Φ-OTDR系统的振动信号检测和识别算法

发布时间：2022-01-04 06:12

　　相位敏感光时域反射计（Φ-OTDR）系统在对振动信号位置判断的过程中,采用幅度差分累加法存在对振动峰位置计算准确率低、不同频率的振动信号需随时修改N值的问题。提出了一种经验模态分解（EMD）与神经网络结合的算法,该算法将振动点的时域信号分解后作为特征值输入到神经网络中训练,再对信号是否为目标振动信号进行识别,实验表明该方法的振动信号识别率达到96.49%。 

【文章来源】：光通信技术. 2020,44(03)北大核心

【文章页数】：4 页

【部分图文】：

实验设备采集的原始数据

本文采用基于Dropout和Adam优化器的改进神经网络[8-10]，使用ReLU和sigmoid激活函数模拟神经元对激励的响应，进而使用Adam优化器反神经网络的连接权值进行最优化训练，直到输出的误差达到符合的要求或者达到设定的迭代数值。ReLU函数在输入大于0时梯度下降较快，可以加速收敛速度；sigmoid函数可以将输入映射到[0,1]范围内，方便进行后续分类。神经网络模型如图3所示。本文采用3层全连接神经网络层（输入层、隐含层和输出层）：输入层的输入向量x=(x1,x2,…，x10）；隐含层的输入向量ui=(ui1,ui2，…，ui10），隐含层的输出向量uo=(uo1,uo2，…，uo30）；输出层的输入向量si=(si1,si2，…，si30），输出层的输出向量yo=(yo1）。其中，wih和woh分别是输入层与隐含层、隐含层与输出层的连接权重。

神经网络隐含层节点数为30，迭代次数设置为2000，激活函数的输入层为ReLU函数，输出层为sigmoid函数，Dropout为0.4，使用Adam算法进行最优化。4 实验结果及分析

【参考文献】：
期刊论文
[1]基于Dopout与ADAM优化器的改进CNN算法[J]. 杨观赐,杨静,李少波,胡建军.  华中科技大学学报(自然科学版). 2018(07)
[2]基于IQ解调的相位敏感OTDR的研究[J]. 贺梦婷,庞拂飞,梅烜玮,王廷云.  光通信技术. 2016(09)
[3]EMD的LabVIEW实现及其在滚动轴承故障诊断中的应用[J]. 王珍,郭方,江亲瑜.  噪声与振动控制. 2009(04)



本文编号：3567824