CN115790815B - 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 PDFInfo
- Publication number
- CN115790815B CN115790815B CN202310056475.1A CN202310056475A CN115790815B CN 115790815 B CN115790815 B CN 115790815B CN 202310056475 A CN202310056475 A CN 202310056475A CN 115790815 B CN115790815 B CN 115790815B
- Authority
- CN
- China
- Prior art keywords
- dictionary
- disturbance
- optical fiber
- matrix
- echo
- 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 50
- 239000013307 optical fiber Substances 0.000 title claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims abstract description 80
- 238000013144 data compression Methods 0.000 claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 238000001228 spectrum Methods 0.000 claims abstract description 20
- 230000001629 suppression Effects 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 37
- 238000005457 optimization Methods 0.000 claims description 19
- 230000003595 spectral effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 4
- 239000000835 fiber Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 10
- 238000012360 testing method Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000012938 design process Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000000253 optical time-domain reflectometry Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Landscapes
- Optical Communication System (AREA)
- Geophysics And Detection Of Objects (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
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：构建个回波光脉冲组成的联合回波矩阵：
其中，表示向量与矩阵的转置其中，表示第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进行svd分解：
其中，为奇异值矩阵、为左奇异矩阵、为右奇异矩阵，为的共轭转置矩阵；
步骤S13：分别取左奇异矩阵与右奇异矩阵的第一列、，赋予以下基向量：
并进一步构造稳态基向量：
上式中表示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，初始化字典，残差，表示向量化运算，为基于经验扰动事件下的联合回波矩阵；
步骤S22：对进行SVD分解，得到奇异值矩阵；
步骤S23：取奇异值矩阵的对角向量，表示取对角元素的运算；
步骤S24：设置噪声抑制阈值，并令，表示对角向量的第个元素；
步骤S25：求解优化问题；
其中，是求解目标对象，表示Frobenius范数；
步骤S26：更新字典，更新残差；
步骤S27：更新迭代计数，若，表示范数，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。
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：
其中，表示窗口长度，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；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：
其中，为的单位矩阵；
步骤S33：构造数据压缩观测矩阵：
其中，为维度为的数据压缩矩阵，为压缩后的光谱采样数据长度，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，得到联合字典：
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：
其中，为突发事件特征字典，为突发事件特征向量；
步骤S033：经数据压缩观测矩阵后，得到的日常监测状态下的联合回波为：
。
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，得到；
步骤S42：设置噪声抑制阈值，并令，表示对角向量的第个元素；
步骤S43：计算残差，若，则输出，并根据中非零元素在联合字典上的索引值，确定当前的扰动事件类型；若，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，初始化突发事件特征字典；
步骤S52：求解优化问题，为该优化问题的求解目标对象；
步骤S53：更新突发事件字典；
步骤S54：更新残差，若，则，跳转至步骤S51继续执行；若，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，初始化字典，残差，表示向量化运算，为基于经验扰动事件下的联合回波矩阵；
步骤S22：对进行SVD分解，得到奇异值矩阵；
步骤S23：取奇异值矩阵的对角向量，表示取对角元素的运算；
步骤S24：设置噪声抑制阈值，并令，表示对角向量的第个元素；
步骤S25：求解优化问题；
其中，是求解目标对象，表示Frobenius范数；
步骤S26：更新字典，更新残差；
步骤S27：更新迭代计数，若，表示范数，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。
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：构建个回波光脉冲组成的联合回波矩阵：
其中，表示向量与矩阵的转置其中，表示第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进行svd分解：
其中，为奇异值矩阵、为左奇异矩阵、为右奇异矩阵，为的共轭转置矩阵；
步骤S13：分别取左奇异矩阵与右奇异矩阵的第一列、，赋予以下基向量：
