CN115964616A - 一种分布式声波传感系统数据降噪方法、装置及存储介质 - Google Patents

Abstract

本发明涉及一种分布式声波传感系统数据降噪方法、装置及存储介质，该方法包括：步骤S1，分布式声波传感系统的数据获取；步骤S2，对步骤S1获取的数据进行预处理；步骤S3，构建融合算法模型，该模型包括融合算法输入层、融合算法隐藏层和融合算法输出层；步骤S4，采用步骤S3构建的融合算法模型对步骤S2预处理后的数据进行降噪处理。与现有技术相比，本发明具有实现了信号增强以及噪声抑制进而获得高信噪比的探测信号等优点。

Description

一种分布式声波传感系统数据降噪方法、装置及存储介质

技术领域

本发明涉及分布式光纤传感领域，尤其是涉及一种基于融合算法的分布式声波传感系统数据降噪方法、装置及存储介质。

背景技术

在过去的几十年里，光纤传感器由于其具有抗电磁干扰、体积小、可远程监测和低成本等优点一直被广泛关注，并且在一些场合，光纤既可以作为通讯使用也可以作为传感器使用，这进一步体现出了这种技术的优点，光纤传感的技术方案有多种，可以对沿光纤位置的多种参量变化进行测量。由于DAS系统(分布式声波传感系统)常用的φ-OTDR(相位敏感型光时域反射计)具有高灵敏度测量的特点，能够对声波引起的振动信号进行监测，所以可被应用于结构监测、石油勘探、地震监测和周界安防等领域，具有广阔的应用前景。但是目前DAS系统的高精度探测和广泛应用仍然面临挑战，其中原因之一就是DAS测试很容易受到噪声的干扰，极大影响测试结果，严重时甚至会导致信号淹没在噪声中难以获取。

目前DAS系统的噪声抑制方法主要有以下几种：

第一种是数字累加平均处理技术，这种方法是光时域反射系统中应用最广泛的一种数据处理方法，具体实现过程是通过将多次测量结果进行求和然后再求平均来达到抑制噪声提取信号的目的。对于DAS系统来说，虽然数字累加平均处理技术容易实现，但是也存在会降低系统测试带宽、对非随机噪声抑制不明显以及需要长时间采集足够的数据样本等缺陷。

第二种是采用小波变换的方法对数据进行去噪处理，小波变换属于一种变换域处理方法，滤除噪声的基本原理是在小波域中，随着分解尺度的变化，有用信号和噪声的小波系数变化趋势不同，数值比较大的小波系数是由信号控制的，数值比较小的小波系数是由噪声控制的，这样就需要选取一个合适的阈值，把有用信号和噪声区分开来；但小波变换方法是一类线性模型，且其在选择基函数、确定阈值大小及分解程度方面不具有适应性，导致其应用被限制。

第三种是采用自适应滤波的方法，自适应滤波是一种被广泛应用的在恶劣环境下提取探测信息的信号处理技术，属于滤波域的一种处理方式，外界环境变化会导致DAS系统中的噪声产生变化，这会使得根据经验设计的固定阶数的滤波器会难以发挥作用，但自适应滤波系统有一路噪声信号作为参考，所以可以根据噪声的变化调整滤波参数和频率响应，从而保证比较好的滤波效果；

尽管基于这些信号处理的方法实现了较好的去噪效果，但是上述三种降噪算法在噪声种类繁多的φ-OTDR应用中，尚存在一些问题没有彻底解决，如算法中最优参数难以确定、低信噪比信号去噪不理想、去除噪声的同时会使信号丢失大量频率特征、实践应用中单位时间内需要处理的数据量呈若干数量级增加，这使得传统信号处理方案已然无法满足实际需求。

为了进一步推动分布式光纤传感技术在高灵敏、长距离领域发展和应用，迫切需要进一步优化降噪算法以便提高系统性能。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种分布式声波传感系统数据降噪方法、装置及存储介质。

