CN115859186A - 基于格拉米角场的分布式光纤传感事件识别方法及系统 - Google Patents

Abstract

本公开提供了基于格拉米角场的分布式光纤传感事件识别方法及系统，涉及数据识别技术领域，方法包括获取设定场景下采集的光纤传感信号，以及该设定场景下采集所述光纤传感信号的分布式光纤传感器所在的位置信息；依据光纤传感信号采集时的采样频率以及分布式光纤传感器的位置信息，提取光纤传感信号中的事件数据；将事件数据依据分布式光纤传感采用频率切割为时序数据，并通过格拉米角场转换成对应的事件图像数据；将获取的事件图像数据输入到双迁移和知识蒸馏训练好的学生模型中，获取识别结果。进一步提升了识别算法的轻量化能力和识别算法的精确度。

Description

基于格拉米角场的分布式光纤传感事件识别方法及系统

技术领域

本公开涉及数据识别技术领域，具体涉及基于格拉米角场的分布式光纤传感事件识别方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

光纤传感器通过监测由于被测量引起物理量的变化来实现传感监测，其中分布式光纤传感器兼传感、传输功能于一体，能够获得物理量的空间、时间多维分布信息，在结构检测、渗漏探测、交通运输、周界安防、安全系统、光纤通信、环境测量等应用领域有着发展前景。

最初的研究通过机器学习和手动提取特征的方法进行分布式光纤传感事件识别，然而由于分布式光纤传感应用环境的多样和复杂性以及信号监测的长距离、高采样率等问题，机器学习的方法存在人工手动提取特征、不能处理大批量数据、在不同环境下算法迁移性较差的缺点。随着深度学习的不断发展，越来越多的研究者通过使用卷积神经网络进行分布式光纤传感事件识别，实现数据深层次特征提取和优化，从而克服了浅层机器学习方法的不足。然而利用一维卷积神经网络（1D-CNN）进行分布式光纤传感事件识别过程中，应用到不同场景的同类事件数据不一致和复杂的环境时，会存在严重的过拟合问题，通过将分布式传感事件转换成图像时会存在着在特征方面不能保留信号间的时间相关性，导致信号信息丢失，通过常见的图像分类网络存在着大型深度网络训练慢、训练复杂、小型网络识别精度低的问题。

发明内容

本公开为了解决上述问题，提出了基于格拉米角场的分布式光纤传感事件识别方法及系统，通过GAF（格拉米角场）方法解决事件数据转换成图像时存在不能保留信号间的时间相关性问题，通过双迁移学习知识蒸馏的方法，将大规模的神经网络的暗知识迁移到自定义轻量化神经网络中，保障识别事件的准确率。

根据一些实施例，本公开采用如下技术方案：

基于格拉米角场的分布式光纤传感事件识别方法，包括：

获取设定场景下采集的光纤传感信号，以及该设定场景下采集所述光纤传感信号的分布式光纤传感器所在的位置信息；

依据光纤传感信号采集时的采样频率以及分布式光纤传感器的位置信息，提取光纤传感信号中的事件数据；将事件数据依据分布式光纤传感采用频率切割为时序数据，并通过格拉米角场转换成对应的事件图像数据；

将获取的事件图像数据输入到双迁移和知识蒸馏训练好的学生模型中，获取识别结果。

根据一些实施例，本公开采用如下技术方案：

基于格拉米角场的分布式光纤传感事件识别系统，包括：

数据信号采集模块，用于获取设定场景下采集的光纤传感信号，以及该设定场景下采集所述光纤传感信号的分布式光纤传感器所在的位置信息；

事件数据转换模块，用于依据光纤传感信号采集时的采样频率以及分布式光纤传感器的位置信息，提取光纤传感信号中的事件数据；将事件数据依据分布式光纤传感采用频率切割为时序数据，并通过格拉米角场转换成对应的事件图像数据；

事件识别模块，用于将获取的事件图像数据输入到双迁移和知识蒸馏训练好的学生模型中，获取识别结果。

与现有技术相比，本公开的有益效果为：

本公开预处理方法简单，对采集到的光纤传感信号，仅需要进行GAF（格拉米角场转换）方法就能得到对应的GAF事件图像数据，相比较于其他的识别方法中的光纤传感信号预处理过程，如小波包去噪、经验模态分解等降低了算法的计算复杂度和处理时延，同时在GAF图像中将事件特征保存信号的时域相关性。

