CN115790815A - 一种分布式光纤传感系统的扰动快速鉴别方法及系统 - Google Patents

一种分布式光纤传感系统的扰动快速鉴别方法及系统 Download PDF

Info

Publication number
CN115790815A
CN115790815A CN202310056475.1A CN202310056475A CN115790815A CN 115790815 A CN115790815 A CN 115790815A CN 202310056475 A CN202310056475 A CN 202310056475A CN 115790815 A CN115790815 A CN 115790815A
Authority
CN
China
Prior art keywords
disturbance
matrix
optical fiber
sensing system
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.)
Granted
Application number
CN202310056475.1A
Other languages
English (en)
Other versions
CN115790815B (zh
Inventor
刘玉申
陶宇
董尧君
许人东
石明强
周迟
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.)
Jiangsu Hengtong Huahai Technology Co ltd
Changshu Institute of Technology
Original Assignee
Changshu Institute of Technology
Jiangsu Hengtong Marine Cable Systems Co Ltd
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 Changshu Institute of Technology, Jiangsu Hengtong Marine Cable Systems Co Ltd filed Critical Changshu Institute of Technology
Priority to CN202310056475.1A priority Critical patent/CN115790815B/zh
Publication of CN115790815A publication Critical patent/CN115790815A/zh
Application granted granted Critical
Publication of CN115790815B publication Critical patent/CN115790815B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Geophysics And Detection Of Objects (AREA)
  • Optical Communication System (AREA)

Abstract

本发明属于分布式光纤传感系统的信号处理技术领域，公开了一种分布式光纤传感系统的扰动快速鉴别方法及系统，包括：建立分布式光纤传感系统多回波光脉冲的低维稀疏表示模型；基于该低维稀疏表示模型构建特征字典，进行字典学习；构建基于时间窗口的数据压缩观测矩阵，得到分布式光纤传感系统在日常监测状态下的联合回波；基于噪声抑制阈值，重构经验扰动事件；设定突发扰动事件容限，通过残差与突发扰动事件容限的比较，判断是否存在突发扰动事件。通过特征字典学习建立回波光谱脉冲信号的低维稀疏表示模型，并设计基于时间窗口选取的数据压缩观测矩阵，在压缩处理数据的同时对扰动事件进行有效的鉴别。

