【技术实现步骤摘要】
基于深度学习算法的传输光缆实时告警方法及装置
[0001]本专利技术涉及光缆监测
,具体涉及一种基于深度学习算法的传输光缆实时告警方法及装置。
技术介绍
[0002]传统的光缆监测技术通常是采集纤内传输的光信号光学基础参量(如波长、频率、强度、偏振态、相位等),以监测光缆沿线振动等物理量,建立光学参量与光缆线路振动之间的关系,从而实现光缆安全状态的监测,避免外力破坏和盗窃行为。但是光缆的振动影响因素很多,除了顶管施工、道路开挖、地下钻探、外界随机因素等外在因素,还包括光信号光学基础参量噪音的影响,这使得现有技术对光缆监测的可靠性较低。
技术实现思路
[0003]本专利技术实施例所要解决的技术问题在于,提供一种基于深度学习算法的传输光缆实时告警方法及装置,以解决现有光缆监测技术易受噪音影响而可靠性低的问题。
[0004]为解决上述技术问题,本专利技术实施例提供一种基于深度学习算法的传输光缆实时告警方法,包括:
[0005]步骤S1,构建传输光缆的光缆时空数据集,所述光缆时空数据集中的光缆时空数据包括1
‑
T时刻光缆光纤上N个位置处的多个光信号光学基础参量的数据,其中T﹥1,n﹥1;
[0006]步骤S2,对所述光缆时空数据集中每一时刻的光缆时空数据进行时空特征提取处理,获得1
‑
T时刻的T个N维高层语义特征数据;
[0007]步骤S3,将所获得1
‑
T时刻的N维高层语义特征数据作为输入,利用长短期记忆网络获得T+ ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习算法的传输光缆实时告警方法,其特征在于,包括:步骤S1,构建传输光缆的光缆时空数据集,所述光缆时空数据集中的光缆时空数据包括1
‑
T时刻光缆光纤上N个位置处的多个光信号光学基础参量的数据,其中T﹥1,n﹥1;步骤S2,对所述光缆时空数据集中每一时刻的光缆时空数据进行时空特征提取处理,获得1
‑
T时刻的T个N维高层语义特征数据;步骤S3,将所获得1
‑
T时刻的N维高层语义特征数据作为输入,利用长短期记忆网络获得T+1时刻的振动数据预测值;步骤S4,比较所获得的振动数据预测值与预先设定的振动数据阈值,并在所述振动数据预测值大于所述振动数据阈值时发出告警信号。2.根据权利要求1所述的传输光缆实时告警方法,其特征在于,所述多个光信号光学基础参量包括波长、频率、强度、偏振态以及相位中的部分或全部。3.根据权利要求1所述的传输光缆实时告警方法,其特征在于,所述步骤S2进一步包括:利用卷积神经网络对所述光缆时空数据集中每一时刻的光缆时空数据进行时空特征提取处理,获得1
‑
T时刻的T个N维高层语义特征数据。4.根据权利要求3所述的传输光缆实时告警方法,其特征在于,所述步骤S2进一步包括:所述卷积神经网络对每一时刻的光缆时空数据执行三次不同的卷积操作,获得三个尺寸不同的特征矩阵;将所获得的三个尺寸不同的特征矩阵以平铺再拼接的方式,形成所述N维高层语义特征数据。5.根据权利要求4所述的传输光缆实时告警方法,其特征在于,所述三次不同的卷积操作包括:第一次卷积操作,包括:对每一时刻的光缆时空数据先用3
×
3的卷积核进行卷积,再采用2
×
2的池化层进行池化,完成第一次特征提取过程;对第一次特征提取过程提取的特征采用3
×
3的卷积核进行卷积,完成第二次特征提取过程;对第二次特征提取过程提取的特征采用3
×
3的卷积核进行卷积,完成第三次特征提取过程,得到具有第一尺寸的特征矩阵。6.根据权利要求5所述的传输光缆实时告警方法,其特征在于,所述三次不同的卷积操作还包括:第二次卷积操作,包括:对每一时刻的光缆时空数据先用3
×
3的卷积核进行卷积,再采用3
×
3的池化层进行池化,完成第一次特征提取过程;对第一次特征提取过程提取的特征...
【专利技术属性】
技术研发人员:高强,吕为,吴谦,张伟贤,罗莉,陈建民,田志峰,任建川,丘国良,林宁,杨旸,
申请(专利权)人:深圳供电局有限公司,
类型:发明
国别省市:
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。