本公开通过采用双迁移网络算法，不仅通过预训练的方法增强了识别算法网络在GAF图像数据集上抵抗模型过拟合的能力，并能够提升分类性能。

本公开通过知识蒸馏的方法，不经能够将大模型网络的暗知识传递给轻量化网络算法，进一步提升了识别算法的轻量化能力和识别算法的精确度，这对分布式光纤传感在实际应用有很大的帮助。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例的分布式光纤传感事件识别方法的流程图；

图2为本公开实施例的分布式光纤传感系统结构及工作原理图；

图3为本公开实施例的事件数据通过格拉米角场(GAF)转换成对应GAF事件特征图的过程示意图；

图4为本公开实施例的学生网络模型ICEblock对应结构图；

图5为本公开实施例的学生网络模型ICEblock中的CBAM注意力模块结构图；

图6为本公开实施例的学生网络模型ICEblock中的ECANet注意力模块结构图；

图7为本公开实施例的进行双迁移学习和知识蒸馏的结构图。

具体实施方式

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例1

本公开一种实施例中提供了一种基于格拉米角场的分布式光纤传感事件识别方法，如图1所示，包括以下步骤：

步骤一：获取设定场景下采集的光纤传感信号，以及该设定场景下采集所述光纤传感信号的分布式光纤传感器所在的位置信息；

步骤二：依据光纤传感信号采集时的采样频率以及分布式光纤传感器的位置信息，提取光纤传感信号中的事件数据；将事件数据依据分布式光纤传感采用频率切割为时序数据，并通过格拉米角场转换成对应的事件图像数据；

步骤三：将获取的事件图像数据输入到双迁移和知识蒸馏训练好的学生模型中，获取识别结果。

具体的，作为一种实施例，提供的一种基于格拉米角场(GAF)和轻量化分布式光纤传感事件识别方法，具体的技术方案如下：

步骤1：将分布式光纤传感布置在不同的应用场景中，依据不同的应用场景进行数据的采集，并采集信号事件在分布式光纤传感发生的位置，得到采集的一维信号数据，对应的数据样式为

。

步骤2：将步骤1中采集到的信号，依据信号采集时的采样频率均匀的分割成1S内的数据，并将1S内的事件时序数据通过格拉米角场转换成对应1S内的不同事件GAF图像。将得到的事件数据集进行调整尺寸并按照比例划分为训练集、验证集、测试集，三种数据集对应的比例为：8:1:1。

步骤3：设计二个不同的深度卷积神经网络，一个为教师网络模型，另外一个是学生网络模型。将教师网络模型在ImageNet数据集上进行预训练并将最佳的训练权重进行保存。将学生网络模型在MNIST公开数据集上进行预训练并将最佳的预选连权重进行保存。

步骤4：将步骤3中的双迁移网络的最佳训练权重以及教师模型和学生模型在GAF图像事件数据集上进行知识蒸馏训练，并将最佳的学生模型的训练模型参数进行保存。

步骤5：将步骤4中训练好的学生模型进行未知分布式光纤传感事件识别。

具体的，所述将步骤1中采集到的信号，依据信号采集时的采样频率均匀的分割成1S内的数据，并将1S内的事件时序数据通过格拉米角场转换成对应1S内的不同事件GAF图像的过程包括：

