[发明专利]一种应用于光纤传感系统的振动模型建立方法

摘要

本发明提供了一种应用于光纤传感系统的振动模型的建立方法，包括以下步骤：通过光纤振动器将振动信号调节成光纤干涉信号输出，利用输出的信号强度、信号周期结合产生信号的时间、产生信号的距离，以光纤位置与光纤起点的距离为第一坐标轴、时间为第二坐标轴建立信号状态图；采集不同振动情况下的信号状态图，对这些数据进行人工标注标签，将人工标注标签和信号状态图的数据信息输入到卷积神经网络模型进行图像识别和CNN训练，得到所述应用于光纤传感系统的振动模型；所述卷积神经网络模型的图像识别和CNN训练包括：第一阶段，向前传播阶段；第二阶段，向后传播阶段。本发明的技术方案具有识别率高、识别准确性好、识别能力强的特点。

主权项

1.一种应用于光纤传感系统的振动模型的建立方法，其特征在于，包括以下步骤：步骤S1：通过光纤振动器将振动信号调节成光纤干涉信号输出，利用输出的信号强度、信号周期结合产生信号的时间、产生信号的距离，以光纤位置与光纤起点的距离为第一坐标轴、时间为第二坐标轴建立信号状态图；其中，所述信号状态图用于表征所述光纤若干个光纤位置在若干个时间上的信号值的信息；步骤S2：采集不同振动情况下的信号状态图，对这些数据进行人工标注标签，将人工标注标签和信号状态图的数据信息输入到卷积神经网络模型进行图像识别和CNN训练，得到所述应用于光纤传感系统的振动模型；其中，所述卷积神经网络模型的图像识别和CNN训练包括以下步骤：第一阶段，向前传播阶段，具体过程如下：采用平方误差代价函数讨论多类问题，共c类，共N个训练样本，误差项为：式(1)中，表示第n个样本对应的标签的第k维的向量，表示第n个样本对应的网络输出的第k个输出；c为代表样本的总类；对于多类问题，输出一般组织为“one‑of‑c”的形式，也就是只有该输入对应的类的输出节点输出为正，其他类的位或者节点为0或者负数，取决于输出层的激活函数；sigmoid就是0，tanh就是‑1；基于在全部训练集上的误差只是每个训练样本的误差的总和，对于第n个样本的误差，每个训练样本的误差的总和表示为：然后根据BP规则计算代价函数E^N关于网络每一个权值的偏导数；用l来表示当前层，当前层的输出可以表示为：X^l＝f(u^l),with,u^l＝W^lx^l‑1+b^l (3)在公式中，X代表用向量形式的输出，u代表输入，W代表权值，b代表偏置，其中l代表网络的第几层；第二阶段，向后传播阶段，具体过程如下：反向传播回来的误差，即每个神经元的基的灵敏度为：反向传播第l层的灵敏度为：在式(5)中，T代表矩阵转置，W代表权值，u代表输入，表示每个元素相乘；输出层的神经元的灵敏度为：最后，对每个神经元运用delta规则进行权值更新；用向量的形式表述，对于第l层，误差对于该层每一个权值的导数为：在式(7)中，其中l表示神经网络的层数，代表是第几层，X是用向量形式的输出；W^l是第l层的权值，η是学习率，表示反向传播第l层的灵敏度；对于每一个权值都有一个特定的学习率。