一种用于光纤传感信号的多场景事件标签处理方法及装置与流程

本技术属于光纤传感信号识别领域，更具体地，涉及一种用于光纤传感信号的多场景事件标签处理方法及装置。

背景技术：

1、异物入侵事件对大型基础设施的安全造成极大威胁。目前人工巡检，红外探测技术和电学检波法在长距离监测中存在维护成本高的限制。基于相位敏感性光时域反射技术（）的光纤传感技术以其动态响应，大范围及高灵敏的优势，正广泛应用于结构安全监测，周界安防，轨道交通等基础设施之中。

2、为了实现智能化监控，深度学习技术被引入光纤传感异物入侵识别之中。目前光纤传感信号识别领域的深度学习方法首先在目标监测场景中收集传感数据并打上人工标签形成样本集，然后基于该场景的样本集进行模型训练得到目标模型。

3、然而该场景下的目标模型有着固定的事件识别类别，难以适应多场景事件标签处理且无法预警未知事件标签。如何实现识别多个场景事件标签并预警未知事件标签是本领域亟待解决的技术问题。

技术实现思路

1、针对现有技术的缺陷，本技术的目的在于实现识别多个场景事件标签并预警未知事件标签。

2、为实现上述目的，第一方面，本技术提供了一种用于光纤传感信号的多场景事件标签处理方法，该方法包括：

3、获取光纤传感数据；

4、输入光纤传感数据至多场景事件标签融合模型，获取多场景事件标签融合模型输出的向量，向量用于表征事件标签；

5、输入向量至高斯混合模型gmm，获取高斯混合模型gmm输出的概率密度；

6、若概率密度小于概率密度阈值，则确定光纤传感数据的类别为未知事件标签，若概率密度大于或等于概率密度阈值，则基于向量确定光纤传感数据的事件标签；

7、多场景事件标签融合模型用于识别光纤传感数据对应的事件标签，多场景事件标签融合模型是基于多场景数据集训练获取的，多场景数据集是基于多个场景的光纤传感数据集构建的，高斯混合模型gmm是对向量集合进行拟合获取的，概率密度阈值是通过高斯混合模型gmm计算向量集合的最小概率密度确定的，向量集合是通过将多场景数据集输入至多场景事件标签融合模型，由多场景事件标签融合模型所输出的向量组成的。

8、在一种可能的实现方式中，多场景数据集包括多个场景的代表性数据集，多场景数据集是通过以下步骤构建的：

9、基于各个场景的光纤传感数据集，筛选对应场景下的代表性样本，获取各个场景的代表性数据集；

10、上述筛选对应场景下的代表性样本，包括：

11、将第个场景的光纤传感数据集分成簇样本集合，并统计每一簇样本集合中各类事件标签的样本数量，表示场景序号，为第个场景所能识别的事件标签总量，表示第簇样本集合中事件标签序号为的样本的数量；

12、基于每一簇样本集合中各类事件标签的样本数量，计算每一簇样本集合的样本数量最大值得到，其中为各个簇样本集合中样本数量最大值所对应的事件标签序号；

13、将各个簇样本集合的簇标签分别记为，并去除各个簇样本集合中事件标签不属于簇标签的样本；

14、从各个簇样本集合中筛选出个代表性样本，并将筛选出的个代表性样本组合为第个场景的代表性数据集。

15、此处对上述计算每一簇样本集合的样本数量最大值的过程进行示例性说明，，为中样本数量最大值所对应的事件标签序号，，为中样本数量最大值所对应的事件标签序号，依次类推，，为中样本数量最大值所对应的事件标签序号。

16、在一种可能的实现方式中，上述从各个簇样本集合中筛选出个样本，包括：

17、构建椭圆拟合函数以记录第簇样本集合的椭圆中心坐标，；

18、使用欧式距离衡量第簇样本集合中每个样本与椭圆中心坐标的距离，按距离从近到远的顺序从第簇样本集合中筛选出个代表性样本。

19、在一种可能的实现方式中，多场景事件标签融合模型是通过以下步骤获取的：

20、基于各个场景的代表性数据集，迭代调整待训练的多场景事件标签融合模型，获取多场景事件标签融合模型；

21、迭代调整待训练的多场景事件标签融合模型，包括：

22、输入各个场景的代表性样本至待训练的多场景事件标签融合模型，获取待训练的多场景事件标签融合模型输出的各个场景的代表性样本对应的第一向量，以及输入各个场景的代表性样本至对应场景的目标模型，获取各个场景的代表性样本对应的第二向量；

