CN117290669B - 基于深度学习的光纤温度传感信号降噪方法、装置和介质 - Google Patents
基于深度学习的光纤温度传感信号降噪方法、装置和介质 Download PDFInfo
- Publication number
- CN117290669B CN117290669B CN202311575111.0A CN202311575111A CN117290669B CN 117290669 B CN117290669 B CN 117290669B CN 202311575111 A CN202311575111 A CN 202311575111A CN 117290669 B CN117290669 B CN 117290669B
- Authority
- CN
- China
- Prior art keywords
- noise reduction
- raman scattering
- gaussian
- temperature sensing
- noise
- 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
- 230000009467 reduction Effects 0.000 title claims abstract description 211
- 238000000034 method Methods 0.000 title claims abstract description 82
- 239000013307 optical fiber Substances 0.000 title claims abstract description 55
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 126
- 238000001069 Raman spectroscopy Methods 0.000 claims abstract description 115
- 239000000203 mixture Substances 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 30
- 230000004913 activation Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 5
- 238000002156 mixing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 230000006872 improvement Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000012935 Averaging Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 239000000835 fiber Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000000253 optical time-domain reflectometry Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000012209 synthetic fiber Substances 0.000 description 1
- 229920002994 synthetic fiber Polymers 0.000 description 1
- 238000010189 synthetic method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
- G01K11/32—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using changes in transmittance, scattering or luminescence in optical fibres
- G01K11/324—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using changes in transmittance, scattering or luminescence in optical fibres using Raman scattering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measuring Temperature Or Quantity Of Heat (AREA)
Abstract
本发明涉及基于深度学习的光纤温度传感信号降噪方法、装置和介质,方法包括:获取不同温度场景的光纤分布式拉曼温度传感数据,并生成随机的噪声数据,生成第一训练集;将第一训练集输入降噪网络进行训练,得到第一降噪模型;将不同的温度值数据整合为第二训练集,基于第二训练集训练高斯混合模型,得到训练完成的高斯降噪模型;获取光纤的光源产生的实际拉曼散射信号,将实际拉曼散射信号输入第一降噪模型,得到降噪后的实际温度传感数据,将对应的实际温度值数据输入高斯降噪模型,得到降噪后温度值数据。与现有技术相比,本发明具有保证光纤温度信号的降噪效果的同时降低信号平均的次数等优点。
Description
技术领域
本发明涉及光纤传感信号处理的技术领域,尤其是涉及基于深度学习的光纤温度传感信号降噪方法、装置和介质。
背景技术
基于拉曼散射的分布式温度传感(RDTS)技术具有完全分布式测量、长距离测量、免疫电磁辐射、实时连续监测和低成本等显著优势。它被广泛应用于温度检测领域,包括管道泄漏检测、核工业和电力电缆监测等。然而,在实际应用中,由于感测信号较弱,系统中光学和电子设备所产生的噪声显著影响了RDTS系统的性能。
