CN117972372A - 一种智能化das及其混叠信号定向目标分离方法 - Google Patents
一种智能化das及其混叠信号定向目标分离方法 Download PDFInfo
- Publication number
- CN117972372A CN117972372A CN202410135557.XA CN202410135557A CN117972372A CN 117972372 A CN117972372 A CN 117972372A CN 202410135557 A CN202410135557 A CN 202410135557A CN 117972372 A CN117972372 A CN 117972372A
- Authority
- CN
- China
- Prior art keywords
- signal
- target
- separation
- network
- signals
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 65
- 238000000926 separation method Methods 0.000 claims abstract description 114
- 239000013598 vector Substances 0.000 claims abstract description 66
- 238000000605 extraction Methods 0.000 claims abstract description 42
- 239000013307 optical fiber Substances 0.000 claims abstract description 38
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 64
- 238000001228 spectrum Methods 0.000 claims description 49
- 238000012360 testing method Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 28
- 230000003287 optical effect Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 25
- 238000013135 deep learning Methods 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 235000005338 Allium tuberosum Nutrition 0.000 claims description 4
- 244000003377 Allium tuberosum Species 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000009933 burial Methods 0.000 claims description 3
- 230000001427 coherent effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000009412 basement excavation Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 7
- 239000000835 fiber Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000000253 optical time-domain reflectometry Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001612 separation test Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种智能化DAS及其混叠信号定向分离方法,属于光纤传感技术及应用领域,用于定向提取多源干扰下地埋光纤感知的目标振动信号。首先将地埋光纤接入光纤振动传感系统采集多种类型的振动源信号,构建单源信号数据库,再通过单源数据集构建混合信号数据集。基于采集信号,构建目标信号定向分离网络。网络由两部分组成:嵌入向量(d‑vector)提取网络和目标信号分离网络。嵌入向量提取网络为参考信号生成嵌入向量,而目标信号分离网络使用嵌入向量对混合信号中的目标信号进行估计。本发明使用单路混叠信号即可实现目标信号的分离,解决了光纤传感系统在复杂地埋环境下多源干扰导致目标信号检测识别困难的问题,具有较大的潜在应用价值。
Description
技术领域
本发明属于光纤传感技术应用领域,涉及一种信号分离方法,具体涉及用于定向提取多源干扰下地埋光纤感知的目标振动信号,尤其涉及一种智能化DAS及其混叠信号定向目标分离方法。
背景技术
基于相敏光时域反射技术(Φ-OTDR)的光纤声波传感器(DAS)提供了一种有效的大规模连续监测方法,可以通过地下铺设的通信光缆检测光纤沿线的振动信号,实时分析光缆周围的环境安全情况。并且具有传感距离长、定位精度高、响应速度快、运行成本低、使用寿命长等特点。因此在地震监测、石油地质勘探、列车定位与测速、边境安全、远程汽油管道安全监测等方面DAS得到了广泛的应用。
