基于双重数据扩增的光纤振动事件分类方法及存储介质技术

本发明专利技术公开了基于双重数据扩增的光纤振动事件分类方法及存储介质，方法包括通过光纤数据获取系统获取振动事件数据样本；根据事件类别将数据样本分为少样本类别数据样本和多样本类别数据样本；先后通过时域转移数据扩增方法和CycleGAN数据扩增方法对少样本数据样本进行样本扩增；扩增后的数据样本和原数据样本构成总训练集，结合深度卷积网络得到光纤分类模型，通过光纤分类模型实现当前振动事件的分类。本申请降低了光纤的振动事件数据的获取难度，通过双重数据扩增方法增加了数据样本数量，扩增数据和真实数据的拟真程度高，仅需使用数量较少的数据样本即可完成光纤的振动事件分类模型的训练，保证模型准确率的同时降低训练难度。训练难度。训练难度。

【技术实现步骤摘要】
基于双重数据扩增的光纤振动事件分类方法及存储介质


[0001]本专利技术涉及光纤预警
，特别涉及基于双重数据扩增的光纤振动事件分类方法及存储介质。

技术介绍

[0002]分布式光纤传感系统由于其灵敏度高、定位精度高、电磁免疫等特性，广泛应用于长距离油气管道监测及周界安防，建筑结构健康监测等领域。相位敏感型光时域反射仪技术，通过使用长相干光源，检测光脉冲返回光的相干结果，其干涉方法能有效实现动态响应，能同时实现高定位精度和高灵敏度检测，尤其是对于微弱扰动信号的检测，非常适用于管道预警。
[0003]一般的相位敏感型光时域反射仪传感距离在20千米左右，不满足长距离管道数十公里的传感长度要求。目前引入分布式放大技术以提高相位敏感型光时域反射仪的传感距离。但是，为了保证瑞利散射光的信噪比在正常的范围内，在进行A/D采样之前需要采用外探测结构提高瑞利散射光强信号的拍频，外探测结构的成本高，导致整个A/D采样过程变得复杂且昂贵。
[0004]再者，由于相位敏感型光时域反射仪定性测量的特点，相位敏感型光时域反射仪难以实现光纤振动事件的识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于双重数据扩增的光纤振动事件分类方法，其特征在于，包括如下步骤：构建光纤数据获取系统，通过所述光纤数据获取系统检测历史传感光纤发生振动事件时的若干个瑞利散射光强信号；将若干个所述瑞利散射光强信号制作为振动事件数据样本，所述振动事件数据样本包括RGB图像和TS时域数据，并将所述振动事件数据样本分为少样本类别数据样本和多样本类别数据样本；其中，所述少样本类别数据样本的采集难度比所述多样本类别数据样本的采集难度高，所述多样本类别数据样本包括属于背景噪声类的振动事件数据样本；根据所述背景噪声类的振动事件数据样本，结合基于时域转移的数据扩增方法，对所述少样本类别数据样本中的TS时域数据进行数据扩增，得到扩增后的TS时域数据；根据特定数据样本，通过循环对抗生成网络对所述扩增后的TS时域数据进行扩增，得到扩增数据样本，将所述扩增数据样本转换为RGB格式后添加至所述振动事件数据样本中，得到总训练集；其中，所述特定数据样本为所述多样本类别数据样本中，不属于背景噪声类的振动事件数据样本；预训练深度卷积网络，将所述总训练集输入至预训练后的深度卷积网络并对其进行训练，得到光纤分类模型；检测当前发生振动事件的传感光纤的当前瑞利散射光强信号并将其输入至所述光纤分类模型中，获得振动事件的分类结果。2.根据权利要求1所述的基于双重数据扩增的光纤振动事件分类方法，其特征在于，所述将若干个所述瑞利散射光强信号制作为振动事件数据样本，所述振动事件数据样本包括RGB图像和TS时域数据，包括：将获得的所述瑞利散射光强信号重新排列为矩阵形式，获得时空矩阵信号,所述时空矩阵信号记作TR_Matrix＝[TR1，TR2，TR3，...，TR