许多研究人员在降噪技术方面进行了深入的研究,以改善RDTS系统的性能。RDTS系统中的噪声主要是由白噪声组成,它来自于光学信号传输过程中的各种干扰源和噪声源。为了准确测量温度,必须将这些干扰源和噪声从信号中有效分离出来。目前,传统的降噪方法主要包括基于短时傅里叶变换(STFT)和离散小波变换(DWT)的方法。短时傅里叶变换通过将信号分成多个子窗口,并对每个子窗口进行傅里叶变换,从而获得频域信息。然而,这种方法的计算量较大,对硬件资源要求较高,且在复杂信号环境下,往往无法有效分离信号和噪声。离散小波变换是另一种常用的降噪方法,它通过对信号进行分解和重构,将信号分解为不同频率的小波系数。然而,这种方法需要手动选择合适的小波基和信号分解层级,这对操作者的经验和专业知识有较高的要求。而且,在高噪声环境下,离散小波变换也往往无法很好地提取出信号中的有价值信息,导致信号质量下降。因此,对于RDTS系统的降噪性能而言,传统的降噪方法存在一定的局限性和不足之处。
传统的RDTS信号降噪方法中,多帧信号平均是一种常用的技术。这种方法基于以下原理:通过多次重复测量同一个光纤段,并将得到的多个信号进行平均,可以降低信号中的噪声,提高信号的信噪比。然而,多帧平均方法也存在一些缺点:时间开销:多帧平均需要进行多次重复测量,并对得到的信号进行叠加处理,因此需要更多的时间来获取最终结果。这对于需要实时性的应用来说可能不太适用。功耗增加:多次测量和信号叠加会增加系统的功耗,特别是在长时间的监测和大范围的光纤网络中,可能会引入额外的能耗和成本。
现有的人工智能算法中,对光纤温度传感信号的降噪还提出一种一维深度卷积神经网络(1DDCNN)的降噪方法,但是,一维深度卷积神经网络需要至少进行4,000次信号平均,相当于0.4秒或更长的平均时间,才能通过应用1DDCNN降噪模型获得显著的性能提升,而如果采用下采样双网络(DSCN)模型,模型的复杂性较高,需要大量的计算资源和内存支持,这给其实际应用带来了挑战。
综上所述,目前的温度传感信号的降噪方法中,信号平均的次数多的方法虽然保证了降噪的效果,但是系统成本高,效率低,而反之,次数少的方法虽然降噪效率高,得到的降噪的效果却比较差,现有的方法无法平衡多帧信号平均的次数和降噪的效果。
发明内容
本发明的目的就是为了保证光纤温度信号的降噪效果的同时降低信号平均的次数而提供的一种基于深度学习的光纤温度传感信号降噪方法、装置和介质。
本发明的目的可以通过以下技术方案来实现:
一种基于深度学习的光纤温度传感信号降噪方法,方法包括:
获取不同温度场景的光纤分布式拉曼温度传感数据,并生成随机的噪声数据,将不同的温度传感数据和不同的噪声数据相加,生成第一训练集;
将第一训练集输入降噪网络进行训练,得到第一降噪模型;
将不同的温度值数据整合为第二训练集,基于第二训练集训练高斯混合模型,得到训练完成的高斯降噪模型;
获取光纤的光源产生的实际拉曼散射信号,将实际拉曼散射信号输入第一降噪模型,得到降噪后的实际温度传感数据,对降噪后的实际温度传感数据进行解调,得到实际温度值数据,将实际温度值数据作为一维时间序列信号输入高斯降噪模型,得到降噪后温度值数据。
进一步地,所述温度传感数据包括斯托克斯拉曼散射信号和反斯托克斯拉曼散射信号,
获取不同温度场景的光纤分布式拉曼温度传感数据,并生成随机的噪声数据,将不同的温度传感数据和不同的噪声数据相加,生成第一训练集的具体步骤为:
设置不同温度场景,获取与温度场景对应的多组斯托克斯拉曼散射信号和反斯托克斯拉曼散射信号,对斯托克斯拉曼散射信号和反斯托克斯拉曼散射信号分别进行信号平均值处理,然后生成与温度传感数据的噪声强度对应的高斯白噪声,将平均后的斯托克斯拉曼散射信号和反斯托克斯拉曼散射信号分别与对应的高斯白噪声相加,得到第一训练集。
进一步地,将第一训练集输入降噪网络进行训练,得到第一降噪模型的具体步骤为:
将第一训练集分为斯托克斯拉曼散射信号的训练集和反斯托克斯拉曼散射信号的训练集,将两个训练集分别输入两个相同的降噪网络进行训练,生成斯托克斯拉曼散射信号对应的第一降噪模型和反斯托克斯拉曼散射信号对应的第一降噪模型。
进一步地,降噪网络包括输入层、中间层和输出层,将两个训练集分别输入两个相同的降噪网络进行训练的具体步骤为:
两个第一训练集依次经过对应的降噪网络的输入层、中间层和输出层,基于输出层输出的数据计算损失函数,基于损失函数训练对应的降噪网络,重复上述步骤直至完成训练。
进一步地,输入层包括一层卷积层和一个激活层,中间层包括18层子网络,每层子网络包括一个卷积层、一个批归一化层和一个激活层,输出层包括一个卷积层,
第一训练集依次经过输入层、中间层和输出层时,先经过输入层中的卷积层和激活层,然后经过中间层的每层子网络,再经过输出层的卷积层。
进一步地,将实际拉曼散射信号输入第一降噪模型,得到降噪后的实际温度传感数据的具体步骤为:
将实际拉曼散射信号中的斯托克斯拉曼散射信号输入斯托克斯拉曼散射信号对应的第一降噪模型,将实际拉曼散射信号中的反斯托克斯拉曼散射信号输入反斯托克斯拉曼散射信号对应的第一降噪模型,两个第一降噪模型的输出组合为降噪后的实际温度传感数据。
进一步地,基于第二训练集训练高斯混合模型,得到训练完成的高斯降噪模型的具体步骤为:
A1、初始化高斯混合模型的参数,参数/>包括高斯分量的先验概率、均值和方差,将初始化的先验概率、均值和方差作为当前参数;
A2、基于当前参数计算隐参数概率;
A3、最大化似然函数的期望Q,迭代的次数加1,并得到更新后的参数,将更新后的参数作为新的当前参数,重复A2和A3,直至满足迭代条件,得到训练完成的高斯降噪模型。
进一步地,隐参数概率为:
其中,为第k个高斯分量的先验概率,/>表示第i个第二训练集中的数据,/>表示第k个高斯分量的均值,/>表示第k个高斯分量的方差,N表示第k个高斯分量的概率密度,t表示当前迭代次数。
进一步地,似然函数的期望为第二训练集的完全数据的对数似然函数的期望,似然函数的期望具体为:
.其中,d表示样本的特征维度,T表示转置,表示当前的参数。
