利科技（北京）有限公司 基于瑞丽散射的过零检测方法在光纤水听系统中的应用
CN108510055A (zh) * 2017-02-27 2018-09-07 天津市阿波罗信息技术有限公司 另一种导入人工智能的手机大众识别真伪方法
CN108510052A (zh) * 2017-02-27 2018-09-07 顾泽苍 一种人工智能新型神经网络的构建方法
CN108510057A (zh) * 2017-02-27 2018-09-07 顾泽苍 一种超深度对抗学习的神经网络模型的构成方法
JP2018142325A (ja) * 2017-02-27 2018-09-13 澤蒼 顧 超深層回帰分析の機械学習モデルの構築方法、その装置、及びそのプログラム、及びそのプログラムが搭載された汎用モバイル端末装置
CN109003279A (zh) * 2018-07-06 2018-12-14 东北大学 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及系统
CN109919204A (zh) * 2019-02-23 2019-06-21 华南理工大学 一种面向噪声图像的深度学习聚类方法
JP2019144511A (ja) * 2018-02-23 2019-08-29 日本電信電話株式会社 音響信号モデル学習装置、音響信号解析装置、方法、及びプログラム
CN111242021A (zh) * 2020-01-10 2020-06-05 电子科技大学 一种分布式光纤振动信号特征提取与识别方法
WO2020156348A1 (zh) * 2019-01-31 2020-08-06 青岛理工大学 基于总体经验模态分解与卷积神经网络的结构损伤识别法
CN112419271A (zh) * 2020-10-27 2021-02-26 深圳市深光粟科技有限公司 一种图像分割方法、装置及计算机可读存储介质
CN112615804A (zh) * 2020-12-12 2021-04-06 中国人民解放军战略支援部队信息工程大学 一种基于深度学习的短突发水声通信信号调制识别方法
CN113095442A (zh) * 2021-06-04 2021-07-09 成都信息工程大学 基于半监督学习在多维度雷达数据下的冰雹识别方法
CN113239618A (zh) * 2021-05-06 2021-08-10 西南石油大学 一种基于声信号特征分析的燃气管道探测识别方法
CN113299298A (zh) * 2021-05-06 2021-08-24 成都数联云算科技有限公司 残差单元及网络及目标识别方法及系统及装置及介质
CN113822262A (zh) * 2021-11-25 2021-12-21 之江实验室 一种基于无监督学习的行人重识别方法
CN114024808A (zh) * 2021-09-22 2022-02-08 中山大学 基于深度学习的调制信号识别方法及系统
CN114077854A (zh) * 2022-01-18 2022-02-22 之江实验室 一种基于自适应VMD的φ-OTDR水声信号处理方法和装置
CN114358058A (zh) * 2021-12-16 2022-04-15 中国人民解放军战略支援部队信息工程大学 基于深度神经网络的无线通信信号开集识别方法及系统
CN114567528A (zh) * 2022-01-26 2022-05-31 中国人民解放军战略支援部队信息工程大学 基于深度学习的通信信号调制方式开集识别方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9916525B2 (en) * 2015-10-13 2018-03-13 Siemens Healthcare Gmbh Learning-based framework for personalized image quality evaluation and optimization
WO2018075521A2 (en) * 2016-10-17 2018-04-26 Context Ai, Llc Systems and methods for medical diagnosis and biomarker identification using physiological sensors and machine learning
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