本发明的目的可以通过以下技术方案来实现：

根据本发明的第一方面，提供了一种分布式声波传感系统数据降噪方法，该方法包括：

步骤S1，分布式声波传感系统的数据获取；

步骤S2，对步骤S1获取的数据进行预处理；

步骤S3，构建融合算法模型，该模型包括融合算法输入层、融合算法隐藏层和融合算法输出层；

步骤S4，采用步骤S3构建的融合算法模型对步骤S2预处理后的数据进行降噪处理。

作为优选的技术方案，所述的步骤S1具体为：

步骤S101，由分布式声波传感系统发出的被调制后的一个光脉冲信号，输入传感光纤；

步骤S102，从传感光纤内返回的光信号经处理后获得一次测量沿光纤分布的相位信息；

步骤S103，通过进行N次测量，形成由N条沿光纤分布的相位信息组成的二维曲线。

作为优选的技术方案，所述传感光纤为普通单模光纤、抗弯光纤、少模光纤或在以上光纤上刻栅的散射增强光纤。

作为优选的技术方案，所述的步骤S2具体为：

使用N×N光纤耦合器输出为N路信号，将其经过隔直模块后，再采用中心频率为Δf的带通滤波器滤出载波信号，在进行解调之前对信号进行降噪处理。

作为优选的技术方案，所述的N为2或3。当N为2时，光纤耦合器两路信号存在90°相位差，因此合并两路信号时需要将其中一路信号乘以-1再相加，对合并信号进行降噪处理后可以采用I/Q(Inphase/Quadrature,同相正交)相位解调或者希尔伯特变换(Hilbert)解调解调方法。当N＝3时，3×3耦合器的三路输出信号彼此之间的相位差为120°，进入降噪处理后可以选择DCM(Differential-cross-multiplying,DCM)解调、反正切解调、I/Q解调以及Hilbert解调方法。

作为优选的技术方案，所述的步骤S3中的融合算法输入层为单输入或者双输入。

作为优选的技术方案，所述的单输入为单帧信号或者长时间轴上的多帧信号，其中单帧信号作为神经网络的输入时仅对独立帧的信号进行学习，多帧信号作为网络的输入能够学习信号前后帧的关联。

作为优选的技术方案，所述多帧信号片段的帧数需大于等于探测脉冲的重频或目标信号最小频率，即每个信号片段至少包含一个最小频率的振动信号的完整周期。

作为优选的技术方案，所述的双输入为上一帧信号x_t-1和当前帧信号x_t的二维折叠矩阵，或者长时间轴上的前一个多帧信号片段X_{t-w:t-1}及其下一个多帧信号片段X_{t:t+w-1}的二维矩阵。

作为优选的技术方案，所述的步骤S3中的融合算法隐藏层包括自定义层、神经网络层和全连接层。

作为优选的技术方案，所述的神经网络层为卷积神经网络层、循环神经网络层或者循环神经网络层和循环神经网络层组合层。

作为优选的技术方案，所述的自定义层为小波变换方法时，其最佳分解尺度l、小波系数阈值λ和滤波器系数w为待学习的参量，在训练中通过学习这些参量以确定最优参数。

作为优选的技术方案，所述的自定义层为自适应滤波降噪方法时，其分解的阶数l和每阶的权重系数w作为待学习的参量，使l阶分解信号乘以各自的权重系数合成为滤波后的信号，并评估滤波后信号的能量损失E_loss向0靠近，R系数向1靠近。

作为优选的技术方案，所述的步骤S3中的融合算法隐藏层中使用CNN的形式包括视觉几何组模型和稠密网络模型。

作为优选的技术方案，所述的步骤S3中的融合算法输出层采用Huber误差损失函数计算训练中的回归问题。

根据本发明的第二方面，提供了一种分布式声波传感系统数据降噪装置，包括：

数据获取模块，用于分布式声波传感系统的数据获取；

预处理模块，用于对数据获取模块获取的数据进行预处理；

模型构建模块，用于构建融合算法模型，该模型包括融合算法输入层、融合算法隐藏层和融合算法输出层；

降噪模块，用于采用模型构建模块构建的融合算法模型对预处理模块预处理后的数据进行降噪处理。

根据本发明的第三方面，提供了一种分布式声波传感系统数据降噪装置，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，用于实现所述的分布式声波传感系统数据降噪方法。

根据本发明的第四方面，提供了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，实现所述的分布式声波传感系统数据降噪方法。

