[發明專利]一種基于卷積神經網絡集成學習的Sagnac分布光纖傳感系統的定位方法有效
| 申請號： | 202011204046.7 | 申請日： | 2020-11-02 |
| 公開（公告）號： | CN112539772B | 公開（公告）日： | 2023-04-07 |
| 發明（設計）人： | 方捻;呂繼東;王陸唐;王春華 | 申請（專利權）人： | 上海大學 |
| 主分類號： | G01D5/353 | 分類號： | G01D5/353;G06N3/045;G06N3/0464;G06N3/08;G06N20/20 |
| 代理公司： | 上海上大專利事務所(普通合伙) 31205 | 代理人： | 何文欣 |
| 地址： | 200444*** | 國省代碼： | 上海;31 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 卷積 神經網絡 集成 學習 sagnac 分布 光纖 傳感 系統 定位 方法 | ||
1.一種基于卷積神經網絡集成學習的Sagnac分布光纖傳感系統的定位方法，其特征在于，包括如下步驟：
1）以傳感光纖上固定間隔點為擾動點，由傳感系統分別獲取在各點模擬擾動產生的干涉信號，對其做預處理后，選取一部分作為訓練集，另一部分作為驗證集；
2）針對不同的損失函數訓練兩個卷積神經網絡CNN模型，使得兩個CNN模型分別準確定位近端和遠端擾動；通過驗證集進行參數優化，以獲得最佳訓練效果；
針對不同的損失函數訓練兩個卷積神經網絡CNN模型，使得兩個CNN模型分別準確定位近端和遠端擾動，其步驟為：
將輸出為歸一化擾動位置的模型1側重于解決較難準確定位的近端擾動問題，增加近端擾動位置的預測誤差在損失函數中的權重；對于輸出為歸一化零頻率差的模型2側重于解決遠端擾動定位；通過在損失函數中加入適當的權值，使得模型一定程度上平衡遠端擾動的整體定位性能；
3）通過集成學習方法實現對兩個CNN模型訓練結果的組合，得到最終的基于CNN集成學習的擾動位置預測模型；同樣利用驗證集進行參數優化，獲得最佳訓練效果；
4）將待定位的干涉信號進行同樣的預處理后作為測試樣本；
5）將測試樣本輸入訓練好的基于CNN集成學習的擾動位置預測模型，預測出測試樣本對應的擾動位置，實現擾動定位。
2.根據權利要求1所述的基于卷積神經網絡集成學習的Sagnac分布光纖傳感系統的定位方法，其特征在于，在所述步驟1）和步驟4）中的預處理包括：獲得干涉信號的頻譜或干涉信號頻譜的頻譜，并做歸一化處理，以及確定合適的頻譜數據長度。
3.根據權利要求1所述的基于卷積神經網絡集成學習的Sagnac分布光纖傳感系統的定位方法，其特征在于，在所述步驟3）中的集成學習方法采用Stacking、Bagging或Boosting集成學習方法。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于上海大學，未經上海大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202011204046.7/1.html，轉載請聲明來源鉆瓜專利網。
