一种用于光纤传感异物入侵识别的数据增强方法及应用技术

本发明专利技术公开了一种用于光纤传感异物入侵识别的数据增强方法及应用，属于光纤传感的异物入侵监测技术领域，通过采用短时窗在异物入侵数据上进行滑动来寻找异物入侵数据中能量最大的一段信号，以提取异物入侵数据中的关键波形，并通过移动关键波形的位置以及控制关键波形的破损率，来构造包含异物入侵数据本质特征的数据增强样本；本发明专利技术考虑到同一种异物入侵类型下的光纤传感数据可能有多种表现形式，通过探究异物入侵数据的本质特征来对数据的表现形式进行扩展，实现了对异物入侵数据的有效扩充，能够使模型学习到与入侵事件类别直接相关的信息，进而大大提高了异物入侵识别的准确率。确率。确率。

【技术实现步骤摘要】
一种用于光纤传感异物入侵识别的数据增强方法及应用


[0001]本专利技术属于光纤传感的异物入侵监测
，更具体地，涉及一种用于光纤传感异物入侵识别的数据增强方法及应用。

技术介绍

[0002]光纤传感技术由于光纤制作成本低、抗电磁干扰和对恶劣环境耐受性好的优点，以及解调系统探测灵敏度高和动态检测的特点，日益成为入侵行为安全监测的主流技术，能够在复杂环境中完成大范围、高灵敏的实时监测工作，被广泛应用于管道监测，周界安防，地铁隧道等重要场景下。近年来，随着深度学习技术的发展，基于深度学习的光纤传感异物入侵识别方法被应用到光纤传感异物入侵识别之中，然而由于同一种异物入侵类型下的光纤传感数据可能有多种表现形式，在实际的采集过程中往往无法采集到较为完备的异物入侵数据，使得现有的光纤传感异物入侵识别方法的精确度较低，泛化能力较差，容易出现大量的误报及漏报。因此，亟需一种用于光纤传感异物入侵识别的数据增强方法来对采集到的异物入侵数据进行有效地扩充。
[0003]一种现有的用于光纤传感异物入侵识别的数据增强方法采用GAN网络生成新的异物入侵数据来对异物入侵数据进行扩充，然而该方法通常基于均值和方差等统计特征来生成新的数据，所生成的新的异物入侵数据往往与实际采集的异物入侵数据的表征形式无直接联系，并未针对性地关注异物入侵数据本质特征，因此无法得到对应异物入侵类型下异物入侵数据的其他表现形式，难以对异物入侵数据进行有效扩充，造成光纤传感异物入侵识别的准确率较低。同时对GAN网络进行训练时本身就需要大量数据，这与通过数据增强扩充数据集的理念相违背。