进一步地,更新后的参数具体为:
其中,t+1表示下一次的迭代次数。
进一步地,满足迭代条件为:满足相邻两次迭代的高斯混合模型的参数之间的差小于第一阈值,或满足相邻两次迭代的似然函数的期望Q之间的差小于第二阈值。
进一步地,将实际温度值数据作为一维时间序列信号输入高斯降噪模型,得到降噪后温度值数据的具体步骤为:
高斯降噪模型对一维时间序列信号进行噪声分离,得到每个信号点在每个高斯分量的概率,基于信号点在每个高斯分量的概率得到降噪后温度值数据。
进一步地,每个高斯分量的概率为:
其中,表示第m个高斯分量的概率,/>表示一维时间序列信号第n个信号点,/>表示第m个高斯分量的混合系数,K表示高斯降噪模型的高斯分量总数,/>表示高斯分量的概率密度,/>表示第m个高斯分量的均值,/>为第m个高斯分量的方差。
进一步地,降噪后温度值数据为:
表示降噪后温度值数据第n个数据点。
本发明的另一方面,还提出一种基于深度学习的光纤温度传感信号降噪装置,装置包括:第一训练集生成模块、第一降噪模型生成模块、高斯降噪模型生成模块、实际温度传感数据降噪模块和温度值数据降噪模块;
其中,第一训练集生成模块用于获取不同温度场景的光纤分布式拉曼温度传感数据,并生成随机的噪声数据,将不同的温度传感数据和不同的噪声数据相加,生成第一训练集;
第一降噪模型生成模块用于将第一训练集输入降噪网络进行训练,得到第一降噪模型;
高斯降噪模型生成模块用于将不同的温度值数据整合为第二训练集,基于第二训练集训练高斯混合模型,得到训练完成的高斯降噪模型;
实际温度传感数据降噪模块用于获取光纤的光源产生的实际拉曼散射信号,将实际拉曼散射信号输入第一降噪模型,得到降噪后的实际温度传感数据;
温度值数据降噪模块用于对降噪后的实际温度传感数据进行解调,得到实际温度值数据,将实际温度值数据作为一维时间序列信号输入高斯降噪模型,得到降噪后温度值数据。
本发明的另一方面,还提出一种基于深度学习的光纤温度传感信号降噪装置,装置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,用于实现上述的基于深度学习的光纤温度传感信号降噪方法。
本发明的另一方面,还提出一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述的基于深度学习的光纤温度传感信号降噪方法。
与现有技术相比,本发明具有以下有益效果:
本发明结合降噪网络训练得到的第一降噪模型,以及高斯混合模型训练得到的高斯降噪模型,能够有效地剥离系统噪声的高信噪比信号,降噪时,信号平均值的平均次数较低,平均时间短的情况下实现有效高效的信号降噪,同时保证温度分辨率较高,保障了光纤温度信号的降噪效果。
附图说明
图1为本发明的流程图;
图2为本发明的第一降噪模型结构图;
图3为原始信号、只采用一维深度卷积神经网络降噪,和采用本发明的方法降噪的效果对比图;
图4为本发明的装置结构图;
图5为本发明的另一种装置的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
为实现有效高效的信号降噪,同时保证温度分辨率,本发明提出一种基于深度学习的光纤温度传感信号降噪方法,方法的流程图如图1所示。方法的具体步骤为:
获取不同温度场景的光纤分布式拉曼温度传感数据,并生成随机的噪声数据,将不同的温度传感数据和不同的噪声数据相加,生成第一训练集;
将第一训练集输入降噪网络进行训练,得到第一降噪模型;
将不同的温度值数据整合为第二训练集,基于第二训练集训练高斯混合模型,得到训练完成的高斯降噪模型;
获取光纤的光源产生的实际拉曼散射信号,将实际拉曼散射信号输入第一降噪模型,得到降噪后的实际温度传感数据,对降噪后的实际温度传感数据进行解调,得到实际温度值数据,将实际温度值数据作为一维时间序列信号输入高斯降噪模型,得到降噪后温度值数据。
其中,温度传感数据包括斯托克斯拉曼散射信号和反斯托克斯拉曼散射信号。
获取不同温度场景的光纤分布式拉曼温度传感数据,并生成随机的噪声数据,将不同的温度传感数据和不同的噪声数据相加,生成第一训练集的具体步骤为:
设置不同温度场景,获取与温度场景对应的多组斯托克斯拉曼散射信号和反斯托克斯拉曼散射信号,对斯托克斯拉曼散射信号和反斯托克斯拉曼散射信号分别进行信号平均值处理,然后生成与温度传感数据的噪声强度对应的高斯白噪声,将平均后的斯托克斯拉曼散射信号和反斯托克斯拉曼散射信号分别与对应的高斯白噪声相加,得到第一训练集。
斯托克斯拉曼散射信号和反斯托克斯拉曼散射信号和光纤传感温度的关系式如下:
其中,h为普朗克常量,c为光速,k为玻尔兹曼常数,λ为两个拉曼散射分量的波长,为拉曼频移,T为光纤位置L处的温度。
然后针对每组温度下的斯托克斯(Stokes)和反斯托克斯(anti-Stokes)信号,进行平均处理,在一些实施例中,每100帧信号的信号平均值处理,获得平均后的斯托克斯(Stokes)和反斯托克斯(anti-Stokes)信号。获取不同温度场景的光纤分布式拉曼温度传感数据的过程中采集从室温(25℃)下开始加热至85℃,以5℃为温度梯度的斯托克斯(Stokes)和反斯托克斯(anti-Stokes)信号。
也可以通过合成方法生成合成的光纤分布式拉曼温度传感数据,以创建大量的训练数据。合成方法通过模拟不同温度场景和噪声特征来生成具有多样性的光纤分布式拉曼温度传感数据,合成数量为10000条。针对合成的信号中每组温度下的斯托克斯(Stokes)和反斯托克斯(anti-Stokes)信号,进行平均处理,在一些实施例中,每100帧信号的信号平均值处理,获得平均后的斯托克斯(Stokes)和反斯托克斯(anti-Stokes)信号。不同温度场景的传感数据,通过强度范围为0到1的随机数构成,强度一致性长度为1到41之间的随机数,以此来模拟光纤任意位置都有可能发生的温度传感活动。
其中,强度一致性边界长度为41的设置是根据本发明的降噪网络的参数设置,当卷积网络每一层的卷积核大小设置相同时,其计算公式为:
R为强度一致性边界长度,k为网络的卷积核大小,n为网络层数。
其中,基于信号噪声的强度大小,生成大小匹配的高斯白噪声。将噪声数据和温度传感进行相加,生成模拟的带噪传感数据,也就是第一训练集。将噪声数据作为模型训练的标签数据。将数据集按照8:2划分,第一训练集分成训练数据集和测试数据集。
将第一训练集输入降噪网络进行训练,得到第一降噪模型的具体步骤为:
将第一训练集分为斯托克斯拉曼散射信号的训练集和反斯托克斯拉曼散射信号的训练集,将两个训练集分别输入两个相同的降噪网络进行训练,生成斯托克斯拉曼散射信号对应的第一降噪模型和反斯托克斯拉曼散射信号对应的第一降噪模型。
第一降噪模型结构图如图2所示。其中,降噪网络包括输入层、中间层和输出层,将两个训练集分别输入两个相同的降噪网络进行训练的具体步骤为:
两个第一训练集依次经过对应的降噪网络的输入层、中间层和输出层,基于输出层输出的数据计算损失函数,基于损失函数训练对应的降噪网络,重复上述步骤直至完成训练。
输入层包括一层卷积层和一个激活层,中间层包括18层子网络,每层子网络包括一个卷积层、一个批归一化层和一个激活层,输出层包括一个卷积层,
第一训练集依次经过输入层、中间层和输出层时,先经过输入层中的卷积层和激活层,然后经过中间层的每层子网络,再经过输出层的卷积层。
降噪网络中,包括,输入层:接收一维的拉曼光时域反射(Raman-OTDR)信号作为网络的输入;卷积层:通过滑动窗口对输入信号进行局部特征提取;批归一化层,批归一化层用于对卷积层的输出进行归一化处理,加速网络的训练过程;激活层:使用修正线性单元(ReLU)作为激活函数,ReLU函数能够增强网络的非线性表达能力,提取更复杂的特征;池化层:池化层用于减小特征图的尺寸,降低计算复杂度,并提取更加抽象的特征;输出层:输出层的神经元数量与输入信号的维度相匹配,用于生成降噪后的拉曼散射的分布式温度传感(RDTS)信号。
降噪网络具体的网络结构为:
输入层由一层卷积层和一个激活层构成,卷积核大小设置为3;
中间层由18层网络构成,每层网络由一个卷积层、一个批归一化层和一个激活层构成;
输出层由一个卷积层构成,卷积核大小设置为3。
输入层和输出层通道数设置为1,中间层通道数设置为64或者128。
激活层为“ReLU”函数,表达式如下:
降噪网络的模型训练过程中的损失函数为
计算模型输出的噪声和实际噪声的损失函数(Loss)值。通过自适应矩估计(Adam)优化器对算法中的参数进行更新迭代,获得最优化损失值下的降噪网络,得到第一降噪模型。第一降噪模型由斯托克斯拉曼散射信号对应的第一降噪模型和反斯托克斯拉曼散射信号对应的第一降噪模型组成。
然后基于第二训练集训练高斯混合模型,得到训练完成的高斯降噪模型的具体步骤为:
初始化高斯混合模型的参数,参数/>包括高斯分量的先验概率、均值和方差,将初始化的先验概率、均值和方差作为当前参数;
基于当前参数计算隐参数概率;
最大化似然函数的期望Q,迭代的次数加1,并得到更新后的参数,将更新后的参数作为新的当前参数,重复上述步骤,直至满足迭代条件,得到训练完成的高斯降噪模型。
高斯降噪模型可以将数据划分为混合高斯分布的组合:
其中,是观测到的信号的概率密度函数,k是高斯分量的个数,/>是第k个高斯分量的先验概率,/>和/>是第i个高斯分量的均值和方差。其中:/>。
高斯混合模型的训练方法为EM算法进行迭代:
迭代开始时,算法先初始化一组参数值,然后间隔地更新目标参数/>和隐参数概率/>。迭代的目标函数最大化似然函数的期望Q为:
执行E步骤。利用矩阵运算,更新隐参数和目标函数。
执行M步骤,最大化似然函数的期望Q,求解新的多变量高斯分布的参数,均值矩阵/>和方差矩阵/>:
满足迭代条件为:满足相邻两次迭代的高斯混合模型的参数之间的差小于第一阈值,或满足相邻两次迭代的似然函数的期望Q之间的差小于第二阈值。
两个模型都训练完成后,进行实际的信号降噪。首先获取光纤的光源产生的实际拉曼散射信号,将实际拉曼散射信号输入第一降噪模型,得到降噪后的实际温度传感数据。将实际拉曼散射信号输入第一降噪模型,得到降噪后的实际温度传感数据的具体步骤为:
将实际拉曼散射信号中的斯托克斯拉曼散射信号输入斯托克斯拉曼散射信号对应的第一降噪模型,将实际拉曼散射信号中的反斯托克斯拉曼散射信号输入反斯托克斯拉曼散射信号对应的第一降噪模型,两个第一降噪模型的输出组合为降噪后的实际温度传感数据。
然后对降噪后的实际温度传感数据进行解调,得到实际温度值数据,将实际温度值数据作为一维时间序列信号输入高斯降噪模型,得到降噪后温度值数据。
输入高斯降噪模型后,对待降噪的一维时间序列信号进行噪声分离,分离方式为计算每个信号点在每个高斯分量的概率:
是/>在第i个高斯分量中的概率,/>是第j个高斯分量的混合系数,/> 和是第i个高斯分量的均值和方差。
然后输出最终降噪后的温度值数据,对于每个时间点,最终的降噪信号值为:
其中,为降噪信号值,/>是/>在第i个高斯分量中的概率,/>是第i个高斯分量的均值。
下面进行实验的验证:
以55℃温度传感信号为例,在2km光纤的中间和尾端施加55°的温度。将得到的斯托克斯(Stokes)和反斯托克斯(anti-Stokes)信号经过第一降噪模型的降噪后解调为温度值,再通过高斯降噪模型降噪,得到温度值。原始信号对应的温度值、只采用一维深度卷积神经网络降噪得到的温度值,和采用本发明的方法得到的温度值对比图如图3所示。
实验中,高斯白噪声的设置为:反斯托克斯信号对应的第一降噪模型的高斯白噪声强度为标准差为0.0042,斯托克斯信号对应的第一降噪模型的高斯白噪声强度为标准差为0.0041。
第一降噪模型的网络设置为,输入层和输出层通道数设置为1,中间层通道数设置为64,卷积核大小设置为3,批处理(batch_size)大小为64,自适应矩估计(Adam)优化器学习率为0.0001,权重衰减设置为5e-3,训练轮数为300,高斯混合模型的高斯分量数量k设置为15。由图3可知,通过本发明的方法,可以有效地实现传感信号降噪,生成高信噪比的传感信号。
实施例2
