一种基于机器学习的分布式声传感信号的降噪方法及装置制造方法及图纸

本发明专利技术公开了一种基于机器学习的分布式声传感信号的降噪方法及装置，该方法包括：获取分布式声传感采集的振动信号及对应的去噪后的标签数据，并进行数据预处理；搭建基于机器学习的编码

【技术实现步骤摘要】
一种基于机器学习的分布式声传感信号的降噪方法及装置


[0001]本专利技术涉及光纤传感
，特别涉及一种基于机器学习的分布式声传感信号的降噪方法及装置。

技术介绍

[0002]分布式声传感(DAS)是一种新型的振动采集技术，由于传统的振动采集技术具有成本高、记录带宽有限，分布式声传感技术已经成为目前振动采集首选的方案。分布式声传感技术应用在防外破、防泄密、功能性振动探测、防入侵等多个领域中。分布式声传感同时在振动采集方面有了商业化的应用。
[0003]分布式声传感中的光纤通过连接地面接受反射的瑞利散射信号，通过相位解调技术来提取和恢复多个散色信号组成的光信号的相位信息，最后将得到的结果转换成振动信号。分布式声传感相对于传统的振动采集技术具有诸多优点，分布式声传感具有较低的误报率，分布式声传感在动态范围非常大，例如长距离边界的预警系统采用的正是分布式声传感，分布式声传感具有很强的适应能力，能够适应不同场合的需求。
[0004]尽管分布式声传感有许多优点，但分布式声传感采集的振动信号容易受到噪声的污染，复杂多样的噪声会严重掩盖有用的信号，例如水平噪声、垂直噪声和随机噪声，进而影响振动信息的后续处理，因此，衰减各种噪声对提高分布式声传感数据的信噪比至关重要。
[0005]机器学习技术具有强大的数据表示能力，机器学习通过学习内部模式将低级特征转换为抽象的高级特征表示，与传统的方法不同的是，基于机器学习的方法可以在没有太多先验知识的情况下提取多元和非线性的机器特征，以完成特殊的任务。基于机器学习的编码
‑
译码去噪网络通常以特定的噪声为目标，如专利CN111580162A公开了一种基于残差卷积神经网络的振动资料随机噪音压制方法，其中用到了残差卷积神经网络，采用机器学习的神经网络可以让网络从数据到标签充分学习数据特征，形成训练模型，采用编码
‑
解码去噪网络可以在抑制强噪声和提取隐藏信号方面具有很大的潜力。然而该方法只能对随机噪声进行压制，无法实现对含有多种噪声叠加的噪声进行降噪的目的。