Description

一种分布式光纤传感系统的扰动快速鉴别方法及系统
技术领域
本发明属于分布式光纤传感系统的信号处理技术领域，本发明涉及一种分布式光纤传感系统的扰动快速鉴别方法及系统。
背景技术
光纤传感器凭借其不受电磁干扰、灵活性高以及容易组网的优势，在安防、监测与勘测领域中得到了广泛的应用。分布式光纤传感系统将光纤上的点均作为独立的传感单元，利用相位敏感（OTDR）技术，相比于传统的点式光纤传感系统，在测量范围、测量灵敏度以及响应能力上均有显著的提高。由于光纤所面临的扰动事件具有随机性与偶发性，因此对于扰动事件的检测与鉴别往往需要处理大量的光谱回波信号。上述处理过程会带来以下两方面的问题：
一、对回波光谱脉冲进行长时间的采集，会显著增加系统存储与处理的数据量，降低信号处理速率，影响系统工作效率；
二、实际上单一扰动事件的发生不具备瞬时特性，其具有一定的持续时间，因此在回波光谱中体现为一组回波光谱的连续变化过程。在这种情况下，对回波光谱若仍然采用长时间采集处理的方式，将引入不同扰动事件之间的干扰，从而增加系统对扰动事件进行鉴别的难度。
公开号CN107101658A公开了一种相位敏感光时域反射分布式光纤传感系统快速定位方法，构建多个光脉冲对应的瑞利散射光数字信号矩阵、在信号矩阵上间隔一定长度选择测试窗口和测试列、获得各个测试列的相位、根据相邻测试窗口测试列相位对扰动源区间粗略定位、提取包含扰动源的区间信号进行扰动精确定位。该方法没有解决长时间采集回波光谱脉冲显著增加系统存储与处理的数据量，降低信号处理速率，影响系统工作效率的问题。
发明内容
本发明的目的在于提供一种分布式光纤传感系统的扰动快速鉴别方法及系统，通过特征字典学习建立回波光谱脉冲信号的低维稀疏表示模型，并设计基于时间窗口选取的数据压缩观测矩阵，在压缩处理数据的同时对扰动事件进行有效的鉴别。
实现本发明目的的技术解决方案为：
一种分布式光纤传感系统的扰动快速鉴别方法，包括以下步骤：
步骤S01：建立分布式光纤传感系统多回波光脉冲的低维稀疏表示模型；
步骤S02：基于该低维稀疏表示模型构建特征字典，进行字典学习；
步骤S03：构建基于时间窗口的数据压缩观测矩阵，得到分布式光纤传感系统在日常监测状态下的联合回波；
步骤S04：基于噪声抑制阈值，重构经验扰动事件；
步骤S05：设定突发扰动事件容限，通过残差与突发扰动事件容限的比较，判断是否存在突发扰动事件。
优选的技术方案中，所述步骤S01中低维稀疏表示模型构建方法包括：
步骤S11：构建
Figure SMS_1
个回波光脉冲组成的联合回波矩阵：
Figure SMS_2
其中，
Figure SMS_3
表示向量与矩阵的转置其中，
Figure SMS_4
表示第
Figure SMS_5
个回波光脉冲对应的采样瑞利曲线；
步骤S12：将无扰动情况下的联合回波矩阵
Figure SMS_6
进行svd分解：
Figure SMS_7
其中，
Figure SMS_8
为奇异值矩阵、
Figure SMS_9
为左奇异矩阵、
Figure SMS_10
为右奇异矩阵，
Figure SMS_11
为
Figure SMS_12
的共轭转置矩阵；
步骤S13：分别取左奇异矩阵
Figure SMS_13
与右奇异矩阵
Figure SMS_14
的第一列
Figure SMS_15
、
Figure SMS_16
，赋予以下基向量：
Figure SMS_17
并进一步构造稳态基向量：
Figure SMS_18
上式中
Figure SMS_19
表示Kronecker基。
优选的技术方案中，所述步骤S02中构建特征字典的方法包括：
步骤S21：迭代计数
Figure SMS_20
，初始化字典
Figure SMS_21
，残差
Figure SMS_22
，
Figure SMS_23
表示向量化运算，
Figure SMS_24
为基于经验扰动事件
Figure SMS_25
下的联合回波矩阵；
步骤S22：对
Figure SMS_26
进行SVD分解，得到奇异值矩阵
Figure SMS_27
；
步骤S23：取奇异值矩阵
Figure SMS_28
的对角向量
Figure SMS_29
，
Figure SMS_30
表示取对角元素的运算；
步骤S24：设置噪声抑制阈值
Figure SMS_31
，并令
Figure SMS_32
，
Figure SMS_33
表示对角向量的第
Figure SMS_34
个元素；
步骤S25：求解优化问题
Figure SMS_35
；
其中，
Figure SMS_36
是求解目标对象，
Figure SMS_37
表示Frobenius范数；
步骤S26：更新字典
Figure SMS_38
，更新残差
Figure SMS_39
；
步骤S27：更新迭代计数
Figure SMS_40
，若
Figure SMS_41
，
Figure SMS_42
表示
Figure SMS_43
范数，则跳转至步骤S25继续执行，反之则结束字典学习过程，输出字典
Figure SMS_44
。
优选的技术方案中，所述步骤S03中构建基于时间窗口的数据压缩观测矩阵方法包括：
步骤S31：定义时间窗口向量
Figure SMS_45
：
Figure SMS_46
其中，
Figure SMS_47
表示窗口长度，
Figure SMS_48
的值由经验扰动事件的平均持续时间及回波光谱脉冲间隔决定；
Figure SMS_49
为窗口内各光谱脉冲的加权系数；
步骤S32：构造光谱脉冲选择观测矩阵
Figure SMS_50
：
Figure SMS_51
其中，
Figure SMS_52
为
Figure SMS_53
的单位矩阵；
步骤S33：构造数据压缩观测矩阵：
Figure SMS_54
其中，
Figure SMS_55
为维度
Figure SMS_56
为的数据压缩矩阵，
Figure SMS_57
为压缩后的光谱采样数据长度，
