CN117313001B - 用于分布式光纤声波传感系统的混合事件分解及识别方法 - Google Patents
用于分布式光纤声波传感系统的混合事件分解及识别方法 Download PDFInfo
- Publication number
- CN117313001B CN117313001B CN202311213685.3A CN202311213685A CN117313001B CN 117313001 B CN117313001 B CN 117313001B CN 202311213685 A CN202311213685 A CN 202311213685A CN 117313001 B CN117313001 B CN 117313001B
- Authority
- CN
- China
- Prior art keywords
- event
- decomposition
- module
- data set
- mixed
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000013307 optical fiber Substances 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000001228 spectrum Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 239000000835 fiber Substances 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000005236 sound signal Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 2
- 238000002156 mixing Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
- G01H9/004—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means using fibre optic sensors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/09—Supervised learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Complex Calculations (AREA)
Abstract
本发明属于分布式声波传感领域,特涉及用于分布式光纤声波传感系统的混合事件分解及识别方法。本发明包括数据预处理模块、分解模块以及识别模块,模拟音频数据集和分布式光纤声波传感系统采集数据集经过数据预处理模块处理,之后由分解模块输出分解后的各类信号,分解后的各类信号由识别模块判断混合输入数据包含的所有事件类型。在不需要分布式光纤声波传感系统采集目标数据训练分解和识别模型的情况下仍然能对分布式光纤声波传感系统采集的混合事件信号进行分解并识别事件种类,本发明使用同一个分解模块就能够对确定的多种单类事件以任意个数、任意组合得到的混合事件进行分解,实现多合一的分解功能,以及后续的每个分解事件的逐一识别。
Description
技术领域
本发明属于分布式光纤声波传感领域,特涉及用于分布式光纤声波传感系统的混合事件分解及识别方法。
背景技术
分布式光纤声波传感器(DAS)是一种利用光纤作为传感元件对入侵事件进行分布式多点同时监测的装置。其基本原理是由于外部振动的影响,相应位置的光程发生变化,因而导致光波相位的变化。通过分析光波相位的变化可以定量分析光纤沿线的扰动事件。又因为每种事件具有其独特的特征,因而可以通过数据处理技术对事件进行识别。
目前分布式光纤声波传感领域中,事件识别主要利用机器学习方法,通过对预处理后的采集信号进行特征提取,然后输入设计并训练好的机器学习模型,模型输出事件的类别。到目前为止,大部分技术仅限于对光纤某一位置发生的单一事件进行识别,只有少数研究考虑了多个事件混合的识别,但是它们将事件的混合信号当作一个新的独立事件类型,而不能识别混合信号中所包含的原始事件类型。同时现有技术需要DAS系统所采集数据构成的训练数据集包含混合事件的所有组合,因而数据采集成本较高,对于训练数据集的构建也较为复杂和耗时。此外,现有技术中多个事件都是发生在光纤的不同位置,难以对同一位置发生的多类型事件的混合进行识别。Huijuan Wu等人利用机器学习的FastICA盲源分离方法对未知源个数的混合事件进行分解,但这个工作一方面不能对分解的事件进行识别,另一方面为了适应FastICA算法,每次分解需要生成和源信号个数相同的混合信号,因此受到系统存储空间和计算时间的限制。
