一种基于ADLASSO-SEMPSO-RBF的分布式光纤信号听觉信息解耦方法与流程

本发明涉及信号处理与机器学习领域，主要是一种对分布式光纤信号进行热力解耦的方法。

背景技术：

分布式光纤传感技术以光纤为感应和传输介质，利用光波在光纤中传输的特性，通过监测光纤中光信号的波长、相位、频率、偏振态等参量的变化，实现对光纤沿线的连续分布式感测。在全分布式光纤传感系统中，光纤既作为信号传输介质，又是传感单元。在应变/温度检测中比较成熟的技术是botdr技术，但是由于应力场和温度场两个物理场之间相互影响即热力耦合现象会使得最终的测量结果不准确。目前，针对分布式光纤热力耦合问题，主要是对分布式光纤传感系统中的光源、光电转换器等硬件装置进行优化设计，根据分布式光纤传感的测量原理，推导融合传感装置的应变解调公式，从而搭建的融合传感系统，实现热力解耦的目的。该解耦方法主要的侧重点是分布式光纤传感系统硬件本身方面的耦合，通过对传感系统的结构进行设计来达到解耦的目的，而没有考虑光纤本身随温度变化而导致的应变和应力的变化。此外，也通过双参量传感的方式来实现温度应变的解耦，但是该方法对于布里渊光时域分析，由于受激布里渊散射的偏振相关性，不能实现对受激散射光功率的准确检测。

关于分布式光纤信号解耦的应用，在很多领域的发展都相对成熟。例如利用布里渊光时域反射技术对温度和应变的分布式测量可以实现对工业建筑结构、安全生产环境的全分布式监测。随着分布式光纤传感技术在地下管道、土木工程、电力通信等领域的广泛应用，对分布式光纤信号进行热力解耦是其应用中亟需解决的关键问题。因此，必须建立一种分布式光纤信号听觉信息解耦方法，使得分布式光纤传感技术在广泛应用的过程中获得更高的测量精度，从而为后续的分布式光纤信号处理分析中提供准确的测量数据。

技术实现要素：

针对上述现有技术中存在的问题，本发明要解决的技术问题是提供一种基于adlasso-sempso-rbf的分布式光纤信号听觉信息解耦方法，其具体流程如图1所示。

技术方案实施步骤如下：

(1)确定布里渊频移随温度和应变变化的关系vb(ε,t)：

式中，vb表示布里渊频移，ε表示应变，t表示温度，k表示泊松比，e表示杨氏模量，ρ表示光纤介质的密度，n表示光纤折射率，λ0表示泵浦光的波长。

(2)确定lasso回归损失函数l(c)：

保持应变ε＝0不变时，布里渊频移和温度关系为：

保持温度t＝t0不变时，布里渊频移和应变的关系为：

对上述式子进行级数展开，分析可知布里渊频移与温度和应变的变化关系可表示为：

δvb＝cv,tδt+cv,εδε

从而确定损失函数l(c)：

式中，n表示样本点数，α表示常数系数，|c||1表示l1范数，δvb⁽ⁱ⁾表示第i个布里渊平移变化量。在adlasso模型中，将各个变量采用不同的惩罚项，不重要的变量采用较大的权重惩罚，重要的变量采用较小的权重惩罚，达到保留重要的信息，剔除不重要的信息或者干扰信息的效果，提高实现目标的准确性。

(3)确定mpso优化模型的惯性权重w：

式中，w表示惯性权重，wmin表示最小惯性权重值，wmax表示最大惯性权重值，k表示当前迭代次数，a表示最大迭代次数，fi为种群中第i个粒子的适应度，favg为种群中所有粒子适应度的平均值。

(4)确定mpso模型的学习因子c1、c2：

式中，c1、c2表示学习因子，c1s、c2s表示学习因子初值，c1e、c2e表示学习因子终值。

(5)确定mpso中损失函数l(c)的迭代更新公式：

式中，表示lasso模型中速度为vi的第t+1迭代的温度系数cv,t和应变系数cv,ε，pid表示粒子i的最优位置，pgd表示粒子种群最优位置，表示粒子i第t迭代的位置，d表示搜索空间维数，t表示迭代次数，w表示惯性权重，c1表示自身学习因子，c2表示社会学习因子，r1、r2表示[0，1]上的随机数。以上，完成botdr中温度应变测量过程中的热力耦合问题，由于热力耦合对分布式光纤信号的振动影响无法确定，所以构建rbf神经网络进行无限逼近。

(6)确定rbf神经网络隐藏层的输出

式中，表示高斯基函数的样本数据中心，σ表示高斯基函数的样本方差，表示样本数据距离数据中心的距离。

(7)确定隐藏层到输出层的权重矩阵变化量δνjk：

式中，δνjk权重矩阵变化量，η表示学习速度，w表示隐藏层到输出层的权重矩阵，φ表示隐藏节点的向量，lmax表示距离数据中心最大的距离。

(8)确定rbf神经网络的输出v：

式中，νjk表示隐藏层到输出层的连接权重，j表示第j个隐藏节点，j表示隐藏节点总数。

以上，完成基于lasso-mpso-rbf的分布式光纤信号听觉信息解耦。

本发明比现有技术具有的优点：

(1)本发明结合adlasso和sempso方法对分布式光纤温度、应变信号进行了热力解耦处理，考虑了光纤本身随温度变化而导致的应变和应力的变化，通过sempso寻优算法对adlasso中的温度系数和应变系数进行寻优处理，从而实现分布式光纤信号的热力解耦。