Figure SMS_58
为原光谱采样数据长度。
优选的技术方案中，所述步骤S03中日常监测状态下的联合回波的计算方法包括：
步骤S031：根据经验扰动事件集
Figure SMS_59
，得到联合字典：
Figure SMS_60
步骤S032：分布式光纤传感系统在日常监测状态下的联合回波为：
Figure SMS_61
其中，
Figure SMS_62
为突发事件特征字典，
Figure SMS_63
为突发事件特征向量；
步骤S033：经数据压缩观测矩阵
Figure SMS_64
后，得到的日常监测状态下的联合回波为：
Figure SMS_65
。
优选的技术方案中，所述步骤S04中重构经验扰动事件包括：
步骤S41：求解优化问题
Figure SMS_66
，得到
Figure SMS_67
；
步骤S42：设置噪声抑制阈值
Figure SMS_68
，并令
Figure SMS_69
，
Figure SMS_70
表示对角向量的第
Figure SMS_71
个元素；
步骤S43：计算残差
Figure SMS_72
，若
Figure SMS_73
，则输出
Figure SMS_74
，并根据
Figure SMS_75
中非零元素在联合字典
Figure SMS_76
上的索引值，确定当前的扰动事件类型；若
Figure SMS_77
，
Figure SMS_78
为突发扰动事件容限向量，则执行步骤S05。
优选的技术方案中，所述步骤S05中判断是否存在突发扰动事件包括：
步骤S51：迭代计数
Figure SMS_79
，初始化突发事件特征字典
Figure SMS_80
；
步骤S52：求解优化问题
Figure SMS_81
，
Figure SMS_82
为该优化问题的求解目标对象；
步骤S53：更新突发事件字典
Figure SMS_83
；
步骤S54：更新残差
Figure SMS_84
，若
Figure SMS_85
，则
Figure SMS_86
，跳转至步骤S51继续执行；若
Figure SMS_87
，则输出突发事件字典与突发事件特征向量。
本发明还公开了一种分布式光纤传感系统的扰动快速鉴别系统，包括：
低维稀疏表示模型构建模块，建立分布式光纤传感系统多回波光脉冲的低维稀疏表示模型；
字典学习模块，基于该低维稀疏表示模型构建特征字典，进行字典学习；
监测模块，构建基于时间窗口的数据压缩观测矩阵，得到分布式光纤传感系统在日常监测状态下的联合回波；
重构模块，基于噪声抑制阈值，重构经验扰动事件；
扰动事件判断模块，设定突发扰动事件容限，通过残差与突发扰动事件容限的比较，判断是否存在突发扰动事件。
优选的技术方案中，所述字典学习模块中构建特征字典的方法包括：
步骤S21：迭代计数
Figure SMS_88
，初始化字典
Figure SMS_89
，残差
Figure SMS_90
，
Figure SMS_91
表示向量化运算，
Figure SMS_92
为基于经验扰动事件
Figure SMS_93
下的联合回波矩阵；
步骤S22：对
Figure SMS_94
进行SVD分解，得到奇异值矩阵
Figure SMS_95
；
步骤S23：取奇异值矩阵
Figure SMS_96
的对角向量
Figure SMS_97
，
Figure SMS_98
表示取对角元素的运算；
步骤S24：设置噪声抑制阈值
Figure SMS_99
，并令
Figure SMS_100
，
Figure SMS_101
表示对角向量的第
Figure SMS_102
个元素；
步骤S25：求解优化问题
Figure SMS_103
；
其中，
Figure SMS_104
是求解目标对象，
Figure SMS_105
表示Frobenius范数；
步骤S26：更新字典
Figure SMS_106
，更新残差
Figure SMS_107
；
步骤S27：更新迭代计数
Figure SMS_108
，若
Figure SMS_109
，
Figure SMS_110
表示
Figure SMS_111
范数，则跳转至步骤S25继续执行，反之则结束字典学习过程，输出字典
Figure SMS_112
。
本发明又公开了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被执行时实现上述的分布式光纤传感系统的扰动快速鉴别方法。
本发明与现有技术相比，其显著优点为：
本发明通过特征字典学习建立回波光谱脉冲信号的低维稀疏表示模型，并设计基于时间窗口选取的数据压缩观测矩阵，在压缩处理数据的同时对扰动事件进行有效的鉴别。降低了处理数据量，提高了系统工作效率，同时不会引入不同扰动事件之间的干扰，降低了系统对扰动事件进行鉴别的难度。
附图说明
图1为较佳实施例的分布式光纤传感系统的扰动快速鉴别方法的流程图；
图2为较佳实施例的分布式光纤传感系统的扰动快速鉴别系统的原理框图。
具体实施方式
本发明的原理是：从降低处理数据量的方面着手，研究一种基于数据降维的分布式光纤传感系统扰动快速鉴别方法。通过特征字典学习建立回波光谱脉冲信号的低维稀疏表示模型，并设计基于时间窗口选取的数据压缩观测矩阵，在压缩处理数据的同时对扰动事件进行有效的鉴别。
实施例1：
如图1所示，一种分布式光纤传感系统的扰动快速鉴别方法，包括以下步骤：
步骤S01：建立分布式光纤传感系统多回波光脉冲的低维稀疏表示模型；
步骤S02：基于该低维稀疏表示模型构建特征字典，进行字典学习；
步骤S03：构建基于时间窗口的数据压缩观测矩阵，得到分布式光纤传感系统在日常监测状态下的联合回波；
步骤S04：基于噪声抑制阈值，重构经验扰动事件；
步骤S05：设定突发扰动事件容限，通过残差与突发扰动事件容限的比较，判断是否存在突发扰动事件。
一实施例中，步骤S01中低维稀疏表示模型构建方法包括：
步骤S11：构建
Figure SMS_113
个回波光脉冲组成的联合回波矩阵：