发明内容
针对现有技术的不足,本发明提供了用于DAS系统的混合事件分解及识别方法。本发明将端到端的卷积神经网络模型架构用于分布式光纤声波传感中将混合事件分解为多个单一事件再分别识别,在无需使用DAS系统所采集数据来训练分解和识别模型的情况下实现光纤沿线同一位置处多类型事件的混合信号的分解以及所包含事件类型的识别。
本发明的技术方案是:用于DAS系统的混合事件分解及识别方法,包括数据预处理模块、分解模块以及识别模块,模拟音频数据集和DAS系统采集数据集经过数据预处理模块处理,之后由分解模块输出分解后的各类信号,分解后的各类信号由识别模块判断混合输入数据包含的所有事件类型。模拟音频数据集作为源数据集用于模块训练,DAS系统采集的数据集作为目标数据集,然后训练好的模型用于识别DAS系统采集的目标数据集;其特征在于:
确定单类事件类型N种,从模拟音频数据库中下载这些单类事件音频,使用时移数据扩充方法增加模拟音频数据集样本数量;以不同的均方根比率和组合方法对音频进行非线性随机混合,得到种单类和混合音频数据;
将种单类和混合音频数据经过数据预处理模块做降采样和谱减法计算;
经过数据预处理的模拟音频数据组成源数据集,源数据集的每个样本包含混合模拟音频信号以及组成该混合信号的各种单类事件信号N个;
将源数据集中的样本输入基于卷积神经网络的U-Net分解模块,一维卷积输出yi运算如下:
其中,Lin是输入序列的长度,k是卷积核的大小,padding是填充的长度,dilation是膨胀系数,stride是卷积核在输入序列上滑动的步长。
一维卷积操作为:
xi+j表示输入序列中索引为i+j的值,wj表示卷积核第j个值,b表示偏置项,yi表示输出序列中第i个索引位置,k是卷积核的大小;
分解模块中对模块每层输入特征结合使用Blackman窗的Sinc滤波核进行卷积线性运算,和神经网络中的卷积加激活函数的非线性运算交替进行;
识别模块的AlexNet模型后依次连接一个全连接层和一个softmax层,softmax层共有N+1个神经元,每个神经元的代表一类事件,每个神经元的输出代表识别模块预测这一事件存在的概率σ(z)i;最大概率对应的那一类作为模型预测的输出;Softmax函数输出的表达式如下:
根据如上所述的用于DAS系统的混合事件分解及识别方法,其特征在于:该方法包括源域使用源数据集训练模型和在目标域使用目标数据集测试训练好的模型两部分。目标数据集为DAS系统采集的混合事件数据,输入该端对端模型,首先经过数据预处理模块做高通滤波和谱减法处理;然后将目标数据集输入源数据集训练好的分解模块并输出每一类对应分解的一维时序信号;将目标数据集中每个样本分解输出的多个一维时序信号转换为图像格式,再输入源数据集训练好的识别模块,该模块输出其判断的DAS系统采集的目标数据中含有的所有事件的种类。
根据如上所述的用于DAS系统的混合事件分解及识别方法,其特征在于:谱减法首先将信号x(n)分帧,对每一帧信号xi(n)进行快速傅里叶变换,其中i为第i帧,得到其频谱Xi(k);信号的幅度谱和相位谱分别表示为:
然后,对幅度谱进行估计噪声幅度的处理,得到降噪后的幅度谱 表示第i帧信号的噪声幅度估计值,α是一个控制降噪强度的参数,将处理后的幅度谱和原始信号的相位谱∠Xi(k)组合,得到降噪后的频谱最后对所有帧的降噪后频谱进行反变换,得到降噪后的信号。
根据如上所述的用于DAS系统的混合事件分解及识别方法,其特征在于:源数据集任一样本中,如果缺少某单类事件,则设置一个全零信号表示这类事件不存在。
根据如上所述的用于DAS系统的混合事件分解及识别方法,其特征在于:Blackman窗的Sinc滤波核表示为:
其中K是零频处增益,fc是截止频率,滤波核的长度由S决定且必须为偶数。
根据如上所述的用于DAS系统的混合事件分解及识别方法,其特征在于:分解模块训练时使用L1损失函数,L1损失函数计算方法:
其中y和分别是某样本中某类真实信号和该样本中的混合信号经过分解得到的该类信号。
根据如上所述的用于DAS系统的混合事件分解及识别方法,其特征在于:训练识别模块时使用交叉熵损失函数,其计算方法如下:
其中C表示类别数。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)目前为止,大部分分布式光纤声波传感识别领域仅限于对光纤某一位置发生的单一事件进行识别,只有少数研究考虑了多个事件混合的识别,但是它们将事件的混合信号当作一个新的独立事件类型,而不能恢复混合信号中所包含的每种原始事件。而本发明设计的基于卷积神经网络模型能够实现光纤沿线同一位置处多类型事件的混合信号的分解以及所包含事件类型的识别。