步骤2-1：将步骤1中采集到的事件序列

，其中/>

是时间序列的长度，先通过Min-Max Scaler归一化方法将一维时序数据映射到[-1,1]，其中对应的归一化方法对应的公式为：

（1）

式中，i表示为事件序列中的某一时刻，

表示为i时刻对应的传感数据值，/>

表示为事件序列/>

中的最大值，/>

表示为事件序列/>

中的最小值，/>

表示为经过归一化后得到的i时刻对应的传感数据值。

步骤2-2：将步骤2-1中的时间序列转换到极坐标中，也就是将数值看做夹角余弦值，时间戳看做成半径，对应的公式为：

（2）

在公式（2）中，

表示为经过归一化后得到的i时刻对应的传感数据值，/>

表示为经过归一化后的事件序列，/>

表示为计算后的夹角余弦值，/>

表示为i时刻序列中的时间戳，/>

表示为计算后的半径，N是用作极坐标空间正则化因子常熟，通过将时间序列转换到极坐标中能够保持时间依赖性。

在公式（2）中，N是用作极坐标空间正则化因子常熟，通过将时间序列转换到极坐标中能够保持时间依赖性。

步骤2-3：将数值映射到极坐标后，通过计算两个点之间的三角函数值，得到对应的格拉米角场矩阵，其对应的公式为：

（3）

式中，G表示为计算得到对应的格拉米角场矩阵，

表示为计算后的夹角余弦值，/>

表示为计算两个点之间的三角函数数值。

步骤2-4：格拉米角场矩阵中的元素进行缩放到0～255，从而得到事件GAF二维图像。

具体的，在步骤3中，所述学生网络模型的具体结构为：

所述学生网络模块的主要结构为倒残差结构，并在倒残差结构中加入空间与通道注意力CBAM模块和局部跨通道交互策略模块ECANet。具体的，为了突出模型轻量化效果，主选MobileNet v2中的倒残差结构作为学生网络模块的主要结构，为了更进一步提升对事件GAF图的深层特征的提取能力，进行了多维特征提取和融合，在倒残差结构中加入空间与通道注意力CBAM模块和局部跨通道交互策略模块ECANet。

学生网络模型主要有2个Conv2d以及10个自定义ICEblock和最后一个线性层Linear组成。其中ICEblock是学生网络模型的主要模块，在ICEblock中由一个先使用1×1卷积进行数据维度提升，再使用3×3卷积进行深度残差卷积，通过CBAM模块进行通道注意力机制与空间注意力机制融合，将通过1×1卷积进行数据降维操作，仅当倒残差结构中输入特征与输出特征维度相同时，在残差结构中才使用Shortcut链接，最后在倒残差结构中引入ECANet再次进行注意力机制的融合。

作为一种实施例，在步骤4中，将步骤3中的双迁移网络的最佳训练权重以及教师模型和学生模型在事件GAF图像数据集上进行知识蒸馏训练，并将最佳的学生模型的训练模型参数进行保存的过程包括：

步骤4-1：将迁移训练的最佳教师网络进行加载，并以像素矩阵的形式将事件GAF图像信息输入到模型模型中得到对应的不同事件的概率分布，并通过逐次除以温度

进行平滑处理，后经过softmax函数得到教师在事件数据集上的软标签/>

，对应的计算公式（4），其中/>

为教师网络模型最后一层的特征图。

（4）

式中，

表示为教师模型最后一层输出的特征图，T为温度参数，n为样本的个数，/>

表示为教师模型的软标签。

步骤4-2：将迁移训练的最佳学生网络模型进行加载，并以像素矩阵的形式将事件GAF图像信息输入到模型中得到不同事件的概率分布，并通过逐次除以温度

进行平滑处理，后经过softmax函数得到教师在事件数据集上的软标签/>

,对应的计算公式（5），其中/>

为学生网络模型最后一层的特征图。

（5）

其中，

为学生网络模型最后一层的特征图，/>

为学生网络模型的软标签。

步骤4-3：将迁移训练的最佳学生网络模型进行加载，并以像素矩阵的形式将事件GAF图像信息输入到模型中得到不同事件的概率分布直接由softmax函数获得学生网络模型的硬标签

