一种用于分布式光纤管道入侵检测的深度学习模式识别方法技术

本发明专利技术公开一种用于分布式光纤管道入侵检测的深度学习模式识别方法，该方法对原始入侵信号进行小波阈值去噪，利用mallat多分辨率分解。通过GAF算法将去噪后的信号映射成二维图像，然后缩小图像大小以满足网络模型的要求。并对网络模型进行优化，利用Adam优化器优化学习率，利用Swish激活函数增强模型性能，实现对入侵事件的高速、高精度识别。GAF有利于CNN识别具有细微特征差异的入侵事件，特别是针对分布式光纤周围环境因素有很好的抗干扰效果。由于GAF不需要进行迭代操作，入侵识别的速度大大提高。同时，GAF算法对光路中的功率波动不敏感，有效地提高了系统的鲁棒性和实用性。性。性。

【技术实现步骤摘要】
一种用于分布式光纤管道入侵检测的深度学习模式识别方法


[0001]本专利技术属于深度学习和安全领域，具体涉及一种用于分布式光纤管道入侵检测的深度学习模式识别方法。

技术介绍

[0002]近年来，分布式光纤振动传感(DOVS)技术因其高灵敏度、抗电磁干扰，价格低等优点，在智能安防等领域引起了广泛的关注。它已应用于周界安全、油气管道安全预警和结构健康监测领域，特别是对长输管道起到了十分有利的保护作用。然而，传感光纤容易受到环境的影响，如风雨、行人行走或动物活动，因此这些无害事件可能会导致系统出现意外的误报。此外，振动信号的复杂性和相似性可能导致振动类型识别的错误。因此，研究可靠的模式识别方法消除这些无害的振动事件，降低虚警率，提高识别精度，对提高分布式光纤传感的实际应用能力更好的保障天然气管道的安全运行都具有十分重要的现实意义和指导作用。
[0003]振动信号类型识别的实现依赖于性能良好的分类器，负责将各种入侵信号的特征输入分类模型进行训练，然后利用分类模型对振动信号进行快速类型识别。这就要求模型具有很强的样本学习能力，以实现高精度的分类。目前，分布式光纤领域多是以一维时序数据作为原始样本，进行信号的特征提取，分类器主要选择包括基于机器学习和基于深度学习的模型分类算法。其中，基于机器学习的模型包括支持向量机(SVM)、相关向量机(RVM)、线性判别分析(LDA)、高斯混合模型(GMM)和随机森林(RF)等等。机器学习方法如支持向量机，虽然可以在小样本的基础上达到较好的分类效果，但对于多分类任务存在明显不足，并且一些方法如GMM，分类效果依赖于对初值的选取。基于深度学习的算法模型，如卷积神经网络(CNN)、长短期记忆网络(LSTM)、回声状态网络(ESN)等均有所应用。由于深度学习其以自动化的方式执行特征提取可以通过构建具有多个隐藏层和大量训练数据的模型来学习更多有用的特征，从而提高分类精度。有学者提出基于经验模态分解(EMD)和径向基函数(RBF)神经网络相结合的高精度方法，该方法将通过EMD分解从入侵信号中获得的固有模态函数(IMF)的能量比作为分类任务的基础。然而，EMD方法会引起不连续信号的模态混合问题，严重影响精度。此外，入侵识别时间超过7秒，难以应对紧急响应。

