一种分布式光纤围栏监测的表征学习方法

技术领域

本发明涉及基于分布式光纤传感的入侵事件分类识别领域，具体涉及一种分布式光纤围栏监测的表征学习方法。

背景技术

基于相位敏感光时域反射仪(Φ-OTDR)的分布式光纤振动传感器能够同时检测光纤上发生的多点振动事件。由于其具有测量距离远、灵敏度高、配置简单等优点，在各种安全监测领域受到广泛关注。然而，在实际应用中，大量的噪声干扰会使Φ-OTDR具有很高的误报警率。因此，研究能够准确识别威胁事件的方法以减少误报至关重要。基于Φ-OTDR相位信号与外部振动信号呈线性关系的特点，其被用来描述振动事件以进行分类识别，目前大多方法是将相位信号的一维特征向量输入到分类器中，这些特征仅限于人为定义的时域或频域计算，不能充分提取信号特征。

为了解决此问题，一些端到端的深度学习方法，如卷积神经网络(CNN)，已经被提出用于Φ-OTDR中的事件识别。这些来自机器视觉领域的学习网络在处理图像方面表现出色，但应用在Φ-OTDR中时，积累数据从而获得时空域图像需要很长的时间，同时光纤上出现的随机噪声将导致巨大的训练样本需求量来保证网络识别的准确性，因此，当Φ-OTDR监测系统的工作环境发生变化，需要耗费大量时间和成本重新构建数据集进行分类网络的训练。虽然如1-D CNN等网络可以直接处理一维信号，但在预处理阶段需要针对目标信号设计有效的降噪方法，很难具有普遍实用性。

发明内容

为解决上述问题，本发明采用以下技术方案，一种分布式光纤围栏监测的表征学习方法，包括：采集不同事件下待测光纤返回的背向瑞利散射信号数据，将每个空间采集点对应位置处的相位时域信号转换为马尔可夫转换场MTF矩阵，再通过非负矩阵分解NMF从MTF中提取基矩阵并保存为RGB图像，最后由2-D CNN网络进行特征学习和识别。

具体步骤如下：

S1采集光纤围栏传感信号；

S2解调获得相位时域序列；

S3对原始序列进行归一化；

S4将归一化序列按值域划分至Q个分位数并构造邻近矩阵；

S5构建马尔可夫转换场M；

S6采用非负矩阵分解法处理M得到基矩阵；

S7将基矩阵保存成RGB图像；

S8添加标签制作成数据集输入2-D CNN网络训练。

所述S1包括：将待测光纤固定在光纤围栏上，使用Φ-OTDR监测系统采集不同事件下待测光纤返回的背向瑞利散射信号数据，所述信号数据具有时间和空间的双域信息，存储成二维矩阵形式D

所述S2包括：对二维数据矩阵D

所述S3包括：使用线性函数归一化(Min-Max Scaling)对S2中得到的原始序列进行归一化处理，公式表示为：

所述S4包括：将归一化序列按照值域划分至Q个分位数中，且每个归一化序列值x

所述S5包括：沿时间轴计算不同分位数之间的跃迁概率从而构造邻近矩阵W，矩阵元素w

构建马尔可夫转换场M，矩阵元素M

所述S6包括：通过非负矩阵分解法将M矩阵分解为两个小的非负矩阵，分别为基矩阵W和系数矩阵H，矩阵的近似分解通过求解如下最优化问题实现：

所述S7包括：将得到的基矩阵W保存为RGB色彩图像。

所述S8包括：进行对应的事件标签标注，通过CNN网络训练和测试完毕后，利用训练好的网络对新数据进行分类。

本发明的有益效果在于：

本发明有效解决了目前在Φ-OTDR监测领域中，入侵事件识别模型学习效率低的问题，通过在送入2-D CNN网络之前对数据特征进一步表征，使原始相位时间序列更适合被网络学习，从而提高学习效率和识别精度；

本发明有效解决了识别网络训练数据集构建成本高的问题，传统利用图像的Φ-OTDR识别技术中，整条传感链路在一次检测周期中所获得的时-空数据矩阵往往只能作为一个样本，而本发明在不同空间采样点上获得的相位时间序列可单独作为一个样本，即在一次检测周期中，最多可获得与空间采样点数相同的样本个数；

本发明将一维时间序列转换成二维图像进行识别，将更好地配合如今机器视觉领域的发展趋势，促进Φ-OTDR识别技术与未来前沿的机器视觉技术相结合。

附图说明

图1为本发明一种分布式光纤围栏监测的表征学习方法流程示意图。

图2为本发明光纤围栏检测结构示意图。

图3为三种事件的相位序列时域图和对应的MTF及MTF-NMF图像。

图4为三种识别方法的训练损失曲线对比图。

图5为三种识别方法的测试混淆矩阵结果图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清晰，下面结合附图及具体实施例进行详细描述。

实施例1：

布式光纤围栏监测的表征学习方法：采集不同事件下待测光纤返回的背向瑞利散射信号数据，将每个空间采集点对应位置处的相位时域信号转换为马尔可夫转换场MTF矩阵，再通过非负矩阵分解NMF从MTF中提取基矩阵并保存为RGB图像，最后由2-D CNN网络进行特征学习和识别。

具体包括以下步骤：

步骤1：将待测光纤固定在光纤围栏上，使用Φ-OTDR监测系统采集不同事件下待测光纤返回的背向瑞利散射信号数据，数据具有时间和空间的双域信息，存储成二维矩阵形式D

步骤2：对二维数据矩阵D

步骤3：使用线性函数归一化(Min-Max Scaling)对原始序列进行归一化处理，公式表示为：

步骤4：将归一化序列按照值域划分至Q个分位数中，且每个归一化序列值x

步骤5：沿时间轴计算不同分位数之间的跃迁概率从而构造邻近矩阵W，矩阵元素w

构建马尔可夫转换场M，矩阵元素M

步骤6：通过非负矩阵分解法将M矩阵分解为两个小的非负矩阵，分别为基矩阵W和系数矩阵H，矩阵的近似分解通过求解如下最优化问题实现：

步骤7：将得到的基矩阵W保存为RGB色彩图像，进行对应的事件标签标注，制作成数据集用于2-D CNN网络的训练和测试。

实施例2：如图1所示，本发明提供一种适用于分布式光纤围栏监测的表征学习方法，包括以下步骤：

步骤1：将待测光纤固定在光纤围栏上，使用Φ-OTDR监测系统采集不同事件下待测光纤返回的背向瑞利散射信号数据，数据具有时间和空间的双域信息，存储成二维矩阵形式D

在本实例中，总长14.8km的待测光纤以S型固定在围栏上，Φ-OTDR系统中声光调制器频移为80MHz，光脉冲发射频率设置为1kHz，数据采集卡采集速率为250MS/s，一次检测获得的数据矩阵D的大小为1000×35000；

在本实例中，光纤围栏上待识别的目标事件有4个，分别为：攀爬、敲击、风吹和虚假干扰。攀爬事件由人攀爬光纤围栏产生，敲击事件由人使用工具敲击光纤围栏产生，风吹事件是将光纤围栏置于大风天气下采集得到，虚假干扰包含多种非威胁事件，如系统背景噪声、行人路过噪声和下雨噪声，数据集构成如表1所示：

表1

步骤2：对二维数据矩阵D

步骤3：使用线性函数归一化(Min-Max Scaling)对原始序列进行归一化处理，公式表示为：

在本实例中，Min-Max Scaling对原始数据进行线性变换，使其值域映射到[0，1]，攀爬、敲击和风吹三种事件的归一化相位序列时域图如图3(a)所示。

步骤4：将归一化序列按照值域划分至Q个分位数中，且每个归一化序列值x

步骤5：沿时间轴计算不同分位数之间的跃迁概率从而构造邻近矩阵W，矩阵元素w

构建马尔可夫转换场M，矩阵元素M

在本实例中，本发明流程中无需将MTF矩阵保存成图像，后续计算仅在所得的矩阵数据上进行处理，但为了进行对比以突出MTF-NMF方法的优势，此处将MTF矩阵保存成分辨率为77×77像素的PNG文件进行网络分类测试，攀爬、敲击和风吹三种事件MTF图像如图3(b)所示。

步骤6：通过非负矩阵分解法将M矩阵分解为两个小的非负矩阵，分别为基矩阵W和系数矩阵H，矩阵的近似分解通过求解如下最优化问题实现：

步骤7：将得到的基矩阵W保存为RGB色彩图像，进行对应的事件标签标注，制作成数据集用于2-D CNN网络的训练和测试。

在本实例中，保存的基矩阵W色彩图像分辨率同样为77×77像素，攀爬、敲击和风吹三种事件对应的MTF-NMF图像如图3(c)所示。

在本实例中，一维相位时间序列将被送入1-D CNN与两种方法所得图像被送入2-DCNN进行对比，三种识别方法均使用相同的训练集和测试集，通过Adam算法优化学习率，通过交叉熵代价函数评估训练误差，所用的两种CNN网络结构参数如表2所示；

在本实例中，三种方法的训练损失曲线对比图和测试混淆矩阵分别如图4和图5所示，可见本发明所提供的方法训练收敛速度远高于另两种方法，且对四种事件的测试识别率达到100％，适合用于光纤围栏事件的识别检测。

表2

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。