但是在实际复杂的城市环境中,人工挖掘、机械挖掘等第三方环境破坏性事件与交通车流、工厂噪声等多种地面振动源可能同时存在,对DAS目标振动源的精准检测带来巨大挑战。DAS通过地埋光纤感知地面各种振动源信号,由于地下地质构造的差异,感知的振动源地下传播及混合过程复杂且不可预测,混叠过程中单源信号特性易发生非线性改变,增加了具有威胁性目标振动信号检测识别的困难。
目前已有技术,例如申请号为(202010842976.9)的发明专利申请就公开了一种多源混叠的分布式光纤振动传感信号的分离方法,基于线性瞬时混叠模型使用FastICA多源分离算法,但是在实际未知复杂地质条件下,DAS地埋光纤接收信号经历了一个复杂的非线性混叠过程,假设的线性瞬时混叠模型与实际混叠方式不一致,导致该方法的分离效果有限,且该方法需要先估计混合信号源的数量,源数估计准确性对分离效果有较大影响。
进一步,申请号为(202311448884.2) 的发明专利申请就公开了一种分布式光纤传感非线性混合信号分离方法、系统、设备及介质,基于拓展慢特征分析方法解决非线性混叠信号的分离问题,但是该方法仍需要进行源数估计,源数估计不准确对分离效果有较大影响。此外,以上方法均需要获得多个阵元相同类型源的混叠信号,而长距离监测DAS其空间分辨率有限,在不同位置的相邻感知阵元接收到的混合信号不一致,导致该方法在实际应用也受到限制。
此外,申请号为(202310408385.4) 的发明专利申请就公开了基于分布式光纤声波传感的多源振动信号分离方法,
该方法首先构建不同源数的深度学习网络分离模型,然后估计待分离混合信号的源数,以此选择对应源数的分离模型进而分离混合信号。该方法在信号源数目未知的情况下,需要训练得到任意混合源数对应的分离网络模型,实现较为复杂。
目前,基于单个阵元感知的混叠信号,在未知振动源类型、数量及混叠方式的多源干扰下智能化目标信号分离提取,目前还没有实际有效的方法。
发明内容:
本发明的目的在于:为解决现有技术中光纤传感系统在复杂地埋环境下多源干扰导致目标信号检测识别困难的技术问题,提供一种智能化DAS及其混叠信号定向目标分离方法。
一种智能化DAS及其混叠信号定向目标分离方法,包括以下步骤:
步骤1,数据采集与数据集构建;
利用基于相敏光时域反射技术的分布式光纤声波传感系统,采集不同类型事件的振动信号,构建单源信号数据集,再根据单源信号数据集构建混合信号数据集;
步骤2,网络构建;
构建目标信号定向分离深度学习网络模型,目标信号定向分离深度学习网络模型包括嵌入向量提取网络、目标信号分离网络;
嵌入向量提取网络为参考信号生成一维的嵌入向量,嵌入向量引导目标信号分离网络提取对应类型的目标信号;
目标信号分离网络,从混合信号能量谱中对目标信号进行估计得到目标信号注意模板,再将目标信号注意模板与混合信号的时频能量谱相乘得到估计信号的时频能量谱,最后结合混合信号的相位信息得到目标信号的时域估计;
步骤3,网络训练;
先在单源信号数据集上对嵌入向量提取网络进行训练,再在混合信号数据集上对目标信号分离网络进行训练;
步骤4,信号实时分离;
获取待分离的目标信号,并将待分离的目标信号输入目标信号定向分离深度学习网络模型,目标信号定向分离深度学习网络模型输出信号分离结果。
进一步地,步骤1中,所述基于相敏光时域反射技术的分布式光纤声波传感系统包括超窄线宽激光器,超窄线宽激光器产生连续相干光信号,光脉冲信号经由声光调制器进行调制后输入掺铒光纤放大器,经掺铒光纤放大器放大后的光脉冲信号依次通过隔离器、环形器后注入检测电缆;光脉冲信号在检测电缆中产生瑞利散射,然后瑞利散射光沿光纤返回并被环形器接收,噪声信号则经滤光器滤波后由第一耦合器耦合,外部扰动引入的相变信息由非平衡马赫曾德尔干涉仪和3*3耦合器进行调节,扰动光信息经光电电测器和模数转换器进行光电转换后,最终传输到处理器,处理器利用人工智能处理算法对目标信号进行处理,实现混叠信号的定向目标分离、识别和定位。
进一步地,步骤1中,在采集不同类型事件的振动信号时,光纤的埋深范围为0.8-1.5m,空间采样间隔为5.16m,时间采样率为1kHz,每条数据样本的持续时间为15s;
将采集到的单源信号数据按比例划分为训练集、验证集和测试集,并构建单源信号数据集;
制作混合信号数据集时,选取单源信号数据集中的两类振动信号,其中一类为目标信号,另一类作为干扰信号,在目标信号的训练集中选取两条信号作为参考信号和源信号,在干扰信号的训练集中选取一条干扰信号,将源信号和干扰信号以随机信噪比混合得到混合信号,以一条参考信号、源信号和混合信号作为一条样本,构建混合信号训练集,混合信号训练集用于目标信号定向分离深度学习网络模型的训练。
进一步地,步骤1中,对单源信号数据集中的信号进行傅里叶变换,得到信号的能量谱,并将信号的能量谱/>作为目标信号定向分离深度学习网络模型的输入;
能量谱的计算公式为:
其中,和/>分别是窗的长度和窗移动长度,/>是信号采样点,/>表示短时傅里叶变换帧数,/>表示虚数单位,/>表示频率点,F表示傅里叶变换点数,/>表示/>的短时傅里叶谱,/>表示时间信号,/>是窗函数。
进一步地,步骤2中,嵌入向量提取网络包括三层LSTM层和一层全连接层;目标信号分离网络包括三层LSTM和两层全连接层,每个全连接层之前加入一个线性激活单元ReLU函数,在最后一个全连接层之后加入一个sigmoid激活函数。
进一步地,步骤3中,在对嵌入向量提取网络进行训练时,训练批次中每条样本信号的损失函数为:
一个批次的总损失函数为:
其中,表示第/>个事件的第/>条数据,/>表示/>与第j个事件中心的相似度,表示总的事件类别数,/>表示/>与第/>个事件中心的相似度;
其中,和/>均表示可学习参数,表示去除/>样本数据后计算第k类事件中心的结果,/>表示使用第k类事件所有样本数据计算第k类事件中心的结果,/>表示样本数,/>表示第k类事件的第m条数据,/>表示/>和/>之间的余弦相似度。
进一步地,训练嵌入向量提取网络时,一个批次M和N的值分别设置为3和50,训练迭代次数设置为800,学习率为0.01,并使用随机梯度下降优化器进行优化;
对训练完的嵌入向量提取网络进行测试时,采用平均错误率(EER)用作评价嵌入向量提取网络的性能:
其中,EER表示平均错误率;FAR表示错误接受率,即用错误接受次数(NFA)和类间测试数(NIRA)计算;FRR表示错误拒绝率,即用错误拒绝数(NFR)和类内测试数(NGRA)计算。
进一步地,步骤3中,在对目标信号分离网络进行训练时,损失函数表示为:
其中,表示点乘,/>和/>分别表示帧数和频率点,/>表示目标信号的能量谱,/>表示估计信号的能量谱,表示目标信号能量谱在t帧和频点f处的值,表示估计信号能量谱在t帧和频点f处的值,/>表示混合信号的能量谱,表示估计信号的注意模板;/>的第t帧的值/>表示为:
其中,表示目标信号分离网络在t时刻的状态,/>和/>分别表示目标信号分离网络输出门的权重和偏置,/>表示目标分离网络在t帧时的输入,/>表示/>经过双曲正切函数后的值。进一步地,训练目标信号分离网络时,使用批大小为32的初始学习率为0.001,训练分离网络120个epoch,如果连续两个epoch的训练损失没有减少,则学习率减半,使用Adam优化器;
对训练完的嵌入向量提取网络进行测试时,选择信号失真比、尺度不变、相关系数和均方误差作为评价指标;
选择信号失真比SDR表示为:
尺度不变SI-SDR表示为:
相关系数表示为:
均方误差MSE表示为:
其中,表示源信号,/>表示估计信号,/>表示信号在时间上的长度点数,/>表示估计信号在第n个采样点的值,/>表示源信号在第n个采样点的值,/>表示估计信号的平均值,/>表示源信号的平均值。
进一步地,采用基于Hilbert-Huang变换的时频熵来评估分离性能,具体步骤为:
步骤S1,对信号进行Hilbert-Huang变换,将其分成Q个大小为1x1的块,每块的能量大小为,整个信号的能量为A;
步骤S2,将每块的能量进行归一化,具体计算方式为:
步骤S3,计算时频熵H:
。
本发明的有益效果如下:
1、本发明方法首次提出基于深度学习的智能化DAS及其混叠信号定向目标分离方法,在未知振动源类型、数量及混合过程情况下,利用深度学习方法对分布式光纤感知的多源混叠信号进行定向目标分离,提高智能化DAS系统在复杂多源干扰环境下的目标信号定向检测能力。
2、本发明根据不同类型的振动源在时频特征的差异,通过嵌入向量提取网络和目标信号定向分离深度学习网络网络来实现对目标信号的提取。与现有的DAS多源分离方法不同,本方法无需假设线性或非线性混叠过程,且不需要获取阵列混叠信号作为分离基础,仅利用基于单一阵元感知的混叠信号即可实现感兴趣目标信号的定向提取分离,对于空间分辨率不高的分布式光纤传感系统具有更大的实际应用价值。
3、本发明提出基于LSTM的嵌入向量提取网络和目标信号分离网络,相比于传统的CNN网络有更好的记忆能力,且可以更好的捕捉时序数据的特征,网络结构易于调整,鲁棒性强。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图,其中:
图1是本发明方法示意图;
图2是本发明具体实施方中式分布式光纤振动/声波传感系统图;
图3是本发明具体实施方中嵌入向量提取网络在测试集上的结果,代表测试集上每个事件的测试样本与每类事件嵌入中心的余弦相似度;
其中,(a)人工挖掘,(b)机械破路,(c)交通干扰
图4是本发明具体实施方式中对信噪比为零的混合信号(机械破路和交通干扰)提取机械破路信号结果图;
图5是本发明具体实施方式中,不同信噪比两源混合信号的的统计分离结果;
其中,A-人工挖掘,B-机械破路,C-交通干扰;
图6是本发明具体实施方式中对信噪比为-3的混合信号(人工挖掘,机械破路和交通干扰)提取人工挖局信号结果图;
图7是本发明具体实施方式中,不同信噪比三源混合信号的的统计分离结果;
其中,A-人工挖掘, B-机械破路, C-交通干扰;
图8是本发明具体实施方式中,现场测试中两种方法分离结果信号时域图;
图9是本发明具体实施方式中,现场测试中两种方法分离结果信号时频图;
图10是是本发明具体实施方式中,现场测试两种方法分离信号时频熵统计图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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一部分实施例,而不是全部的实施例。
因此,基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
在智慧城市监测应用中,光纤传感系统检测到的振动信号通常是混叠有交通强干扰信号的多源信号,例如机械挖掘与交通干扰信号混叠、人为挖掘与交通干扰信号混叠或者多种信号混叠,且源信号类型、数量及其混叠方式都未知。因此本发明提出一种智能化DAS及其混叠信号定向目标分离方法,基于单个阵元感知的混叠信号,在未知振动源类型、数量及混叠方式情况下进行多源混叠信号定向目标分离,其主要包括以下步骤:
步骤1,数据采集与数据集构建。
利用基于相敏光时域反射技术的分布式光纤声波传感(DAS)系统,采集不同类型事件的振动信号,构建单源信号数据集,根据单源信号数据集构建混合信号数据集。
针对采集的数据,还可进行数据预处理。即,将数据集中的时间信号做短时傅里叶变换(STFT)得到时频图,进一步得到信号的能量谱。
步骤2,网络构建。
构建目标信号定向分离深度学习网络模型,网络包含两个部分:1.嵌入向量(d-vector)提取网络。2.目标信号分离网络。
步骤3,网络训练。
网络的训练也包含两个部分:首先在单源数据集上对嵌入向量提取网络进行训练使网络性能达到最优,在测试集上进行测试。然后在多源混合信号数据集上对目标信号定向分离网络进行训练使分离网络性能达到最优,其中嵌入向量提取网络的参数应保持不变。
步骤4,信号实时分离。
获取待分离的目标信号,并将待分离的目标信号输入目标信号定向分离深度学习网络模型,目标信号定向分离深度学习网络模型输出信号分离结果。
实施例二
本实施例是对实施例一的步骤1中光纤传感采集系统进一步说明。
实施例一中采用基于相敏光时域反射技术的分布式光纤声波传感(DAS)系统,采集不同类型事件的振动信号。基于Φ-OTDR传感原理,利用瑞利散射(一种源于介质密度波动的光的弹性散射)来测量光纤状态的变化。如果振动发生在光纤的某个位置,瑞利散射中心的相对位置将被改变,并且Φ-OTDR的相位将在局部改变,从而实现分布振动或声学传感。通过计算光在光纤中传播行时间,将光纤位置与在特定时间接收到的向后瑞利散射Φ-OTDR信号相关联。
基于相敏光时域反射技术的分布式光纤声波传感系统的结构如图2所示,包括超窄线宽激光器,超窄线宽激光器产生连续相干光信号,光脉冲信号由声光调制器(AOM)调制。经掺铒光纤放大器放大后的光脉冲信号依次通过隔离器和循环器注入检测电缆。光脉冲信号产生瑞利散射,然后瑞利散射光沿光纤返回并被环行器接收。噪声信号经滤光器滤波后,由第一耦合器耦合,外部扰动引入的相变信息由非平衡马赫曾德尔干涉仪和3x3耦合器解调。最后,扰动光信息经光电探测器(PD)和模数转换(ADC)进行光电转换后,最终传输到处理器通过以AI为支撑的智能信号处理算法进行分析。处理器利用人工智能处理算法对目标信号进行处理,实现混叠信号的定向目标分离、识别和定位。本发明主要解决目标信号的定向分离问题。针对分离信号的识别,传统方法使用”人工经验特征提取+分类器设计”机器学习方法,智能化处理方法以卷积神经网络(CNN)、循环神经网络(RNN)的深度学习工具为代表。DAS的振动及声源定位则最主要依据OTDR原理及DAS阵列声信号处理方法,也有新的基于机器学习模型的新定位方案。
实施例三
本实施例是对实施例一的步骤1中数据集准备过程做出进一步地优化说明。
利用基于相敏光时域反射技术的分布式光纤声波传感(DAS)系统,采集不同类型事件的振动信号,光纤埋深范围为0.8 - 1.5 m,空间采样间隔为5.16 m,时间采样率为1kHz。每条数据样本的持续时间为15s,将单源信号数据集按一定比例划分成训练集/验证集/测试集,构建单源信号数据集如表1所示。然后制作混合信号数据集。例如两源信号混合训练集制作过程如下:选取单源信号训练集中的两类振动信号,其中一类作为目标信号,另一类作为干扰信号。在目标信号训练集中随机选取两条信号作为参考信号和源信号,同样在干扰信号训练集中随机选取一条干扰信号,将源信号和干扰信号以随机信噪比(-5至5dB)混合得到混合信号。以一条参考信号,源信号和混合信号作为一条样本构建混合信号训练数据集。混合信号验证集和测试集创建过程与训练集类似。两源混合混合信号数据集如表2所示,训练集总大小为20000,验证集大小为2000。
表1 单源信号数据集:
表2 两源混合信号数据集
三源数据集的创建过程与两源数据集的创建过程类似。两个干扰信号先以随机信噪比(-5至5 dB)混合,然后再与目标信号混合。训练集的总大小为10000,验证集的大小为1000,如表3所示。
表3三源混合信号数据集
实施例四
本实施例是对实施例一的步骤1中数据预处理部分做进一步说明。
由于网络中的输入均为信号的能量谱,因此首先将数据集中的时间信号通过短时傅里叶变换(STFT)转换,进一步得到信号的能量谱。
(1)
其中和/>分别是窗的长度和窗移动长度,/>是信号采样点,/>表示短时傅里叶变换帧数,/>表示虚数单位,/>表示频率点,F表示傅里叶变换点数,/>表示/>的短时傅里叶谱,/>表示时间信号,/>是窗函数。选取的窗函数频谱主瓣应尽可能窄,以提高频域分辨率和减小泄露。这里使用hanning窗,FFT的点数和窗长度为256,窗移动长度为60。
实施例五
本实施例是在实施例一的基础上,对目标信号定向分离深度学习网络模型做进一步说明。
如图1所示,该网络由两个部分组成:嵌入向量提取网络和目标信号分离网络。嵌入向量提取网络为参考信号生成一维的嵌入向量(d-vector),得到参考信号的时序特征向量。而嵌入向量起着引导目标信号分离网络提取对应类型的目标信号的作用,嵌入向量能够代表该信号类别事件的特征并且能够区分其他的事件。目标信号分离网络用于估计目标信号的时频能量谱。其中注意模板生成网络结合参考信号嵌入向量,从混合信号能量谱中对目标信号进行估计得到目标信号注意模板,再将目标信号注意模板与混合信号的时频能量谱相乘得到估计信号的时频能量谱,最后结合混合信号的相位信息得到估计信号的时域估计。
实施例六
本实施例是对实施例一的步骤2中构建目标信号定向分离深度学习网络模型中的嵌入向量提取网络做进一步说明,在整个网络的构建中,以LSTM网络模型为例来进行说明。
