基于DAS的通信光缆安全监测事件识别方法研究
发布时间：2021-10-08 00:49
通信光缆安全关系到经济发展、社会民生等领域,随着基于Φ-OTDR技术的分布式光纤声波传感系统（DAS）在长距离监测领域的发展,研究学者开始将DAS应用于通信光缆安全监测。但是,目前基于DAS采集的事件信号在类型识别上仍然面临着许多问题。在这个研究背景下,本文对国内外基于DAS的通信光缆安全监测现状进行调研,发现目前主流的信号识别方法只是考虑了信号的时间信息,忽略了DAS可以采集得到信号空间分布信息的特点。同时,有相关文献指出利用空间信息可以将光纤传感信号的信噪比在不损失空间分辨率的情况下提升多倍。本文在这种思路启发下,提出一种基于深度学习的CNN-BiLSTM时空信号处理模型。本文所做具体工作如下:（1）调研并分析目前通信光缆安全监测研究现状,总结得出DAS具有监测距离长、成本低、灵敏度高等特点,非常适合通信光缆安全监测,但是在DAS信号的识别方法上存在没有考虑信号空间信息的缺陷,在这个基础上本文提出了CNN-BiLSTM时空信号处理方法。（2）利用DAS现场采集五类典型事件信号,并建立一维时间信号数据集和二维时空信号数据集。根据现场数据集依次设计实现了CNN-BiLSTM模型的时间局...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
LSTM单元结构μ
第四章基于CNN-BiLSTM模型的识别算法构建与实现34上文设计的1D-CNN基础网络中，每个池化层后加入BN层，在同一数据集下训练和测试，事件识别准确率可以提升至0.928。因此，BN的引入可以进一步的提升1D-CNN在时间信号上的特征提取能力。池化层可以进一步抽象卷积层提取的特征，同时可以对特征进行降维，减少冗余的信息，降低过拟合。常见的池化方式有最大值池化，平均值池化两种。根据上文CNN相关理论可知，最大值池化是在一个池化核中挑选出最大的那个值作为输出，平均值池化是在一个池化核中所有值取平均作为输出。在上述1D-CNN基础网络中将池化方式改为平均池化，池化核大小不变，在相同数据集下训练和测试，识别率有一定的提升，可以达到0.931。可以得出，平均值池化相比最大值池化更适合光纤传感时间信号的特征提龋激活函数目的是增加网络的非线性表达能力，仅仅依靠卷积层和池化层的堆叠很难形成复杂的学习模型，同时激活函数的选择将决定模型收敛的速度以及上限。在CNN基本相关原理部分介绍了sigmoid、tanh、ReLU和LeakyReLU四种非线性激活函数的计算原理及特点。这四种激活函数的形状如图4-5所示，sigmoid与tanh类似，区别是一个将值映射到[0,1]，一个将值映射到[-1,1]，ReLU与LeakyReLU相似，只是一个是单端激活，一个是双端激活。ReLU在参数为负数的时候，将不再更新参数，这限制了网络学习参数的梯度不能过大，LeakyReLU则在参数为负数的时候不是完全终止参数的更新，而是缓解参数更新的速度。（a）（b）（c）（d）图4-5激活函数图。(a)sigmoid函数；(b)tanh函数；(c)ReLU函数；(d)LeakyReLU函数
电子科技大学硕士学位论文35基于上述四种激活函数分别训练1D-CNN网络，测试结果如图4-6所示，sigmoid识别率最低为0.907，其次为tanh识别率为0.912，然后是ReLU识别率为0.931，最高的为LeakyReLU识别率达到0.933。试验结果说明CNN在网络学习的过程中，合适的激活函数可以使网络收敛的更好。图4-6四种激活函数测试结果比较基础的1D-CNN网络在经过加入BN层，池化方式和激活函数调优后，网络收敛的更快，准确率也得到明显的提升，从最初的0.917提升至0.933，提升了0.016。根据识别结果可以得出，优化后的1D-CNN网络对一维时间信号已经能够提取时间局部结构特征。按照空间点的结构，将多个并列的1D-CNN网络组合，便构成了CNN-BiLSTM模型的CNN模块，简记为1D-CNNs。4.2.2BiLSTM网络设计经过1D-CNNs模块后，每个空间点得到相应的特征向量，利用这些特征向量直接对信号类型进行识别已经可以得到不错的识别效果。但是这些特征向量都是相互独立的时间局部特征，而它们相互之间却存在空间关系。在数据采集的时候，不同的振动信号类型的空间分布有明显的不同。因此，挖掘这些特征向量之间的空间关系将会进一步提高信号类型的识别准确率。本文提出使用BiLSTM网络用于提取特征向量之间的空间关系，网络结构如图4-7所示，该网络由前向LSTM和发现LSTM组成。前向LSTM负责挖掘第一个空间点至最后一个空间点的分布信息，每个空间点对应的LSTM细胞单元输出状态会包含以前空间点的信息，比如第二个空间点的细胞单元输出状态会包含第一个空间点的信息，第三个空间点的细胞单元输出状态会包含第一个和第二个空间点的信息，以此类推，最后一个空间点会包含全局的空间信息。反向LSTM网络则负责挖掘最后一个空间点至第一个空间点的分布信息。通过前向LSTM和反向LSTM?
【参考文献】：
期刊论文
[1]分布式光纤声波传感技术研究进展[J]. 蔡海文,叶青,王照勇,卢斌,曹玉龙. 应用科学学报. 2018(01)
[2]用于光纤围栏入侵告警的频谱分析快速模式识别[J]. 王照勇,潘政清,叶青,蔡海文,瞿荣辉,方祖捷. 中国激光. 2015(04)
[3]通信光纤安全运行的维护技术措施探讨[J]. 李颖. 中国新通信. 2013(23)
[4]分布式光纤传感技术及其应用[J]. 刘德明,孙琪真. 激光与光电子学进展. 2009(11)
[5]基于大功率超窄线宽单模光纤激光器的ф-光时域反射计光纤分布式传感系统[J]. 谢孔利,饶云江,冉曾令. 光学学报. 2008(03)
硕士论文
[1]基于分布式光纤声波传感的高速公路运行状况在线监测方法[D]. 何佳朋.电子科技大学 2018
本文编号：3423105
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
LSTM单元结构μ
第四章基于CNN-BiLSTM模型的识别算法构建与实现34上文设计的1D-CNN基础网络中，每个池化层后加入BN层，在同一数据集下训练和测试，事件识别准确率可以提升至0.928。因此，BN的引入可以进一步的提升1D-CNN在时间信号上的特征提取能力。池化层可以进一步抽象卷积层提取的特征，同时可以对特征进行降维，减少冗余的信息，降低过拟合。常见的池化方式有最大值池化，平均值池化两种。根据上文CNN相关理论可知，最大值池化是在一个池化核中挑选出最大的那个值作为输出，平均值池化是在一个池化核中所有值取平均作为输出。在上述1D-CNN基础网络中将池化方式改为平均池化，池化核大小不变，在相同数据集下训练和测试，识别率有一定的提升，可以达到0.931。可以得出，平均值池化相比最大值池化更适合光纤传感时间信号的特征提龋激活函数目的是增加网络的非线性表达能力，仅仅依靠卷积层和池化层的堆叠很难形成复杂的学习模型，同时激活函数的选择将决定模型收敛的速度以及上限。在CNN基本相关原理部分介绍了sigmoid、tanh、ReLU和LeakyReLU四种非线性激活函数的计算原理及特点。这四种激活函数的形状如图4-5所示，sigmoid与tanh类似，区别是一个将值映射到[0,1]，一个将值映射到[-1,1]，ReLU与LeakyReLU相似，只是一个是单端激活，一个是双端激活。ReLU在参数为负数的时候，将不再更新参数，这限制了网络学习参数的梯度不能过大，LeakyReLU则在参数为负数的时候不是完全终止参数的更新，而是缓解参数更新的速度。（a）（b）（c）（d）图4-5激活函数图。(a)sigmoid函数；(b)tanh函数；(c)ReLU函数；(d)LeakyReLU函数
电子科技大学硕士学位论文35基于上述四种激活函数分别训练1D-CNN网络，测试结果如图4-6所示，sigmoid识别率最低为0.907，其次为tanh识别率为0.912，然后是ReLU识别率为0.931，最高的为LeakyReLU识别率达到0.933。试验结果说明CNN在网络学习的过程中，合适的激活函数可以使网络收敛的更好。图4-6四种激活函数测试结果比较基础的1D-CNN网络在经过加入BN层，池化方式和激活函数调优后，网络收敛的更快，准确率也得到明显的提升，从最初的0.917提升至0.933，提升了0.016。根据识别结果可以得出，优化后的1D-CNN网络对一维时间信号已经能够提取时间局部结构特征。按照空间点的结构，将多个并列的1D-CNN网络组合，便构成了CNN-BiLSTM模型的CNN模块，简记为1D-CNNs。4.2.2BiLSTM网络设计经过1D-CNNs模块后，每个空间点得到相应的特征向量，利用这些特征向量直接对信号类型进行识别已经可以得到不错的识别效果。但是这些特征向量都是相互独立的时间局部特征，而它们相互之间却存在空间关系。在数据采集的时候，不同的振动信号类型的空间分布有明显的不同。因此，挖掘这些特征向量之间的空间关系将会进一步提高信号类型的识别准确率。本文提出使用BiLSTM网络用于提取特征向量之间的空间关系，网络结构如图4-7所示，该网络由前向LSTM和发现LSTM组成。前向LSTM负责挖掘第一个空间点至最后一个空间点的分布信息，每个空间点对应的LSTM细胞单元输出状态会包含以前空间点的信息，比如第二个空间点的细胞单元输出状态会包含第一个空间点的信息，第三个空间点的细胞单元输出状态会包含第一个和第二个空间点的信息，以此类推，最后一个空间点会包含全局的空间信息。反向LSTM网络则负责挖掘最后一个空间点至第一个空间点的分布信息。通过前向LSTM和反向LSTM?
【参考文献】：
期刊论文
[1]分布式光纤声波传感技术研究进展[J]. 蔡海文,叶青,王照勇,卢斌,曹玉龙. 应用科学学报. 2018(01)
[2]用于光纤围栏入侵告警的频谱分析快速模式识别[J]. 王照勇,潘政清,叶青,蔡海文,瞿荣辉,方祖捷. 中国激光. 2015(04)
[3]通信光纤安全运行的维护技术措施探讨[J]. 李颖. 中国新通信. 2013(23)
[4]分布式光纤传感技术及其应用[J]. 刘德明,孙琪真. 激光与光电子学进展. 2009(11)
[5]基于大功率超窄线宽单模光纤激光器的ф-光时域反射计光纤分布式传感系统[J]. 谢孔利,饶云江,冉曾令. 光学学报. 2008(03)
硕士论文
[1]基于分布式光纤声波传感的高速公路运行状况在线监测方法[D]. 何佳朋.电子科技大学 2018
本文编号：3423105
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3423105.html
