[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

说明书

本发明公开了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，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，对其做预处理后作为训练集和验证集；针对不同的损失函数训练两个卷积神经网络CNN模型，使两者分别准确定位近端和远端扰动；通过集成学习方法组合两个模型的训练结果，得到基于CNN集成学习的扰动位置预测模型；通过验证集优化每个模型的参数。将待定位的干涉信号进行预处理后作为测试样本，利用训练好的预测模型对其测试，得到其扰动位置。本发明无需信号解调，系统复杂度低，且对噪声不敏感，数据处理方法简单，定位结果稳定、准确，可用于环形或直线式Sagnac分布光纤传感系统的扰动定位。

技术领域

本发明涉及一种分布光纤传感系统的定位方法，特别是一种基于卷积神经网络CNN集成学习的Sagnac分布光纤传感系统的定位方法。

背景技术

分布光纤传感技术在高压管道泄漏检测与定位中具有广泛的应用前景，其中Sagnac分布光纤传感系统具有抗干扰性强，对光源要求较低等优点，是目前研究的热点之一。零频率方法是Sagnac分布光纤传感系统的主要定位方法，然而零频率常常淹没在噪声中，影响定位的准确性。通过改进传感系统的结构、使用相位生成载波零差解调可以提升定位的精度，通过小波软阈值去噪、两次傅里叶变换等一系列算法也能够提升定位的精度，但这些方法在一定程度上增加了系统的复杂度，并且对系统噪声敏感。

近年来，机器学习方法开始用于分布光纤传感领域。研究较多的是光纤扰动信号识别，扰动定位方面的研究也逐渐出现。有学者使用支持向量机(SVM)回归模型使得测量位置逼近真实位置，但需事先使用零频率法初步定位，定位过程复杂。本申请人曾提出一种Sagnac分布光纤传感系统的基于机器学习分类模型的离散化定位方法，把扰动的定位问题转变成不同传感光纤位置扰动引起的干涉信号的多分类问题，然而，该分类方法需要采集所有扰动位置的干涉信号，且失去了分布光纤传感可以连续监测的优势，这成为亟待解决的技术问题。

发明内容

为了解决现有技术问题，本发明提供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，简化信号处理过程，减少训练样本采集量，预测任意扰动位置。

为达到上述发明创造目的，本发明采用如下技术方案：

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，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；

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。

优选地，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。

优选地，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。

本发明的工作原理