,对应的计算公式（6）。

（6）

其中，

为学生网络模型的硬标签；

步骤4-4：通过相对熵损失函数，对步骤4-1得到的教师网络模型的软标签和步骤4-2得到的学生网络模型的软标签进行计算得到软损失函数

，对应的计算公式为（7），在公式（7）中，B为批处理的图片数量，C为事件GAF图像的类别种类个数。

（7）

式中，B为批处理的图片总体数量，C为事件的种类总体数量，w表示为图片的数量的个数，v表示为种类个数，

表示为教师模型在事件数据集上的软标签，/>

表示为学生网络模型的软标签，/>

表示为教师网络模型的软损失函数。

步骤4-5：由交叉熵损失函数对步骤4-3得到的学生网络模型在GAF事件数据集上的硬标签与事件GAF图像的真实标签进行计算，得到对应的硬损失函数值

，计算公式为：

（8）

式中，

表示为学生网络模型得到的硬损失函数，/>

表示为学生网络在事件数据集上的硬标签，/>

表示为样本图片的真实标签；B为批处理的图片总体数量，C为事件的种类总体数量。

步骤4-6：将步骤步骤4-4得到的软损失函数与步骤4-5得到的硬损失函数按照比例系数

调整两损失值的比例后得到混合损失函数/>

，对应的计算公式为(8)，将得到的/>

进行反向传播是教师模型将暗知识授予学生模型，并大幅提升学生模型分类性能的关键。

（9）

其中，

为混合损失函数，/>

表示为学生网络模型得到的硬损失函数，

为比例系数，/>

表示为教师网络模型的软损失函数。

步骤4-7：将双迁移网络的教师模型与学生模型在GAF事件数据集上进行蒸馏训练，并将学生网络模型的最佳训练结果进行保存。

实施例2

本公开的一种实施例中以长距离管道安全监测为例，基于格拉米角场（GAF）和双迁移学习及知识蒸馏的分布式光纤传感事件识别方法的主要流程图如图1所示，主要分为5个步骤：

步骤1：信号采集。将分布式光纤传感在铺设在应用场景中，利用基于相敏光时域反射技术（Φ-OTDR）的分布式光纤声波/振动传感系统硬件，采集不同类别事件，依据事件空间定位和采样频率信息，将信号数据进行分割成单通道事件数据，对应的数据样式为

。

步骤2：光纤传感信号图像转换。将采集到的信号，依据信号采集时的采样频率均匀的分割成1S内的数据，并将1S内的事件时序数据通过格拉米角场转换成对应1S内的不同事件GAF图像。将得到的事件数据集进行调整尺寸并按照比例划分为训练集、验证集、测试集，三种数据集对应的比例为：8:1:1。

步骤3：设计二个不同的深度卷积神经网络，一个为教师网络模型，另外一个是学生网络模型。将教师网络模型在ImageNet数据集上进行预训练并将最佳的训练权重进行保存。将学生网络模型在MNIST公开数据集上进行预训练并将最佳的预选连权重进行保存。

步骤4：将步骤3中的双迁移网络的最佳训练权重以及教师模型和学生模型在事件GAF图像数据集上进行知识蒸馏训练，并将最佳的学生模型的训练模型参数进行保存。

步骤5：将步骤4中训练好的学生模型进行未知分布式光纤传感事件识别。

步骤1中使用的基于相敏光时域反射技术（Φ-OTDR）的分布式光纤声波/振动传感系统，系统结构及其工作原理如图2所示。用于采集信号的系统硬件包括，光信号解调设备、信号处理主机以及探测光缆。

光信号解调设备是分布式光纤传感系统的核心设备，在图2中可以看到，采用窄线激光器（NLL）作为激光的光源，用过窄线激光器发出的连续波（CW）首先经过声光调制器（AOM）调制成对应的光脉冲信号，光脉冲信号经过第一个掺饵放大器（EDFA1）进行放大，通过光纤布拉格光栅滤波器（Filter）进行滤波，接着通过环形器将放大的脉冲发射到单模光纤中，瑞利后向散射经过第二个掺饵放大器（EDFA2）以及光纤布拉格光栅滤波器获得更好的信噪比的改善，然后注入到3*3耦合器（Coupler）中，耦合器的另外一侧的两个端口连接两个法拉第旋转镜（FRM），入射光分成两束，由法拉第旋转镜进行反射，并在耦合器中进行干涉，干涉后的信号由三个平衡光电探测器（BPD）接受，最后由数据采集卡将事件数据进行收集后存入个人电脑端。

将采集到的事件信号依据光纤传感定位信息以及采样频率信息将分布式光纤传感信号数据分割成单通道事件数据，对应的数据样式为：

。

将采集到事件数据通过格拉米角场（GAF）将事件数据信号转换成二维事件图像数据，转换成二维事件图像数据后不仅能够保证事件时域的相关性，同时GAF方法对光路中的电源波不敏感，能够更好的与深度学习网络进行结合。