在嵌入向量(d-vector)提取网络中,d-vector是由编码LSTM网络为每个样本生成的深度特征向量。D-vector向量决定了目标信号分离网络中要分离的信号类型,因此,损失函数应引导编码LSTM网络生成的d-vector向量应该能够区分不同的事件。训练过程中使用损失函数(3)来调整编码器LSTM的参数。表示训练批次中每条训练样本信号的损失。(3)中的/>是一个批次训练的总损失。损失函数的目的是使每个嵌入向量更靠近它的中心,同时使它远离其它事件的中心。
(2)
(3)
其中,表示第/>个事件的第/>条数据,/>表示/>与第j个事件中心的相似度,表示总的事件类别数,/>表示/>与第/>个事件中心的相似度。
(4)
(5)
(6)
其中,和/>均表示可学习参数,/>表示去除/>样本数据后计算第k类事件中心的结果,/>表示使用第k类事件所有样本数据计算第k类事件中心的结果,/>表示表示样本数,/>表示第k类事件的第m条数据,/>表示/>和/>之间的余弦相似度。
在嵌入向量提取网络的训练过程中,一个训练批次由条信号组成,其中N表示事件的个数,每个事件由M个信号组成。将信号能量谱作为编码LSTM的输入。随后,编码LSTM为每个信号生成一个嵌入向量。相似度矩阵由式(4)计算。最后使用损失函数(3)更新编码LSTM的参数。在测试过程中,在训练集上指定每类事件的一定数量的信号,使用训练好的编码LSTM计算每类事件中心。然后由训练良好的编码LSTM生成测试集信号的嵌入向量。用测试信号嵌入向量和每类事件中心通过余弦相似度计算相似矩阵,最后根据指定的相似度阈值确定每个信号的类别。
实施例七
本实施例是对实施例一的步骤2中构建目标信号定向分离深度学习网络模型中的目标信号分离网络做进一步说明。
在目标信号分离网络中,利用编码LSTM生成的d-vector向量引导分离网络提取对应类型的目标信号,通过注意模板生成LSTM在时频域上对目标信号进行估计得到目标信号。d-vector的质量在分离过程中起着至关重要的作用。目标信号定向分离流程图如图1所示。目标分离网络的训练涉及到参考信号d-vector、混合信号和目标信号。而在测试中,只需要参考信号d-vector和混合信号。在注意模板生成LSTM中,将d-vector向量重复连接到混合信号能量谱的每一帧作为输入。然后注意模板生成LSTM估计得到目标信号能量谱上的注意模板,如(7)所示。
(7)
其中是/>第/>帧的值,/>是LSTM在/>帧时的状态。由式(8)可得到估计信号的能量谱。
(8)
最后,分离网络的损失函数应该最小化估计目标能量谱和真实能量谱之间的差异,利用损失函数(9)计算网络的损失。
(9)
其中,表示点乘,/>和/>分别表示帧数和频率点,/>表示目标信号的能量谱,/>表示估计信号的能量谱,/>表示目标信号能量谱在t帧和频点f处的值,/>表示估计信号能量谱在t帧和频点f处的值,/>表示混合信号的能量谱,表示估计信号的注意模板,/>表示目标信号分离网络在/>时刻的状态,/>和/>分别表示目标信号分离网络输出门的权重和偏置,/>表示目标分离网络在t帧时的输入,表示/>经过双曲正切函数后的值。/>
其中和/>分别为帧数和频率点。损失函数使估计信号的能量谱与目标源信号能量谱之间的差值最小化。在分离网络的训练阶段,将训练好的嵌入向量提取网络参数固定,并用于目标分离网络的训练过程。最后结合混合信号的相位信息,对估计的能量谱进行短时间傅里叶逆变换(10, 11),得到目标信号的时域估计形式。
(10)
(11)
其中,和/>分别为帧数和频率点,/>表示第/>个事件,/>表示采样点数,/>表示第t帧估计信号,/>表示目标信号的时域估计形式,,F表示傅里叶变换点数,/>估计信号的时频谱,/>表示短时傅里叶变换中窗移动长度,/>表示将窗函数向右平移R个点,/>表示对窗函数向右平移R个点后的值做平方运算。
整个网络的参数如表4所示。嵌入向量提取网络由三层LSTM和一层全连接层组成,并进行归一化操作。对于目标信号分离网络,采用三层LSTM和两层全连接层。在每个全连接层之前加入一个线性激活单元(ReLU)函数,在最后一个全连接层之后加入一个sigmoid激活函数。
表4基于双LSTM的目标信号定向分离网络的结构参数
实施例八
本实施例是对实施例一的步骤3中嵌入向量提取网络的训练测试过程进行进一步说明。
训练过程:在嵌入向量提取网络的训练过程中,一个批次和/>的值分别设置为3和50,训练迭代次数设置为800,学习率为0.01,使用随机梯度下降(SGD)优化器。
测试过程:测试过程中采用平均错误率(EER)用作评价d-vector提取网络的性能。
(12)
其中错误接受率(FAR)是用错误接受次数(NFA)和类间测试数(NIRA)计算。错误拒绝率(FRR)用错误拒绝数(NFR)和类内测试数(NGRA)计算。
(13)
(14)
为了获取每类事件稳定的嵌入向量中心,从每类事件训练集中取500条样本来计算嵌入向量中心。图3是每个事件的测试样本与不同事件嵌入向量中心的余弦相似度,结果表明每个事件的样本与对应事件的中心最相似,与其他事件中心的相似度几乎为负。当判决门限为0.8时,,/>,/>,较低的EER结果表明d-vector提取网络是有效的。
实施例九
本实施例是对实施例一步骤3中目标信号分离网络的训练测试过程进行进一步说明。
训练过程:在分离网络的训练过程中,使用批大小为32的初始学习率为0.001,训练分离网络120个epoch,如果连续两个epoch的训练损失没有减少,则学习率减半,使用Adam优化器。
