基于多尺度一维卷积神经网络的光纤振动事件识别

作     者：吴俊 管鲁阳 鲍明 许耀华 叶炜 Wu Jun;Guan Luyang;Bao Ming;Xu Yaohua;Ye Wei

作者机构：安徽大学计算智能与信号处理教育部重点实验室安徽合肥230039 中国科学院声学研究所北京100190 浙江大学控制科学与工程学院浙江杭州310058 

出 版 物：《光电工程》 (Opto-Electronic Engineering)

年 卷 期：2019年第46卷第5期

页      面：76-83页

核心收录：

学科分类：1304[艺术学-美术学] 13[艺术学] 070207[理学-光学] 07[理学] 08[工学] 0804[工学-仪器科学与技术] 0802[工学-机械工程] 0702[理学-物理学] 

基　　金：中国科学院战略性先导科技专项(XDC02040600) 

主　　题：分布式光纤振动传感 多尺度一维卷积神经网络 相位敏感光时域反射 振动事件识别 模式识别 

摘      要：针对相位敏感光时域反射(Φ-OTDR)分布式光纤振动传感系统如何对振动事件进行高效准确识别的问题,本文提出了一种基于多尺度一维卷积神经网络(MS 1-D CNN)的振动事件识别方法。该方法将原始振动信号经过预加重、归一化和谱减降噪的预处理操作后得到的一维信号,直接通过MS 1-D CNN实现端到端的振动信号特征的提取和识别。MS1-DCNN在提取入侵振动信号特征时可兼顾信号时间和频率尺度,利用全连接层(FClayer)和Softmax层完成最终的识别过程,与二维卷积神经网络(2-D CNN)和一维卷积神经网络(1-D CNN)相比减少了待定参数数量。对破坏、敲击和干扰三类目标振动事件的光纤振动传感信号识别结果表明,MS 1-D CNN的识别正确率与2-D CNN相近,达到了96%以上,而处理速度提升一倍,在保持识别性能的前提下,有利于提高振动事件识别的实时性。