GAF事件时序信号数据转换成对应的事件GAF图像的过程如图3所示。将采集到的事件序列

，其中/>

是时间序列的长度，先通过Min-MaxScaler归一化方法将一维时序数据映射到[-1,1]，其中对应的归一化方法对应的公式为：

（10）

将通过归一化处理的时间序列转换到极坐标中，也就是将数值看做夹角余弦值，时间戳看做成半径，对应的公式为：

（11）

在公式（11）中，N是用作极坐标空间正则化因子常熟，通过将时间序列转换到极坐标中能够保持时间依赖性。

将数值映射到极坐标后，通过计算两个点之间的三角函数值，得到对应的格拉米角场矩阵，其对应的公式为：

（12）

将公式(12)中的格拉米角场矩阵中的元素进行缩放到0～255，从而得到事件GAF二维事件图像。

将得到的事件图像经过图像的预处理，同一缩放成224*224尺寸大小的彩色RGB图像，并将其8:1:1的比例划分为训练集、验证集、测试集。

通过GAF的方法将事件数据转换得到不同事件的GAF图像数据集，本实例要设计一个大型的教师网络模型与轻量化的学生网络模型。在工业领域以及常见的卷积神经网络模型中，选择ResNet50作为的教师网络模型，并将ResNet50在ImageNet数据集上进行预训练，并将教师网络模型的最佳权重进行保存。

进行自定义学生网络模型的设计，其中学生网络模型中的ICEblock模块如图4所示，其主要由倒残差结构和CBAM空间和通道注意力记住以及ECANet注意力机制组成。与Resnet50教师网络中的残差结构不同,在学生网络模型的倒残差结构中，深度可分离卷积是一种分解卷积的形式，主要由逐通道卷积和逐点卷积组成。逐通道卷积的一个卷积核只负责一个通道，一个通道只被一个卷积核卷积，逐点卷积会将每一步的特征向量图在深度方向进行加权组合，组成新的特征向量图。理论上普通卷积计算量是深度可分卷积的8到9倍。

在ICEblock中，如图4所示，先使用1×1卷积进行数据维度提升，再使用3×3卷积进行深度残差卷积，通过CBAM模块进行通道注意力机制与空间注意力机制融合，将通过1×1卷积进行数据降维操作，仅当倒残差结构中输入特征与输出特征维度相同时，在残差结构中才使用Shortcut链接，最后在倒残差结构中引入ECANet再次进行注意力机制的融合。

由通道注意力机制和空间注意力机制组成注意力机制模块CBAM，如图5所示，注意力机制可以看做是对图像输入重要信息的动态选择过程，这个过程是由对特征自适应权重实现的。具体的，首先将输入的特征图

经过两个并行的MaxPool层和AvgPool层，得到两个不同的空间语义描述算子：/>

和/>

，将两者分别做为共享的包含一个隐藏层的多层感知机的输入以生成通道注意力特征向量。为了减少参数量，隐藏层神经元的个数为C/r,其中，r为通道缩减率，将得到的两个通道注意力特征向量对应的元素相加，再使用激活函数，获得最终的通道注意力图/>

。具体的通道注意力过程可以用以下公式：

（13）

式中，

为Sigmoid激活函数，/>

，/>

为共享的多层感知机的权重。/>

，/>

为并行的平均池化层和最大池化层的结果，通道注意力图/>

中每个权重，表示对应通道的特征图中对于关键信息的重要性和关联程度。

在空间注意力执行过程，其利用被重构之后的特征图的空间关系生成空间注意力图。沿着通道方向同时进行平均池化和最大池化来聚合输入特征图的通道信息，分别得到两个二维的通道特征描述算子

和/>

，将二者特征融合进行维度拼接以生成有效的空间矩阵特征，通过7×7卷积获得空间注意力矩阵，再通过sigmoid激活函数得到一个二维的空间注意力图/>

，它包含了要关注或抑制信息的空间位置，具体的空间注意力计算公式为：

（14）

式中，

为Sigmoid激活函数，/>

表示为7×7的卷积运算。/>

表示为通道注意力模块的输出，/>

，/>

分别表示为平均池化和最大池化。空间与通道注意力机制相辅相成，可以有效突出含有关键信息的区域特征。

在ICEblock中的CBAM结构如图5所示，通道注意力机制是将特征图在空间维度上进行压缩，得到一个一维矢量后再进行操作。在空间维度上进行压缩时，不仅考虑到全局平均池化还进行了全局最大池化。进行池化操作用来聚合特征映射的空间信息，送到一个共享网络，压缩输入特征图的空间维数，逐元素合并，以产生通道注意力。空间注意力机制是对通道进行压缩，在通道维度分别进行平均池化和最大池化，平均池化为在通道上提取平均值，提取的次数是是高乘以宽最大处画的操作为在通道上提取最大值，提取的次数是高乘以宽，接着将前面所提取到的特征进行合并融合。