测试过程:在测试中为了评估分离信号的质量,选择信号失真比(SDR)(15)、尺度不变SDR(SI-SDR)(16)、相关系数(17)和均方误差(MSE)(18)作为评价指标。
选择信号失真比SDR表示为:
(15)
尺度不变SI-SDR表示为:
(16)
相关系数表示为:
(17)
均方误差MSE表示为:
(18)
其中,表示源信号,/>表示估计信号,/>表示信号在时间上的长度点数,/>表示估计信号在第n个采样点的值,/>表示源信号在第n个采样点的值,/>表示估计信号的平均值,/>表示源信号的平均值。
图4是使用两源混合数据集训练得到的分离网络对的两源混合信号(机械破路和交通干扰)中机械破路信号提取结果,在时域和时频域,目标信号都被成功提取。此外,不同信噪比的统计分离结果如图5所示,测试数据信噪比分别为-5db,0db和5db。它表明,随着信噪比的增加,分离信号的质量得到改善,在较低的信噪比下,并且得到显著的改善。交通干扰中断路信号的提取效果比人工挖掘信号提取效果较差,主要原因是两者频谱范围都主要集中在100Hz以内。较小且相对稳定的MSE值表明分离信号在不同信噪比下保持良好的整体质量。
图6是使用三源混合数据集训练得到的分离网络对的两源混合信号的分离结果,不同信噪比的统计分离结果如图7所示,由于多种干扰信号会改变目标信号在时频域中的特征。因此,与两源混合信号相比,三源混合信号的分离效果有所下降,但目标信号仍然可以被有效地分离。
实施例十
本实施例是对整个目标信号定向分离网络的现场测试过程及性能评估方法进行进一步说明。
通过现场真实混叠(人工挖掘和挖掘机怠速)应用案例进行分离效果的验证。与专利(CN112179475B)中基于线性瞬时混合模型的多源分离方法FastICA进行了比较。
由于无法获得光纤采集的混合信号对应的信号源,因此评价指标(15-18)不能用于现场试验。本专利选择利用分离信号的时频熵评估分离性能,通过比较估计信号与典型DAS信号时频熵的范围来评估分离信号的质量。
测试过程及结果如图8,9所示,FastICA需要多个传感阵元的信息,因此选取(a)和(b)两个空间点的混合信号,而本发明仅选取混合信号(a)为分离对象。(c)和(d)是采用FastICA分离的结果,(e)和(f)是本发明对两种信号的提取结果。结果表明,FastICA分离的两种信号存在严重干扰,而本发明提取的两种信号干扰较少,且保留了目标信号的能量信息。
此外,对多条实际混合信号进行了分离测试,两种方法分离信号时频熵的统计值如图10所示。结果表明,典型的挖掘机怠速信号时频熵较大,而典型的人工挖掘信号时频熵较小。FastICA分离的两种信号时频熵范围有很大的重叠,这表明该方法分离性能不佳。而本发明提取的两类信号时频熵更接近于典型值的范围。结果表明,在实际埋地环境中,该方法比传统的多源分离方法更有效。
实施例十一
本专利选择基于Hilbert-Huang变换的时频熵来评估分离性能。利用基于Hilbert-Huang变换的时频熵描述信号的复杂度,具体计算过程包含如下步骤:1.对信号进行Hilbert-Huang变换,将其分成N个大小为1x1的块,每块的能量大小为,整个信号的能量为/>。2.将每块的能量进行归一化(19)。3.根据(20)计算时频熵H。
(19)
(20)
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种智能化DAS及其混叠信号定向目标分离方法,其特征在于,包括以下步骤:
步骤1,数据采集与数据集构建;
利用基于相敏光时域反射技术的分布式光纤声波传感系统,采集不同类型事件的振动信号,构建单源信号数据集,再根据单源信号数据集构建混合信号数据集;
步骤2,网络构建;
构建目标信号定向分离深度学习网络模型,目标信号定向分离深度学习网络模型包括嵌入向量提取网络、目标信号分离网络;
嵌入向量提取网络为参考信号生成一维的嵌入向量,嵌入向量引导目标信号分离网络提取对应类型的目标信号;
目标信号分离网络,从混合信号能量谱中对目标信号进行估计得到目标信号注意模板,再将目标信号注意模板与混合信号的时频能量谱相乘得到估计信号的时频能量谱,最后结合混合信号的相位信息得到目标信号的时域估计;
步骤3,网络训练;
先在单源信号数据集上对嵌入向量提取网络进行训练,再在混合信号数据集上对目标信号分离网络进行训练;
步骤4,信号实时分离;
获取待分离的目标信号,并将待分离的目标信号输入目标信号定向分离深度学习网络模型,目标信号定向分离深度学习网络模型输出信号分离结果。
2.如权利要求1所述的一种智能化DAS及其混叠信号定向目标分离方法,其特征在于:步骤1中,所述基于相敏光时域反射技术的分布式光纤声波传感系统包括超窄线宽激光器,超窄线宽激光器产生连续相干光信号,光脉冲信号经由声光调制器进行调制后输入掺铒光纤放大器,经掺铒光纤放大器放大后的光脉冲信号依次通过隔离器、环形器后注入检测电缆;光脉冲信号在检测电缆中产生瑞利散射,然后瑞利散射光沿光纤返回并被环形器接收,噪声信号则经滤光器滤波后由第一耦合器耦合,外部扰动引入的相变信息由非平衡马赫曾德尔干涉仪和3*3耦合器进行调节,扰动光信息经光电电测器和模数转换器进行光电转换后,最终传输到处理器,处理器利用人工智能处理算法对目标信号进行处理,实现混叠信号的定向目标分离、识别和定位。
3.如权利要求1所述的一种智能化DAS及其混叠信号定向目标分离方法,其特征在于:步骤1中,在采集不同类型事件的振动信号时,光纤的埋深范围为0.8-1.5m,空间采样间隔为5.16m,时间采样率为1kHz,每条数据样本的持续时间为15s;