Figure SMS_114
其中，
Figure SMS_115
表示向量与矩阵的转置其中，
Figure SMS_116
表示第
Figure SMS_117
个回波光脉冲对应的采样瑞利曲线；
步骤S12：将无扰动情况下的联合回波矩阵
Figure SMS_118
进行svd分解：
Figure SMS_119
其中，
Figure SMS_120
为奇异值矩阵、
Figure SMS_121
为左奇异矩阵、
Figure SMS_122
为右奇异矩阵，
Figure SMS_123
为
Figure SMS_124
的共轭转置矩阵；
步骤S13：分别取左奇异矩阵
Figure SMS_125
与右奇异矩阵
Figure SMS_126
的第一列
Figure SMS_127
、
Figure SMS_128
，赋予以下基向量：
Figure SMS_129
并进一步构造稳态基向量：
Figure SMS_130
上式中
Figure SMS_131
表示Kronecker基。
一实施例中，步骤S02中构建特征字典的方法包括：
步骤S21：迭代计数
Figure SMS_132
，初始化字典
Figure SMS_133
，残差
Figure SMS_134
，
Figure SMS_135
表示向量化运算，
Figure SMS_136
为基于经验扰动事件
Figure SMS_137
下的联合回波矩阵；
步骤S22：对
Figure SMS_138
进行SVD分解，得到奇异值矩阵
Figure SMS_139
；
步骤S23：取奇异值矩阵
Figure SMS_140
的对角向量
Figure SMS_141
，
Figure SMS_142
表示取对角元素的运算；
步骤S24：设置噪声抑制阈值
Figure SMS_143
，并令
Figure SMS_144
，
Figure SMS_145
表示对角向量的第
Figure SMS_146
个元素；
步骤S25：求解优化问题
Figure SMS_147
；
其中，
Figure SMS_148
是求解目标对象，
Figure SMS_149
表示Frobenius范数；
步骤S26：更新字典
Figure SMS_150
，更新残差
Figure SMS_151
；
步骤S27：更新迭代计数
Figure SMS_152
，若
Figure SMS_153
，
Figure SMS_154
表示
Figure SMS_155
范数，则跳转至步骤S25继续执行，反之则结束字典学习过程，输出字典
Figure SMS_156
。
一实施例中，步骤S03中构建基于时间窗口的数据压缩观测矩阵方法包括：
步骤S31：定义时间窗口向量
Figure SMS_157
：
Figure SMS_158
其中，
Figure SMS_159
表示窗口长度，
Figure SMS_160
的值由经验扰动事件的平均持续时间及回波光谱脉冲间隔决定；
Figure SMS_161
为窗口内各光谱脉冲的加权系数；
步骤S32：构造光谱脉冲选择观测矩阵
Figure SMS_162
：
Figure SMS_163
其中，
Figure SMS_164
为
Figure SMS_165
的单位矩阵；
步骤S33：构造数据压缩观测矩阵：
Figure SMS_166
其中，
Figure SMS_167
为维度为
Figure SMS_168
的数据压缩矩阵，
Figure SMS_169
为压缩后的光谱采样数据长度，
Figure SMS_170
为原光谱采样数据长度。
一实施例中，步骤S03中日常监测状态下的联合回波的计算方法包括：
步骤S031：根据经验扰动事件集
Figure SMS_171
，得到联合字典：
Figure SMS_172
步骤S032：分布式光纤传感系统在日常监测状态下的联合回波为：
Figure SMS_173
其中，
Figure SMS_174
为突发事件特征字典，
Figure SMS_175
为突发事件特征向量；
步骤S033：经数据压缩观测矩阵
Figure SMS_176
后，得到的日常监测状态下的联合回波为：
Figure SMS_177
。
一实施例中，步骤S04中重构经验扰动事件包括：
步骤S41：求解优化问题
Figure SMS_178
，得到
Figure SMS_179
；
步骤S42：设置噪声抑制阈值
Figure SMS_180
，并令
Figure SMS_181
，
Figure SMS_182
表示对角向量的第
Figure SMS_183
个元素；
步骤S43：计算残差
Figure SMS_184
，若
Figure SMS_185
，则输出
Figure SMS_186
，并根据
Figure SMS_187
中非零元素在联合字典
Figure SMS_188
上的索引值，确定当前的扰动事件类型；若
Figure SMS_189
，
Figure SMS_190
为突发扰动事件容限向量，则执行步骤S05。
一实施例中，步骤S05中判断是否存在突发扰动事件包括：
步骤S51：迭代计数
Figure SMS_191
，初始化突发事件特征字典
Figure SMS_192
；
步骤S52：求解优化问题
Figure SMS_193
，
Figure SMS_194
为该优化问题的求解目标对象；
步骤S53：更新突发事件字典
Figure SMS_195
；
步骤S54：更新残差
Figure SMS_196
，若
Figure SMS_197
，则
Figure SMS_198
，跳转至步骤S51继续执行；若
Figure SMS_199
，则输出突发事件字典与突发事件特征向量。
另一实施例中，一种计算机存储介质，其上存储有计算机程序，计算机程序被执行时实现上述的分布式光纤传感系统的扰动快速鉴别方法。
又一实施例中，如图2所示，一种分布式光纤传感系统的扰动快速鉴别系统，包括：