与现有技术相比，本发明具有以下优点：

1)本发明通过将传统降噪方法以自定义层的方式融合进深度学习算法中，利用传统降噪算法与深度学习的优势，获得更为高效的降噪算法，实现信号增强以及噪声抑制进而获得高信噪比的探测信号；

2)本发明通过学习的方式对多参数的传统降噪算法进行优化，构建基于深度学习的降噪算法，在即使只采集少量数据时也能实现快速高效降噪，获得高信噪比信号的同时减少数据降噪的时间成本。

附图说明

图1为信号采集的分布式声波传感系统框架的结构示意图；

图2(a)为两个探测器数据预处理的示意图；图2(b)为三个探测器数据预处理的示意图；

图3为单输入式传统降噪算法和循环神经网络或卷积神经网络的深度学习算法框架的示意图；

图4为单输入式传统降噪算法和循环神经网络以及卷积神经网络串联的深度学习算法框架的示意图；

图5为双输入式传统降噪算法和循环神经网络或卷积神经网络的深度学习算法框架的示意图；

图6为双输入式传统降噪算法和循环神经网络以及卷积神经网络串联的深度学习算法框架的示意图；

图7为同一根光纤反射的瑞利散射信号含噪和不含噪信号的示意图；

图8为单输入式深度神经网络输入输出模型的示意图；

图9为双输入式深度神经网络输入输出模型的示意图；

图10为本发明方法的流程图；

图11为本发明装置的功能模块示意图；

图12为本发明装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

针对传统降噪方法的最优参数难以确定和低信噪比信号去噪不理想等问题，本发明提供一种融合方法来对分布式声波传感系统获得数据进行降噪，不仅可以在去除噪声的同时保留有用信号，而且可以对噪声环境复杂的测试数据进行信号增强，提高信噪比。本发明方法具体包括以下步骤：

(1)分布式声波传感系统的数据获取

所述的分布式光纤传感系统，包括窄线宽激光器、声光调制器、光放大器、滤波器、光纤环形器、传感光纤、光电探测器。由传感系统发出的被调制后的一个光脉冲信号，输入传感光纤，从传感光纤内返回的光信号与本振光信号干涉外差探测后被转换为电信号，经过模数转换和数字信号处理后获得一次测量沿光纤分布的相位信息。通过进行N次测量，可以形成由N条沿光纤分布的相位信息组成的二维曲线。

更为优选的，所述传感光纤可以为普通单模光纤、抗弯光纤、少模光纤，以及在以上光纤上刻栅的散射增强光纤。

(2)数据预处理

在获得多路干涉信号后，对数据进行预处理。若使用2×2耦合器输出为2路信号则将其作差合为一路信号并经过中心频率为Δf的带通滤波器滤出载波信号；若使用3×3耦合器输出为3路信号则三路信号各自进行上述相同的滤波过程，最后将滤波所得数据用于监督式深度学习进行数据降噪处理。

(3)融合算法构建

融合算法是将传统降噪方法以自定义层的方式融合进深度学习算法中。深度神经网络可以简化为输入层、隐藏层和输出层的结构。将进入输入层的数据记为X，输出层输出的数据记为Y，则X，Y均为分布式声波传感系统采集后经带通滤波后的数据。X和Y可以是每帧信号序列折叠的二维矩阵，也可以是多帧信号序列堆叠而成的二维矩阵。前者对每一帧信号进行降噪操作，后者同时对多帧数据同步降噪。分布式声波传感系统中噪声表示为N，则神经网络的输入可以为高信噪比信号Y和系统噪声N相加，即X＝Y+N。

更为优选的，神经网络的输出标签Y的获取方式为，将一段低于1000m超低反射率光纤光栅串(FBG)作为传感光纤接入分布式声波传感系统，采集获得高信噪比的信号并将其作为神经网络的输出标签。

更为优选的，分布式声波传感系统噪声N的获取方式为，降低系统输出光脉冲的强度、去掉传感光纤的连接，只保证最低的模数转换输入。则可以获取系统底噪，将其叠加到高信噪比Y信号上即可得到神经网络的输入数据X。