技术实现思路

[0006]本专利技术要解决的技术问题是：提供一种能对多种噪声叠加的噪声进行降噪的方法。为了解决该技术问题，本专利技术采取的技术方案是：提供了一种基于机器学习的分布式声传感信号的降噪方法及装置，将预处理的振动信号输入基于机器学习的编码
‑
译码降噪神经网络中，在编码过程中，首先经过四次下采样提取信号图片的浅层特征，下采样包括卷积过程、批量归一化操作、ReLU激活函数和最大池化层，每经过一次下采样，信号图片的尺寸缩小为输入的二分之一，特征通道数扩大为输入的两倍，经过四次下采样后，经过一次连接模块进行更深层特征的提取，将每一次下采样的结果与上采样的输入进行特征融合，然后依次进行四次上采样，上采样包括转置卷积过程、卷积过程、批量归一化操作和ReLU激活函
数，四次上采样会将信号图片的特征进行更深层的提取，同时可以做到浅层与深层特征的融合，最后经过一个卷积过程恢复出数据的尺寸维度，达到更好的降噪效果。
[0007]根据本专利技术的第一方面，一种基于机器学习的分布式声传感信号的降噪方法，包括以下步骤：
[0008]获取分布式声传感采集的振动信号及对应的去噪后的标签数据，并进行数据预处理；
[0009]搭建基于机器学习的编码
‑
译码降噪神经网络；
[0010]利用预处理后的数据对编码
‑
译码降噪神经网络进行训练，训练完成后，得到训练好的降噪神经网络；
[0011]将测试数据输入训练好的降噪神经网络，输出数据降噪结果。
[0012]进一步地，获取分布式声传感采集的振动信号及对应的去噪后的标签数据，并进行数据预处理的步骤，包括：
[0013]对采集的振动信号和的对应的去噪后的标签数据的图片裁剪为相同尺寸的图片，每相邻两张裁剪的图片之间的间隔为裁剪图片尺寸的二分之一。
[0014]优选地，裁剪的尺寸设置为48
×
48，相邻两张图片的间隔设置为24。
[0015]进一步地，所述搭建基于机器学习的编码
‑
译码降噪神经网络的步骤，包括：
[0016]由网络的编码和解码和连接三个过程来搭建基于机器学习的编码
‑
译码降噪神经网络，编码过程由下采样模块和卷积注意力模块搭建，解码过程由上采样模块搭建，连接过程由每一个上采样模块的输出与每一个下采样模块的输入通过连接模块连接构成。
[0017]优选地，所述编码过程采用四个下采样模块和四个卷积注意力模块实现；
[0018]每个下采样模块经过卷积过程、ReLU激活函数、批量归一化操作和最大池化操作后，数据图片的尺寸缩小为原来的二分之一，通道特征扩大为原来的两倍；
[0019]卷积注意力模块按照通道注意力和空间注意力的先后顺序进行；
[0020]数据分别进入下采样模块和卷积注意力模块再进行特征的融合随后经过下采样的过程，选择的卷积核大小为3*3，起始通道数设置为32。
[0021]优选地，所述解码过程采用上采样模块实现，每个上采样模块分别经过转置卷积、连接层、卷积、ReLU激活函数和批量归一化的操作；上采样模块的个数设置为4，每经过一次上采样模块，得到更深层的数据特征，同时数据图片尺寸得到恢复。
[0022]优选地，所述连接过程采用连接模块实现，分别经过卷积操作、ReLU激活函数，批量归一化操作和Dropout操作，连接过程将上采样的每一次输出得到的浅层特征与下采样的输入进行特征融合，学习到数据特征的完整性；连接模块的个数设置为6。
[0023]进一步地，在利用预处理后的数据对编码
‑
译码降噪神经网络进行训练的过程中，损失函数采用均方误差函数来计算损失。
[0024]进一步地，在所述将测试数据输入训练好的降噪神经网络，输出数据降噪结果的步骤之后，还包括：
[0025]将输出的数据降噪结果进行绘图并定量计算信噪比，评估降噪效果。
[0026]根据本专利技术的另一方面，一种基于机器学习的分布式声传感信号的降噪装置，包括以下模块：
[0027]预处理模块，用于获取分布式声传感采集的振动信号及对应的去噪后的标签数
据，并进行数据预处理；
[0028]搭建模块，用于搭建基于机器学习的编码
‑
译码降噪神经网络；
[0029]训练模块，用于利用预处理后的数据对编码
‑
译码降噪神经网络进行训练，训练完成后，得到训练好的降噪神经网络；
[0030]测试模块，用于将测试数据输入训练好的降噪神经网络，输出数据降噪结果。
[0031]本专利技术提供的技术方案具有以下有益效果：
[0032]1.本专利技术所述的一种基于机器学习的分布式声传感信号的降噪方法及装置，输入数据与输出数据采用剪切和拼接的方式可以提高事件的连续性和事件的连续性。
[0033本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的分布式声传感信号的降噪方法，其特征在于，包括以下步骤：获取分布式声传感采集的振动信号及对应的去噪后的标签数据，并进行数据预处理；搭建基于机器学习的编码
‑
译码降噪神经网络；利用预处理后的数据对编码
‑
译码降噪神经网络进行训练，训练完成后，得到训练好的降噪神经网络；将测试数据输入训练好的降噪神经网络，输出数据降噪结果。2.根据权利要求1所述的分布式声传感信号的降噪方法，其特征在于，获取分布式声传感采集的振动信号及对应的去噪后的标签数据，并进行数据预处理的步骤，包括：对采集的振动信号和的对应的去噪后的标签数据的图片裁剪为相同尺寸的图片，每相邻两张裁剪的图片之间的间隔为裁剪图片尺寸的二分之一。3.根据权利要求2所述的分布式声传感信号的降噪方法，其特征在于，裁剪的尺寸设置为48
×
48，相邻两张图片的间隔设置为24。4.根据权利要求1所述的分布式声传感信号的降噪方法，其特征在于，所述搭建基于机器学习的编码
‑
译码降噪神经网络的步骤，包括：由网络的编码和解码和连接三个过程来搭建基于机器学习的编码
‑
译码降噪神经网络，编码过程由下采样模块和卷积注意力模块搭建，解码过程由上采样模块搭建，连接过程由每一个上采样模块的输出与每一个下采样模块的输入通过连接模块连接构成。5.根据权利要求4所述的分布式声传感信号的降噪方法，其特征在于，所述编码过程采用四个下采样模块和四个卷积注意力模块实现；每个下采样模块经过卷积过程、ReLU激活函数、批量归一化操作和最大池化操作后，数据图片的尺寸缩小为原来的二分之一，通道特征扩大为原来的两倍；卷积注意力模块按照通道注意力和空间注意力的先后顺序进行；数据分别进入下采样模块和卷积注意力模块再进行特征的融合随后...

【专利技术属性】
技术研发人员：黄田野，李澳鹏，喻煌，彭楚宇，孙武峰，严可达，熊良明，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：