[发明专利]一种基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法

权利要求书

1.一种基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法，其特征在于，包括如下步骤：

1）以传感光纤上固定间隔点为扰动点，由传感系统分别获取在各点模拟扰动产生的干涉信号，对其做预处理后，选取一部分作为训练集，另一部分作为验证集；

2）针对不同的损失函数训练两个卷积神经网络CNN模型，使得两个CNN模型分别准确定位近端和远端扰动；通过验证集进行参数优化，以获得最佳训练效果；

针对不同的损失函数训练两个卷积神经网络CNN模型，使得两个CNN模型分别准确定位近端和远端扰动，其步骤为：

将输出为归一化扰动位置的模型1侧重于解决较难准确定位的近端扰动问题，增加近端扰动位置的预测误差在损失函数中的权重；对于输出为归一化零频率差的模型2侧重于解决远端扰动定位；通过在损失函数中加入适当的权值，使得模型一定程度上平衡远端扰动的整体定位性能；

3）通过集成学习方法实现对两个CNN模型训练结果的组合，得到最终的基于CNN集成学习的扰动位置预测模型；同样利用验证集进行参数优化，获得最佳训练效果；

4）将待定位的干涉信号进行同样的预处理后作为测试样本；

5）将测试样本输入训练好的基于CNN集成学习的扰动位置预测模型，预测出测试样本对应的扰动位置，实现扰动定位。

2.根据权利要求1所述的基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法，其特征在于，在所述步骤1）和步骤4）中的预处理包括：获得干涉信号的频谱或干涉信号频谱的频谱，并做归一化处理，以及确定合适的频谱数据长度。

3.根据权利要求1所述的基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法，其特征在于，在所述步骤3）中的集成学习方法采用Stacking、Bagging或Boosting集成学习方法。