【技术实现步骤摘要】
本专利技术属于分布式光纤声波传感领域，特涉及用于分布式光纤声波传感系统的混合事件分解及识别方法。
技术介绍
1、分布式光纤声波传感器(das)是一种利用光纤作为传感元件对入侵事件进行分布式多点同时监测的装置。其基本原理是由于外部振动的影响，相应位置的光程发生变化，因而导致光波相位的变化。通过分析光波相位的变化可以定量分析光纤沿线的扰动事件。又因为每种事件具有其独特的特征，因而可以通过数据处理技术对事件进行识别。
2、目前分布式光纤声波传感领域中，事件识别主要利用机器学习方法，通过对预处理后的采集信号进行特征提取，然后输入设计并训练好的机器学习模型，模型输出事件的类别。到目前为止，大部分技术仅限于对光纤某一位置发生的单一事件进行识别，只有少数研究考虑了多个事件混合的识别，但是它们将事件的混合信号当作一个新的独立事件类型，而不能识别混合信号中所包含的原始事件类型。同时现有技术需要das系统所采集数据构成的训练数据集包含混合事件的所有组合，因而数据采集成本较高，对于训练数据集的构建也较为复杂和耗时。此外，现有技术中多个事件都是发生在光纤的不同位置，难以对同一位置发生的多类型事件的混合进行识别。huijuan wu等人利用机器学习的fastica盲源分离方法对未知源个数的混合事件进行分解，但这个工作一方面不能对分解的事件进行识别，另一方面为了适应fastica算法，每次分解需要生成和源信号个数相同的混合信号，因此受到系统存储空间和计算时间的限制。
技术实现思路
1、针对现有技术
2、本专利技术的技术方案是：用于das系统的混合事件分解及识别方法，包括数据预处理模块、分解模块以及识别模块，模拟音频数据集和das系统采集数据集经过数据预处理模块处理，之后由分解模块输出分解后的各类信号，分解后的各类信号由识别模块判断混合输入数据包含的所有事件类型。模拟音频数据集作为源数据集用于模块训练，das系统采集的数据集作为目标数据集，然后训练好的模型用于识别das系统采集的目标数据集；其特征在于：
3、确定单类事件类型n种，从模拟音频数据库中下载这些单类事件音频，使用时移数据扩充方法增加模拟音频数据集样本数量；以不同的均方根比率和组合方法对音频进行非线性随机混合，得到种单类和混合音频数据；
4、将种单类和混合音频数据经过数据预处理模块做降采样和谱减法计算；
5、经过数据预处理的模拟音频数据组成源数据集，源数据集的每个样本包含混合模拟音频信号以及组成该混合信号的各种单类事件信号n个；
6、将源数据集中的样本输入基于卷积神经网络的u-net分解模块，一维卷积输出yi运算如下：
7、
8、其中，lin是输入序列的长度，k是卷积核的大小，padding是填充的长度，dilation是膨胀系数，stride是卷积核在输入序列上滑动的步长。
9、一维卷积操作为：
10、xi+j表示输入序列中索引为i+j的值，wj表示卷积核第j个值，b表示偏置项，yi表示输出序列中第i个索引位置，k是卷积核的大小；
11、分解模块中对模块每层输入特征结合使用blackman窗的sinc滤波核进行卷积线性运算，和神经网络中的卷积加激活函数的非线性运算交替进行；
12、识别模块的alexnet模型后依次连接一个全连接层和一个softmax层，softmax层共有n+1个神经元，每个神经元的代表一类事件，每个神经元的输出代表识别模块预测这一事件存在的概率σ(z)i；最大概率对应的那一类作为模型预测的输出；softmax函数输出的表达式如下：
13、
14、根据如上所述的用于das系统的混合事件分解及识别方法，其特征在于：该方法包括源域使用源数据集训练模型和在目标域使用目标数据集测试训练好的模型两部分。目标数据集为das系统采集的混合事件数据，输入该端对端模型，首先经过数据预处理模块做高通滤波和谱减法处理；然后将目标数据集输入源数据集训练好的分解模块并输出每一类对应分解的一维时序信号；将目标数据集中每个样本分解输出的多个一维时序信号转换为图像格式，再输入源数据集训练好的识别模块，该模块输出其判断的das系统采集的目标数据中含有的所有事件的种类。
15、根据如上所述的用于das系统的混合事件分解及识别方法，其特征在于：谱减法首先将信号x(n)分帧，对每一帧信号xi(n)进行快速傅里叶变换，其中i为第i帧，得到其频谱xi(k)；信号的幅度谱和相位谱分别表示为：
16、
17、
18、然后，对幅度谱进行估计噪声幅度的处理，得到降噪后的幅度谱表示第i帧信号的噪声幅度估计值，α是一个控制降噪强度的参数，将处理后的幅度谱和原始信号的相位谱∠xi(k)组合，得到降噪后的频谱最后对所有帧的降噪后频谱进行反变换，得到降噪后的信号。