在的ICEblock的ECANet结构如图6， 在模块中先对每个信道进行全局平均池化操作得到1×1×C通道数据，通过权值共享的1D滑窗卷积进行卷积操作，其1D卷积核的大小为K，随着网络的加深，通道数C的数量以2的次幂形式增加，K与C的对应关系为：

（15）

在公式(15)中

和/>

的取值为2和1，/>

表示为计算出数值的临近奇数值。通过自适应卷积核K实现了跨通道交互和通道缩减。

学生网络模型的具体参数，如表1所示。在学生网络模型中，分为特征提取和分类器两部分，特征提取部分由一个卷积核大小为3*3、步距为2，padding为1的Conv2d，其次是10个提出的ICEblock,最后为卷积核大小为1*1，步距为1的Conv2d组成。在分类器部分，首先Dropout按照0.25的概率将部分神经网络单元从网络中丢弃，再由linear进行特征拼接并映射到的事件类别中。

表1学生网络结构

将自定义设计的学生网络模型在MNIST公开数据集上进行预训练并将最佳的预选连权重进行保存。

结合双迁移学习和知识蒸馏的事件GAF图像分级方法，训练出能实现不同事件分类的模型。将在 ImageNet上预训练后的ResNet50以及在MNIST 上预训练后的自定义网络的模型参数矩阵迁移至GAF事件数据集上，以光纤传感事件分类问题，在利用该方法训练模型时依次以二者构造教师模型及学生模型。具体的知识蒸馏模型图，如图7所示。具体的知识蒸馏过程如下所示：

步骤1将迁移训练的最佳教师网络进行加载，并以像素矩阵的形式将事件GAF图像信息输入到模型模型中得到对应的不同事件的概率分布，并通过逐次除以温度

进行平滑处理，后经过softmax函数得到教师在事件数据集上的软标签/>

,对应的计算公式（16），其中/>

为教师网络模型最后一层的特征图。

（16）

步骤2：将迁移训练的最佳学生网络模型进行加载，并以像素矩阵的形式将事件GAF图像信息输入到模型中得到不同事件的概率分布，并通过逐次除以温度

进行平滑处理，后经过softmax函数得到教师在事件数据集上的软标签/>

,对应的计算公式（17），其中/>

为学生网络模型最后一层的特征图。

（17）

步骤3：将迁移训练的最佳学生网络模型进行加载，并以像素矩阵的形式将事件GAF图像信息输入到模型中得到不同事件的概率分布直接由softmax函数获得学生网络模型的硬标签

,对应的计算公式（18）。

（18）

步骤4：通过相对熵损失函数，对步骤1得到的教师网络模型的软标签和步骤2得到的学生网络模型的软标签进行计算得到软损失函数

，对应的计算公式为（19），在公式（19）中，B为批处理的图片数量，C为事件GAF图像的类别种类个数。

（19）

步骤5：由交叉熵损失函数对步骤3得到的学生网络模型在GAF事件数据集上的硬标签与事件GAF图像的真实标签进行计算，得到对应的硬损失函数值

，计算公式为(20)：

（20）

步骤6：将步骤4得到的软损失函数与步骤5得到的硬损失函数按照比例系数

调整两损失值的比例后得到混合损失函数/>

，对应的计算公式为(20)，将得到的/>

进行反向传播是教师模型将暗知识授予学生模型，并大幅提升学生模型分类性能的关键。

（21）

步骤7：将双迁移网络的教师模型与学生模型在GAF事件数据集上进行蒸馏训练，并将学生网络模型的最佳训练结果进行保存。

实施例3

本公开的一种实施例中提供了一种基于格拉米角场的分布式光纤传感事件识别系统，包括：

数据信号采集模块，用于获取设定场景下采集的光纤传感信号，以及该设定场景下采集所述光纤传感信号的分布式光纤传感器所在的位置信息；

事件数据转换模块，用于依据光纤传感信号采集时的采样频率以及分布式光纤传感器的位置信息，提取光纤传感信号中的事件数据；将事件数据依据分布式光纤传感采用频率切割为时序数据，并通过格拉米角场转换成对应的事件图像数据；