技术实现思路

[0004]针对以上现有技术的缺陷或改进需求，本专利技术提供了一种用于光纤传感异物入侵识别的数据增强方法及应用，用以解决现有技术无法对异物入侵数据进行有效扩充的技术问题。
[0005]为了实现上述目的，第一方面，本专利技术提供了一种用于光纤传感异物入侵识别的数据增强方法，包括：移位数据增强操作，具体包括：
[0006]在异物入侵数据样本上采用短时窗进行滑动，每滑动一次计算得到一个短时窗能量；获取短时窗能量最大时的短时窗的起始位置pos0；
[0007]在[
‑
αW
‑
pos0,L
‑
αW
‑
pos0]范围内随机抽取一个移位参数t
s
；其中，α为波形破损参数，0＜α≤1；W为短时窗的长度，W＝βL，0＜β≤1；L为异物入侵数据样本的长度；
[0008]基于移位参数t
s
对异物入侵数据样本进行移位操作，并采用符合高斯分布的数据填充异物入侵数据样本中由于移位操作所产生的空值；
[0009]其中，当移位参数t
s
大于或等于0时，将异物入侵数据样本向左移动|t
s
|个时间点；当移位参数t
s
小于0时，将异物入侵数据样本向右移动|t
s
|个时间点。
[0010]进一步优选地，第j次滑动下的短时窗能量为：
[0011][0012]其中，S为滑动步长；Y为异物入侵数据样本，具体为一维向量数据；Y(t)为异物入侵数据样本中t时刻下的数据值。
[0013]进一步优选地，0.5≤α≤1；0.2≤β≤1。
[0014]进一步优选地，上述数据增强方法，还包括：在移位数据增强操作之前或之后执行的信噪比控制数据增强操作；
[0015]信噪比控制数据增强操作包括：计算异物入侵数据样本的功率值；基于功率值和预设信噪比计算得到异物入侵数据样本的样本噪声，并将样本噪声叠加在异物入侵数据样本上；
[0016]其中，异物入侵数据样本Y的功率值为：
[0017]第二方面，本专利技术提供了一种光纤传感异物入侵识别方法，包括：
[0018]将待识别的光纤传感数据输入到异物入侵识别模型中，得到识别结果；
[0019]其中，异物入侵识别模型的获取方法包括：
[0020]S1、对实时采集的光纤传感数据集中的各异物入侵数据样本分别采用本专利技术第一方面所提供的数据增强方法进行数据增强，得到各异物入侵数据样本的数据增强样本，并与对应的标签进行配对，构成数据增强样本集；
[0021]S2、将数据增强样本集与光纤传感数据集构成训练样本集，并输入到深度学习模型中进行训练，得到异物入侵识别模型。
[0022]进一步优选地，上述异物入侵识别模型的获取方法还包括：在步骤S1和步骤S2之间执行的步骤S3，具体包括：
[0023]将数据增强样本集中的所有数据增强样本两两进行组合，并对每一个组合下的两个数据增强样本以及对应的标签分别进行线性加权求和，得到新样本对；将所得的所有新样本对加入到数据增强样本集中。
[0024]进一步优选地，基于第m组数据增强样本(X
i
,X
l
)所得的新样本对为(Z
m
,y
m
)；
[0025]其中，Z
m
＝r
im
·
X
i
+r
lm
·
X
l
；y
m
＝r
im
·
y
i
+r
lm
·
y
l
；r
im
为在[0,1]范围内随机抽取的线性加权因子；r
lm
＝1
‑
r
im
；y
i
为数据增强样本X
i
所对应的标签；y
l
为数据增强样本X
l
所对应的标签。
[0026]进一步优选地，上述深度学习模型为带注意力机制的一维卷积门控循环单元网络，包括：三个并联的特征提取模块，以及与各特征提取模块的输出端均相连的全连接层；
[0027]特征提取模块包括级联的第一卷积层、第二卷积层、第一GRU单元和第二GRU单元；第一卷积层的输出通过注意力机制模块与第二卷积层的输出进行拼接后输入到第一GRU单元中；
[0028]在训练过程中，上述深度学习模型的每一次输入为训练样本集中三个连续时间段下的训练样本，其中，一个训练样本输入至一个对应的特征提取模块中。
[0029]进一步优选地，第一卷积层的卷积核大小为1*7；第二卷积层的卷积核大小为1*5；注意力机制模块由全连接层实现。
[0030]第三方面，本专利技术提供了一种光纤传感异物入侵识别方法，包括：存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时执行本专利技术第二方面所提供的光纤传感异物入侵识别方法。
[0031]总体而言，通过本专利技术所构思的以上技术方案，能够取得以下有益效果：
[0032]1、本专利技术提供了一种用于光纤传感异物入侵识别的数据增强方法，通过采用短时窗在异物入侵数据上进行滑动来寻找异物入侵本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于光纤传感异物入侵识别的数据增强方法，其特征在于，包括：移位数据增强操作，具体包括：在异物入侵数据样本上采用短时窗进行滑动，每滑动一次计算得到一个短时窗能量；获取短时窗能量最大时的短时窗的起始位置pos0；在[
‑
αW
‑
pos0,L
‑
αW
‑
pos0]范围内随机抽取一个移位参数t
s
；α为波形破损参数，0＜α≤1；W为短时窗的长度，W＝βL，0＜β≤1；L为异物入侵数据样本的长度；基于所述移位参数t
s
对异物入侵数据样本进行移位操作，并采用符合高斯分布的数据填充异物入侵数据样本中由于移位操作所产生的空值；其中，当所述移位参数t
s
大于或等于0时，将异物入侵数据样本向左移动|t
s
|个时间点；当所述移位参数t
s
小于0时，将异物入侵数据样本向右移动|t
s
|个时间点。2.根据权利要求1所述的数据增强方法，其特征在于，第j次滑动下的短时窗能量为：其中，S为滑动步长；Y为异物入侵数据样本，具体为一维向量数据；Y(t)为异物入侵数据样本中t时刻下的数据值。3.根据权利要求1所述的数据增强方法，其特征在于，0.5≤α≤1；0.2≤β≤1。4.根据权利要求1
‑
3任意一项所述的数据增强方法，其特征在于，还包括：在所述移位数据增强操作之前或之后执行的信噪比控制数据增强操作；所述信噪比控制数据增强操作包括：计算异物入侵数据样本的功率值；基于所述功率值和预设信噪比计算得到异物入侵数据样本的样本噪声，并将所述样本噪声叠加在异物入侵数据样本上；其中，异物入侵数据样本Y的功率值为：5.一种光纤传感异物入侵识别方法，其特征在于，包括：将待识别的光纤传感数据输入到异物入侵识别模型中，得到识别结果；其中，所述异物入侵识别模型的获取方法包括：S1、对实时采集的光纤传感数据集中的各异物入侵数据样本分别采用权利要求1
‑
4任意一项所述的数据增强方法进行数据增强，得到各异物入侵数据样本的数据增强样本，并与对应的标签进行配对，构成数据增强样本集；S2、将所述数据增强样本集与所述光纤传感数据集构成训练样本集，并输入到深度学习模型中进行训练，得到所述异物入侵识别模型。6.根据权利要求5所述的光纤传感异物入侵识别方法，其特征在于，还包括：在所述步骤S1和所述...

【专利技术属性】
技术研发人员：孙琪真，张世雄，贺韬，闫志君，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：