19、根据如上所述的用于das系统的混合事件分解及识别方法，其特征在于：源数据集任一样本中，如果缺少某单类事件，则设置一个全零信号表示这类事件不存在。
20、根据如上所述的用于das系统的混合事件分解及识别方法，其特征在于：blackman窗的sinc滤波核表示为：
21、
22、其中k是零频处增益，fc是截止频率，滤波核的长度由s决定且必须为偶数。
23、根据如上所述的用于das系统的混合事件分解及识别方法，其特征在于：分解模块训练时使用l1损失函数，l1损失函数计算方法：
24、
25、其中y和分别是某样本中某类真实信号和该样本中的混合信号经过分解得到的该类信号。
26、根据如上所述的用于das系统的混合事件分解及识别方法，其特征在于：训练识别模块时使用交叉熵损失函数，其计算方法如下：
27、
28、其中c表示类别数。
29、总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
30、(1)目前为止，大部分分布式光纤声波传感识别领域仅限于对光纤某一位置发生的单一事件进行识别，只有少数研究考虑了多个事件混合的识别，但是它们将事件的混合信号当作一个新的独立事件类型，而不能恢复混合信号中所包含的每种原始事件。而本专利技术设计的基于卷积神经网络模型能够实现光纤沿线同一位置处多类型事件的混合信号的分解以及所包含事件类型的识别。
31、(2)本专利技术设计的端到端的分解识别模型，由于利用多个类型事件混合的模拟音频格式源数据训练分解和识别模型，不需要das系统采集数据参与训练，因而该方法提供了一种能够在无需d本文档来自技高网...
【技术保护点】
1.用于分布式光纤声波传感系统的混合事件分解及识别方法，包括数据预处理模块、分解模块以及识别模块，模拟音频数据集和分布式光纤声波传感系统采集数据集经过数据预处理模块处理，之后由分解模块输出分解后的各类信号，分解后的各类信号由识别模块判断混合输入数据包含的所有事件类型；其特征在于：
2.根据权利要求1所述的用于分布式光纤声波传感系统的混合事件分解及识别方法，其特征在于：目标数据的测试过程，目标数据集为分布式光纤声波传感系统采集的混合事件数据，输入该端对端模型，首先经过数据预处理模块做高通滤波和谱减法处理；然后将目标数据集输入源数据集训练好的分解模块并输出每一类对应分解的一维时序信号；将目标数据集中每个样本分解输出的多个一维时序信号转换为图像格式，再输入源数据集训练好的识别模块，该模块输出其判断的分布式光纤声波传感系统采集信号数据中含有的所有事件的种类。
3.根据权利要求1或2所述的用于分布式光纤声波传感系统的混合事件分解及识别方法，其特征在于：谱减法首先将信号x(n)分帧，对每一帧信号xi(n)进行快速傅里叶变换，其中i为第i帧，得到其频谱Xi(k)；信号的
4.根据权利要求1或2所述的用于分布式光纤声波传感系统的混合事件分解及识别方法，其特征在于：源数据集任一样本中，如果缺少某单类事件，则设置一个全零信号表示这类事件不存在。
5.根据权利要求1或2所述的用于分布式光纤声波传感系统的混合事件分解及识别方法，其特征在于：分解模块训练时使用L1损失函数，L1损失函数计算方法：
6.根据权利要求1或2所述的用于分布式光纤声波传感系统的混合事件分解及识别方法，其特征在于：训练识别模块时使用交叉熵损失函数，其计算方法如下：
...【技术特征摘要】
1.用于分布式光纤声波传感系统的混合事件分解及识别方法，包括数据预处理模块、分解模块以及识别模块，模拟音频数据集和分布式光纤声波传感系统采集数据集经过数据预处理模块处理，之后由分解模块输出分解后的各类信号，分解后的各类信号由识别模块判断混合输入数据包含的所有事件类型；其特征在于：
2.根据权利要求1所述的用于分布式光纤声波传感系统的混合事件分解及识别方法，其特征在于：目标数据的测试过程，目标数据集为分布式光纤声波传感系统采集的混合事件数据，输入该端对端模型，首先经过数据预处理模块做高通滤波和谱减法处理；然后将目标数据集输入源数据集训练好的分解模块并输出每一类对应分解的一维时序信号；将目标数据集中每个样本分解输出的多个一维时序信号转换为图像格式，再输入源数据集训练好的识别模块，该模块输出其判断的分布式光纤声波传感系统采集信号数据中含有的所有...
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。