本发明还提出一种基于深度学习的光纤温度传感信号降噪装置,装置包括:第一训练集生成模块、第一降噪模型生成模块、高斯降噪模型生成模块、实际温度传感数据降噪模块和温度值数据降噪模块;
其中,第一训练集生成模块用于获取不同温度场景的光纤分布式拉曼温度传感数据,并生成随机的噪声数据,将不同的温度传感数据和不同的噪声数据相加,生成第一训练集;
第一降噪模型生成模块用于将第一训练集输入降噪网络进行训练,得到第一降噪模型;
高斯降噪模型生成模块用于将不同的温度值数据整合为第二训练集,基于第二训练集训练高斯混合模型,得到训练完成的高斯降噪模型;
实际温度传感数据降噪模块用于获取光纤的光源产生的实际拉曼散射信号,将实际拉曼散射信号输入第一降噪模型,得到降噪后的实际温度传感数据;
温度值数据降噪模块用于对降噪后的实际温度传感数据进行解调,得到实际温度值数据,将实际温度值数据作为一维时间序列信号输入高斯降噪模型,得到降噪后温度值数据。
装置的结构图如图4所示。装置实现实施例1中的方法。
实施例3
本发明还提出一种基于深度学习的光纤温度传感信号降噪装置,装置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,用于实现实施例1中的方法。装置的结构图如图5所示。
在硬件层面,基于深度学习的光纤温度传感信号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1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(logic compiler)”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(HardwareDescription Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(AdvancedBoolean Expression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(JavaHardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby HardwareDescription Language)等,目前最普遍使用的是VHDL(Very-High-Speed IntegratedCircuit Hardware 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。
实施例4
本发明还提出一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现实施例1中的基于深度学习的光纤温度传感信号降噪方法。
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 (12)
1.一种基于深度学习的光纤温度传感信号降噪方法,其特征在于,方法包括:
获取不同温度场景的光纤分布式拉曼温度传感数据,并生成随机的噪声数据,将不同的温度传感数据和不同的噪声数据相加,生成第一训练集;
将第一训练集输入降噪网络进行训练,得到第一降噪模型;
将不同的温度值数据整合为第二训练集,基于第二训练集训练高斯混合模型,得到训练完成的高斯降噪模型;
获取光纤的光源产生的实际拉曼散射信号,将实际拉曼散射信号输入第一降噪模型,得到降噪后的实际温度传感数据,对降噪后的实际温度传感数据进行解调,得到实际温度值数据,将实际温度值数据作为一维时间序列信号输入高斯降噪模型,得到降噪后温度值数据;
所述温度传感数据包括斯托克斯拉曼散射信号和反斯托克斯拉曼散射信号,
获取不同温度场景的光纤分布式拉曼温度传感数据,并生成随机的噪声数据,将不同的温度传感数据和不同的噪声数据相加,生成第一训练集的具体步骤为:
设置不同温度场景,获取与温度场景对应的多组斯托克斯拉曼散射信号和反斯托克斯拉曼散射信号,对斯托克斯拉曼散射信号和反斯托克斯拉曼散射信号分别进行信号平均值处理,然后生成与温度传感数据的噪声强度对应的高斯白噪声,将平均后的斯托克斯拉曼散射信号和反斯托克斯拉曼散射信号分别与对应的高斯白噪声相加,得到第一训练集;
将第一训练集输入降噪网络进行训练,得到第一降噪模型的具体步骤为:
将第一训练集分为斯托克斯拉曼散射信号的训练集和反斯托克斯拉曼散射信号的训练集,将两个训练集分别输入两个相同的降噪网络进行训练,生成斯托克斯拉曼散射信号对应的第一降噪模型和反斯托克斯拉曼散射信号对应的第一降噪模型;
将实际拉曼散射信号输入第一降噪模型,得到降噪后的实际温度传感数据的具体步骤为:
将实际拉曼散射信号中的斯托克斯拉曼散射信号输入斯托克斯拉曼散射信号对应的第一降噪模型,将实际拉曼散射信号中的反斯托克斯拉曼散射信号输入反斯托克斯拉曼散射信号对应的第一降噪模型,两个第一降噪模型的输出组合为降噪后的实际温度传感数据;
基于第二训练集训练高斯混合模型,得到训练完成的高斯降噪模型的具体步骤为:
A1、初始化高斯混合模型的参数,参数/>包括高斯分量的先验概率、均值和方差,将初始化的先验概率、均值和方差作为当前参数;
A2、基于当前参数计算隐参数概率;
A3、最大化似然函数的期望Q,迭代的次数加1,并得到更新后的参数,将更新后的参数作为新的当前参数,重复A2和A3,直至满足迭代条件,得到训练完成的高斯降噪模型;
将实际温度值数据作为一维时间序列信号输入高斯降噪模型,得到降噪后温度值数据的具体步骤为:
高斯降噪模型对一维时间序列信号进行噪声分离,得到每个信号点在每个高斯分量的概率,基于信号点在每个高斯分量的概率得到降噪后温度值数据。
2.根据权利要求1所述的一种基于深度学习的光纤温度传感信号降噪方法,其特征在于,降噪网络包括输入层、中间层和输出层,将两个训练集分别输入两个相同的降噪网络进行训练的具体步骤为:
两个训练集依次经过对应的降噪网络的输入层、中间层和输出层,基于输出层输出的数据计算损失函数,基于损失函数训练对应的降噪网络,重复上述步骤直至完成训练。