低维稀疏表示模型构建模块10，建立分布式光纤传感系统多回波光脉冲的低维稀疏表示模型；
字典学习模块20，基于该低维稀疏表示模型构建特征字典，进行字典学习；
监测模块30，构建基于时间窗口的数据压缩观测矩阵，得到分布式光纤传感系统在日常监测状态下的联合回波；
重构模块40，基于噪声抑制阈值，重构经验扰动事件；
扰动事件判断模块50，设定突发扰动事件容限，通过残差与突发扰动事件容限的比较，判断是否存在突发扰动事件。
具体的，下面以一较佳的实施例为例对分布式光纤传感系统的扰动快速鉴别系统的工作流程说明如下：
本实施例总体上包含两部分：用于实现回波光谱脉冲信号低维稀疏表示的特征字典学习方法和设计、数据压缩观测矩阵设计以及基于稀疏表示模型的扰动事件鉴别方法。
本实施例首先建立分布式光纤传感系统多回波光脉冲的低维稀疏表示模型并研究基于该模型的特征字典学习方法。
若
Figure SMS_200
表示第
Figure SMS_201
个回波光脉冲对应的采样瑞利曲线，则由
Figure SMS_202
个回波光脉冲组成的联合回波矩阵可以表示为
Figure SMS_203
其中
Figure SMS_204
表示向量与矩阵的转置。理想情况下，若不存在背景噪声以及各类扰动，上述联合回波矩阵中的各回波光脉冲具有强相关性，因此回波矩阵的秩为1，因此在构造特征字典前，本发明首先将无扰动情况下的联合回波矩阵
Figure SMS_205
进行svd分解
Figure SMS_206
其中，
Figure SMS_207
为奇异值矩阵、
Figure SMS_208
为左奇异矩阵、
Figure SMS_209
为右奇异矩阵。随后，分别取左奇异矩阵
Figure SMS_210
与右奇异矩阵
Figure SMS_211
的第一列
Figure SMS_212
、
Figure SMS_213
，赋予以下基向量：
Figure SMS_214
并进一步构造稳态基向量
Figure SMS_215
上式中
Figure SMS_216
表示Kronecker基。
随后，基于经验扰动事件
Figure SMS_217
下的联合回波矩阵
Figure SMS_218
，本实施例采用以下步骤进行字典学习：
步骤1：迭代计数
Figure SMS_219
，初始化字典
Figure SMS_220
，残差
Figure SMS_221
，
Figure SMS_222
表示向量化运算；
步骤2：对
Figure SMS_223
进行SVD分解，得到奇异值矩阵
Figure SMS_224
；
步骤3：取奇异值矩阵
Figure SMS_225
的对角向量
Figure SMS_226
，
Figure SMS_227
表示取对角元素的运算；
步骤4：设置噪声抑制阈值
Figure SMS_228
，并令
Figure SMS_229
，
Figure SMS_230
表示对角向量的第
Figure SMS_231
个元素；
步骤5：求解优化问题
Figure SMS_232
；
Figure SMS_233
是该优化问题的求解目标对象，
Figure SMS_234
表示Frobenius范数；
步骤6：更新字典
Figure SMS_235
，更新残差
Figure SMS_236
；
步骤7：更新迭代计数
Figure SMS_237
，若
Figure SMS_238
，
Figure SMS_239
表示
Figure SMS_240
范数，则跳转至步骤5继续上述过程，反之则结束字典学习过程，输出字典
Figure SMS_241
。
基于上述字典学习方法，结合经验扰动事件集
Figure SMS_242
，可以得到联合字典
Figure SMS_243
至此，对于分布式光纤传感系统在日常监测状态下的联合回波则可以表示为
Figure SMS_244
其中，
Figure SMS_245
为突发事件特征字典，
Figure SMS_246
为突发事件特征向量。
Figure SMS_247
，
Figure SMS_248
为扰动背景下的联合回波矩阵
Figure SMS_249
，
Figure SMS_250
表示第
Figure SMS_251
个含扰动光脉冲回波。
由于在扰动事件检测过程中需要对回波光谱脉冲进行长时间采集与处理，从而导致数据存储与数据处理的困难。因此，本实施例进一步设计一个基于时间窗口的数据压缩观测矩阵，用于有效降低采样与处理数据量。该观测矩阵的设计过程如下：
步骤1：设计一个维度为
Figure SMS_252
的数据压缩矩阵
Figure SMS_253
，其中
Figure SMS_254
为压缩后的光谱采样数据长度，
Figure SMS_255
为原光谱采样数据长度，
Figure SMS_256
可以选择随机矩阵；
步骤2：设计光谱脉冲选择观测矩阵
Figure SMS_257
，
Figure SMS_258
的具体设计过程如下：
步骤2.1：定义时间窗口向量
Figure SMS_259
：
Figure SMS_260
其中
Figure SMS_261
表示窗口长度，
Figure SMS_262
的值由经验扰动事件的平均持续时间以及回波光谱脉冲间隔决定；
Figure SMS_263
为窗口内各光谱脉冲的加权系数；
步骤2.2：构造：
Figure SMS_264
其中
Figure SMS_265
为
Figure SMS_266
的单位矩阵。
步骤3：构造数据压缩观测矩阵：
Figure SMS_267
当得到上述数据压缩观测矩阵后，则式（6）可以进一步表示为：
Figure SMS_268
基于上式，依然可以采用本发明下述的扰动事件鉴别过程进行处理，从而实现用较少的数据量对扰动事件进行有效的鉴别。
扰动事件鉴别可以概括为，首先基于噪声抑制阈值，重构经验扰动事件。随后通过设定突发扰动事件容限，并通过残差与突发扰动事件容限的比较来判断是否存在突发扰动事件，并在存在突发扰动事件的情况下对突发扰动事件进行记录。