i
，...，TR
N
]
T
，TR
i
表示第i条瑞利散射光强信号，N为探测光脉冲重复频率；采用移动差分平均法对振动事件进行定位，以定位得到的振动事件的位置信息作为中心，提取所述时空矩阵信号中对应位置的数据，所述对应位置的数据记作TS时间序列；对所述TS时间序列进行带通滤波处理，滤除所述TS时间序列中的直流分量和高频系统噪声，得到TS时域数据；其中，所述TS时域数据为振动事件数据样本的第一存储形式；对所述TS时域数据进行时频变换处理，并将其转换为RGB图像，将所述RGB图像作为振动事件的数据样本第二存储形式；其中，所述时频变换处理包括：STFT、HHT或梅尔倒谱变换中的任一种。3.根据权利要求1所述的基于双重数据扩增的光纤振动事件分类方法，其特征在于，所述根据所述背景噪声类的振动事件数据样本，结合基于时域转移的数据扩增方法，对所述少样本类别数据样本中的TS时域数据进行数据扩增，得到扩增后的TS时域数据，包括:从所述少样本类别数据样本中提取i个TS时域数据，生成时域数据集；其中，时域数据集中第i个所述TS时域数据为TS
Minor_Class_i
；从所述多样本类别数据样本中提取j个所述背景噪声类的TS时域数据，生成扩增数据集；其中，所述扩增数据集中第j个所述背景噪声类的TS时域数据为TS
background_j
；
通过所述扩增数据集对所述时域数据集进行数据扩增，得到扩增后的TS时域数据；其中，所述扩增后的TS时域数据满足：TS
Minor_Class_i_j
＝TS
Minor_Class_i
+TS
background_j
TS
Minor_Class_i_j
为扩增后的TS时域数据。4.根据权利要求1所述的基于双重数据扩增的光纤振动事件分类方法，其特征在于，所述根据特定数据样本，通过循环对抗生成网络对所述扩增后的TS时域数据进行扩增，得到扩增数据样本，包括：将所述扩增后的TS时域数据进行时频变换处理，得到所述扩增后的TS时域数据对应的扩展RGB图像，生成少样本数据集；筛选出所述特定数据样本中的RGB图像，生成多样本数据集；构建循环对抗生成网络，所述循环对抗生成网络包括：生成器G、生成器F、判别器D
y
和判别器D
x
，使用所述少样本数据集和所述多样本数据集对循环对抗生成网络进行训练，得到数据扩增网络；将所述多样本类别数据样本中的RGB图像输入至所述数据扩增网络进行数据扩增，得到扩增数据样本。5.根据权利要求4所述的基于双重数据扩增的光纤振动事件分类方法，其特征在于，所述使用所述少样本数据集和所述多样本数据集对循环对抗生成网络进行训练，得到数据扩增网络，包括：从所述少样本数据集中随机抽取扩展RGB图像x
1i
，使用所述扩展RGB图像x
1i
训练生成器G，输出生成图像y
′
1i
；其中y
′
1i
＝G(x
1i
)；从所述多样本数据集中随机抽取RGB图像y
1i
，使用所述RGB图像y
1i
训练生成器F，输出生成图像x
′
1i
；其中x
′
1i
＝F(y
1i
)；将所述生成图像y
′
1i
作为生成器F的输入，得到所述扩展RGB图像x
1i
的复原图像其中将所述生成图像x
′
1i
作为生成器G的输入，得到所述RGB图像y
1i
的复原图像其中训练判别器D
y
和判别器D
x
，通过训练好的判别器D
x
判断所述生成图像x
′
1i
的质量，通过训练好的判别器D
y
判断所述生成图像y
′
1i
的质量；计算循环对...

【专利技术属性】
技术研发人员：施羿，戴尚玮，刘瀚放，张文韬，魏楚亮，
申请(专利权)人：汕头大学，
类型：发明
国别省市：