3.根据权利要求2所述的一种基于深度学习的光纤温度传感信号降噪方法,其特征在于,输入层包括一层卷积层和一个激活层,中间层包括18层子网络,每层子网络包括一个卷积层、一个批归一化层和一个激活层,输出层包括一个卷积层,
训练集依次经过输入层、中间层和输出层时,先经过输入层中的卷积层和激活层,然后经过中间层的每层子网络,再经过输出层的卷积层。
4.根据权利要求1所述的一种基于深度学习的光纤温度传感信号降噪方法,其特征在于,隐参数概率为:
;
其中,为第k个高斯分量的先验概率,/>表示第i个第二训练集中的数据,/>表示第k个高斯分量的均值,/>表示第k个高斯分量的方差,N表示第k个高斯分量的概率密度,t表示当前迭代次数。
5.根据权利要求4所述的一种基于深度学习的光纤温度传感信号降噪方法,其特征在于,似然函数的期望为第二训练集的完全数据的对数似然函数的期望,似然函数的期望具体为:
;
其中,d表示样本的特征维度,T表示转置,表示当前的参数。
6.根据权利要求5所述的一种基于深度学习的光纤温度传感信号降噪方法,其特征在于,更新后的参数具体为:
;
其中,t+1表示下一次的迭代次数。
7.根据权利要求6所述的一种基于深度学习的光纤温度传感信号降噪方法,其特征在于,满足迭代条件为:满足相邻两次迭代的高斯混合模型的参数之间的差小于第一阈值,或满足相邻两次迭代的似然函数的期望Q之间的差小于第二阈值。
8.根据权利要求1所述的一种基于深度学习的光纤温度传感信号降噪方法,其特征在于,每个高斯分量的概率为:
;
其中,表示第m个高斯分量的概率,/>表示一维时间序列信号第n个信号点,/>表示第m个高斯分量的混合系数,K表示高斯降噪模型的高斯分量总数,/>表示高斯分量的概率密度,/>表示第m个高斯分量的均值,/>为第m个高斯分量的方差。
9.根据权利要求8所述的一种基于深度学习的光纤温度传感信号降噪方法,其特征在于,降噪后温度值数据为:
;
表示降噪后温度值数据第n个数据点。
10.一种基于深度学习的光纤温度传感信号降噪装置,其特征在于,装置包括:第一训练集生成模块、第一降噪模型生成模块、高斯降噪模型生成模块、实际温度传感数据降噪模块和温度值数据降噪模块;
其中,第一训练集生成模块用于获取不同温度场景的光纤分布式拉曼温度传感数据,并生成随机的噪声数据,将不同的温度传感数据和不同的噪声数据相加,生成第一训练集;
第一降噪模型生成模块用于将第一训练集输入降噪网络进行训练,得到第一降噪模型;
高斯降噪模型生成模块用于将不同的温度值数据整合为第二训练集,基于第二训练集训练高斯混合模型,得到训练完成的高斯降噪模型;
实际温度传感数据降噪模块用于获取光纤的光源产生的实际拉曼散射信号,将实际拉曼散射信号输入第一降噪模型,得到降噪后的实际温度传感数据;
温度值数据降噪模块用于对降噪后的实际温度传感数据进行解调,得到实际温度值数据,将实际温度值数据作为一维时间序列信号输入高斯降噪模型,得到降噪后温度值数据;
所述温度传感数据包括斯托克斯拉曼散射信号和反斯托克斯拉曼散射信号,
获取不同温度场景的光纤分布式拉曼温度传感数据,并生成随机的噪声数据,将不同的温度传感数据和不同的噪声数据相加,生成第一训练集的具体步骤为:
设置不同温度场景,获取与温度场景对应的多组斯托克斯拉曼散射信号和反斯托克斯拉曼散射信号,对斯托克斯拉曼散射信号和反斯托克斯拉曼散射信号分别进行信号平均值处理,然后生成与温度传感数据的噪声强度对应的高斯白噪声,将平均后的斯托克斯拉曼散射信号和反斯托克斯拉曼散射信号分别与对应的高斯白噪声相加,得到第一训练集;
将第一训练集输入降噪网络进行训练,得到第一降噪模型的具体步骤为:
将第一训练集分为斯托克斯拉曼散射信号的训练集和反斯托克斯拉曼散射信号的训练集,将两个训练集分别输入两个相同的降噪网络进行训练,生成斯托克斯拉曼散射信号对应的第一降噪模型和反斯托克斯拉曼散射信号对应的第一降噪模型;
将实际拉曼散射信号输入第一降噪模型,得到降噪后的实际温度传感数据的具体步骤为:
将实际拉曼散射信号中的斯托克斯拉曼散射信号输入斯托克斯拉曼散射信号对应的第一降噪模型,将实际拉曼散射信号中的反斯托克斯拉曼散射信号输入反斯托克斯拉曼散射信号对应的第一降噪模型,两个第一降噪模型的输出组合为降噪后的实际温度传感数据;
基于第二训练集训练高斯混合模型,得到训练完成的高斯降噪模型的具体步骤为:
A1、初始化高斯混合模型的参数,参数/>包括高斯分量的先验概率、均值和方差,将初始化的先验概率、均值和方差作为当前参数;
A2、基于当前参数计算隐参数概率;
A3、最大化似然函数的期望Q,迭代的次数加1,并得到更新后的参数,将更新后的参数作为新的当前参数,重复A2和A3,直至满足迭代条件,得到训练完成的高斯降噪模型;
将实际温度值数据作为一维时间序列信号输入高斯降噪模型,得到降噪后温度值数据的具体步骤为:
高斯降噪模型对一维时间序列信号进行噪声分离,得到每个信号点在每个高斯分量的概率,基于信号点在每个高斯分量的概率得到降噪后温度值数据。
11.一种基于深度学习的光纤温度传感信号降噪装置,其特征在于,装置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1-9中任一项所述的基于深度学习的光纤温度传感信号降噪方法。
12.一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1-9中任一项所述的基于深度学习的光纤温度传感信号降噪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311575111.0A CN117290669B (zh) | 2023-11-24 | 2023-11-24 | 基于深度学习的光纤温度传感信号降噪方法、装置和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311575111.0A CN117290669B (zh) | 2023-11-24 | 2023-11-24 | 基于深度学习的光纤温度传感信号降噪方法、装置和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117290669A CN117290669A (zh) | 2023-12-26 |
