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。
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。