技术实现思路

[0004]本专利技术克服现有技术存在的不足，所要解决的技术问题为：提供一种用于分布式光纤对天然气管道入侵检测的深度学习模式识别方法，该方法首先利用小波阈值法对原始入侵信号进行去噪，再利用格拉姆角场(GAF)算法将去噪后的信号映射成二维图像，然后缩小图像大小以满足卷积神经网络(CNN)输入层的要求，最后再利用合适的CNN学习不同入侵信号对应图像的基本特征，实现对不同类型入侵事件的识别。
[0005]本专利技术的目的是通过以下技术方案实现的：一种用于分布式光纤管道入侵检测的深度学习模式识别方法，该方法包括以下步骤：
[0006](1)按照时间序列采集光纤管道的分布式光纤的原始信号并进行降噪处理。
[0007](2)将一维时间序列的入侵信号转换为二维图像。
[0008](3)将二维图像进行放缩之后作为训练集，输入至VGG16网络模型进行训练。
[0009](4)利用训练后的VGG16网络模型进行分布式光纤管道入侵信号的识别，输出结果为事件类型，分为无入侵、人为活动和机械活动三类。
[0010]进一步地，所述步骤(1)中，利用小波函数进行分解与重构的Mallat多分辨率分解算法对分布式光纤的原始信号进行降噪处理，将原始信号的j
‑
1尺度空间的尺度系数c
j
‑
1,m
，m＝2k+n，经过滤波器系数h(n)进行加权求和得到对应于j尺度空间的尺度系数c
j,k
和小波系数d
j,k
，n代表滤波器的阶数，k表示小波变换中平移操作的参数，Mallat小波变换系数重构的表达式为
[0011][0012]进一步地，所述步骤(2)中，利用格拉姆角场(GAF)算法，将原始时间序列编码成特征更加集中的二维图像；首先，给出一个时间序列X＝{x1,x2,
…
,x
n
}，参数n是时间序列的长度；X按比例放缩为[
‑
1,1]，通过下式处理减少电源波动引起的误判，确保时序信号转换极坐标信号的角度范围介于0和π之间；
[0013][0014]其中，表示第i时刻的归一化信号，x
i
表示时间序列X中第i时刻的时序信号，max(X)和min(X)分别表示时间序列X中最大值和最小值；
[0015]进一步得到余弦角以及重新获得时间序列X和时间戳得到的极性形式的每个元素半径，如下所示：
[0016][0017]其中，表示第i时刻的极坐标信号的极角，r
i
表示第i时刻的极坐标信号的极半径，t
i
表示第i时刻对应的时间戳，N是用作极性空间正则化因子的常数。重新调整时间序列的比例并将其转换为极坐标系。然后，通过计算每个点之间的反余弦函数之和的三角函数值，使用角度透视来识别不同时间间隔之间的时间相关性。Gramian矩阵定义如下：
[0018][0019]其中，表示通过归一化变换后的时间序列信号，表示的转置向量，I是单位行向量[1,1
…
1],Gramian矩阵从左上角到右下角对序列的时间信息进行编码，严格保持信号的时间相关性。
[0020]进一步地，所述步骤(3)中，利用双三次插值法进行图像放缩：双三次插值法通过
使用4x4的加权平均值来调整图像大小的方法，将图像放缩为224x224的标准。
[0021]进一步地，所述步骤(3)中，使用默认参数的Adam优化器和Swish激活函数优化VGG16模型，确定Adam优化器的两个超参数β1为0.9，β2为0.999，batch size设置为24，训练200个周期，学习率设置为0.00001，并且在10,20,40,80和150个周期时衰减到先前值的90％。
[0022]VGG16模型的学习参数表达式为
[0023][0024][0025]其中，α表示模型要学习的参数，θ表示Softmax分类器的参数，表示输出概率的归一化处理，x
i
代表数据集第i个实例的所有特征值向量。
[0026]进一步地，步骤(3)中，通过Adam算法结合AdaGrad算法和RMSProp算法，为每一个参数设计独立的自适应性学习效率，通过对梯度的一阶矩估计和二阶矩均值计算来改变学习效率；改进的VGG16网络用Adam替代了梯度下降优化器；定义公式如下：
[0027]m
t
＝μ
×
m
t
‑1+(1
‑
μ)
×
g
t
[0028]n
t
＝v
×
n
t
‑1+(1
‑...

【技术保护点】

【技术特征摘要】
1.一种用于分布式光纤管道入侵检测的深度学习模式识别方法，其特征在于，该方法包括以下步骤：(1)按照时间序列采集光纤管道的分布式光纤的原始信号并进行降噪处理。(2)将一维时间序列的入侵信号转换为二维图像。(3)将二维图像进行放缩之后作为训练集，输入至VGG16网络模型进行训练。(4)利用训练后的VGG16网络模型进行分布式光纤管道入侵信号的识别，输出结果为事件类型，分为无入侵、人为活动和机械活动三类。2.根据权利要求1所述的一种用于分布式光纤管道入侵检测的深度学习模式识别方法，其特征在于，所述步骤(1)中，利用小波函数进行分解与重构的Mallat多分辨率分解算法对分布式光纤的原始信号进行降噪处理，将原始信号的j
‑
1尺度空间的尺度系数c
j
‑
1,m
，m＝2k+n，经过滤波器系数h(n)进行加权求和得到对应于j尺度空间的尺度系数c
j，k
和小波系数d
j，k
，n代表滤波器的阶数，k表示小波变换中平移操作的参数，Mallat小波变换系数重构的表达式为3.根据权利要求1所述的一种用于分布式光纤管道入侵检测的深度学习模式识别方法，其特征在于，所述步骤(2)中，利用格拉姆角场(GAF)算法，将原始时间序列编码成特征更加集中的二维图像；首先，给出一个时间序列X＝{x1，x2，...，x
n
}，参数n是时间序列的长度；X按比例放缩为[
‑
1,1]，通过下式处理减少电源波动引起的误判，确保时序信号转换极坐标信号的角度范围介于0和π之间；其中，表示第i时刻的归一化信号，x
i
表示时间序列X中第i时刻的时序信号，max(X)和min(X)分别表示时间序列X中最大值和最小值；进一步得到余弦角以及重新获得时间序列X和时间戳得到的极性形式的每个元素半径，如下所示：其中，表示第i时刻的极坐标信号的极角，r
i
表示第i时刻的极坐标信号的极半径，t
i
表示第i时刻对应的时间戳，N是用作极性空间正则化因子的常数。重新调整时间序列的比例并将其转换为极坐标系。然后，通过计算每个点之间的反余弦函数之和的三角函数值，使用角度透视来识别不同时间间隔之间的时间相关性。Gramian矩阵定义如下：
其中，表示通过归一化变换后的时间序列信号，表示的转置向量，I是单位行向量[1,1
…
1],Gramian矩阵从左上角到右下角对序列的时间信息进行编码，严格保持信号的时间相关性。4.根据权利要求1所述的一种用于分布式光纤管道入侵检测的深度学习模式识别方法，其特征在于，所述步骤(3)中，利用双三次插值法进行图像放缩：双三...

【专利技术属性】
技术研发人员：沈佳园，张国民，李清毅，朱程远，杨楷翔，杨秦敏，陈积明，
申请(专利权)人：浙江大学，
类型：发明
国别省市：