上述过程具体包括以下步骤：
步骤1：定义突发扰动事件容限向量
Figure SMS_269
；
步骤2：求解优化问题
Figure SMS_270
；
步骤3：设置噪声抑制阈值
Figure SMS_271
，并令
Figure SMS_272
，
Figure SMS_273
表示对角向量的第
Figure SMS_274
个元素；
步骤4：计算残差
Figure SMS_275
，若
Figure SMS_276
，则输出
Figure SMS_277
，并根据
Figure SMS_278
中非零元素在联合字典
Figure SMS_279
上的索引值，确定当前的扰动事件类型。若
Figure SMS_280
，则继续以下步骤；
步骤5：迭代计数
Figure SMS_281
，初始化突发事件特征字典
Figure SMS_282
；
步骤6：求解优化问题
Figure SMS_283
，
Figure SMS_284
为该优化问题的求解目标对象；
步骤7：更新突发事件字典
Figure SMS_285
；
步骤8：更新残差
Figure SMS_286
，若
Figure SMS_287
，则
Figure SMS_288
，跳转至步骤5继续执行后续步骤；若
Figure SMS_289
，则输出突发事件字典与突发事件特征向量
Figure SMS_290
，为后续对突发扰动事件的鉴别提供依据。
上述实施例为本发明优选地实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种分布式光纤传感系统的扰动快速鉴别方法，其特征在于，包括以下步骤：
步骤S01：建立分布式光纤传感系统多回波光脉冲的低维稀疏表示模型；
步骤S02：基于该低维稀疏表示模型构建特征字典，进行字典学习；
步骤S03：构建基于时间窗口的数据压缩观测矩阵，得到分布式光纤传感系统在日常监测状态下的联合回波；
步骤S04：基于噪声抑制阈值，重构经验扰动事件；
步骤S05：设定突发扰动事件容限，通过残差与突发扰动事件容限的比较，判断是否存在突发扰动事件。
2.根据权利要求1所述的分布式光纤传感系统的扰动快速鉴别方法，其特征在于，所述步骤S01中低维稀疏表示模型构建方法包括：
步骤S11：构建
Figure QLYQS_1
个回波光脉冲组成的联合回波矩阵：
Figure QLYQS_2
，其中，
Figure QLYQS_3
表示向量与矩阵的转置其中，
Figure QLYQS_4
表示第
Figure QLYQS_5
个回波光脉冲对应的采样瑞利曲线；
步骤S12：将无扰动情况下的联合回波矩阵
Figure QLYQS_6
进行svd分解：
Figure QLYQS_7
，其中，
Figure QLYQS_8
为奇异值矩阵、
Figure QLYQS_9
为左奇异矩阵、
Figure QLYQS_10
为右奇异矩阵，
Figure QLYQS_11
为
Figure QLYQS_12
的共轭转置矩阵；
步骤S13：分别取左奇异矩阵
Figure QLYQS_13
与右奇异矩阵
Figure QLYQS_14
的第一列
Figure QLYQS_15
、
Figure QLYQS_16
，赋予以下基向量：
Figure QLYQS_17
，并进一步构造稳态基向量：
Figure QLYQS_18
，上式中
Figure QLYQS_19
表示Kronecker基。
3.根据权利要求2所述的分布式光纤传感系统的扰动快速鉴别方法，其特征在于，所述步骤S02中构建特征字典的方法包括：
步骤S21：迭代计数
Figure QLYQS_20
，初始化字典
Figure QLYQS_21
，残差
Figure QLYQS_22
，
Figure QLYQS_23
表示向量化运算，
Figure QLYQS_24
为基于经验扰动事件
Figure QLYQS_25
下的联合回波矩阵；
步骤S22：对
Figure QLYQS_26
进行SVD分解，得到奇异值矩阵
Figure QLYQS_27
；
步骤S23：取奇异值矩阵
Figure QLYQS_28
的对角向量
Figure QLYQS_29
，
Figure QLYQS_30
表示取对角元素的运算；
步骤S24：设置噪声抑制阈值
Figure QLYQS_31
，并令
Figure QLYQS_32
，
Figure QLYQS_33
表示对角向量的第
Figure QLYQS_34
个元素；
步骤S25：求解优化问题
Figure QLYQS_35
；
其中，
Figure QLYQS_36
是求解目标对象，
Figure QLYQS_37
表示Frobenius范数；
步骤S26：更新字典
Figure QLYQS_38
，更新残差
Figure QLYQS_39
；
步骤S27：更新迭代计数
Figure QLYQS_40
，若
Figure QLYQS_41
，
Figure QLYQS_42
表示
Figure QLYQS_43
范数，则跳转至步骤S25继续执行，反之则结束字典学习过程，输出字典
Figure QLYQS_44
。
4.根据权利要求3所述的分布式光纤传感系统的扰动快速鉴别方法，其特征在于，所述步骤S03中构建基于时间窗口的数据压缩观测矩阵方法包括：
步骤S31：定义时间窗口向量
Figure QLYQS_45
：
Figure QLYQS_46
，其中，
Figure QLYQS_47
表示窗口长度，
Figure QLYQS_48
的值由经验扰动事件的平均持续时间及回波光谱脉冲间隔决定；
Figure QLYQS_49
为窗口内各光谱脉冲的加权系数；
步骤S32：构造光谱脉冲选择观测矩阵
Figure QLYQS_50
：
Figure QLYQS_51
，其中，
Figure QLYQS_52
为
Figure QLYQS_53
的单位矩阵；
步骤S33：构造数据压缩观测矩阵：