Patent Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7184991B1 (en) * 2002-07-12 2007-02-27 Chroma Energy, Inc. Pattern recognition applied to oil exploration and production
CN103617684A (zh) * 2013-12-12 2014-03-05 威海北洋电气集团股份有限公司 干涉型光纤周界振动入侵识别算法
CN104134303A (zh) * 2014-07-22 2014-11-05 上海光亮光电科技有限公司 光纤传感系统的入侵信号识别方法
CN105426713A (zh) * 2014-09-11 2016-03-23 齐科斯欧公司 用于基于触摸事件分析来区分触摸屏使用者的方法和装置
CN108281155A (zh) * 2017-01-06 2018-07-13 光子瑞利科技（北京）有限公司 基于瑞丽散射的过零检测方法在光纤水听系统中的应用
CN108510052A (zh) * 2017-02-27 2018-09-07 顾泽苍 一种人工智能新型神经网络的构建方法
CN108510057A (zh) * 2017-02-27 2018-09-07 顾泽苍 一种超深度对抗学习的神经网络模型的构成方法
JP2018142325A (ja) * 2017-02-27 2018-09-13 澤蒼 顧 超深層回帰分析の機械学習モデルの構築方法、その装置、及びそのプログラム、及びそのプログラムが搭載された汎用モバイル端末装置
CN108510055A (zh) * 2017-02-27 2018-09-07 天津市阿波罗信息技术有限公司 另一种导入人工智能的手机大众识别真伪方法
JP2019144511A (ja) * 2018-02-23 2019-08-29 日本電信電話株式会社 音響信号モデル学習装置、音響信号解析装置、方法、及びプログラム
CN109003279A (zh) * 2018-07-06 2018-12-14 东北大学 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及系统
WO2020156348A1 (zh) * 2019-01-31 2020-08-06 青岛理工大学 基于总体经验模态分解与卷积神经网络的结构损伤识别法
CN109919204A (zh) * 2019-02-23 2019-06-21 华南理工大学 一种面向噪声图像的深度学习聚类方法
CN111242021A (zh) * 2020-01-10 2020-06-05 电子科技大学 一种分布式光纤振动信号特征提取与识别方法
CN112419271A (zh) * 2020-10-27 2021-02-26 深圳市深光粟科技有限公司 一种图像分割方法、装置及计算机可读存储介质
CN112615804A (zh) * 2020-12-12 2021-04-06 中国人民解放军战略支援部队信息工程大学 一种基于深度学习的短突发水声通信信号调制识别方法
CN113239618A (zh) * 2021-05-06 2021-08-10 西南石油大学 一种基于声信号特征分析的燃气管道探测识别方法
CN113299298A (zh) * 2021-05-06 2021-08-24 成都数联云算科技有限公司 残差单元及网络及目标识别方法及系统及装置及介质
CN113095442A (zh) * 2021-06-04 2021-07-09 成都信息工程大学 基于半监督学习在多维度雷达数据下的冰雹识别方法
CN114024808A (zh) * 2021-09-22 2022-02-08 中山大学 基于深度学习的调制信号识别方法及系统
CN113822262A (zh) * 2021-11-25 2021-12-21 之江实验室 一种基于无监督学习的行人重识别方法
CN114358058A (zh) * 2021-12-16 2022-04-15 中国人民解放军战略支援部队信息工程大学 基于深度神经网络的无线通信信号开集识别方法及系统
CN114077854A (zh) * 2022-01-18 2022-02-22 之江实验室 一种基于自适应VMD的φ-OTDR水声信号处理方法和装置
CN114567528A (zh) * 2022-01-26 2022-05-31 中国人民解放军战略支援部队信息工程大学 基于深度学习的通信信号调制方式开集识别方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
One-Dimensional CNN-Based Intelligent Recognition of Vibrations in Pipeline Monitoring With DAS;Huijuan Wu 等;《JOURNAL OF LIGHTWAVE TECHNOLOGY》;20190901;全文 *
Simultaneous Extraction of Multi-Scale Structural Features and the Sequential Information With an End-To-End mCNN-HMM Combined Model for Fiber Distributed Acoustic Sensor;Huijuan Wu 等;《JOURNAL OF LIGHTWAVE TECHNOLOGY》;20211015;全文 *
基于目标MFCC特征的监督学习方法在被动声呐目标识别中的应用研究;程锦盛等;《舰船科学技术》;20180908(第17期);全文 *

Also Published As

Publication number Publication date
CN114818839A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN114818839B (zh) 一种基于深度学习的光纤传感水声信号识别方法及装置
CN112949780B (zh) 特征模型训练方法、装置、设备及存储介质
CN111553127B (zh) 一种多标记的文本类数据特征选择方法及装置
CN110147732A (zh) 指静脉识别方法、装置、计算机设备及存储介质
CN110995339A (zh) 一种分布式光纤传感信号时空信息提取与识别方法
CN109581339B (zh) 一种基于头脑风暴自动调整自编码网络的声呐识别方法
CN104795064A (zh) 低信噪比声场景下声音事件的识别方法
CN113553906A (zh) 基于类中心域对齐的判别无监督跨域行人重识别方法
CN114844840B (zh) 一种基于计算似然比的分布外网络流量数据检测方法
CN111859010A (zh) 一种基于深度互信息最大化的半监督音频事件识别方法
CN114143040A (zh) 一种基于多通道特征重构的对抗信号检测方法
CN113376516A (zh) 一种基于深度学习的中压真空断路器运行故障自诊断与预警方法
Tan et al. An intrusion detection method based on DBN in ad hoc networks
CN111209853A (zh) 基于AdaBoost-ESN算法的光纤传感振动信号模式识别方法
CN113780094B (zh) 基于混合高斯模型和隐马尔可夫模型的周界入侵识别方法
CN113052126A (zh) 一种基于深度学习的双阈值开集信号调制识别方法
CN113343123B (zh) 一种生成对抗多关系图网络的训练方法和检测方法
CN114740441A (zh) 一种基于小样本的低慢小目标雷达回波识别方法
Wang et al. Multi-label out-of-distribution detection via exploiting sparsity and co-occurrence of labels
CN113791389B (zh) 一种未知雷达辐射源个体识别方法及系统
Lee et al. Neuralfp: out-of-distribution detection using fingerprints of neural networks
Wang et al. Powerset fusion network for target classification in unattended ground sensors
Czúni et al. Time domain audio features for chainsaw noise detection using WSNs
CN111797690A (zh) 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置
CN113095381B (zh) 一种基于改进型dbn的水声目标辨识方法及系统

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