(2)由于热力耦合对分布式光纤信号的振动影响无法确定，所以本发明通过构建rbf神经网络对分布式光纤振动数据中的热力耦合情况进行模型训练，充分利用rbf神经网络非线性逼近和数据处理效率高的特点，实现对分布式光纤振动信号的热力解耦处理。

附图说明

为了更好地理解本发明，下面结合附图作进一步的说明。

图1是建立基于adlasso-sempso-rbf的分布式光纤信号听觉信息解耦方法的步骤流程图；

图2是建立基于adlasso-sempso-rbf的分布式光纤信号听觉信息解耦方法算法流程图；

图3是rbf神经网络结果示意图；

图4是本发明中应力应变关系曲线图；

具体实施方案

下面通过实施案例对本发明作进一步详细说明。

本实施案例选用的数据集共包含利用botdr技术采集的温度、应变数据和phase-otdr技术采集的振动数据，采集频率为2khz，一共1000组分布式光纤数据，每组包含100个样本点数。其中包括500组温度应变数据，500组振动数据，每类数据中随机选取350组数据作为训练样本，剩下的150组数据作为实验样本。

本发明所提供的分布式光纤信号听觉信息解耦方法整体流程如图1所示，具体步骤如下：

(1)确定布里渊频移随温度和应变变化的关系vb(ε,t)：

式中，vb表示布里渊频移，ε表示应变，t表示温度，k表示泊松比，e表示杨氏模量，ρ表示光纤介质的密度，n表示光纤折射率，λ0表示泵浦光的波长。本案例中，光纤折射率n的值为1.47，泵浦光的波长λ0值为1550nm，代入上式可得：

(2)确定lasso回归损失函数l(c)：

保持应变ε＝0不变时，布里渊频移和温度关系为：

保持温度t＝t0不变时，布里渊频移和应变的关系为：

对上述式子进行级数展开，分析可知布里渊频移与温度和应变的变化关系可表示为：

δvb＝cv,tδt+cv,εδε

样本点数n为35000，常数系数α为0.01，从而确定损失函数l(c)：

式中，|c||1表示l1范数，δvb⁽ⁱ⁾表示第i个布里渊平移变化量。在adlasso模型中，将各个变量采用不同的惩罚项，不重要的变量采用较大的权重惩罚，重要的变量采用较小的权重惩罚，达到保留重要的信息，剔除不重要的信息或者干扰信息的效果，提高实现目标的准确性。

(3)确定mpso优化模型的惯性权重w：

式中，w表示惯性权重，wmin表示最小惯性权重值，wmax表示最大惯性权重值，k表示当前迭代次数，a表示最大迭代次数，fi为种群中第i个粒子的适应度，favg为种群中所有粒子适应度的平均值。

本案例中，最小惯性权重取值为0.05，最大惯性权重为1，最大迭代次数为1000，代入上式可得：

(4)确定mpso模型的学习因子c1、c2：

式中，c1、c2表示学习因子，c1s、c2s表示学习因子初值，c1e、c2e表示学习因子终值。

(5)确定mpso中损失函数l(c)的迭代更新公式：

式中，表示lasso模型中速度为vi的第t+1迭代的温度系数cv,t和应变系数cv,ε，pid表示粒子i的最优位置，pgd表示粒子种群最优位置，表示粒子i第t迭代的位置，d表示搜索空间维数，t表示迭代次数，r1、r2表示[0，1]上的随机数。以上，完成botdr中温度应变测量过程中的热力耦合问题，由于热力耦合对分布式光纤信号的振动影响无法确定，所以构建rbf神经网络进行无限逼近。

(6)确定rbf神经网络隐藏层的输出

式中，σ表示高斯基函数的样本方差，表示样本数据距离数据中心的距离，表示高斯基函数的样本数据中心。本案例中，样本方差σ为0.45，样本数据中心为，所以上式表示为：

(7)确定隐藏层到输出层的权重矩阵变化量δνjk：

式中，δνjk权重矩阵变化量，η表示学习速度，w表示隐藏层到输出层的权重矩阵，φ表示隐藏节点的向量，lmax表示距离数据中心最大的距离。本案例中，η值为0.01，权重矩阵w为lmax值为1.5，权重矩阵变化量δνjk表示为：

(8)确定rbf神经网络的输出v：

式中，νjk表示隐藏层到输出层的连接权重，j表示第j个隐藏节点。

以上，完成基于lasso-mpso-rbf的分布式光纤信号听觉信息解耦。对于训练好的模型，利用测试集样本对模型进行测试，得到分布式光纤信号热力解耦结果，完成基于lasso-mpso-rbf的分布式光纤信号听觉信息解耦方法。

为了验证本发明对分布式光纤信号听觉信息的热力解耦效果，对本发明进行了分布式光纤热力解耦实验，由实验结果可知，本发明所建立的分布式光纤信号听觉信息热力解耦方法能够较好地获取温度场和应变场之间的相互影响作用，实现热力解耦。这表明本发明建立的分布式光纤信号听觉信息热力解耦方法是有效的，为分布式光纤信号听觉信息的热力解耦研究提供了更好的方法，具有一定的实用性。