事件识别模块，用于将获取的事件图像数据输入到双迁移和知识蒸馏训练好的学生模型中，获取识别结果。

本公开是参照根据本公开实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.基于格拉米角场的分布式光纤传感事件识别方法，其特征在于，包括：

获取设定场景下采集的光纤传感信号，以及该设定场景下采集所述光纤传感信号的分布式光纤传感器所在的位置信息；

依据光纤传感信号采集时的采样频率以及分布式光纤传感器的位置信息，提取光纤传感信号中的事件数据；将事件数据依据分布式光纤传感采用频率切割为时序数据，并通过格拉米角场转换成对应的事件图像数据；

将获取的事件图像数据输入到双迁移和知识蒸馏训练好的学生模型中，获取识别结果。

2.如权利要求1所述的基于格拉米角场的分布式光纤传感事件识别方法，其特征在于，所述采集的光纤传感信号为一维信号数据。

3.如权利要求1所述的基于格拉米角场的分布式光纤传感事件识别方法，其特征在于，所述将事件数据依据光纤传感信号采集时的采样频率切割为时序数据并通过格拉米角场转换成对应的事件图像数据的过程为依据光纤传感信号采集时的采样频率均匀的分割成1S内的数据，并将1S内的事件时序数据通过格拉米角场转换成对应1S内的不同事件格拉米角场图像数据。

4.如权利要求1所述的基于格拉米角场的分布式光纤传感事件识别方法，其特征在于，获取经过双迁移和知识蒸馏训练的学生模型的步骤为：设计两个不同的深度卷积神经网络，分别为教师网络模型和学生网络模型，将教师网络模型在数据集上进行预训练并将最佳的训练权重进行保存；将学生网络模型在公开数据集上进行预训练并将最佳的预选连权重进行保存。

5.如权利要求4所述的基于格拉米角场的分布式光纤传感事件识别方法，其特征在于，将双迁移网络的最佳训练权重以及教师模型和学生模型在GAF图像事件数据集上进行知识蒸馏训练，并将最佳的学生模型的训练模型参数进行保存，作为训练好的学生模型用于对未知分布是光纤传感事件的识别。

6.如权利要求4所述的基于格拉米角场的分布式光纤传感事件识别方法，其特征在于，所述学生网络模型的主要结构为倒残差结构，并在倒残差结构中加入空间与通道注意力CBAM模块和局部跨通道交互策略模块ECANet。

7.如权利要求4所述的基于格拉米角场的分布式光纤传感事件识别方法，其特征在于，将迁移训练的最佳教师网络进行加载，并以像素矩阵的形式将GAF事件图像信息输入到模型中得到对应的不同事件的概率分布，并通过逐次除以温度进行平滑处理，后经过softmax函数得到教师在事件数据集上的软标签，通过相对熵损失函数，对得到的教师网络模型的软标签进行计算得到软损失函数。

8.基于格拉米角场的分布式光纤传感事件识别系统，其特征在于，包括：

数据信号采集模块，用于获取设定场景下采集的光纤传感信号，以及该设定场景下采集所述光纤传感信号的分布式光纤传感器所在的位置信息；

事件数据转换模块，用于依据光纤传感信号采集时的采样频率以及分布式光纤传感器的位置信息，提取光纤传感信号中的事件数据；将事件数据依据分布式光纤传感采用频率切割为时序数据，并通过格拉米角场转换成对应的事件图像数据；

事件识别模块，用于将获取的事件图像数据输入到双迁移和知识蒸馏训练好的学生模型中，获取识别结果。

9.如权利要求8所述的基于格拉米角场的分布式光纤传感事件识别系统，其特征在于，所述采集的光纤传感信号为一维信号数据。

10.如权利要求8所述的基于格拉米角场的分布式光纤传感事件识别系统，其特征在于，双迁移网络的最佳训练权重以及教师模型和学生模型在事件GAF图像数据集上进行知识蒸馏训练，并将最佳的学生模型的训练模型参数进行保存。

Images