CN117290669B true CN117290669B (zh) | 2024-02-06 |
Family
ID=89239338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311575111.0A Active CN117290669B (zh) | 2023-11-24 | 2023-11-24 | 基于深度学习的光纤温度传感信号降噪方法、装置和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117290669B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109900382A (zh) * | 2019-04-17 | 2019-06-18 | 广州市晟安测控科技有限公司 | 光纤温度信号解调方法、装置及光纤温度解调仪 |
WO2020034558A1 (zh) * | 2018-08-13 | 2020-02-20 | 太原理工大学 | 一种面向分布式光纤拉曼传感器的高精度温度解调方法 |
WO2020177371A1 (zh) * | 2019-03-06 | 2020-09-10 | 哈尔滨工业大学(深圳) | 一种用于数字助听器的环境自适应神经网络降噪方法、系统及存储介质 |
CN112132256A (zh) * | 2020-08-05 | 2020-12-25 | 芯华创(武汉)光电科技有限公司 | 一种基于神经网络的拉曼分布式温度传感方法和系统 |
CN114067169A (zh) * | 2021-10-15 | 2022-02-18 | 浙江工业大学 | 一种基于卷积神经网络的拉曼光谱分析方法 |
CN114692773A (zh) * | 2022-04-08 | 2022-07-01 | 浙江工业大学 | 基于drs-vgg的端到端深度学习拉曼光谱数据分类方法 |
WO2022146103A1 (ko) * | 2020-12-31 | 2022-07-07 | 모던밸류 주식회사 | 기계학습을 통한 라만 산란 스펙트럼 데이터베이스 구축 및 검색법 |
CN114818839A (zh) * | 2022-07-01 | 2022-07-29 | 之江实验室 | 一种基于深度学习的光纤传感水声信号识别方法及装置 |
CN115878966A (zh) * | 2022-12-02 | 2023-03-31 | 山东大学 | 基于对抗生成网络的心音数据增强方法及系统 |
CN115964616A (zh) * | 2022-12-08 | 2023-04-14 | 之江实验室 | 一种分布式声波传感系统数据降噪方法、装置及存储介质 |
CN116499607A (zh) * | 2023-06-27 | 2023-07-28 | 之江实验室 | 一种光纤传感信号降噪方法、装置和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861930B (zh) * | 2020-07-27 | 2024-08-23 | 京东方科技集团股份有限公司 | 图像去噪方法、装置以及电子设备、图像超分去噪方法 |
-
2023
- 2023-11-24 CN CN202311575111.0A patent/CN117290669B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020034558A1 (zh) * | 2018-08-13 | 2020-02-20 | 太原理工大学 | 一种面向分布式光纤拉曼传感器的高精度温度解调方法 |
WO2020177371A1 (zh) * | 2019-03-06 | 2020-09-10 | 哈尔滨工业大学(深圳) | 一种用于数字助听器的环境自适应神经网络降噪方法、系统及存储介质 |
CN109900382A (zh) * | 2019-04-17 | 2019-06-18 | 广州市晟安测控科技有限公司 | 光纤温度信号解调方法、装置及光纤温度解调仪 |
CN112132256A (zh) * | 2020-08-05 | 2020-12-25 | 芯华创(武汉)光电科技有限公司 | 一种基于神经网络的拉曼分布式温度传感方法和系统 |
WO2022146103A1 (ko) * | 2020-12-31 | 2022-07-07 | 모던밸류 주식회사 | 기계학습을 통한 라만 산란 스펙트럼 데이터베이스 구축 및 검색법 |
CN114067169A (zh) * | 2021-10-15 | 2022-02-18 | 浙江工业大学 | 一种基于卷积神经网络的拉曼光谱分析方法 |
CN114692773A (zh) * | 2022-04-08 | 2022-07-01 | 浙江工业大学 | 基于drs-vgg的端到端深度学习拉曼光谱数据分类方法 |
CN114818839A (zh) * | 2022-07-01 | 2022-07-29 | 之江实验室 | 一种基于深度学习的光纤传感水声信号识别方法及装置 |
CN115878966A (zh) * | 2022-12-02 | 2023-03-31 | 山东大学 | 基于对抗生成网络的心音数据增强方法及系统 |
CN115964616A (zh) * | 2022-12-08 | 2023-04-14 | 之江实验室 | 一种分布式声波传感系统数据降噪方法、装置及存储介质 |