23、基于各个场景的样本标签值和各个场景的代表性样本对应的第一向量，确定分类损失；以及基于各个场景的代表性样本对应的第一向量和第二向量，进行知识蒸馏处理，确定蒸馏损失；

24、基于分类损失和蒸馏损失，确定总损失；

25、基于总损失，调整待训练的多场景事件标签融合模型的模型参数（权重和偏置等）；

26、其中，各个场景对应的目标模型是基于第个场景的光纤传感数据集训练获取的。

27、可以理解的是，通过使用聚类分析（上述筛选对应场景下的代表性样本）和蒸馏学习算法，能高效地融合学习多个场景的事件标签向量，能够训练出识别多个场景事件标签的模型。

28、在一种可能的实现方式中，上述基于分类损失和蒸馏损失，确定总损失，包括通过以下公式确定总损失：

29、；

30、其中，表示总损失，表示场景的数量，表示第个场景中模型的蒸馏比例系数，表示待训练的多场景事件标签融合模型与第个场景的目标模型之间的蒸馏损失，表示分类损失。

31、在一种可能的实现方式中，多场景事件标签融合模型和目标模型所采用的模型结构包括级联的基础块、稠密块、卷积层、稠密块、卷积层、稠密块、卷积层、稠密块、全局平均池化层以及全连接层；

32、基础块包括级联的卷积层、归一化层、激活函数层和最大池化层；

33、稠密块包括级联的归一化层、激活函数层、第一卷积层、归一化层、激活函数层和第二卷积层，第一卷积层所输出的结果和第二卷积层所输出的结果拼接之后得到的拼接结果作为后续网络结构的输入。

34、在一种可能的实现方式中，模型结构的输入层用于接收一维时序向量数据，模型结构的全连接层的神经元数量与事件标签总量相等。

35、第二方面，本技术提供一种用于光纤传感信号的多场景事件标签处理装置，包括：

36、获取模块，用于获取光纤传感数据；

37、事件标签预测模块，用于输入光纤传感数据至多场景事件标签融合模型，获取多场景事件标签融合模型输出的向量，向量用于表征事件标签；

38、概率密度计算模块，用于输入向量至高斯混合模型gmm，获取高斯混合模型gmm输出的概率密度；

39、未知事件标签预警模块，用于若概率密度小于概率密度阈值，则确定光纤传感数据的类别为未知事件标签，若概率密度大于或等于概率密度阈值，则基于向量确定光纤传感数据的事件标签；

40、多场景事件标签融合模型用于识别光纤传感数据对应的事件标签，多场景事件标签融合模型是基于多场景数据集训练获取的，多场景数据集是基于多个场景的光纤传感数据集构建的，高斯混合模型gmm是对向量集合进行拟合获取的，概率密度阈值是通过高斯混合模型gmm计算向量集合的最小概率密度确定的，向量集合是通过将多场景数据集输入至多场景事件标签融合模型，由多场景事件标签融合模型所输出的向量组成的。

41、第三方面，本技术提供一种电子设备，包括：至少一个存储器，用于存储程序；至少一个处理器，用于执行存储器存储的程序，当存储器存储的程序被执行时，处理器用于执行第一方面或第一方面的任一种可能的实现方式所描述的方法。

42、第四方面，本技术提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，当计算机程序在处理器上运行时，使得处理器执行第一方面或第一方面的任一种可能的实现方式所描述的方法。

43、总体而言，通过本技术所构思的以上技术方案与现有技术相比，具有以下有益效果：

44、（1）通过将多场景事件标签融合模型与高斯混合模型gmm相结合，能够在多种场景下，判断光纤传感数据的类别是否为未知事件标签，若是则给出预警，若否则将向量所表征的事件标签作为光纤传感数据对应的事件标签，实现识别多个场景事件标签并预警未知事件标签。

45、（2）在对未知事件标签进行预警之后，可以收集未知事件标签对应的光纤传感数据样本，并利用未知事件标签对应的光纤传感数据样本继续训练（微调）多场景事件标签融合模型，以使训练后的多场景事件标签融合模型能够识别该未知事件标签，也即将未知事件标签变为已知事件标签。通过利用未知事件标签对应的光纤传感数据样本继续训练模型，能够使得模型快速适应于处理未知事件标签。