(4)融合算法输入层

深度神经网络的输入X可以为单输入或者双输入。单输入可以为一帧信号或者长时间轴上的多帧信号，单帧信号作为神经网络的输入时仅对独立帧的信号进行学习，可以学习获取独立分布噪声的属性，无法获取噪声在长时间轴上的前后关联，其数据量大训练耗时；多帧信号作为网络的输入能够学习信号前后帧的关联，然而对于单帧去噪效果将有所下降，优势为数据处理耗时短，速度快。所述多帧信号片段的帧数需大于等于探测脉冲的重频/目标信号最小频率，即每个信号片段至少包含了一个最小频率的振动信号的完整周期。

更为优选的，所述网络的输入为双输入时，深度神经网络不仅能够学习单输入所具有的特征，也能综合学习多输入的特征提取更多的特征信号，进而具有更强的去噪能力以及更完整的信号保留。单帧作为输入可以是上一帧信号x_t-1和当前帧信号x_t的二维折叠矩阵，深度神经网络对具有前后帧关联的信号学习获得噪声的时间特性进而滤除更多的噪声得到高信噪比的信号y_t。多帧作为输入可以分别是长时间轴上的前一个多帧信号片段X_{t-w:t-1}及其下一个多帧信号片段X_{t:t+w-1}的二维矩阵.

(5)融合算法隐藏层

更为优选的，深度神经网络的隐藏层主要包括自定义层、卷积神经网络层、循环神经网络层以及全连接层。其中自定义层由传统降噪算法组成，可以为前面所述的小波变换和自适应滤波降噪算法。当自定义层为小波变换方法时，其最佳分解尺度l、小波系数阈值λ和滤波器系数w为待学习的参量，在训练中通过学习这些参量以确定最优参数。当自定义层为自适应滤波降噪方法时，其分解的阶数l和每阶的权重系数w作为待学习的参量，使l阶分解信号乘以各自的权重系数合成为滤波后的信号，并评估滤波后信号的能量损失E_loss向0靠近，R系数向1靠近。

更为优选的，自定义层为小波变换方法时，可以拆分为两个步骤，分别为小波分解和小波重构。输入图片I大小为2z×2n。

小波分解包含以下步骤：

1)初始化小波变换阶数为l，阈值λ和权重系数为w；

2)当阶数l不为0时，由权重系数w构造得到一组低通滤波器H(w)和高通滤波器G(w)；

3)采用这组分解滤波器H和G对二维信号I进行滤波分别得到m₁和m₂：

4)然后对输出结果进行下二采样，即按行(row)隔一取一来实现小波分解；

5)分解结果产生长度减半的两个部分。一个是经低通滤波器产生的原始信号的平滑部分rm₁，另一个则是经高通滤波器产生的原始信号细节部分rm₂。将rm₁和rm₂进行拼接得到rm，拼接后大小与I一致。

rm＝[rm₁,rm₂]

6)采用同一组分解滤波器H和G对二维信号rm进行滤波分别得到m₁和m₂：

7)然后对输出结果进行下二采样，即按列(colum)隔一取一来实现小波分解；

8)分解结果产生长度减半的两个部分cm₁和cm₂。将cm₁和cm₂拼接得到cm，拼接后大小与原图I大小一致。

cm＝[cm₁,cm₂]

9)执行阶数l减1，满足步骤1时，重复步骤2到8，直到阶数为0，得到最终的二维小波分解后的组合矩阵I_new＝cm，其中包含4幅子图，分别为近似矩阵LL、水平矩阵LH、垂直矩阵HL和对角矩阵HH。

10)评估噪声水平。由初始化阈值计算获得硬阈值和软阈值。首先将图像I_new拆分为4幅子图LL、LH、HL和HH；

11)拼接水平矩阵LH、垂直矩阵HL和对角矩阵HH后计算得到新阈值λ_new。

NL＝[HL,LH,HH]

12)小波分解后的图像I_new与新阈值λ_new通过以下公式得到硬阈值λ_hard和软阈值λ_soft；

λ_hard＝I_new×(|I_new|＞λ_new)

λ_soft＝[sign(I_new)×(|I_new|-λ_new)]×(|I_new|＞λ_new)

13)将硬阈值λ_hard和软阈值λ_soft分别执行小波重构，得到降噪后的图像I_denoise。由于对λ_hard和λ_soft小波重构过程一致，以下以I_λ表示硬/软阈值图像。

小波重构包含以下步骤：

14)与步骤1)相同，由权重系数w构造得到一组低通滤波器H(w)和高通滤波器G(w)，并将G从左至右翻转得到新的高通滤波器G_new；

G_new＝flip(G)

15)将图像I_λ拆分为4幅子图LL、LH、HL和HH；

16)当阶数l不为0时，执行以下过程。

17)将近似矩阵LL和水平矩阵LH组合为单个矩阵AH并按行采用隔一插一来实现上采样，插入矩阵为零矩阵；

AH＝[LL₁,0,LL₂,0,...,LL_z,0,LH₁,0,LH₂,0,...,LH_z]

18)将矩阵AH执行从左至右翻转后再经过低通滤波得到AH_new；

19)垂直矩阵HL和对角矩阵HH组合为单个矩阵VD并按行采用隔一插一来实现上采样，插入矩阵为零矩阵；

VD＝[HL₁,0,HL₂,0,...,HL_z,0,HH₁,0,HH₂,0,...,HH_z]

20)从左至右翻转矩阵VD后并经过高通滤波得到VD_new；

21)将步骤13和15滤波后的图片相加得到新的矩阵HG；

HG＝VD_new+AH_new

22)将HG翻转并按列拆分为大小一致的两部分，分别为CL和CH；

HG＝flip(HG)

CL＝HG(:,1:n)

CH＝HG(:,1+n:2×n)

23)进行上采样，按列采用隔一插一来实现上采样，插入矩阵为零矩阵；

CL＝[CL₁,0,CL₂,0,...,CL_n,0]

CH＝[CH₁,0,CH₂,0,...,CH_n,0]

24)各自翻转后分别经过低通和高通滤波

25)相加后翻转矩阵得到去噪图像I_denoise。

I_denoise＝flip(CL_new+CH_new)

26)阶数l减1，满足步骤16时，重复步骤16到25，直到阶数为0，得到二维小波重构后的最终降噪图片I_denoise。

27)自定义层包含步骤1至步骤26，将该自定义层得到的降噪图像继续执行后续神经网络层进一步降噪，训练过程中评估损失函数，在不断训练过程中优化最佳分解尺度l、小波系数阈值λ和滤波器系数w。

更为优选的，当自定义层为自适应滤波降噪，将其过程实现后经该层降噪获得降噪图像I_denoise。在神经网络的损失函数中加入降噪后的图像I_denoise与原图像I比较后计算获得的能量损失E_loss和相关系数R。训练过程通过训练分解的阶数l、权重系数w使能量损失向0靠近，R系数向1靠近。

更为优选的，深度神经网络隐藏层中使用CNN的形式包括视觉几何组(VisualGeometry Group，VGG)模型和稠密网络(DenseNet)模型。VGGNet具有三方面的优势：1)更强的非线性表达能力；2)参数量大幅度减少；3)可迁移性强。而DenseNet具有的优势为：1)更高的计算效率，即只需学习非常少的特征图，而一些冗余的特征图不必再次学习。2)特征重用或特征复用，DenseNet的跳跃连接模式使每一层都可以访问前面所有层的特征映射，还能有效缓解了梯度弥散和模型退化的问题。3)隐式深度监督。

进一步地，深度神经网络隐藏层还包含池化层、激活函数层、批量归一化层。

(6)融合算法输出层

进一步的输出层使用Huber误差损失函数计算训练中的回归问题。

以下通过对图1实例的介绍来描述本发明中传感系统的构建方法以及工作方式。应当理解，此处所描述的示例仅用于解释本发明，并不用于限定本发明所申请保护的内容。同时，以下示例中描述的实施方式只要在技术上不构成冲突，便可互相结合使用。

图1所示为后向瑞利散射信号探测的相位型光时域反射系统(φ-OTDR)，分别为窄线宽激光器1、第一光纤耦合器2、声光调制器3、声光调制器驱动4、第一掺饵光纤光放大器5、第一带通滤波器6以及光纤环形器7，光脉冲经过该路径注入光纤环形器一端口后从二端口注入传感光纤8，从传感光纤反射回的瑞利散射信号回到光纤环形器二端口，并从光纤环形器三端口输出瑞利反射信号，之后该信号依次经第二掺饵光纤光放大器9、第二带通滤波器10后与从窄线宽激光器1发出并经由传输本振光光纤11传输的光，经偏振控制器12后在第二n×n耦合器13发生耦合，从耦合器的n个输出端口分别输出进入n个光电探测器14，最后n路探测信号被数据采集系统15记录并保存以作后续数据处理。

图2为采集后的数据预处理过程，两个探测器探测得到相位差为180°的两路信号，将两路信号相减即可获得等效于两路平均后的信号，将此信号滤波后用于接下来的信号降噪处理流程如图2(a)。采用三个探测器探测得到相位差为120°的三路信号，经隔直模块去直流后滤波，用于接下来的信号降噪处理流程如图2(b)。

图3为信号降噪的算法流程示例。图中a、c、d、f、g分别为输入层、自定义层、循环神经网络层或卷积神经网络层及它们的变形、全连接层以及输出层。

图4为信号降噪的算法流程示例。图中a、c～g分别为输入层、自定义层、循环神经网络层及其变形、卷积神经网络层及其变形、全连接层以及输出层。其中循环神经网络层和卷积神经网络层位置可以互换。

图5为信号降噪的算法流程示例。图中a～d、f～g分别为输入层的输入1和输入2、自定义层、循环神经网络层或卷积神经网络层及它们的变形、全连接层以及输出层。

图6为信号降噪的算法流程示例。图中a～g分别为输入层的输入1和输入2、自定义层、循环神经网络层及其变形、卷积神经网络层及其变形、全连接层以及输出层。其中循环神经网络层和卷积神经网络层位置可以互换。

图7为同一根光纤反射回的瑞利散射信号。其中实线为低噪声信号，由于信噪比高可看作不含噪信号，虚线为含噪信号。

图8为单输入降噪模型。输入降噪算法进行操作的数据均为二维数据，其可以为一帧数据的折叠，如图8的(a)所示，也可以为多帧数据在长时间轴上的堆叠，如图8的(b)所示。输出为与之对应降噪后的信号。

图9为双输入降噪模型。输入降噪算法进行操作的数据均为二维数据，其可以为一帧数据的折叠，如图9的(a)所示，也可以为多帧数据在长时间轴上的堆叠，如图9的(b)所示。若输入为单帧数据，则两个输入分别为前一帧时间信号x_t-1和当前时间信号x_t。输出为当前帧的降噪信号y_t。若输入为多帧数据二维图，则两个输入分别为前后相邻时间片段信号X_{t-w:t-1}和X_{t:t+w-1}。输出为当前一个时间片段的降噪信号Y_{t:t+w-1}。

以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方案进行进一步说明。

如图11所示，一种分布式声波传感系统数据降噪装置，包括：

数据获取模块100，用于分布式声波传感系统的数据获取；

预处理模块200，用于对数据获取模块获取的数据进行预处理；

模型构建模块300，用于构建融合算法模型，该模型包括融合算法输入层、融合算法隐藏层和融合算法输出层；

降噪模块400，用于采用模型构建模块构建的融合算法模型对预处理模块预处理后的数据进行降噪处理。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本发明还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图10提供的一种分布式声波传感系统数据降噪方法。

本发明还提供了图12所示的一种对应于图10的分布式声波传感系统数据降噪装置的示意结构图。如图12所述，在硬件层面，该分布式声波传感系统数据降噪装置包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图10所述的数据采集的方法。当然，除了软件实现方式之外，本发明并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(ProgrammableLogic Device,PLD)(例如现场可编程门阵列(Field Programmable Gate Array，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware DescriptionLanguage，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced BooleanExpression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java HardwareDescription Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware DescriptionLanguage)等，目前最普遍使用的是VHDL(Very-High-Speed Integrated CircuitHardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、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存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。

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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (18)

1.一种分布式声波传感系统数据降噪方法，其特征在于，该方法包括：

步骤S1，分布式声波传感系统的数据获取；

步骤S2，对步骤S1获取的数据进行预处理；

步骤S3，构建融合算法模型，该模型包括融合算法输入层、融合算法隐藏层和融合算法输出层；

步骤S4，采用步骤S3构建的融合算法模型对步骤S2预处理后的数据进行降噪处理。

2.根据权利要求1所述的一种分布式声波传感系统数据降噪方法，其特征在于，所述的步骤S1具体为：

步骤S101，由分布式声波传感系统发出的被调制后的一个光脉冲信号，输入传感光纤；

步骤S102，从传感光纤内返回的光信号经处理后获得一次测量沿光纤分布的相位信息；

步骤S103，通过进行N次测量，形成由N条沿光纤分布的相位信息组成的二维曲线。

3.根据权利要求2所述的一种分布式声波传感系统数据降噪方法，其特征在于，所述传感光纤为普通单模光纤、抗弯光纤、少模光纤或在以上光纤上刻栅的散射增强光纤。

4.根据权利要求1所述的一种分布式声波传感系统数据降噪方法，其特征在于，所述的步骤S2具体为：

使用N×N光纤耦合器输出为N路信号，将其经过隔直模块后，再采用中心频率为Δf的带通滤波器滤出载波信号。

5.根据权利要求4所述的一种分布式声波传感系统数据降噪方法，其特征在于，所述的N为2或3。

6.根据权利要求1所述的一种分布式声波传感系统数据降噪方法，其特征在于，所述的步骤S3中的融合算法输入层为单输入或者双输入。

7.根据权利要求6所述的一种分布式声波传感系统数据降噪方法，其特征在于，所述的单输入为单帧信号或者长时间轴上的多帧信号，其中单帧信号作为神经网络的输入时仅对独立帧的信号进行学习，多帧信号作为网络的输入能够学习信号前后帧的关联。

8.根据权利要求7所述的一种分布式声波传感系统数据降噪方法，其特征在于，所述多帧信号片段的帧数需大于等于探测脉冲的重频或目标信号最小频率，即每个信号片段至少包含一个最小频率的振动信号的完整周期。

9.根据权利要求6所述的一种分布式声波传感系统数据降噪方法，其特征在于，所述的双输入为上一帧信号x_t-1和当前帧信号x_t的二维折叠矩阵，或者长时间轴上的前一个多帧信号片段X_{t-w:t-1}及其下一个多帧信号片段X_{t:t+w-1}的二维矩阵。

10.根据权利要求1所述的一种分布式声波传感系统数据降噪方法，其特征在于，所述的步骤S3中的融合算法隐藏层包括自定义层、神经网络层和全连接层。

11.根据权利要求10所述的一种分布式声波传感系统数据降噪方法，其特征在于，所述的神经网络层为卷积神经网络层、循环神经网络层或者循环神经网络层和循环神经网络层组合层。

12.根据权利要求10所述的一种分布式声波传感系统数据降噪方法，其特征在于，所述的自定义层为小波变换方法时，其最佳分解尺度l、小波系数阈值λ和滤波器系数w为待学习的参量，在训练中通过学习这些参量以确定最优参数。

13.根据权利要求10所述的一种分布式声波传感系统数据降噪方法，其特征在于，所述的自定义层为自适应滤波降噪方法时，其分解的阶数l和每阶的权重系数w作为待学习的参量，使l阶分解信号乘以各自的权重系数合成为滤波后的信号，并评估滤波后信号的能量损失E_loss向0靠近，R系数向1靠近。

14.根据权利要求1所述的一种分布式声波传感系统数据降噪方法，其特征在于，所述的步骤S3中的融合算法隐藏层中使用CNN的形式包括视觉几何组模型和稠密网络模型。

15.根据权利要求1所述的一种分布式声波传感系统数据降噪方法，其特征在于，所述的步骤S3中的融合算法输出层采用Huber误差损失函数计算训练中的回归问题。

16.一种分布式声波传感系统数据降噪装置，其特征在于，包括：

数据获取模块，用于分布式声波传感系统的数据获取；

预处理模块，用于对数据获取模块获取的数据进行预处理；

模型构建模块，用于构建融合算法模型，该模型包括融合算法输入层、融合算法隐藏层和融合算法输出层；

降噪模块，用于采用模型构建模块构建的融合算法模型对预处理模块预处理后的数据进行降噪处理。

17.一种分布式声波传感系统数据降噪装置，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1-15中任一项所述的分布式声波传感系统数据降噪方法。

18.一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1-15中任一项所述的分布式声波传感系统数据降噪方法。

Images