[发明专利]一种OTDR曲线数据分析方法

摘要

一种OTDR曲线数据分析方法，涉及电力通信领域，解决现有通过OTDR获得的数据无法精确地反应光纤中各个特殊点的相关位置问题，对去噪后的数据进行相关处理，得到光纤信号中的各个细节；对光纤信号中的特征进行提取；对多个OTDR数据进行特征提取，将得到的特征向量作为改进的SVM算法的训练样本，将样本输入SVM分类器进行训练，得到可用于识别OTDR数据特征的模型，OTDR数据特征可以反映光纤特征；最终实现对光纤特殊位置的分类功能：将模型运用于对光纤的熔接点、断裂点、起始端、末端以及弯折过大点进行分类。本发明通过测度学习的方法，改进高斯径向机核函数，以此提高算法收敛速度，提升预测精度，提升了光纤监测的可靠性。

主权项

1.一种OTDR曲线数据分析方法，采用改进SVM分类器的OTDR曲线特征识别方法，其特征是，该方法具体由以下步骤实现：步骤一、采用OTDR对光纤线路进行多次测量，并对获得的OTDR数据进行去噪处理，获得去噪后的OTDR曲线数据；步骤二、采用小波变换对步骤一获得去噪后的OTDR曲线数据进行处理，获取光纤信号特征点，并将获取的光纤信号特征点进行标记；分别标记为：熔接点、断裂点、起始端、末端以及弯折过大点，各标记分别对应A、B、C、D以及E；步骤三、将步骤二标记的数据分为两部分，用于训练SVM分类模型的数据称为训练集，用于验证SVM分类模型的预测精度的数据称为验证集；步骤四、将用于训练SVM分类模型的数据有监督的学习，获得能增加OTDR数据特征点区分度的投影矩阵；对投影矩阵中的特征点分配不同的权重，获得距离测度；并利用所述距离测度改进高斯径向基核函数，建立改进的SVM分类模型；改进后的高斯径向基核函数为：其中σ是高斯径向基核函数参数，采用网格搜索算法得到，x_i,x_j表示特征向量，D_M(x_i,x_j)为距离测度；D_M(x_i,x_j)＝(x_i‑x_j)^TM(x_i‑x_j)；上述DM(xi,xj)的构建及投影矩阵L(LTL＝M)的学习过程为：投影空间中的距离测度为：||L(x_i‑x_j)||₂为L(x_i‑x_j)的二范数，[L(x_i‑x_j)]^T为L(x_i‑x_j)矩阵的转置；求取距离的平方并用矩阵形式表示，则距离测度DM为：令M＝LTL，求解M可归结为求一个优化问题：式中R表示全体实数，将该式最小化，利用网格搜索算法得到改进高斯径向基核函数参数的最优组合，实现改进高斯径向基核函数，通过改进的高斯径向基核函数，求解目标函数，过程如下：0≤αi≤C,i＝1,...,p式中，p为样本个数，α是拉格朗日系数，KM是改进后的高斯径向基核函数，C是错误分类的惩罚因子；其中得到最优解并计算最终构造决策函数即SVM分类模型：式中sgn()表示符号函数，α_i^*为得到的最优解x_i为第i个样本的输入，y_i为第i个样本的标记值；使用步骤三的训练集数据训练SVM分类模型，获得熔接点、断裂点、起始端、末端以及弯折过大点的训练结果，即五个SVM分类模型；步骤五、使用步骤三中的验证集对步骤四训练出的SVM分类模型分别进行验证，选择在验证集上预测精度最高的模型作为最终的SVM分类器，运用该SVM分类器实现OTDR数据曲线特征点的识别，最终实现对光缆各个位置的特征点的识别。