本发明涉及基于分布式光纤传感的入侵事件分类识别领域,具体涉及一种分布式光纤围栏监测的表征学习方法。
背景技术:
1、基于相位敏感光时域反射仪(φ-otdr)的分布式光纤振动传感器能够同时检测光纤上发生的多点振动事件。由于其具有测量距离远、灵敏度高、配置简单等优点,在各种安全监测领域受到广泛关注。然而,在实际应用中,大量的噪声干扰会使φ-otdr具有很高的误报警率。因此,研究能够准确识别威胁事件的方法以减少误报至关重要。基于φ-otdr相位信号与外部振动信号呈线性关系的特点,其被用来描述振动事件以进行分类识别,目前大多方法是将相位信号的一维特征向量输入到分类器中,这些特征仅限于人为定义的时域或频域计算,不能充分提取信号特征。
2、为了解决此问题,一些端到端的深度学习方法,如卷积神经网络(cnn),已经被提出用于φ-otdr中的事件识别。这些来自机器视觉领域的学习网络在处理图像方面表现出色,但应用在φ-otdr中时,积累数据从而获得时空域图像需要很长的时间,同时光纤上出现的随机噪声将导致巨大的训练样本需求量来保证网络识别的准确性,因此,当φ-otdr监测系统的工作环境发生变化,需要耗费大量时间和成本重新构建数据集进行分类网络的训练。虽然如1-d cnn等网络可以直接处理一维信号,但在预处理阶段需要针对目标信号设计有效的降噪方法,很难具有普遍实用性。
技术实现思路
1、为解决上述问题,本发明采用以下技术方案,一种分布式光纤围栏监测的表征学习方法,包括:采集不同事件下待测光纤返回的背向瑞利散射信号数据,将每个空间采集点对应位置处的相位时域信号转换为马尔可夫转换场mtf矩阵,再通过非负矩阵分解nmf从mtf中提取基矩阵并保存为rgb图像,最后由2-d cnn网络进行特征学习和识别。
2、具体步骤如下:
3、s1采集光纤围栏传感信号;
4、s2解调获得相位时域序列;
5、s3对原始序列进行归一化;
6、s4将归一化序列按值域划分至q个分位数并构造邻近矩阵;
7、s5构建马尔可夫转换场m;
8、s6采用非负矩阵分解法处理m得到基矩阵;
9、s7将基矩阵保存成rgb图像;
10、s8添加标签制作成数据集输入2-d cnn网络训练。
11、所述s1包括:将待测光纤固定在光纤围栏上,使用φ-otdr监测系统采集不同事件下待测光纤返回的背向瑞利散射信号数据,所述信号数据具有时间和空间的双域信息,存储成二维矩阵形式dn×m,n为注入待测光纤的光脉冲个数,对应时间域信息,m为待测光纤全链路的采样点个数,对应空间域信息。
12、所述s2包括:对二维数据矩阵dn×m进行解调得到各点相位信号,每一空间采样点位置i处均可得到一条相位时域序列xi={x1,x2,...,xn},n为对应的时刻;
13、所述s3包括:使用线性函数归一化(min-max scaling)对s2中得到的原始序列进行归一化处理,公式表示为:
14、
15、所述s4包括:将归一化序列按照值域划分至q个分位数中,且每个归一化序列值xnom只对应唯一的分位数qi(i∈[1,q])。
16、所述s5包括:沿时间轴计算不同分位数之间的跃迁概率从而构造邻近矩阵w,矩阵元素wi,j表示分位数qj中的一点与分位数qi中的一点邻接的频率,表示为:
17、
18、构建马尔可夫转换场m,矩阵元素mij表示从分位数qi跃迁到分位数qj的概率,表示为:
19、
20、所述s6包括:通过非负矩阵分解法将m矩阵分解为两个小的非负矩阵,分别为基矩阵w和系数矩阵h,矩阵的近似分解通过求解如下最优化问题实现:
21、
22、所述s7包括:将得到的基矩阵w保存为rgb色彩图像。
23、所述s8包括:进行对应的事件标签标注,通过cnn网络训练和测试完毕后,利用训练好的网络对新数据进行分类。
24、本发明的有益效果在于:
25、本发明有效解决了目前在φ-otdr监测领域中,入侵事件识别模型学习效率低的问题,通过在送入2-d cnn网络之前对数据特征进一步表征,使原始相位时间序列更适合被网络学习,从而提高学习效率和识别精度;
26、本发明有效解决了识别网络训练数据集构建成本高的问题,传统利用图像的φ-otdr识别技术中,整条传感链路在一次检测周期中所获得的时-空数据矩阵往往只能作为一个样本,而本发明在不同空间采样点上获得的相位时间序列可单独作为一个样本,即在一次检测周期中,最多可获得与空间采样点数相同的样本个数;
27、本发明将一维时间序列转换成二维图像进行识别,将更好地配合如今机器视觉领域的发展趋势,促进φ-otdr识别技术与未来前沿的机器视觉技术相结合。
1.一种分布式光纤围栏监测的表征学习方法,其特征在于:采集不同事件下待测光纤返回的背向瑞利散射信号数据,将每个空间采集点对应位置处的相位时域信号转换为马尔可夫转换场mtf矩阵,再通过非负矩阵分解nmf从mtf中提取基矩阵并保存为rgb图像,最后由2-d cnn网络进行特征学习和识别。
2.根据权利要求1所述分布式光纤围栏监测的表征学习方法,其特征在于,具体步骤包括:
3.根据权利要求2所述分布式光纤围栏监测的表征学习方法,其特征在于s1:将待测光纤固定在光纤围栏上,使用φ-otdr监测系统采集不同事件下待测光纤返回的背向瑞利散射信号数据,所述信号数据具有时间和空间的双域信息,存储成二维矩阵形式dn×m,n为注入待测光纤的光脉冲个数,对应时间域信息,m为待测光纤全链路的采样点个数,对应空间域信息。
4.根据权利要求3所述分布式光纤围栏监测的表征学习方法,其特征在于s2:对二维数据矩阵dn×m进行解调得到各点相位信号,每一空间采样点位置i处均可得到一条相位时域序列xi={x1,x2,...,xn},n为对应的时刻。
5.根据权利要求4所述分布式光纤围栏监测的表征学习方法,其特征在于s3:使用线性函数归一化(min-max scaling)对s2中得到的原始序列进行归一化处理,公式表示为:
6.根据权利要求5所述分布式光纤围栏监测的表征学习方法,其特征在于s4:将归一化序列按照值域划分至q个分位数中,且每个归一化序列值xnom只对应唯一的分位数qi(i∈[1,q])。
7.根据权利要求6所述分布式光纤围栏监测的表征学习方法,其特征在于s5:沿时间轴计算不同分位数之间的跃迁概率从而构造邻近矩阵w,矩阵元素wi,j表示分位数qj中的一点与分位数qi中的一点邻接的频率,表示为:
8.根据权利要求7所述的分布式光纤围栏监测的表征学习方法,其特征在于s6:通过非负矩阵分解法将m矩阵分解为两个小的非负矩阵,分别为基矩阵w和系数矩阵h,矩阵的近似分解通过求解如下最优化问题实现:
9.根据权利要求8所述的分布式光纤围栏监测的表征学习方法,其特征在于s7:将得到的基矩阵w保存为rgb色彩图像。
10.根据权利要求9所述的分布式光纤围栏监测的表征学习方法,其特征在于s8:标签有攀爬、敲击、风吹和虚假干扰四种,通过cnn网络训练和测试完毕后,利用训练好的网络对新数据进行分类。