并进一步构造稳态基向量：
上式中表示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，初始化字典，残差，表示向量化运算，为基于经验扰动事件下的联合回波矩阵；
步骤S22：对进行SVD分解，得到奇异值矩阵；
步骤S23：取奇异值矩阵的对角向量，表示取对角元素的运算；
步骤S24：设置噪声抑制阈值，并令，表示对角向量的第个元素；
步骤S25：求解优化问题；
其中，是求解目标对象，表示Frobenius范数；
步骤S26：更新字典，更新残差；
步骤S27：更新迭代计数，若，表示范数，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。
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：
其中，表示窗口长度，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；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：
其中，为的单位矩阵；
步骤S33：构造数据压缩观测矩阵：
其中，为维度为的数据压缩矩阵，为压缩后的光谱采样数据长度，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，得到联合字典：
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：
其中，为突发事件特征字典，为突发事件特征向量；
步骤S033：经数据压缩观测矩阵后，得到的日常监测状态下的联合回波为：
。
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，得到；
步骤S42：设置噪声抑制阈值，并令，表示对角向量的第个元素；
步骤S43：计算残差，若，则输出，并根据中非零元素在联合字典上的索引值，确定当前的扰动事件类型；若，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，初始化突发事件特征字典；
步骤S52：求解优化问题，为该优化问题的求解目标对象；
步骤S53：更新突发事件字典；
步骤S54：更新残差，若，则，跳转至步骤S51继续执行；若，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。
若表示第个回波光脉冲对应的采样瑞利曲线，则由个回波光脉冲组成的联合回波矩阵可以表示为
其中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进行svd分解
其中，为奇异值矩阵、为左奇异矩阵、为右奇异矩阵。随后，分别取左奇异矩阵与右奇异矩阵的第一列、，赋予以下基向量：
并进一步构造稳态基向量
上式中表示Kronecker基。
随后，基于经验扰动事件下的联合回波矩阵，本实施例采用以下步骤进行字典学习：
步骤1：迭代计数，初始化字典，残差，表示向量化运算；
步骤2：对进行SVD分解，得到奇异值矩阵；
步骤3：取奇异值矩阵的对角向量，表示取对角元素的运算；
步骤4：设置噪声抑制阈值，并令，表示对角向量的第个元素；
步骤5：求解优化问题；是该优化问题的求解目标对象，表示Frobenius范数；
步骤6：更新字典，更新残差；
步骤7：更新迭代计数，若，表示范数，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。
基于上述字典学习方法，结合经验扰动事件集，可以得到联合字典
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
其中，为突发事件特征字典，为突发事件特征向量。
，为扰动背景下的联合回波矩阵，表示第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：设计一个维度为的数据压缩矩阵，其中为压缩后的光谱采样数据长度，为原光谱采样数据长度，可以选择随机矩阵；
步骤2：设计光谱脉冲选择观测矩阵，的具体设计过程如下：
步骤2.1：定义时间窗口向量：
其中表示窗口长度，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；为窗口内各光谱脉冲的加权系数；
步骤2.2：构造：
其中为的单位矩阵。
步骤3：构造数据压缩观测矩阵：
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：
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；
步骤2：求解优化问题；
步骤3：设置噪声抑制阈值，并令，表示对角向量的第个元素；
步骤4：计算残差，若，则输出，并根据中非零元素在联合字典上的索引值，确定当前的扰动事件类型。若，则继续以下步骤；
步骤5：迭代计数，初始化突发事件特征字典；
步骤6：求解优化问题，为该优化问题的求解目标对象；
步骤7：更新突发事件字典；
步骤8：更新残差，若，则，跳转至步骤5继续执行后续步骤；若，则输出突发事件字典与突发事件特征向量，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，所述残差根据日常监测状态下的联合回波、根据经验扰动事件集得到的联合字典和重构的经验扰动事件之间的关系得到。
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：构建个回波光脉冲组成的联合回波矩阵：
，其中，表示向量与矩阵的转置，其中，表示第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进行SVD分解：
，其中，为奇异值矩阵、为左奇异矩阵、为右奇异矩阵，为的共轭转置矩阵；
步骤S13：分别取左奇异矩阵与右奇异矩阵的第一列、，赋予以下基向量：
，并进一步构造稳态基向量：，上式中表示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，初始化字典，残差，表示向量化运算，为基于经验扰动事件下的联合回波矩阵；
步骤S22：对进行SVD分解，得到奇异值矩阵；
步骤S23：取奇异值矩阵的对角向量，表示取对角元素的运算；
步骤S24：设置噪声抑制阈值，并令，
表示对角向量的第个元素；
步骤S25：求解优化问题；
其中，是求解目标对象，表示Frobenius范数；
步骤S26：更新字典，更新残差；
步骤S27：更新迭代计数，若，表示范数，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。
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：
，其中，表示窗口长度，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；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：
，其中，为的单位矩阵；
步骤S33：构造数据压缩观测矩阵：
，其中，为维度为的数据压缩矩阵，为压缩后的光谱采样数据长度，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，得到联合字典：；
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：
，其中，为突发事件特征字典，为突发事件特征向量；
