通信光纜安全關系到經(jīng)濟發(fā)展、社會民生等領域,隨著基于Φ-OTDR技術的分布式光纖聲波傳感系統(tǒng)（DAS）在長距離監(jiān)測領域的發(fā)展,研究學者開始將DAS應用于通信光纜安全監(jiān)測。但是,目前基于DAS采集的事件信號在類型識別上仍然面臨著許多問題。在這個研究背景下,本文對國內外基于DAS的通信光纜安全監(jiān)測現(xiàn)狀進行調研,發(fā)現(xiàn)目前主流的信號識別方法只是考慮了信號的時間信息,忽略了DAS可以采集得到信號空間分布信息的特點。同時,有相關文獻指出利用空間信息可以將光纖傳感信號的信噪比在不損失空間分辨率的情況下提升多倍。本文在這種思路啟發(fā)下,提出一種基于深度學習的CNN-BiLSTM時空信號處理模型。本文所做具體工作如下:（1）調研并分析目前通信光纜安全監(jiān)測研究現(xiàn)狀,總結得出DAS具有監(jiān)測距離長、成本低、靈敏度高等特點,非常適合通信光纜安全監(jiān)測,但是在DAS信號的識別方法上存在沒有考慮信號空間信息的缺陷,在這個基礎上本文提出了CNN-BiLSTM時空信號處理方法。（2）利用DAS現(xiàn)場采集五類典型事件信號,并建立一維時間信號數(shù)據(jù)集和二維時空信號數(shù)據(jù)集。根據(jù)現(xiàn)場數(shù)據(jù)集依次設計實現(xiàn)了CNN-BiLSTM模型的時間局... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【部分圖文】：

LSTM單元結構μ

第四章基于CNN-BiLSTM模型的識別算法構建與實現(xiàn)34上文設計的1D-CNN基礎網(wǎng)絡中，每個池化層后加入BN層，在同一數(shù)據(jù)集下訓練和測試，事件識別準確率可以提升至0.928。因此，BN的引入可以進一步的提升1D-CNN在時間信號上的特征提取能力。池化層可以進一步抽象卷積層提取的特征，同時可以對特征進行降維，減少冗余的信息，降低過擬合。常見的池化方式有最大值池化，平均值池化兩種。根據(jù)上文CNN相關理論可知，最大值池化是在一個池化核中挑選出最大的那個值作為輸出，平均值池化是在一個池化核中所有值取平均作為輸出。在上述1D-CNN基礎網(wǎng)絡中將池化方式改為平均池化，池化核大小不變，在相同數(shù)據(jù)集下訓練和測試，識別率有一定的提升，可以達到0.931�？梢缘贸觯骄党鼗啾茸畲笾党鼗m合光纖傳感時間信號的特征提齲激活函數(shù)目的是增加網(wǎng)絡的非線性表達能力，僅僅依靠卷積層和池化層的堆疊很難形成復雜的學習模型，同時激活函數(shù)的選擇將決定模型收斂的速度以及上限。在CNN基本相關原理部分介紹了sigmoid、tanh、ReLU和LeakyReLU四種非線性激活函數(shù)的計算原理及特點。這四種激活函數(shù)的形狀如圖4-5所示，sigmoid與tanh類似，區(qū)別是一個將值映射到[0,1]，一個將值映射到[-1,1]，ReLU與LeakyReLU相似，只是一個是單端激活，一個是雙端激活。ReLU在參數(shù)為負數(shù)的時候，將不再更新參數(shù)，這限制了網(wǎng)絡學習參數(shù)的梯度不能過大，LeakyReLU則在參數(shù)為負數(shù)的時候不是完全終止參數(shù)的更新，而是緩解參數(shù)更新的速度。（a）（b）（c）（d）圖4-5激活函數(shù)圖。(a)sigmoid函數(shù)；(b)tanh函數(shù)；(c)ReLU函數(shù)；(d)LeakyReLU函數(shù)

電子科技大學碩士學位論文35基于上述四種激活函數(shù)分別訓練1D-CNN網(wǎng)絡，測試結果如圖4-6所示，sigmoid識別率最低為0.907，其次為tanh識別率為0.912，然后是ReLU識別率為0.931，最高的為LeakyReLU識別率達到0.933。試驗結果說明CNN在網(wǎng)絡學習的過程中，合適的激活函數(shù)可以使網(wǎng)絡收斂的更好。圖4-6四種激活函數(shù)測試結果比較基礎的1D-CNN網(wǎng)絡在經(jīng)過加入BN層，池化方式和激活函數(shù)調優(yōu)后，網(wǎng)絡收斂的更快，準確率也得到明顯的提升，從最初的0.917提升至0.933，提升了0.016。根據(jù)識別結果可以得出，優(yōu)化后的1D-CNN網(wǎng)絡對一維時間信號已經(jīng)能夠提取時間局部結構特征。按照空間點的結構，將多個并列的1D-CNN網(wǎng)絡組合，便構成了CNN-BiLSTM模型的CNN模塊，簡記為1D-CNNs。4.2.2BiLSTM網(wǎng)絡設計經(jīng)過1D-CNNs模塊后，每個空間點得到相應的特征向量，利用這些特征向量直接對信號類型進行識別已經(jīng)可以得到不錯的識別效果。但是這些特征向量都是相互獨立的時間局部特征，而它們相互之間卻存在空間關系。在數(shù)據(jù)采集的時候，不同的振動信號類型的空間分布有明顯的不同。因此，挖掘這些特征向量之間的空間關系將會進一步提高信號類型的識別準確率。本文提出使用BiLSTM網(wǎng)絡用于提取特征向量之間的空間關系，網(wǎng)絡結構如圖4-7所示，該網(wǎng)絡由前向LSTM和發(fā)現(xiàn)LSTM組成。前向LSTM負責挖掘第一個空間點至最后一個空間點的分布信息，每個空間點對應的LSTM細胞單元輸出狀態(tài)會包含以前空間點的信息，比如第二個空間點的細胞單元輸出狀態(tài)會包含第一個空間點的信息，第三個空間點的細胞單元輸出狀態(tài)會包含第一個和第二個空間點的信息，以此類推，最后一個空間點會包含全局的空間信息。反向LSTM網(wǎng)絡則負責挖掘最后一個空間點至第一個空間點的分布信息。通過前向LSTM和反向LSTM?

【參考文獻】：
期刊論文
[1]分布式光纖聲波傳感技術研究進展[J]. 蔡海文,葉青,王照勇,盧斌,曹玉龍.  應用科學學報. 2018(01)
[2]用于光纖圍欄入侵告警的頻譜分析快速模式識別[J]. 王照勇,潘政清,葉青,蔡海文,瞿榮輝,方祖捷.  中國激光. 2015(04)
[3]通信光纖安全運行的維護技術措施探討[J]. 李穎.  中國新通信. 2013(23)
[4]分布式光纖傳感技術及其應用[J]. 劉德明,孫琪真.  激光與光電子學進展. 2009(11)
[5]基于大功率超窄線寬單模光纖激光器的ф-光時域反射計光纖分布式傳感系統(tǒng)[J]. 謝孔利,饒云江,冉曾令.  光學學報. 2008(03)

碩士論文
[1]基于分布式光纖聲波傳感的高速公路運行狀況在線監(jiān)測方法[D]. 何佳朋.電子科技大學 2018



本文編號：3423105