(2)本发明设计的端到端的分解识别模型,由于利用多个类型事件混合的模拟音频格式源数据训练分解和识别模型,不需要DAS系统采集数据参与训练,因而该方法提供了一种能够在无需DAS系统采集数据用于训练模型的情况下仍然能对混合事件信号进行分解与识别事件种类的解决办法。
(3)本发明设计的端到端的分解识别模型,由于其分解模块是由多个并行的子分解模型组成的,一方面本发明的子分解模块之间基本互不干扰,每一个子分解模块输出对应种类事件的分解结果;另一方面,由于每个子分解模块最终合并成一个大型模型结构,每个子模块之间还是存在一定联系,因而当输入的混合事件中缺少某一类事件,对应这一类事件的子分解模块不会输出带有这类事件特征的预测分解结果。因此,本发明中设计的分解模块能够对确定的多种单类事件以任意个数、任意组合得到的混合事件进行分解,因而该分解模块结构简单清晰且功能强大,既能对混合事件进行分解,同时也辅助后续模块识别其中含有的各种事件类别。
(4)本发明设计的端到端的分解识别模型,由于利用有监督学习,每个样本的分解结果都更倾向趋近存在的期望目标结果,因此相对于无监督学习,本发明的分解性能更优。
(5)本发明设计的端到端的分解识别模型,其识别模块只需对前一阶段分解模块输出的每个单类事件进行识别,相对于将每种混合事件独立成一个新的事件类型再进行识别,本发明中的识别模块结构更简单。
附图说明
图1为本发明提供的分解与识别方法流程示意图。
图2为本发明提供的分解模块训练流程。
图3为本发明提供的识别模块训练流程。
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案作进一步具体说明。
如图1所示,本发明的用于DAS系统的混合事件分解及识别方法包括数据预处理模块、分解模块以及识别模块,模拟音频数据集和DASD系统采集数据集经过数据预处理模块处理,之后由分解模块输出分解后的各类信号,分解后的各类信号由识别模块判断混合输入数据包含的所有事件类型。
首先使用两个数据集:模拟音频数据集(源数据集)和DAS系统采集数据集(目标数据集)。我们利用大量的模拟音频数据来辅助DAS系统采集数据集的高质量分解和识别。因此可以只使用模拟音频数据,来训练分解和识别模型,得到的模型直接用于DAS系统采集数据集的分解和识别。这种方法基于领域迁移可以大大减小采集数据成本和时间。
如图1所示为本发明提供的信号的分解与识别方法流程示意图,首先确定单类事件类型N种,然后从音频数据库中下载这些单类事件音频,使用时移数据扩充方法增加模拟音频数据集样本数量。然后以不同的均方根(RMS)比率(0-10dB)和组合方法对这些音频进行非线性随机混合,得到种单类和混合音频数据。
将种单类和混合音频数据经过数据预处理模块做降采样和谱减法计算。降采样为了使模拟音频训练数据和DAS系统采集数据拥有一样的采样率,进而减小这两个数据集之间的数据集偏移,减小分解和识别模型受数据集改变的影响。谱减法用于提升信噪比。
其中,谱减法通过先将信号x(n)分帧,对每一帧信号xi(n)进行快速傅里叶变换,其中i为第i帧,得到其频谱Xi(k)。然后,信号的幅度谱和相位谱分别表示为:
然后对幅度谱进行估计噪声幅度的处理,得到降噪后的幅度谱 表示第i帧信号的噪声幅度估计值,α是一个控制降噪强度的参数,将处理后的幅度谱和原始信号的相位谱∠Xi(l)组合,得到降噪后的频谱最后对所有帧的降噪后频谱进行反变换,得到降噪后的信号。
经过数据预处理的数据组成源数据集,源数据集的每个样本包含混合模拟音频信号以及组成该混合信号的各种单类事件信号N个,如果任意样本中缺少某单类事件,则设置一个全零信号表示这类事件不存在。
将源数据集中的样本输入基于卷积神经网络的U-Net分解模块,由于样本中的每个输入数据都是一维时序的,分解模块中和输入数据进行运算的卷积核也是一维的,一维卷积输出yi运算如下:
其中,Lin是输入序列的长度,k是卷积核的大小,padding是填充的长度,dilation是膨胀系数,stride是卷积核在输入序列上滑动的步长。
一维卷积操作为:
xi+j表示输入序列中索引为i+j的值,wj表示卷积核(也称为权重)第j个值,b表示偏置项,yi表示输出序列中第i个索引位置,k是卷积核的大小。