步骤S033：经数据压缩观测矩阵后，得到的日常监测状态下的联合回波为：。
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，得到；
步骤S42：设置噪声抑制阈值，并令
，表示对角向量的第个元素；
步骤S43：计算残差，若，则输出，并根据中非零元素在联合字典上的索引值，确定当前的扰动事件类型；若，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，初始化突发事件特征字典；
步骤S52：求解优化问题，为该优化问题的求解目标对象；
步骤S53：更新突发事件字典；
步骤S54：更新残差，若，则，跳转至步骤S51继续执行；若
，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，所述残差根据日常监测状态下的联合回波、根据经验扰动事件集得到的联合字典和重构的经验扰动事件之间的关系得到。
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，初始化字典，残差，表示向量化运算，为基于经验扰动事件下的联合回波矩阵；
步骤S22：对进行SVD分解，得到奇异值矩阵；
步骤S23：取奇异值矩阵的对角向量，表示取对角元素的运算；
步骤S24：设置噪声抑制阈值，并令，表示对角向量的第个元素；
步骤S25：求解优化问题；
其中，是求解目标对象，表示Frobenius范数；
步骤S26：更新字典，更新残差；
步骤S27：更新迭代计数，若，表示范数，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。
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任一项所述的分布式光纤传感系统的扰动快速鉴别方法。
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 CN115790815A (zh) | 2023-03-14 |
| CN115790815B true 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 (3)
| 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 |
| 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 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104122540B (zh) * | 2014-07-31 | 2016-06-08 | 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 |
| 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 |
| CN111458745B (zh) * | 2020-04-24 | 2022-04-19 | 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 |
| CN112257739B (zh) * | 2020-08-29 | 2023-12-22 | 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 |
| CN113670430B (zh) * | 2021-08-16 | 2022-10-18 | 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 |
| CN114674352B (zh) * | 2022-03-31 | 2023-09-15 | 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 |
-
2023
- 2023-01-17 CN CN202310056475.1A patent/CN115790815B/zh active Active
Patent Citations (3)
| 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115790815A (zh) | 2023-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Böttcher et al. | Reconstruction of complex dynamical systems affected by strong measurement noise | |
| CN111046737A (zh) | 一种用于微地震信号检测的高效智能感知采集方法 | |
| CN111881858A (zh) | 一种微震信号多尺度去噪方法、装置及可读存储介质 | |
| CN113865859A (zh) | 多尺度多源异构信息融合的齿轮箱状态故障诊断方法 | |
| CN116859830B (zh) | 用于电子级氟化铵生产的生产管理控制系统 | |
| CN110569728A (zh) | 一种基于字典训练和正交匹配追踪的核信号提取方法 | |
| CN116699526A (zh) | 一种基于稀疏与低秩模型的车载毫米波雷达干扰抑制方法 | |
| CN115790815B (zh) | 一种分布式光纤传感系统的扰动快速鉴别方法及系统 | |
| CN109582914B (zh) | 噪声相关的带偏差系统的并行式融合估计方法 | |
| 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 | |
| CN114861737A (zh) | 分布式光纤传感系统的远端扰动特征提取方法及系统 | |
| CN113705335B (zh) | 一种低频稀疏线谱信号时频超分辨率提取方法 | |
| CN114706128A (zh) | 一种微地震资料噪声压制方法及系统、存储介质和地震信息处理设备 | |
| CN112578439B (zh) | 一种基于空间约束的地震反演方法 | |
| 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 | |
| CN110430340A (zh) | 一种脉冲阵列信号的降噪方法与系统 | |
| CN114754857B (zh) | 一种两段式光纤传感水声信号补偿方法和装置 | |
| CN116863251B (zh) | 一种分布式光纤传感扰动识别方法 | |
| CN116720067B (zh) | 基于振荡信号的质谱图全局峰信息特征描述方法和装置 | |
| CN116626760B (zh) | 基于自适应高阶最大熵wvd的地层不连续性检测方法及装置 | |
| CN111954241B (zh) | Wban网络传输的信号数据恢复方法和装置 | |
| CN117471529B (zh) | 一种非稳态地震子波自适应提取方法 | |
| CN117746904B (zh) | 基于机器学习的森林盗猎监测方法及系统 |
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 | ||
| 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. |