【技术实现步骤摘要】
一种基于SNN的分布式光纤传感信号识别方法
本专利技术涉及分布式光纤传感应用领域，具体涉及一种基于SNN的分布式光纤传感信号识别方法。
技术介绍
相敏光时域反射技术(Φ-OTDR)作为分布式光纤传感技术的代表，利用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，Φ-OTDR线性相位解调方法使该系统能够高灵敏探测并高保真还原出较高频的声音和振动信号，成为光纤传感的研究热点。但Φ-OTDR的应用现场数据分析、数据挖掘理解和应用软件还不够成熟，其大规模组网带来了大范围复杂环境中监测时产生的大数据分析处理和深度挖掘等方面的严峻挑战，成为目前光纤传感领域的公共难题。现有基于相位解调的分布式光纤振动、声波传感系统，在实际大范围监测应用中环境复杂，特别是不同段或不同点位埋设环境千差万别...
【技术保护点】
1.一种基于SNN的分布式光纤传感信号识别方法，其特征在于，包括以下步骤：/nS1数据准备：构建不同类型的事件信号数据集；/nS2信号预处理：对事件信号数据集中的时间信号做信号预处理，构建时频特征数据集；/nS3构建脉冲神经网络：基于得到的时频特征数据集，构建脉冲神经网络，并采用无监督学习方法训练；/nS4识别分类：根据每类样本在兴奋层中每个神经元的脉冲响应强度来定义每个兴奋层神经元所属类别；根据测试样本在每类神经元的平均脉冲响应个数来判定其类别。/n
【技术特征摘要】
1.一种基于SNN的分布式光纤传感信号识别方法，其特征在于，包括以下步骤：
S1数据准备：构建不同类型的事件信号数据集；
S2信号预处理：对事件信号数据集中的时间信号做信号预处理，构建时频特征数据集；
S3构建脉冲神经网络：基于得到的时频特征数据集，构建脉冲神经网络，并采用无监督学习方法训练；
S4识别分类：根据每类样本在兴奋层中每个神经元的脉冲响应强度来定义每个兴奋层神经元所属类别；根据测试样本在每类神经元的平均脉冲响应个数来判定其类别。
2.根据权利要求1所述的一种基于SNN的分布式光纤传感信号识别方法，其特征在于，所述S1具体包括以下步骤：
S11：利用基于相敏光时域反射仪的分布式光纤振动、声波传感系统硬件，采集多场景复杂背景环境下管道沿线的分布式光纤传感信号；
S12：该系统每个时刻返回沿空间分布的原始信号轨迹，在时间轴上连续累积T条原始信号轨迹，构建得到一个时间T维，空间S维的时空响应信号矩阵；
S13：将累积得到的时空响应信号矩阵中，抽取事件影响的任意一个空间点的一维时间序列，依次按列沿时间轴进行事件信号分割，来构建不同类型事件信号数据集。
3.根据权利要求2所述的一种基于SNN的分布式光纤传感信号识别方法，其特征在于，所述分布式光纤振动、声波传感系统硬件包括探测光缆、光信号解调设备和信号处理主机。
4.根据权利要求1所述的一种基于SNN的分布式光纤传感信号识别方法，其特征在于，所述S2具体包括以下步骤：
S21：时间信号通过短时傅里叶变换得到时频图；
S22：对时频图像进行预处理，包括裁剪、灰度转换并将二维图像转换为一维数据向量，构建事件信号样本的时频特征数据集。
5.根据权利要求1所述的一种基于SNN的分布式光纤传感信号识别方法，其特征在于，所述S3具体包括以下步骤：
S31：对不同类型事件信号的时频特征进行深度学习，构建脉冲神经网络，并对脉冲神经网络进行网络初始化；
S32：将时频特征数据作为输入，对构建的脉冲神经网络进行训练；
S33：利用STDP无监督训练算法对突触的权重值进行迭代调整，并利用设计的动态阈值调整算法对神经元阈值进行调整；
其中STDP无监督训练算法更新机制，是计算突触的权值改变量ΔW，由突触前脉冲和突触后脉冲的踪迹值计算得到：
其中，η是学习率，ηpre和ηpost分别指突触对每个突触前脉冲和突触后脉冲的学习率，Wmax是突触权重的最大值，μ决定这一次权重改变对上一场权重值的依赖程度...
【专利技术属性】
技术研发人员：吴慧娟，干登轲，徐辰瑞，姚力双，王超群，阳思琦，路豪，刘欣雨，饶云江，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。