此外分解模块中对模块每层输入特征结合使用Blackman窗的Sinc滤波核进行卷积线性运算,和神经网络中的卷积加激活函数的非线性运算交替进行。这两种卷积运算相互配合,一方面可以实现更好的去噪效果:Sinc滤波核可以用于去除数字信号中的高频噪声和伪影。另一方面这种配合便于提升特征提取性能:神经网络中的卷积核可以学习到数据中的特征,而Sinc滤波器的核可以用于进一步提取特定频率范围内的特征。而这些特征为分解模块学习如何分解不同类型事件提供极大帮助。
Blackman窗的Sinc滤波核可表示为:
其中K是零频处增益,fc是截止频率,滤波核的长度由S决定且必须为偶数。
分解模块的超参数通过训练数据集中训练和验证过程的分解结果进行人为微调处理,以选取最优超参数并获得最优分解结果。分解模块中使用L1损失函数,其计算方法如下:
其中y和分别是某样本中某类真实信号和该样本中的混合信号经过分解得到的该类信号。训练中通过迭代不断减小该损失函数值,以使分解出的信号和真实信号越接近越好,这样最终得到的分解模型才能对一个混合事件输入信号较为准确地分解出所有组成的单类事件信号。
该分解网络整体上具有U-Net架构,其优势主要有:(1)适用于序列数据,由于该网络引入了跳跃和波形卷积,可以有效处理时序信息的长时依赖性,提高上下文信息处理能力;(2)该分解网络包含了完整的编码器和解码器,通过跳跃连接将编码器和解码器的不同层级进行连接,对不同尺度的特征进行提取和融合,可以更全面地捕捉时序信号中的时域和频域信息;(3)结合使用大量的卷积和池化操作,处理输入数据的局部特征和全局特征,可以有效提取输入数据的特征,从而实现更好的分解效果。
此外该分解模块由N个子模块组成。对于不同单类事件,分别构建不同参数但相同结构的子分解模型,最终所有子模型共享同一输入,汇总各输出。分解模块的每一个子分解模型都能够判断某一类事件是否在输入的混合事件中存在,如果存在,则输出预测的分解结果,否则将输出一个没有这类事件特征的预测结果,代表没有此类扰动事件。
分解模块输出的一维时序数据经过短时傅里叶变换转化为时频图像输入识别模块AlexNet,通过有监督学习训练识别模块的参数。分解模块总会输出N种事件的分解数据,且如果分解模块的输入缺少某类事件,分解模块输出这一类的预测结果将不含有这类扰动事件的特征,因此后续识别模型不仅需要识别N种事件,同时需要识别一类无扰动事件。
识别模块的超参数通过源数据集中训练和验证过程的识别结果进行人为微调处理,以选取最优超参数并获得最优识别结果。识别模块中使用交叉熵损失函数,其计算方法如下:
其中C表示类别数。为了使识别模块适应能够分解N种事件的条件,设计识别模块的输出恰好代表混合事件中包含的所有单类事件种类,同时能够识别无扰动事件,所以在AlexNet模型后依次连接一个全连接层和一个softmax层,softmax层共有N+1个神经元,每个神经元的代表一类事件,每个神经元的输出代表识别模块预测这一事件存在的概率σ(z)i。最大概率对应的那一类作为模型预测的输出。Softmax函数输出的表达式如下:
之后对目标数据进行测试实验,目标数据的测试结果一定程度能够说明部署在复杂环境中的DASD系统接收数据被该端到端模型的分解和识别水平。目标数据集为DAS系统采集的混合事件数据,输入该端对端模型,首先经过数据预处理模块做高通滤波和谱减法处理,滤波的目的是减小采集时的频率漂移噪声,而谱减法处理可提升信噪比。
然后将目标数据集输入用源数据集训练好的分解模块并输出每一类对应分解的一维时序信号。将目标数据集中每个样本分解输出的多个一维时序信号转换为图像格式,再输入用源数据集训练好的识别模块,该模块输出其判断的DAS系统采集后信号数据中含有的所有事件的种类。
如图2所示本发明提供的分解模块训练流程方法,所述方法的输入数据为:输入训练数据的每个样本包含混合事件信号以及组成该混合事件的各种单类事件信号,因此每个样本存在N+1个信号。如果该样本中缺少某类或某些类的信号,这些信号置零,如图中虚线框中的信号将被设置为一个全零信号。对于能够分解的N种事件类型,分别构建不同参数但相同结构的N个子分解模型,最终所有子模型共享同一混合事件输入信号,每个子分解模型输出其对应事件类型的分解结果,因此分解模块一共有N个分解输出结果,每一个输出的一维时序信号代表一种事件。分解模块的每一个子分解模型都能够判断某一类事件是否在输入的混合事件中存在,如果存在,则输出预测的分解结果,否则将输出一个代表没有扰动的信号。因此,本发明中设计的分解模块能够对确定的多种单类事件以任意个数、任意组合得到的混合事件进行分解。
如图3所示本发明提供的识别模块训练流程方法,所述方法包括:将分解模型输出的N个一维时序信号转换为图像再输入预训练过的AlexNet模型,其中为了适应能够分解N+1种事件的条件,使识别模块的输出恰好代表混合事件中包含的所有单类事件种类与一个无扰动事件,所以在AlexNet模型后依次连接一个全连接层和一个softmax层,softmax层共有(N+1)个神经元,每个神经元的代表一类事件,每个神经元的输出代表识别模块预测这一事件存在的概率。最大概率对应的那一类作为模型预测的输出。由于识别模块一次只输入N个一维时序信号中的一个,因此经过分解模块分解的一个混合事件样本需要将其分解出的N个信号依次输入识别模块,得到N个识别结果,最终将N个结果汇总得到这个混合事件样本中的所有事件种类。图中虚线框中的事件2代表子分解模型2输出的事件经过识别模块被识别为无扰动事件,即这个混合事件样本中不存在事件2。
本发明的数据预处理控制源数据集和目标数据集的数据服从同一分布,减小源数据集和目标数据集数据之间的数据集偏移。谱减法用于提升信噪比,降采样为了使模拟音频源数据和目标数据拥有一样的采样率,而对目标数据集滤波的目的是减小采集时频率漂移的影响。分解模块在基于卷积神经网络并结合跳跃连接实现特征融合,使得网络能够利用低层次特征信息进行建模,同时避免了梯度消失的问题。识别模块中使用预训练的AlexNet模型,进而加快模型收敛,缩短训练时间。本发明加入的分解模块使得该方法既能识别传感光纤上的单类事件,也可同时对传感光纤上某一位置接收到的混合事件信号进行分解并识别其中含有的所有事件类别。本发明使用同一个分解模块就能够对确定的多种单类事件以任意个数、任意组合得到的混合事件进行分解,实现多合一的分解功能,以及后续的每个分解事件的逐一识别。
Claims (6)
1.用于分布式光纤声波传感系统的混合事件分解及识别方法,包括数据预处理模块、分解模块以及识别模块,模拟音频数据集和分布式光纤声波传感系统采集数据集经过数据预处理模块处理,之后由分解模块输出分解后的各类信号,分解后的各类信号由识别模块判断混合输入数据包含的所有事件类型;其特征在于:
确定单类事件类型N种,利用公开的音频数据库种的单类事件模拟音频并使用时移数据扩充方法增加模拟音频数据集样本数量;以不同的均方根比率和组合方法对音频进行非线性随机混合,得到种单类和混合音频数据;
将种单类和混合音频数据经过数据预处理模块做降采样和谱减法计算;
经过数据预处理的模拟音频数据组成源数据集,源数据集的每个样本包含混合模拟音频信号以及组成该混合信号的各种单类事件信号N个;
将源数据集中的样本输入基于卷积神经网络的U-Net分解模块,一维卷积输出yi运算如下:
其中,Lin是输入序列的长度,k是卷积核的大小,padding是填充的长度,dilation是膨胀系数,stride是卷积核在输入序列上滑动的步长;
一维卷积操作为:
xi+j表示输入序列中索引为i+j的值,wj表示卷积核第j个值,b表示偏置项,yi表示输出序列中第i个索引位置,k是卷积核的大小;
分解模块中对模块每层输入特征结合使用Blackman窗的Sinc滤波核进行卷积线性运算,和神经网络中的卷积加激活函数的非线性运算交替进行;
Blackman窗的Sinc滤波核表示为:
其中K是零频处增益,fc是截止频率,滤波核的长度由S决定且必须为偶数;识别模块的AlexNet模型后依次连接一个全连接层和一个softmax层,softmax层共有N+1个神经元,每个神经元的代表一类事件,每个神经元的输出反映了识别模块预测这一事件存在的概率σ(z)i;最大概率对应的那一类作为模型预测的输出;Softmax函数输出的表达式如下:
2.根据权利要求1所述的用于分布式光纤声波传感系统的混合事件分解及识别方法,其特征在于:目标数据的测试过程,目标数据集为分布式光纤声波传感系统采集的混合事件数据,输入该包含数据预处理模块、分解模块以及识别模块的端对端模型,首先经过数据预处理模块做高通滤波和谱减法处理;然后将目标数据集输入源数据集训练好的分解模块并输出每一类对应分解的一维时序信号;将目标数据集中每个样本分解输出的多个一维时序信号转换为图像格式,再输入源数据集训练好的识别模块,该模块输出其判断的分布式光纤声波传感系统采集信号数据中含有的所有事件的种类。
3.根据权利要求1或2所述的用于分布式光纤声波传感系统的混合事件分解及识别方法,其特征在于:谱减法首先将信号x(n)分帧,对每一帧信号xi(n)进行快速傅里叶变换,其中i为第i帧,得到其频谱Xi(k);信号的幅度谱和相位谱分别表示为:
然后对幅度谱进行估计噪声幅度的处理,得到降噪后的幅度谱 表示第i帧信号的噪声幅度估计值,α是一个控制降噪强度的参数,将处理后的幅度谱和原始信号的相位谱∠Xi(l)组合,得到降噪后的频谱最后对所有帧的降噪后频谱进行反变换,得到降噪后的信号。
4.根据权利要求1或2所述的用于分布式光纤声波传感系统的混合事件分解及识别方法,其特征在于:源数据集任一样本中,如果缺少某单类事件,则设置一个全零信号表示这类事件不存在。
5.根据权利要求1或2所述的用于分布式光纤声波传感系统的混合事件分解及识别方法,其特征在于:分解模块训练时使用L1损失函数,L1损失函数计算方法:
其中y和分别是某样本中某类真实信号和该样本中的混合信号经过分解得到的该类信号。
6.根据权利要求1或2所述的用于分布式光纤声波传感系统的混合事件分解及识别方法,其特征在于:训练识别模块时使用交叉熵损失函数,其计算方法如下:
其中C表示类别数;其中y和分别是某样本中某类真实信号和该样本中的混合信号经过分解得到的该类信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311213685.3A CN117313001B (zh) | 2023-09-20 | 2023-09-20 | 用于分布式光纤声波传感系统的混合事件分解及识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311213685.3A CN117313001B (zh) | 2023-09-20 | 2023-09-20 | 用于分布式光纤声波传感系统的混合事件分解及识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117313001A CN117313001A (zh) | 2023-12-29 |
CN117313001B true CN117313001B (zh) | 2024-05-07 |
Family
ID=89249163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311213685.3A Active CN117313001B (zh) | 2023-09-20 | 2023-09-20 | 用于分布式光纤声波传感系统的混合事件分解及识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117313001B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932480A (zh) * | 2018-06-08 | 2018-12-04 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
CN112560806A (zh) * | 2021-01-26 | 2021-03-26 | 华东交通大学 | 一种天然气管道泄漏信号人工智能识别方法 |
CN114692681A (zh) * | 2022-03-18 | 2022-07-01 | 电子科技大学 | 基于scnn的分布式光纤振动及声波传感信号识别方法 |
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 |
CN114998837A (zh) * | 2022-06-14 | 2022-09-02 | 中电海康集团有限公司 | 入侵事件的实时识别方法、装置、系统及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3183822A1 (en) * | 2021-12-13 | 2023-06-13 | Hifi Engineering Inc. | Method and system for simulating an event |
-
2023
- 2023-09-20 CN CN202311213685.3A patent/CN117313001B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932480A (zh) * | 2018-06-08 | 2018-12-04 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
CN112560806A (zh) * | 2021-01-26 | 2021-03-26 | 华东交通大学 | 一种天然气管道泄漏信号人工智能识别方法 |
CN114692681A (zh) * | 2022-03-18 | 2022-07-01 | 电子科技大学 | 基于scnn的分布式光纤振动及声波传感信号识别方法 |
CN114998837A (zh) * | 2022-06-14 | 2022-09-02 | 中电海康集团有限公司 | 入侵事件的实时识别方法、装置、系统及介质 |
