一种φ-OTDR振动信号的分类方法技术

本发明专利技术公开了一种φ

【技术实现步骤摘要】
一种
φ
‑
OTDR振动信号的分类方法


[0001]本专利技术涉及相位敏感光时域反射计(Phase
‑
sensitive Optical Time Domain Reflectometer,φ
‑
OTDR)
，尤其涉及一种φ
‑
OTDR振动信号的分类方法。

技术介绍

[0002]利用φ
‑
OTDR技术的分布式光纤声传感器(Distributed Acoustic Sensor，DAS)具有高灵敏度、高空间分辨率、测量范围广等优点，广泛运用于周界安防、管道监测、流水线监测、列车速度监测等领域。虽然近些年来Φ
‑
OTDR的传感光纤长度和空间分辨率等性能具有明显提升，但是在实际应用中，复杂的环境干扰和无害的人为干扰等非入侵干扰可能导致误报，产生较高的误报率(Nuisance Alarm Rate，NAR)。
[0003]因此在传统降低NAR的方法中，多侧重于提高系统检测灵敏度的方式，如小波去噪、数字相干检测等方法，然而基于DAS的扰动事件识别同样是一个降低NAR的重要方式，为了有效区分不同扰动事件，提出了很多识别方法，如混合特征提取法、SVM等，但是这些方法往往因为算法复杂度、准确率不足及实时性较差等难以满足实际工程需要。

技术实现思路

[0004]本专利技术的目的是提供一种φ
‑
OTDR振动信号的分类方法，该方法操作简单且识别准确率高、实时性强，能有效降低φ<br/>‑
OTDR系统中高误警率，实现对外界振动信号的识别分类。
[0005]本专利技术的目的是通过以下技术方案实现的：
[0006]一种φ
‑
OTDR振动信号的分类方法，所述方法包括：
[0007]步骤1、首先对待处理的φ
‑
OTDR振动信号进行Z
‑
Score标准化处理，并提取标准化处理后φ
‑
OTDR振动信号的人工特征，构建人工特征数据集；
[0008]步骤2、针对所构建的人工特征数据集进行线性判别分析LDA降维处理，获得降维处理后的特征数据集；
[0009]步骤3、针对降维处理后的特征数据集，利用门控循环单元GRU自动提取降维后特征数据集对应的隐藏向量；
[0010]步骤4、构建卷积神经网络CNN，将通过门控循环单元GRU提取的隐藏向量作为所构建CNN网络的输入向量，并通过CNN网络中的Softmax层计算φ
‑
OTDR振动信号所属各类别的概率，根据计算的概率实现φ
‑
OTDR振动信号分类。
[0011]由上述本专利技术提供的技术方案可以看出，上述方法操作简单且识别准确率高、实时性强，能有效降低φ
‑
OTDR系统中高误警率，实现对外界振动信号的识别分类。
附图说明
[0012]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本
领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
[0013]图1为本专利技术实施例提供的φ
‑
OTDR振动信号的分类方法流程示意图；
[0014]图2为本专利技术实施例敲击事件对应的φ
‑
OTDR振动信号波形图；
[0015]图3为本专利技术实施例敲击事件对应的φ
‑
OTDR振动信号经过Z
‑
Score标准化处理后的波形图；
[0016]图4为本专利技术实施例所述LDA降维处理的过程示意图；
[0017]图5为本专利技术实施例所述GRU
‑
CNN模型实现振动信号分类的过程示意图；
[0018]图6为本专利技术实施例所述GRU
‑
CNN模型训练变换曲线示意图。
具体实施方式
[0019]下面结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例，这并不构成对本专利技术的限制。基于本专利技术的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术的保护范围。
[0020]如图1所示为本专利技术实施例提供的φ
‑
OTDR振动信号的分类方法流程示意图，所述方法包括：
[0021]步骤1、首先对待处理的φ
‑
OTDR振动信号进行Z
‑
Score标准化处理，并提取标准化处理后φ
‑
OTDR振动信号的人工特征，构建人工特征数据集；
[0022]在该步骤中，对待处理的φ
‑
OTDR振动信号进行Z
‑
Score标准化处理的公式为：
[0023][0024]其中，f(t)为待处理的φ
‑
OTDR振动信号；为标准化处理后φ
‑
OTDR振动信号；α为φ
‑
OTDR振动信号f(t)数据集中的均值，β为φ
‑
OTDR振动信号f(t)数据集中的方差；
[0025]举例来说，如图2所示为本专利技术实施例敲击事件对应的φ
‑
OTDR振动信号波形图，对敲击事件对应的φ
‑
OTDR振动信号进行Z
‑
Score标准化处理，如图3所示为本专利技术实施例敲击事件对应的φ
‑
OTDR振动信号经过Z
‑
Score标准化处理后的波形图；
[0026]通过对信号进行标准化处理使数据无量纲化；
[0027]然后提取标准化处理后φ
‑
OTDR振动信号的人工特征，包括标准化处理后φ
‑
OTDR振动信号在时域、频域及音频域上的多维特征参数，并构建人工特征数据集D＝{(x1,y1),....,(x
i
,y
i
),....,(x
N
,y
N
)}，i从1到N；
[0028]其中，样本x
i
∈R
p
为p维列向量，R为实数，P为特征数目；N为样本总数；y
i
∈{1,2,...,k}，k为样本种类数。
[0029]步骤2、针对所构建的人工特征数据集进行线性判别分析LDA降维处理，获得降维处理后的特征数据集；
[0030]在该步骤中，如图4所示为本专利技术实施例所述LDA降维处理的过程示意图：
[0031]首先基于所构建的人工特征数据集D＝{(x1,y1),....,(x
i
,y
i
),....,(x
N
,y
N
)}计算类内散度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种φ
‑
OTDR振动信号的分类方法，其特征在于，所述方法包括：步骤1、首先对待处理的φ
‑
OTDR振动信号进行Z
‑
Score标准化处理，并提取标准化处理后φ
‑
OTDR振动信号的人工特征，构建人工特征数据集；步骤2、针对所构建的人工特征数据集进行线性判别分析LDA降维处理，获得降维处理后的特征数据集；步骤3、针对降维处理后的特征数据集，利用门控循环单元GRU自动提取降维后特征数据集对应的隐藏向量；步骤4、构建卷积神经网络CNN，将通过门控循环单元GRU提取的隐藏向量作为所构建CNN网络的输入向量，并通过CNN网络中的Softmax层计算φ
‑
OTDR振动信号所属各类别的概率，根据计算的概率实现φ
‑
OTDR振动信号分类。2.根据权利要求1所述φ
‑
OTDR振动信号的分类方法，其特征在于，在步骤1中，对待处理的φ
‑
OTDR振动信号进行Z
‑
Score标准化处理的公式为：其中，f(t)为待处理的φ
‑
OTDR振动信号；为标准化处理后φ
‑
OTDR振动信号；α为φ
‑
OTDR振动信号f(t)数据集中的均值，β为φ
‑
OTDR振动信号f(t)数据集中的方差；通过对信号进行标准化处理使数据无量纲化；然后提取标准化处理后φ
‑
OTDR振动信号的人工特征，包括标准化处理后φ
‑
OTDR振动信号在时域、频域及音频域上的多维特征参数，并构建人工特征数据集D＝{(x1,y1),....,(x
i
,y
i
),....,(x
N
,y
N
)}，i从1到N；其中，样本x
i
∈R
p
为p维列向量，R为实数，P为特征数目；N为样本总数；y
i
∈{1,2,...,k}，k为样本种类数。3.根据权利要求1所述φ
‑
OTDR振动信号的分类方法，其特征在于，所述步骤2的过程具体为：首先基于所构建的人工特征数据集D＝{(x1,y1),....,(x
i
,y
i
),....,(x
N
,y
N
)}计算类内散度矩阵S
ω
和类间散度矩阵S
b
；类内散度矩阵S
ω
计算公式如下:其中μ
(d)
为第d类样本(x1,x2,....,x
i
)的均值；类间散度矩阵S
b
计算公式如下：其中N
d
为第d类样本总数；μ为总样本(x1,....,x
i
,....x
N
)的均值；然后根据类内散度矩阵S
ω
和类间散度矩阵S
b
计算投影矩阵W，首先计算矩阵的特征值及特征向量，具体采用如下公式：
其中w
i
为特征值λ
i
对应的特征向量，取特征值λ
i
中前q个最大...

【专利技术属性】
技术研发人员：林文台，
申请(专利权)人：北京博感光科科技有限公司，
类型：发明
国别省市：