Figure QLYQS_54
，其中，
Figure QLYQS_55
为维度为
Figure QLYQS_56
的数据压缩矩阵，
Figure QLYQS_57
为压缩后的光谱采样数据长度，
Figure QLYQS_58
为原光谱采样数据长度。
5.根据权利要求4所述的分布式光纤传感系统的扰动快速鉴别方法，其特征在于，所述步骤S03中日常监测状态下的联合回波的计算方法包括：
步骤S031：根据经验扰动事件集
Figure QLYQS_59
，得到联合字典：
Figure QLYQS_60
，步骤S032：分布式光纤传感系统在日常监测状态下的联合回波为：
Figure QLYQS_61
，其中，
Figure QLYQS_62
为突发事件特征字典，
Figure QLYQS_63
为突发事件特征向量；
步骤S033：经数据压缩观测矩阵
Figure QLYQS_64
后，得到的日常监测状态下的联合回波为：
Figure QLYQS_65
。
6.根据权利要求5所述的分布式光纤传感系统的扰动快速鉴别方法，其特征在于，所述步骤S04中重构经验扰动事件包括：
步骤S41：求解优化问题
Figure QLYQS_66
，得到
Figure QLYQS_67
；
步骤S42：设置噪声抑制阈值
Figure QLYQS_68
，并令
Figure QLYQS_69
，
Figure QLYQS_70
表示对角向量的第
Figure QLYQS_71
个元素；
步骤S43：计算残差
Figure QLYQS_72
，若
Figure QLYQS_73
，则输出
Figure QLYQS_74
，并根据
Figure QLYQS_75
中非零元素在联合字典
Figure QLYQS_76
上的索引值，确定当前的扰动事件类型；若
Figure QLYQS_77
，
Figure QLYQS_78
为突发扰动事件容限向量，则执行步骤S05。
7.根据权利要求5所述的分布式光纤传感系统的扰动快速鉴别方法，其特征在于，所述步骤S05中判断是否存在突发扰动事件包括：
步骤S51：迭代计数
Figure QLYQS_79
，初始化突发事件特征字典
Figure QLYQS_80
；
步骤S52：求解优化问题
Figure QLYQS_81
，
Figure QLYQS_82
为该优化问题的求解目标对象；
步骤S53：更新突发事件字典
Figure QLYQS_83
；
步骤S54：更新残差
Figure QLYQS_84
，若
Figure QLYQS_85
，则
Figure QLYQS_86
，跳转至步骤S51继续执行；若
Figure QLYQS_87
，则输出突发事件字典与突发事件特征向量。
8.一种分布式光纤传感系统的扰动快速鉴别系统，其特征在于，包括：
低维稀疏表示模型构建模块，建立分布式光纤传感系统多回波光脉冲的低维稀疏表示模型；
字典学习模块，基于该低维稀疏表示模型构建特征字典，进行字典学习；
监测模块，构建基于时间窗口的数据压缩观测矩阵，得到分布式光纤传感系统在日常监测状态下的联合回波；
重构模块，基于噪声抑制阈值，重构经验扰动事件；
扰动事件判断模块，设定突发扰动事件容限，通过残差与突发扰动事件容限的比较，判断是否存在突发扰动事件。
9.根据权利要求8所述的分布式光纤传感系统的扰动快速鉴别系统，其特征在于，所述字典学习模块中构建特征字典的方法包括：
步骤S21：迭代计数
Figure QLYQS_88
，初始化字典
Figure QLYQS_89
，残差
Figure QLYQS_90
，
Figure QLYQS_91
表示向量化运算，
Figure QLYQS_92
为基于经验扰动事件
Figure QLYQS_93
下的联合回波矩阵；
步骤S22：对
Figure QLYQS_94
进行SVD分解，得到奇异值矩阵
Figure QLYQS_95
；
步骤S23：取奇异值矩阵
Figure QLYQS_96
的对角向量
Figure QLYQS_97
，
Figure QLYQS_98
表示取对角元素的运算；
步骤S24：设置噪声抑制阈值
Figure QLYQS_99
，并令
Figure QLYQS_100
，
Figure QLYQS_101
表示对角向量的第
Figure QLYQS_102
个元素；
步骤S25：求解优化问题
Figure QLYQS_103
；
其中，
Figure QLYQS_104
是求解目标对象，
Figure QLYQS_105
表示Frobenius范数；
步骤S26：更新字典
Figure QLYQS_106
，更新残差
Figure QLYQS_107
；
步骤S27：更新迭代计数
Figure QLYQS_108
，若
Figure QLYQS_109
，
Figure QLYQS_110
表示
Figure QLYQS_111
范数，则跳转至步骤S25继续执行，反之则结束字典学习过程，输出字典
Figure QLYQS_112
。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现权利要求1-7所述的分布式光纤传感系统的扰动快速鉴别方法。
CN202310056475.1A 2023-01-17 2023-01-17 一种分布式光纤传感系统的扰动快速鉴别方法及系统 Active CN115790815B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310056475.1A CN115790815B (zh) 2023-01-17 2023-01-17 一种分布式光纤传感系统的扰动快速鉴别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310056475.1A CN115790815B (zh) 2023-01-17 2023-01-17 一种分布式光纤传感系统的扰动快速鉴别方法及系统