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 |
Non-Patent Citations (5)
Title |
---|
Sen Yan ; Ying Shang.Mixed Intrusion Events Recognition Based on Group Convolutional Neural Networks in DAS System. IEEE Sensors Journal .2021,全文. * |
Yiyi Zhou ; Shang Liu.Accurate Recognition of Mixed Events Using Two-dimensional Time-frequency Domain Feature and Data Augmentation for Phase-OTDR Sensing System.2022 Asia Communications and Photonics Conference (ACP).2023,全文. * |
基于分布式光纤声波传感的入侵探测与识别技术研究;闫森;信息科技辑;20230215;全文 * |
基于多尺度一维卷积神经网络的光纤振动事件识别;吴俊;管鲁阳;鲍明;许耀华;叶炜;;光电工程;20190515(第05期);全文 * |
尚秋峰 ; 黄达.基于MATCN的光纤周界入侵信号识别方法.光学学报.2023,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117313001A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110136731B (zh) | 空洞因果卷积生成对抗网络端到端骨导语音盲增强方法 | |
CN115326783B (zh) | 拉曼光谱预处理模型生成方法、系统、终端及存储介质 | |
CN113191178B (zh) | 一种基于听觉感知特征深度学习的水声目标识别方法 | |
CN110879980A (zh) | 基于神经网络算法的核磁共振波谱去噪方法 | |
CN110503060B (zh) | 一种光谱信号去噪方法及其系统 | |
CN112329914B (zh) | 地埋式变电站的故障诊断方法、装置及电子设备 | |
CN111899757A (zh) | 针对目标说话人提取的单通道语音分离方法及系统 | |
CN113642484B (zh) | 一种基于bp神经网络的大地电磁信号噪声压制方法及系统 | |
CN114970646B (zh) | 一种人工源电磁伪随机信号去趋势和噪声识别方法 | |
CN113723171A (zh) | 基于残差生成对抗网络的脑电信号去噪方法 | |
CN116576956A (zh) | 基于分布式光纤声波传感的多源振动信号分离方法 | |
Lim et al. | Harmonic and percussive source separation using a convolutional auto encoder | |
CN116013276A (zh) | 一种基于轻量化ecapa-tdnn神经网络的室内环境音自动分类方法 | |
CN115641871A (zh) | 一种基于声纹的风机叶片异常检测方法 | |
CN115034254A (zh) | 基于hht频带能量特征和卷积神经网络的核素识别方法 | |
CN110782041A (zh) | 一种基于机器学习的结构模态参数识别方法 | |
CN117313001B (zh) | 用于分布式光纤声波传感系统的混合事件分解及识别方法 | |
CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
CN117056669A (zh) | 一种振动信号的去噪方法和系统 | |
CN116884435A (zh) | 一种基于音频提示学习的声音事件检测方法及装置 | |
CN113343590B (zh) | 一种基于组合模型的风速预测方法及系统 | |
CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 | |
Sinha et al. | A deep autoencoder approach to bird call enhancement | |
CN115356599A (zh) | 一种多模态城市电网故障诊断方法及系统 |
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 |