[发明专利]基于SCNN的分布式光纤振动及声波传感信号识别方法

说明书

本发明公开了一种基于SCNN的分布式光纤振动及声波传感信号识别方法，包括数据准备：构建不同类型的分布式光纤振动及声波传感事件信号数据集；信号预处理：对事件信号分割后做信号预处理，包括时频变换、裁剪、高斯差分滤波，构建时频特征数据集，每个事件信号时频特征包含高斯差分滤波后的一对正反时频特征图；基于时频特征数据集构建并训练无监督的脉冲卷积神经网络SCNN作为特征提取网络；识别分类：将SCNN提取的信号特征转换为特征向量，输入SVM分类器中进行监督训练并分类。本发明在实际应用中有效提升主流监督识别模型CNN的抗过拟合和泛化能力，并有效提高无监督识别模型SNN在分布式光纤传感信号识别中的实时性。

技术领域

本发明涉及分布式光纤传感应用领域，具体涉及一种基于脉冲卷积神经网络(SCNN)的分布式光纤振动及声波传感信号识别方法。

背景技术

基于相敏光时域反射技术(Φ-OTDR)的光纤分布式振动传感系统及声波传感系统(DVS/DAS)，利用通信光纤感测沿线环境中振动、声波等物理量的时间变化和空间分布信息，具有长距离多点定位能力强，同时感测灵敏度高，光纤中无功能器件，寿命长，单端探测，工程施工和维护简便，因此是实现大范围环境安全监测的一种重要技术手段，在管道安全、光电线缆安全、轨道安全、土木结构健康监测及周界安防等应用领域中发挥重要作用。近年来，由于DVS/DAS(分布式振动及声波传感系统)的广泛应用，复杂环境下DVS/DAS信号识别方法成为该领域热点问题。目前，以卷积神经网络(CNN)为代表的有监督的深度学习网络进行信号识别时，对训练数据量要求高，在应对不同场景及同类事件数据不一致等复杂多样噪声环境时，表现出严重的过拟合问题，导致实际系统识别能力不佳；公开号CN112749637A的发明专利中提出的基于无监督的脉冲神经网络(SNN)，其抗过拟合能力相对CNN有明显提升，但其基于电导型的脉冲神经元模型中，每个神经元通过求解微分方程动态更新，且神经网络的参数多，每层神经元采用全连接的突触连接方式，导致训练、测试时间长，实时性差，难以实现DVS/DAS传感信号的在线识别。因此本发明结合以上两类典型分类算法的优势，提出利用SCNN(脉冲卷积神经网络)的深度学习方法，同时实现DVS/DAS信号识别模型抗过拟合和实时处理。

发明内容

本发明在公开号CN112749637A的发明专利中提出的分布式光纤振动及声波传感系统(DVS/DAS)信号识别方法基础上，基于脉冲神经网络(SNN)与卷积神经网络(CNN)结合的脉冲卷积神经网络(SCNN)，提供了一种新的DVS/DAS传感信号识别方法，用以提升现有技术在多种复杂场景下模型的泛化能力和处理实时性。

为实现上述目的，本发明提出了一种基于SCNN的分布式光纤振动及声波传感信号识别方法，以长距离管道安全监测应用为例，该方法包括以下步骤：

步骤1：数据准备：

利用基于相敏光时域反射仪的分布式光纤声波、振动传感系统硬件采集实际应用现场的多场景复杂背景环境下管道沿线的声波或振动信号来构建信号数据库，其中包括在同一场景下采集的典型一致的信号数据集A，不同场景下采集的典型不一致的信号数据集B和非典型不一致的信号数据集C，以及不均衡数据集D，数据集A、B、C、D都有需要训练的样本，A和D均包含训练集和测试集，B和C均包含微调集和测试集；对各空间点采集的管道事件信号时间序列按时间段进行分割，构建典型事件信号数据集，再对中心空间点的一段时间信号做短时傅里叶变换STFT得到时频图，对时频图进行包括裁剪、灰度转换在内的预处理后，利用高斯差分滤波和阈值判断对时频图进行处理，得到一对时频脉冲特征图，以此构建典型事件时频特征数据集；

步骤2：构建脉冲卷积神经网络SCNN，对典型事件时频特征数据集中典型事件信号的时频特征进行无监督学习：