Publications (2)

Publication Number Publication Date
CN115790815A true CN115790815A (zh) 2023-03-14
CN115790815B CN115790815B (zh) 2023-05-16

Family

ID=85429699

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310056475.1A Active CN115790815B (zh) 2023-01-17 2023-01-17 一种分布式光纤传感系统的扰动快速鉴别方法及系统

Country Status (1)

Country Link
CN (1) CN115790815B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101299635A (zh) * 2008-05-09 2008-11-05 东南大学 宽域全光纤扰动信号前-后判别装置及方法
CN104122540A (zh) * 2014-07-31 2014-10-29 电子科技大学 基于匹配字典和压缩感知的雷达一维距离像目标识别方法
CN104951787A (zh) * 2015-06-17 2015-09-30 江苏大学 一种src框架下判别字典学习的电能质量扰动识别方法
CN106503726A (zh) * 2016-09-19 2017-03-15 江苏大学 一种带标签信息子字典级联学习的电能质量扰动识别方法
CN111208562A (zh) * 2020-01-17 2020-05-29 中国海洋石油集团有限公司 一种碳酸盐岩储层中火成岩侵入范围的识别方法
CN111458745A (zh) * 2020-04-24 2020-07-28 中国地震局地震研究所 一种面向预警的地震信号稀疏去噪方法
CN112257739A (zh) * 2020-08-29 2021-01-22 北京邮电大学 一种基于扰动压缩感知的稀疏表示分类方法
CN113670430A (zh) * 2021-08-16 2021-11-19 上海大学 一种分布式光纤振动传感智能扰动识别方法
US20220092472A1 (en) * 2020-09-18 2022-03-24 Paypal, Inc. Meta-Learning and Auto-Labeling for Machine Learning
CN114280555A (zh) * 2021-12-23 2022-04-05 常熟理工学院 一种压缩感知雷达干扰信号识别分类方法
CN114674352A (zh) * 2022-03-31 2022-06-28 天津大学 基于瑞利散射光谱非相似性的分布式扰动传感和解调方法
CN114861737A (zh) * 2022-06-07 2022-08-05 常熟理工学院 分布式光纤传感系统的远端扰动特征提取方法及系统
CN114943257A (zh) * 2022-06-02 2022-08-26 常熟理工学院 分布式光纤传感系统的同步降噪与扰动分类识别方法
CN115238759A (zh) * 2022-05-07 2022-10-25 北京智芯微电子科技有限公司 基于压缩感知的电力数据压缩与电能质量扰动识别方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101299635A (zh) * 2008-05-09 2008-11-05 东南大学 宽域全光纤扰动信号前-后判别装置及方法
CN104122540A (zh) * 2014-07-31 2014-10-29 电子科技大学 基于匹配字典和压缩感知的雷达一维距离像目标识别方法
CN104951787A (zh) * 2015-06-17 2015-09-30 江苏大学 一种src框架下判别字典学习的电能质量扰动识别方法
CN106503726A (zh) * 2016-09-19 2017-03-15 江苏大学 一种带标签信息子字典级联学习的电能质量扰动识别方法
CN111208562A (zh) * 2020-01-17 2020-05-29 中国海洋石油集团有限公司 一种碳酸盐岩储层中火成岩侵入范围的识别方法
CN111458745A (zh) * 2020-04-24 2020-07-28 中国地震局地震研究所 一种面向预警的地震信号稀疏去噪方法
CN112257739A (zh) * 2020-08-29 2021-01-22 北京邮电大学 一种基于扰动压缩感知的稀疏表示分类方法
US20220092472A1 (en) * 2020-09-18 2022-03-24 Paypal, Inc. Meta-Learning and Auto-Labeling for Machine Learning
CN113670430A (zh) * 2021-08-16 2021-11-19 上海大学 一种分布式光纤振动传感智能扰动识别方法
CN114280555A (zh) * 2021-12-23 2022-04-05 常熟理工学院 一种压缩感知雷达干扰信号识别分类方法
CN114674352A (zh) * 2022-03-31 2022-06-28 天津大学 基于瑞利散射光谱非相似性的分布式扰动传感和解调方法
CN115238759A (zh) * 2022-05-07 2022-10-25 北京智芯微电子科技有限公司 基于压缩感知的电力数据压缩与电能质量扰动识别方法
CN114943257A (zh) * 2022-06-02 2022-08-26 常熟理工学院 分布式光纤传感系统的同步降噪与扰动分类识别方法
CN114861737A (zh) * 2022-06-07 2022-08-05 常熟理工学院 分布式光纤传感系统的远端扰动特征提取方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
乔文增等: "深度学习下光纤围栏入侵告警方法" *
吴志宇: "基于深度学习的稀疏化电能质量扰动识别方法研究" *
张婉洁: "基于组合核函数相关向量机的OTDR光纤预警系统模式识别" *

Also Published As

Publication number Publication date
CN115790815B (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
Conte et al. Recursive estimation of the covariance matrix of a compound-Gaussian process and its application to adaptive CFAR detection
Böttcher et al. Reconstruction of complex dynamical systems affected by strong measurement noise
CN111442827A (zh) 一种变压器绕组振动的光纤无源在线监测系统及方法
CN110533166B (zh) 一种基于时空间融合特征的室内定位方法
CN108225385A (zh) 一种重叠fbg传感信号峰值定位方法
JP7044291B2 (ja) コプライム平面アレーブロックサンプリングテンソル信号構造に基づく自由度強化型空間スペクトル推定方法
CN115200850A (zh) 多测点样本结构信息显式表征下的机械设备异常检测方法
CN111965632A (zh) 一种基于黎曼流形降维的雷达目标检测方法
CN110619296A (zh) 一种基于奇异分解的信号降噪方法
CN111181634B (zh) 一种分布式光纤振动信号快速定位方法
CN111934690A (zh) 基于自适应压缩感知的核信号重构新方法
Mogushi Reduction of transient noise artifacts in gravitational-wave data using deep learning
CN115790815A (zh) 一种分布式光纤传感系统的扰动快速鉴别方法及系统
CN113465676A (zh) 一种双阶段布里渊频移提取方法
CN109506683A (zh) 一种面向海洋环境监测的fbg光纤传感解调系统
Ollila et al. Influence function and asymptotic efficiency of scatter matrix based array processors: Case MVDR beamformer
CN114943257A (zh) 分布式光纤传感系统的同步降噪与扰动分类识别方法
CN114519373B (zh) 一种采用红外长波焦平面探测器的干涉信号去噪方法
CN109541567A (zh) 基于深度学习的高速机动目标检测方法
CN109141675A (zh) 基于二分svd用于分布式光纤测温系统降噪的方法
CN113608190A (zh) 基于奇异空间三特征的海面目标检测方法及系统
CN107506779B (zh) 一种植物茎干含水量的估算方法及系统
CN111062349B (zh) 一种轴承故障特征增强方法及系统
CN117746904B (zh) 基于机器学习的森林盗猎监测方法及系统
US20240000395A1 (en) Heart rate estimation method, device, and computer-readable storage medium

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 215500 Changshou City South Three Ring Road No. 99, Suzhou, Jiangsu

Patentee after: CHANGSHU INSTITUTE OF TECHNOLOGY

Country or region after: China

Patentee after: Jiangsu Hengtong Huahai Technology Co.,Ltd.

Address before: 215500 Changshou City South Three Ring Road No. 99, Suzhou, Jiangsu

Patentee before: CHANGSHU INSTITUTE OF TECHNOLOGY

Country or region before: China

Patentee before: JIANGSU HENGTONG MARINE CABLE SYSTEMS Co.,Ltd.