将采集到的单源信号数据按比例划分为训练集、验证集和测试集,并构建单源信号数据集;
制作混合信号数据集时,选取单源信号数据集中的两类振动信号,其中一类为目标信号,另一类作为干扰信号,在目标信号的训练集中选取两条信号作为参考信号和源信号,在干扰信号的训练集中选取一条干扰信号,将源信号和干扰信号以随机信噪比混合得到混合信号,以一条参考信号、源信号和混合信号作为一条样本,构建混合信号训练集,混合信号训练集用于目标信号定向分离深度学习网络模型的训练。
4.如权利要求1所述的一种智能化DAS及其混叠信号定向目标分离方法,其特征在于:步骤1中,对单源信号数据集中的所有信号进行短时傅里叶变换,得到信号的能量谱E(t,f),并将信号的能量谱E(t,f)作为目标信号定向分离深度学习网络模型的输入;
能量谱E(t,f)的计算公式为:
其中,L和R分别是窗的长度和窗移动长度,n是信号采样点,t表示短时傅里叶变换帧数,j表示虚数单位,f表示频率点,F表示短时傅里叶变换点数,X(t,f)表示x(n)的短时傅里叶谱,x(n)表示时间信号,g(n)是窗函数。
5.如权利要求1所述的一种智能化DAS及其混叠信号定向目标分离方法,其特征在于:步骤2中,嵌入向量提取网络包括三层LSTM层和一层全连接层;目标信号分离网络包括三层LSTM和两层全连接层,每个全连接层之前加入一个线性激活单元ReLU函数,在最后一个全连接层之后加入一个sigmoid激活函数。
6.如权利要求1所述的一种智能化DAS及其混叠信号定向目标分离方法,其特征在于:步骤3中,在对嵌入向量提取网络进行训练时,训练批次中每条样本信号的损失函数L(eji)为:
一个批次的总损失函数LG为:
其中,eji表示第j个事件的第i条数据,Sji,j表示eji与第j个事件中心的相似度,N表示总的事件类别数,Sji,k表示eji与第k个事件中心的相似度;
其中,w和b均表示可学习参数,表示去除eki样本数据后计算第k类事件中心的结果,ck表示使用第k类事件所有样本数据计算第k类事件中心的结果,M表示样本数,ekm表示第k类事件的第m条数据,/>表示eji和/>之间的余弦相似度。
7.如权利要求6所述的一种智能化DAS及其混叠信号定向目标分离方法,其特征在于:训练嵌入向量提取网络时,一个批次M和N的值分别设置为3和50,训练迭代次数设置为800,学习率为0.01,并使用随机梯度下降优化器进行优化;
对训练完的嵌入向量提取网络进行测试时,采用平均错误率(EER)用作评价嵌入向量提取网络的性能:
EER=(FAR+FRR)/2
FAR=NFA/NIRA
FRR=NFR/NGRA
其中,EER表示平均错误率;FAR表示错误接受率,即用错误接受次数(NFA)和类间测试数(NIRA)计算;FRR表示错误拒绝率,即用错误拒绝数(NFR)和类内测试数(NGRA)计算。
8.如权利要求1所述的一种智能化DAS及其混叠信号定向目标分离方法,其特征在于:步骤3中,在对目标信号分离网络进行训练时,损失函数L表示为:
其中,表示点乘,t和f分别表示帧数和频率点,Etarget表示目标信号的能量谱,Eestimated表示估计信号的能量谱,Etarget(t,f)表示目标信号能量谱在t帧和频点f处的值,Eestimated(t,f)表示估计信号能量谱在t帧和频点f处的值,E表示混合信号的能量谱,Mestiamted表示估计信号的注意模板;
Mestiamted的第t帧的值Mt表示为:
Mt=σ(W0[Mt-1,St]+b0)*tanh(Ct)
其中,Ct表示目标信号分离网络在t帧的状态,W0和b0分别表示目标信号分离网络输出门的权重和偏置,St表示目标分离网络在t帧时的输入,tanh(Ct)表示Ct经过双曲正切函数后的值。
9.如权利要求8所述的一种智能化DAS及其混叠信号定向目标分离方法,其特征在于:训练目标信号分离网络时,使用批大小为32的初始学习率为0.001,训练分离网络120个epoch,如果连续两个epoch的训练损失没有减少,则学习率减半,使用Adam优化器;
对训练完的嵌入向量提取网络进行测试时,选择信号失真比、尺度不变、相关系数和均方误差作为评价指标;
选择信号失真比SDR表示为:
尺度不变SI-SDR表示为:
相关系数ξ表示为:
均方误差MSE表示为:
其中,S表示源信号,表示估计信号,Ls表示信号在时间上的长度点数,/>表示估计信号在第n个采样点的值,s(n)表示源信号在第n个采样点的值,/>表示估计信号的平均值,E(s)表示源信号的平均值。
10.如权利要求1所述的一种智能化DAS及其混叠信号定向目标分离方法,其特征在于:采用基于Hilbert-Huang变换的时频熵来评估分离性能,具体步骤为:
步骤S1,对信号进行Hilbert-Huang变换,将其分成Q个大小为1x1的块,每块的能量大小为wi,整个信号的能量为A;
步骤S2,将每块的能量进行归一化,具体计算方式为:
pi=wi/A
步骤S3,计算时频熵H:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410135557.XA CN117972372A (zh) | 2024-01-30 | 2024-01-30 | 一种智能化das及其混叠信号定向目标分离方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410135557.XA CN117972372A (zh) | 2024-01-30 | 2024-01-30 | 一种智能化das及其混叠信号定向目标分离方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117972372A true CN117972372A (zh) | 2024-05-03 |