CN116499607A (zh) * | 2023-06-27 | 2023-07-28 | 之江实验室 | 一种光纤传感信号降噪方法、装置和存储介质 |
Non-Patent Citations (3)
Title |
---|
A novel Deep-Learning model for RDTS signal denoising based on graph neural networks;Sibo Wang 等;《Optical Fiber Technology》;第1-9页 * |
分布式光纤拉曼测温系统信噪比优化研究;薛志平;王东;王宇;张红娟;高妍;靳宝全;;传感技术学报(01);第21-25页 * |
基于累加平均的分布式光纤拉曼测温系统;陈瑞麟;万生鹏;贾鹏;唐晨飞;;应用光学(04);第152-156页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117290669A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wiesel et al. | Time varying autoregressive moving average models for covariance estimation | |
US20210182687A1 (en) | Apparatus and method with neural network implementation of domain adaptation | |
CN113113030B (zh) | 一种基于降噪自编码器的高维受损数据无线传输方法 | |
Mundodu Krishna et al. | Single channel speech separation based on empirical mode decomposition and Hilbert transform | |
Gholipour et al. | Extracting the main patterns of natural time series for long-term neurofuzzy prediction | |
Jeong et al. | A stochastic generator of global monthly wind energy with Tukey g-and-h autoregressive processes | |
Saad et al. | Unsupervised deep learning for single-channel earthquake data denoising and its applications in event detection and fully automatic location | |
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 | |
CN108228978B (zh) | 结合互补集合经验模态分解的Xgboost时间序列预测方法 | |
Guo et al. | Underdetermined mixing matrix estimation algorithm based on single source points | |
CN117290669B (zh) | 基于深度学习的光纤温度传感信号降噪方法、装置和介质 | |
CN117711442A (zh) | 一种基于cnn-gru融合模型的婴儿哭声分类方法 | |
Badawi et al. | Real-time low-cost drift compensation for chemical sensors using a deep neural network with hadamard transform and additive layers | |
CN117076858A (zh) | 一种基于深度学习的低频大地电磁强干扰压制方法及系统 | |
Darwish et al. | Bayesian identification of LPV Box-Jenkins models | |
Qin et al. | Multi-layer convolutional dictionary learning network for signal denoising and its application to explainable rolling bearing fault diagnosis | |
Xu et al. | Variational total curvature model for multiplicative noise removal | |
CN116449881A (zh) | 智能气缸及其控制方法 | |
CN113283607B (zh) | 用于估计量子态保真度的方法、装置、电子设备和介质 | |
Guan et al. | Sparse blind speech deconvolution with dynamic range regularization and indicator function | |
Sun et al. | Fast additive half‐quadratic iterative minimization for lp− lq image smoothing | |
CN113364540A (zh) | 基于堆栈降噪自编码的lte上行干扰分类方法及系统 | |
CN117708507B (zh) | 一种基于人工智能的高效α和β射线的识别与分类方法 | |
CN117558288B (zh) | 单通道语音增强模型的训练方法、装置、设备及存储介质 | |
CN114429151B (zh) | 一种基于深度残差网络的大地电磁信号识别与重建方法及其系统 |
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 |