通信光纜安全關(guān)系到經(jīng)濟(jì)發(fā)展、社會(huì)民生等領(lǐng)域,隨著基于Φ-OTDR技術(shù)的分布式光纖聲波傳感系統(tǒng)（DAS）在長距離監(jiān)測(cè)領(lǐng)域的發(fā)展,研究學(xué)者開始將DAS應(yīng)用于通信光纜安全監(jiān)測(cè)。但是,目前基于DAS采集的事件信號(hào)在類型識(shí)別上仍然面臨著許多問題。在這個(gè)研究背景下,本文對(duì)國內(nèi)外基于DAS的通信光纜安全監(jiān)測(cè)現(xiàn)狀進(jìn)行調(diào)研,發(fā)現(xiàn)目前主流的信號(hào)識(shí)別方法只是考慮了信號(hào)的時(shí)間信息,忽略了DAS可以采集得到信號(hào)空間分布信息的特點(diǎn)。同時(shí),有相關(guān)文獻(xiàn)指出利用空間信息可以將光纖傳感信號(hào)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(xué)習(xí)的CNN-BiLSTM時(shí)空信號(hào)處理模型。本文所做具體工作如下:（1）調(diào)研并分析目前通信光纜安全監(jiān)測(cè)研究現(xiàn)狀,總結(jié)得出DAS具有監(jiān)測(cè)距離長、成本低、靈敏度高等特點(diǎn),非常適合通信光纜安全監(jiān)測(cè),但是在DAS信號(hào)的識(shí)別方法上存在沒有考慮信號(hào)空間信息的缺陷,在這個(gè)基礎(chǔ)上本文提出了CNN-BiLSTM時(shí)空信號(hào)處理方法。（2）利用DAS現(xiàn)場(chǎng)采集五類典型事件信號(hào),并建立一維時(shí)間信號(hào)數(shù)據(jù)集和二維時(shí)空信號(hào)數(shù)據(jù)集。根據(jù)現(xiàn)場(chǎng)數(shù)據(jù)集依次設(shè)計(jì)實(shí)現(xiàn)了CNN-BiLSTM模型的時(shí)間局... 

【文章來源】：電子科技大學(xué)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(xué)位級(jí)別】：碩士

【部分圖文】：

LSTM單元結(jié)構(gòu)μ

第四章基于CNN-BiLSTM模型的識(shí)別算法構(gòu)建與實(shí)現(xiàn)34上文設(shè)計(jì)的1D-CNN基礎(chǔ)網(wǎng)絡(luò)中，每個(gè)池化層后加入BN層，在同一數(shù)據(jù)集下訓(xùn)練和測(cè)試，事件識(shí)別準(zhǔn)確率可以提升至0.928。因此，BN的引入可以進(jìn)一步的提升1D-CNN在時(shí)間信號(hào)上的特征提取能力。池化層可以進(jìn)一步抽象卷積層提取的特征，同時(shí)可以對(duì)特征進(jìn)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(guān)理論可知，最大值池化是在一個(gè)池化核中挑選出最大的那個(gè)值作為輸出，平均值池化是在一個(gè)池化核中所有值取平均作為輸出。在上述1D-CNN基礎(chǔ)網(wǎng)絡(luò)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(xùn)練和測(cè)試，識(shí)別率有一定的提升，可以達(dá)到0.931�？梢缘贸�，平均值池化相比最大值池化更適合光纖傳感時(shí)間信號(hào)的特征提齲激活函數(shù)目的是增加網(wǎng)絡(luò)的非線性表達(dá)能力，僅僅依靠卷積層和池化層的堆疊很難形成復(fù)雜的學(xué)習(xí)模型，同時(shí)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(guān)原理部分介紹了sigmoid、tanh、ReLU和LeakyReLU四種非線性激活函數(shù)的計(jì)算原理及特點(diǎn)。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(gè)將值映射到[0,1]，一個(gè)將值映射到[-1,1]，ReLU與LeakyReLU相似，只是一個(gè)是單端激活，一個(gè)是雙端激活。ReLU在參數(shù)為負(fù)數(shù)的時(shí)候，將不再更新參數(shù)，這限制了網(wǎng)絡(luò)學(xué)習(xí)參數(shù)的梯度不能過大，LeakyReLU則在參數(shù)為負(fù)數(shù)的時(shí)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(xué)碩士學(xué)位論文35基于上述四種激活函數(shù)分別訓(xùn)練1D-CNN網(wǎng)絡(luò)，測(cè)試結(jié)果如圖4-6所示，sigmoid識(shí)別率最低為0.907，其次為tanh識(shí)別率為0.912，然后是ReLU識(shí)別率為0.931，最高的為LeakyReLU識(shí)別率達(dá)到0.933。試驗(yàn)結(jié)果說明CNN在網(wǎng)絡(luò)學(xué)習(xí)的過程中，合適的激活函數(shù)可以使網(wǎng)絡(luò)收斂的更好。圖4-6四種激活函數(shù)測(cè)試結(jié)果比較基礎(chǔ)的1D-CNN網(wǎng)絡(luò)在經(jīng)過加入BN層，池化方式和激活函數(shù)調(diào)優(yōu)后，網(wǎng)絡(luò)收斂的更快，準(zhǔn)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(shí)別結(jié)果可以得出，優(yōu)化后的1D-CNN網(wǎng)絡(luò)對(duì)一維時(shí)間信號(hào)已經(jīng)能夠提取時(shí)間局部結(jié)構(gòu)特征。按照空間點(diǎn)的結(jié)構(gòu)，將多個(gè)并列的1D-CNN網(wǎng)絡(luò)組合，便構(gòu)成了CNN-BiLSTM模型的CNN模塊，簡(jiǎn)記為1D-CNNs。4.2.2BiLSTM網(wǎng)絡(luò)設(shè)計(jì)經(jīng)過1D-CNNs模塊后，每個(gè)空間點(diǎn)得到相應(yīng)的特征向量，利用這些特征向量直接對(duì)信號(hào)類型進(jìn)行識(shí)別已經(jīng)可以得到不錯(cuò)的識(shí)別效果。但是這些特征向量都是相互獨(dú)立的時(shí)間局部特征，而它們相互之間卻存在空間關(guān)系。在數(shù)據(jù)采集的時(shí)候，不同的振動(dòng)信號(hào)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(guān)系將會(huì)進(jìn)一步提高信號(hào)類型的識(shí)別準(zhǔn)確率。本文提出使用BiLSTM網(wǎng)絡(luò)用于提取特征向量之間的空間關(guān)系，網(wǎng)絡(luò)結(jié)構(gòu)如圖4-7所示，該網(wǎng)絡(luò)由前向LSTM和發(fā)現(xiàn)LSTM組成。前向LSTM負(fù)責(zé)挖掘第一個(gè)空間點(diǎn)至最后一個(gè)空間點(diǎn)的分布信息，每個(gè)空間點(diǎn)對(duì)應(yīng)的LSTM細(xì)胞單元輸出狀態(tài)會(huì)包含以前空間點(diǎn)的信息，比如第二個(gè)空間點(diǎn)的細(xì)胞單元輸出狀態(tài)會(huì)包含第一個(gè)空間點(diǎn)的信息，第三個(gè)空間點(diǎn)的細(xì)胞單元輸出狀態(tài)會(huì)包含第一個(gè)和第二個(gè)空間點(diǎn)的信息，以此類推，最后一個(gè)空間點(diǎn)會(huì)包含全局的空間信息。反向LSTM網(wǎng)絡(luò)則負(fù)責(zé)挖掘最后一個(gè)空間點(diǎn)至第一個(gè)空間點(diǎn)的分布信息。通過前向LSTM和反向LSTM?

【參考文獻(xiàn)】：
期刊論文
[1]分布式光纖聲波傳感技術(shù)研究進(jìn)展[J]. 蔡海文,葉青,王照勇,盧斌,曹玉龍.  應(yīng)用科學(xué)學(xué)報(bào). 2018(01)
[2]用于光纖圍欄入侵告警的頻譜分析快速模式識(shí)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(yùn)行的維護(hù)技術(shù)措施探討[J]. 李穎.  中國新通信. 2013(23)
[4]分布式光纖傳感技術(shù)及其應(yīng)用[J]. 劉德明,孫琪真.  激光與光電子學(xué)進(jìn)展. 2009(11)
[5]基于大功率超窄線寬單模光纖激光器的ф-光時(shí)域反射計(jì)光纖分布式傳感系統(tǒng)[J]. 謝孔利,饒?jiān)平?冉曾令.  光學(xué)學(xué)報(bào). 2008(03)

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



本文編號(hào)：3423105