Family
ID=90861052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410135557.XA Pending CN117972372A (zh) | 2024-01-30 | 2024-01-30 | 一种智能化das及其混叠信号定向目标分离方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117972372A (zh) |
-
2024
- 2024-01-30 CN CN202410135557.XA patent/CN117972372A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11562224B2 (en) | 1D-CNN-based distributed optical fiber sensing signal feature learning and classification method | |
Wu et al. | A dynamic time sequence recognition and knowledge mining method based on the hidden Markov models (HMMs) for pipeline safety monitoring with Φ-OTDR | |
CN107061996B (zh) | 一种供水管道泄漏检测定位方法 | |
CN113049084B (zh) | 一种基于注意力机制的Resnet的分布式光纤传感信号识别方法 | |
CN111442827B (zh) | 一种变压器绕组振动的光纤无源在线监测系统 | |
Wu et al. | A novel DAS signal recognition method based on spatiotemporal information extraction with 1DCNNs-BiLSTM network | |
CN109000876B (zh) | 基于自动编码器深度学习的sns光纤冲击识别方法 | |
CN111649817B (zh) | 一种分布式光纤振动传感器系统及其模式识别方法 | |
CN103226028B (zh) | 一种相敏光时域反射仪扰动信号检测与识别方法 | |
CN112884134B (zh) | 面向地震震相识别的基于时域的卷积神经网络模型及应用 | |
CN112198556A (zh) | 信号处理方法、装置、终端设备及存储介质 | |
CN116818080A (zh) | Das信号的多维深度特征提取与识别方法 | |
CN116576956A (zh) | 基于分布式光纤声波传感的多源振动信号分离方法 | |
CN113687433A (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
CN112985574A (zh) | 基于模型融合的光纤分布式声波传感信号高精度分类识别方法 | |
Zhang et al. | Deep convolutional neural network for microseismic signal detection and classification | |
Zhong et al. | Recognition and prediction of ground vibration signal based on machine learning algorithm | |
CN117972372A (zh) | 一种智能化das及其混叠信号定向目标分离方法 | |
CN113191321B (zh) | 基于生成对抗网络的光纤分布式地震波信号降噪方法 | |
CN116026449A (zh) | 一种基于单芯光纤传感的振动定位监测系统 | |
Chen et al. | Advanced Signal Processing in Distributed Acoustic Sensors Based on Submarine Cables for Seismology Applications | |
Sun et al. | Micro‐seismic Event Detection of Hot Dry Rock based on the Gated Recurrent Unit Model and a Support Vector Machine | |
CN112464777B (zh) | 一种光纤振动源垂直距离智能估算方法 | |
Yin et al. | Research on interference signal recognition in p wave pickup and magnitude estimation | |
CN117169816B (zh) | 一种深海声影区宽带声源被动定位方法、介质及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |