[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

本發明公開了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，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，對其做預處理后作為訓練集和驗證集；針對不同的損失函數訓練兩個卷積神經網絡CNN模型，使兩者分別準確定位近端和遠端擾動；通過集成學習方法組合兩個模型的訓練結果，得到基于CNN集成學習的擾動位置預測模型；通過驗證集優化每個模型的參數。將待定位的干涉信號進行預處理后作為測試樣本，利用訓練好的預測模型對其測試，得到其擾動位置。本發明無需信號解調，系統復雜度低，且對噪聲不敏感，數據處理方法簡單，定位結果穩定、準確，可用于環形或直線式Sagnac分布光纖傳感系統的擾動定位。

技術領域

本發明涉及一種分布光纖傳感系統的定位方法，特別是一種基于卷積神經網絡CNN集成學習的Sagnac分布光纖傳感系統的定位方法。

背景技術

分布光纖傳感技術在高壓管道泄漏檢測與定位中具有廣泛的應用前景，其中Sagnac分布光纖傳感系統具有抗干擾性強，對光源要求較低等優點，是目前研究的熱點之一。零頻率方法是Sagnac分布光纖傳感系統的主要定位方法，然而零頻率常常淹沒在噪聲中，影響定位的準確性。通過改進傳感系統的結構、使用相位生成載波零差解調可以提升定位的精度，通過小波軟閾值去噪、兩次傅里葉變換等一系列算法也能夠提升定位的精度，但這些方法在一定程度上增加了系統的復雜度，并且對系統噪聲敏感。

近年來，機器學習方法開始用于分布光纖傳感領域。研究較多的是光纖擾動信號識別，擾動定位方面的研究也逐漸出現。有學者使用支持向量機(SVM)回歸模型使得測量位置逼近真實位置，但需事先使用零頻率法初步定位，定位過程復雜。本申請人曾提出一種Sagnac分布光纖傳感系統的基于機器學習分類模型的離散化定位方法，把擾動的定位問題轉變成不同傳感光纖位置擾動引起的干涉信號的多分類問題，然而，該分類方法需要采集所有擾動位置的干涉信號，且失去了分布光纖傳感可以連續監測的優勢，這成為亟待解決的技術問題。

發明內容

為了解決現有技術問題，本發明提供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，簡化信號處理過程，減少訓練樣本采集量，預測任意擾動位置。

為達到上述發明創造目的，本發明采用如下技術方案：

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，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；

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。

優選地，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。

優選地，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。

本發明的工作原理