Pattern recognition method of distributed optical fiber sensing signal based on multi-classification Gaussian SVM
-
摘要:
为了有效提升光纤信号识别精度，采用了一种基于多分类的高斯支持向量机(SVM)的信号事件类型判别方法，先通过汉宁窗卷积的方法以及95%能量的原则来识别事件发生始末段信息，再从时域、频域以及尺度域等角度出发，对归一化后的多种特征参数的均值与离散性进行分析，并选取合适的主要特征参数，最后采用基于多分类高斯SVM算法对3组不同事件类型进行了分类识别，通过理论分析和实验验证，取得了不同类型光纤事件信号的数据。结果表明，对30组实验数据的事件类型进行模式识别，正确率在96%以上。该方法流程满足了光纤传感的事件信号高精度识别要求，对光纤传感器应用具有较重要的参考价值。
-
关键词:
- 传感器技术 /
- 多分类高斯支持向量机 /
- 模式识别 /
- 事件信号
Abstract:In order to effectively improve the accuracy of fiber optic signal recognition, a signal event type discrimination method based on multi classification Gaussian support vector machine (SVM) was adopted. Firstly, the Hanning window convolution method and the principle of 95% energy were used to identify the information of the beginning and end stages of event occurrence. Then, from the perspectives of time domain, frequency domain, and scale domain, the mean and discreteness of various normalized feature parameters were analyzed, and appropriate main feature parameters were selected. Finally, the multi classification Gaussian SVM algorithm was used to classify and recognize three different event types. Theoretical analysis and experimental verification were conducted, and data on different types of fiber optic event signals were obtained. The results showed that pattern recognition of event types in 30 sets of experimental data achieved an accuracy rate of over 96%. This method process meets the high-precision identification requirements of event signals in fiber optic sensing and provides important reference value for the application of fiber optic sensors.
-
0. 引言
分布式光纤传感设备具有监测距离长、操作方便、易灵敏、分布式监测等多项优点，目前已经广泛应用在海底电缆[1-2]、结构健康[3-4]、电缆隧道安全[5-6]等不同工程领域。例如，分布式传感设备通过监测点的扰动变化来评估桥梁健康状态[7]。其中，基于相位敏感光时域反射计(phase sensitive optical time-domain reflectometer，φ-OTDR)[8]的传感设备是发射一定带宽与频率的脉冲激光到目标监测区域，经瑞利散射原理将监测点的状态信息反馈到采集装置中，通过信号处理来判定监测点的状态信息以及获取外界激励位置。从分布式光纤传感设备的监测原理可知，信号处理是整个环节的重要组成成分。外界激励事件信号往往带有多种特征参数信息，例如事件持续时间、能量幅值、频率谱等。作为信号处理方法之一，模式识别方法可通过多种合适的特征参数组合来判定外界激励事件位置以及类型。
一般而言，模式识别算法有机器学习、深度学习、强化学习等[9]。随机森林算法[10]与支持向量机(support vector machine, SVM)等机器学习算法[11-13]、卷积神经网络[14]与生成对抗网络[15]等深度学习算法已经广泛应用到各个工程领域中。这些方法从时域、频域、多尺度域等方面出发，通过对输入信号的特征参数信息进行分析处理，并采用不同模式识别算法来对事件类型进行分类。MAHMOUD等人[16]基于水平交叉的鲁棒性分类流程算法，首先采用分布式光纤原理获取事件信号信息，其次通过监督神经网络分类方法识别各种环境和围栏类型的入侵和非入侵事件。ZHU等人[17]采用基于φ-OTDR的分布式光纤原理采集攀爬、踢在墙上与雨落3种不同类型事件，提出了一种基于水平交叉率的模式识别方法来识别3种不同类型事件，3种事件分别在0.000~0.125、0.125~0.300以及0.3~1.0等不同水平交叉率范围内分布。ZHANG等人[18]基于φ-OTDR的分布式光纤原理采集无扰动、踩压、浇水和敲击等不同事件，将二叉树原理引入到支持向量机算法中，对多组事件信号处理分析，事件类型判别精确率达到了94%以上。QU等人[19]将自适应增强方法引入到光纤传感信号的模式识别中，解决了信号单一性不足的问题，平均识别率达到87.50%。ZHANG等人[20]将平方差、持时等多种特征参数引入到在分布式光纤传感系统信号处理中，从而构建了多特征参数的分类流程，识别事件精度86%以上。
以上方法虽然能解决相关模式识别问题，但是未考虑非振动段时间区域影响以及缺乏合理特征参数的系统性分析，从而导致无法更好地识别事件类型。针对这些问题，本文作者根据实际工作环境搭建了分布式光纤传感系统，并设计了3种不同类型的外界激励事件。针对该系统采集到的3种事件信号，本文中分别从事件发生始末段信息的识别、特征参数离散性分析、多分类高斯支持向量机的模式识别算法等步骤对事件进行分析，并通过实验来衡量该方法流程的效果。此外，本文中提出的方法流程证明了事件信号时段获取、特征参数选择在分布式光纤传感系统中的重要性。
1. 系统原理与方法流程
分布式光纤扰动信号监测系统是集光信号数据采集与模式识别于一体的设备系统，如图 1所示。该设备系统主要由两部分组成：光信号采集的分布式光纤传感设备和基于多分类高斯SVM的模式识别算法。
1.1 光纤传感设备系统与原理
分布式光纤扰动信号监测系统是一款光纤瑞利散射监测系统设备，该设备采用超窄线宽激光器经激光耦合器按光强度1∶9的比例解耦成两条不同强度光学信号，一条强光信号经声光调制器与脉冲放大器而形成光脉冲，光脉冲经传感光纤产生瑞利散射而返回，并与原始的弱光信号同时经光耦合器重新耦合成一条新信号，放大后通过采集卡采集。
当传感光纤周围无外部激励时, 探测器采集到的信号是平稳的，但是传感光纤在某个位置区域的介质因受到外部激励刺激而发生变化，进而引起该区域的瑞利散射变化，最终导致探测器采集到的该处位置的振动信号。分布式光纤扰动信号监测系统设备根据该原理采集相关信息, 具体光路系统图如图 2所示。其中黄色曲线表示光路，黑色表示电路。必要的光学参数如下：激光器中心波长1550 nm，线宽2 kHz，光隔离度40 dB；探测器带宽为350 MHz；声光调制器为中心频率80 MHz；采集卡最大采样频率250 MHz。
![图 2 分布式光纤扰动信号光路图]()
图 2 分布式光纤扰动信号光路图Figure 2. Distributed fiber optic disturbance signal optical path diagram1.2 方法流程
模式识别方法是对发生的单个事件信号进行分析并识别归类为哪种类型事件。常用的模式识别算法有极端梯度提升算法、支持向量机、随机森林法等机器学习算法。作为模式识别方法之一，支持向量机方法是1995年CORTES等人[21]第1次提出的，它主要应用在样本数量少、多维度特征参数等方面，进而能解决规划等相关问题。国内外众多学者为了解决分类问题，将核函数与支持向量机算法融合在一起，典型的方法有高斯SVM方法，该方法常用于特征参数少且线性不可分情况。一般而言，模式识别分析前应进行信号处理、主要特征参数选取等流程。在分布式光纤领域中如何识别事件信号发生类型，本文中提出了如图 3所示的基于多分类高斯SVM的模式识别方法流程。
![图 3 基于多分类高斯SVM的模式识别方法流程]()
图 3 基于多分类高斯SVM的模式识别方法流程Figure 3. Process flow of pattern recognition method based on multi classification Gaussian SVM如图 3所示，基于多分类高斯SVM的模式识别方法流程包含信号事件的识别前处理过程、主要特征参数分析、基于多分类高斯SVM算法等。首先，在事件信号识别环节中，采取通用滤波降噪方法剔除干扰频率的信号，并采用汉宁窗卷积的方法以及95%能量的原则来识别单个事件发生起始点并截取，其中95%能量原则指将事件发生起始段与尾部的各2.5%能量剔除而保留中间的95%能量；其次，在特征参数分析环节中，分别从时域、频域以及尺度域等角度出发共选取了9种特征参数[22](图 3中的特征参数提取与分析环节，其定义如表 1所示)；最后，在模式识别环节中，针对特征参数分析结果选取主要两种特征参数作为模式识别的输入参数，为了保持数据量纲统一性而对特征参数进行归一化处理，再经基于高斯核的多分类高斯SVM算法识别事件类型。
表 1 9种特征参数及其定义Table 1. Nine types of characteristic parameters and their definitionscharacteristic parameter definition short-time average energy the average energy of an event signal over a period of time short-time zero-crossing rate the frequency at which the waveform of the event signal crosses the zero level duration the time elapsed from the beginning to the end of the event signal short-time average amplitude the average amplitude of the event signal over a period of time short-time over electrical level rate the number of times at which the time-domain waveform of a frame signal crosses the zero level characteristic parameter definition short-time over double electrical level rate the number of times at which the time-domain waveform of a frame signal crosses the upper and lower level power spectrum energy the amplitude square of the frequency domain signal, into which the event time signal is converted by Fourier transform frequency band energy variance the variance between the energy bands of a frame signal wavelet coefficient energy variance the sum of squares wavelet coefficients at different frequencies 2. 实验结果分析与讨论
2.1 实验方法
采用第1.1节中的光纤传感设备系统对事件信号进行采集。分别用3种不同类型事件作为传感光纤的外界激励，即: 拉拽传感光纤，标记为事件A；踩压传感光纤，标记为事件B；小球落在传感光纤位置附近引起振动，标记为事件C。考虑到事件发生的随机性，本文中在同一种光纤条件下(具体探测光纤为850 m的G.652D单模光纤，探测光脉冲频率为50 kHz，线宽10 ns超窄带线宽激光器作为光源，每隔20 m长度作为传感光纤采集区域，该区域共含50个采样点)进行相关实验，忽略力学方面的影响，具体方式如下：600 m与800 m处的光纤被盘绕成环，600 m处用于拉和踩的数据收集，800 m处被置于1 m2的铁板上，并用海绵缓存，用于球砸数据的收集，其中球为亚克力球，重约300 g，平均下落高度为30 cm；拉通过人为提拉光纤实现；踩通过人为踩踏实现。每组事件分别采集40个周期信号，如图 4所示。从图 4中可知，3种事件在时间维度上呈现不同形状，为后期主要特征参数分析提供了基础。
2.2 信号前处理
本文中采用小波阈值滤波降噪方法剔除干扰频率的影响，并经汉宁窗卷积的方法以及95%能量的原则来识别事件发生的完整周期，具体流程如图 5所示。图 5中的纵坐标分别对应振幅幅值、能量幅值、振幅幅值，均无量纲。由图 5可知，采集到的事件时间信号(见图 5a)在起始阶段和末尾阶段均存在部分无振动的信号，经汉宁窗卷积的方法转化为单位能量信号(见图 5b)，进而根据总能量的95%原则来提取对应的事件发生时间段信号(见图 5c)。
95%能量的原则：95%能量的持续时间(持时)指累积能量达到2.5%与累积能量达到97.5%时对应的两个时刻之间持续时间。信号能量的百分比计算公式如下：
I=∫t00E dt∫T0E dt (1) 式中：I为信号能量的百分比；E为时刻点对应的能量；t0为某一时刻点；T为信号持续时间。
2.3 特征参数分析
信号特征参数分析方法一般针对大量重复采集到的实验信号进行统计分析，从时域、频域与尺度域等角度出发，通过一种或多种特征参数来描述不同事件信号的特征信息。选择合适的特征参数能更好地统计与区分相关事件信息的类型，为后续的模式识别功能提供基础。常见时域特征参数有短时平均能量、短时平均幅度、短时过零率、短时过电频率、事件持时等；频域特征参数有功率谱估计、频带方差分析方法、归一化频带能量方差等；尺度域特征参数有小波系数能量方差、短时傅里叶变换、维格纳变换等。
因信号特征参数种类比较多，为了更好统计分析采集到的3种不同类型事件信息，本文中分别从时域、频域以及尺度域等角度出发共选取了9种特征参数(图 3特征参数提取与分析环节)。同时，为了有效比较不同事件的信号特征数据，对9种特征数据均做归一化处理，如下式所示：
\boldsymbol{W}_{\text {norm }}=\left(\boldsymbol{W}-\boldsymbol{W}_{\min }\right) /\left(\boldsymbol{W}_{\max }-\boldsymbol{W}_{\min }\right) (2) 式中：W为事件的特征参数矩阵；Wnorm为归一化后的特征参数矩阵；Wmax、Wmin为最大值与最小值矩阵。
数据均在0~1范围内分布，具体结果如图 6所示。图 6中，纵坐标为对应的归一化后各种特征参数，横坐标为3种事件类型。同时分别计算特征数据的均值与标准差，如表 2所示。
表 2 主要特征参数的均值与标准差分布Table 2. the mean and standard deviation distribution of the main characteristic parameterscharacteristic parameter case A case B case C mean value standard deviation mean value standard deviation mean value standard deviation short-time average energy 0.410 0.222 0.211 0.106 0.067 0.018 short-time zero-crossing rate 0.215 0.056 0.362 0.116 0.791 0.111 duration 0.863 0.068 0.529 0.067 0.756 0.057 short-time average amplitude 0.614 0.158 0.424 0.090 0.214 0.019 short-time over electrical level rate 0.205 0.053 0.336 0.104 0.747 0.109 short-time over double electrical level rate 0.049 0.026 0.138 0.084 0.626 0.166 power spectrum energy 0.481 0.249 0.145 0.073 0.067 0.017 frequency band energy variance 0.250 0.243 0.006 0.006 0.003 0.002 wavelet coefficient energy variance 0.217 0.227 0.055 0.052 0.005 0.003 由图 6与表 2中可知，3组事件在短时平均能量与短时平均幅度等两种特征参数下的均值与标准差分布均存在差异，短时平均能量通过数值的平方而将数据离散性进一步放大，本次实验结果表明，短时平均能量的标准差在3组事件下均明显高于短时平均幅度。短时过零率与短时过电频率等两种特征参数在均值与标准差分布差异不大，但是3组事件之间的均值差异比较大，因为这两种特征数据均是统计该事件信号的时域波形穿越某一横轴的次数。此外，3组事件在短时过双电频率、功率谱能量等两种特征参数下的均值与标准差之间都存在明显差异。
综上对比分析，为了能更好地识别事件类型，本文中采用短时平均幅度与持时作为模式识别的两种特征参数。
2.4 基于多分类高斯SVM的模式识别算法
经第2.3节中的特征参数均值与离散性分析，本文中选取了短时平均幅度与持时作为两种特征参数且做归一化处理。为了避免过多小数点位数参与计算而引起误差，在原有的归一化数据上乘以10的系数而获取新的归一化特征数据，如图 7a所示。此外，为了更好地验证本文中的特征参数选择的合理性，增加了短时平均能量与持时的关系图，如图 7b所示。由图 7可知，3组事件在图 7a的分布均有明显界限，而图 7b中, 事件A与事件C之间存在非常近的事件点，从而更进一步证明了短时平均幅度与持时等两种特征参数的选择。
因选取的两种特征数据在两两不同类型事件之间均存在非线性界限，因此本文中采用了高斯SVM多分类方法。该方法的核函数关系式为：
K(\boldsymbol{x}, \boldsymbol{y})=\exp \left(-\alpha\|\boldsymbol{x}-\boldsymbol{y}\|^2\right) (3) 式中：x、y为事件样本与向量；α为超参数；‖ x-y ‖表示向量的范数。
本文中实验计算评判标准采用准确度来衡量，即准确度=预测正确样本数/总样本数，具体计算结果如图 8所示。图中数据为归一化特征数据，无量纲。图 8a为短时平均振幅与整段信号持时，即整段信号持时代表信号未经过95%能量原则处理；图 8b为短时平均振幅与95%能量持时。本实验中有事件A、事件B以及事件C3组不同类型事件。由图 8可知，两两事件之间界限均为非线性不规则曲线；图 8a中事件B与事件C之间存在非常近的事件点，而图 8b中未出现，这是由于未处理事件存在微弱信号干涉；在测试集中结果精度达到96%以上。
3. 结论
在分布式光纤传感系统中，为了更好地精确识别外部激励事件发生类型，本文中提出了一种基于多分类高斯SVM的分布式光纤传感信号的模式识别方法，即：通过经汉宁窗卷积以及95%能量的原则可自动选取事件发生的完整周期；同时从时域、频域以及多尺度角度出发，对归一化的众多特征参数进行均值与离散性分析，从中选取适合区分该3种不同类型事件的主要特征参数，并基于多分类高斯SVM方法对事件类型进行分类识别。本文中给出了3组事件实验分析的具体步骤，即如何自动有效地选取完整周期事件、特征参数的合理选择以及基于多分类高斯SVM算法。
(a) 通过经汉宁窗卷积以及95%能量的原则等方法能较好地提取主要事件信息，避免微弱信号干扰。
(b) 在特征参数选取环节，通过特征数据的均值与离散性的分析对比，选取了合适的主要特征参数。
(c) 实验结果表明，本方法具有良好的效果，可为分布式光纤扰动传感系统性能的进一步提升提供有益参考。
本文中的模式识别方法亦可应用到电缆隧道的局放故障监测、周界安防的事件识别、海底电缆的锚害识别等多个工程领域。
-
![]()
图 2 分布式光纤扰动信号光路图
Figure 2. Distributed fiber optic disturbance signal optical path diagram
![]()
图 3 基于多分类高斯SVM的模式识别方法流程
Figure 3. Process flow of pattern recognition method based on multi classification Gaussian SVM
表 1 9种特征参数及其定义
Table 1 Nine types of characteristic parameters and their definitions
characteristic parameter definition short-time average energy the average energy of an event signal over a period of time short-time zero-crossing rate the frequency at which the waveform of the event signal crosses the zero level duration the time elapsed from the beginning to the end of the event signal short-time average amplitude the average amplitude of the event signal over a period of time short-time over electrical level rate the number of times at which the time-domain waveform of a frame signal crosses the zero level characteristic parameter definition short-time over double electrical level rate the number of times at which the time-domain waveform of a frame signal crosses the upper and lower level power spectrum energy the amplitude square of the frequency domain signal, into which the event time signal is converted by Fourier transform frequency band energy variance the variance between the energy bands of a frame signal wavelet coefficient energy variance the sum of squares wavelet coefficients at different frequencies 
下载: 导出CSV
表 2 主要特征参数的均值与标准差分布
Table 2 the mean and standard deviation distribution of the main characteristic parameters
characteristic parameter case A case B case C mean value standard deviation mean value standard deviation mean value standard deviation short-time average energy 0.410 0.222 0.211 0.106 0.067 0.018 short-time zero-crossing rate 0.215 0.056 0.362 0.116 0.791 0.111 duration 0.863 0.068 0.529 0.067 0.756 0.057 short-time average amplitude 0.614 0.158 0.424 0.090 0.214 0.019 short-time over electrical level rate 0.205 0.053 0.336 0.104 0.747 0.109 short-time over double electrical level rate 0.049 0.026 0.138 0.084 0.626 0.166 power spectrum energy 0.481 0.249 0.145 0.073 0.067 0.017 frequency band energy variance 0.250 0.243 0.006 0.006 0.003 0.002 wavelet coefficient energy variance 0.217 0.227 0.055 0.052 0.005 0.003
下载: 导出CSV
-
[1] LV A Q, LI J. On-line monitoring system of 35 kV 3-core submarine power cable based on φ-OTDR[J]. Sensors and Actuators, 2018, A273: 134-139. http://www.sciencedirect.com/science/article/pii/S0924424717319258
[2] 张旭苹, 陈晓红, 梁蕾, 等. 长距离海缆在线监测改进型C-OTDR系统[J]. 光学学报, 2021, 41(13): 130600. ZHANG X P, CHEN X H, LIANG L, et al. Enhanced C-OTDR-based online monitoring scheme for long-distance submarine cables[J]. Acta Optica Sinica, 2021, 41(13): 130600 (in Chinese).
[3] JUAREZ J C, TAYLOR H F. Field test of a distributed fiber-optic intrusion sensor system for long perimeters[J]. Applied Optics, 2007, 46(11): 1968-1971. DOI: 10.1364/AO.46.001968
[4] SENSFELDER E, BURCK J, ACHE H J. Characterization of a fiber-optic system for the distributed measurement of leakages in tanks and pipelines[J]. Applied Spectroscopy, 2016, 52(10): 1283-1298. http://www.opticsinfobase.org/viewmedia.cfm?uri=as-52-10-1283&seq=0
[5] CHAE K S, LEE S P, LEE C H, et al. Application and development trend of OTDRs[J]. Tunnel and Underground Space, 2011, 21(1): 1-10. http://ocean.kisti.re.kr/downfile/volume/ksrm/OBGHBQ/2011/v21n1/OBGHBQ_2011_v21n1_1.pdf
[6] FUKURO A, TORIGOE T, MIZUGUCHI H, et al. Application of a new measuring method using an optical fiber strain sensor to an underground tunnel[J]. International Journal of Modern Physics, 2006, B20(25/27): 3692-3697. DOI: 10.1142/S0217979206040210
[7] WATKINS S E. Smart bridges with fiber-optic sensors[J]. IEEE Instrumentation & Measurement Magazine, 2003, 6(2): 25-30.
[8] JIANG F, LU Z X, CAI F, et al. Low computational cost distributed acoustic sensing using analog I/Q demodulation[J]. Sensors, 2019, 19(17): 3753-3762. DOI: 10.3390/s19173753
[9] 韦乾龙, 唐文虎, 江昌旭, 等. 基于改进强化学习算法的主动配电网在线等值建模[J]. 广东电力, 2021, 34(11): 19-26. WEI Q L, TANG W H, JIANG Ch X, et al. Online equivalent mo-deling of active distribution network based on improved reinforcement learning algorithm [J]. Guangdong Electric Power, 2021, 34(11): 19-26(in Chinese).
[10] 韩江涛, 谭凯, 张卫国, 等. 协同随机森林方法和无人机LiDAR空谱数据的盐沼植被"精灵圈"识别[J]. 光电工程, 2024, 51(3): 230188. HAN J T, TAN K, ZHANG W G, et al. Identification of salt marsh vegetation "fairy circles" using random forest method and spatial-spectral data of unmanned aerial vehicle LiDAR[J]. Opto-Electron Eng, 2024, 51(3): 230188(in Chinese).
[11] 李霞, 杨正维, 黄俊伟, 等. 机器学习参与山区村落影像点云分类的研究[J]. 激光技术, 2024, 48(2): 288-294. DOI: 10.7510/jgjs.issn.1001-3806.2024.02.022 LI X, YANG Zh W, HUANG J W, et al. Study on image point cloud classification of mountain villages by machine learning[J]. Laser Technology, 2024, 48(2): 288-294(in Chinese). DOI: 10.7510/jgjs.issn.1001-3806.2024.02.022
[12] YANG Ch, OH S K, YANG B, et al. Hybrid fuzzy multiple SVM classifier through feature fusion based on convolution neural networks and its practical applications[J]. Expert Systems With Applications, 2022, 202(15): 117392. DOI: 10.1016/j.eswa.2022.117392
[13] ALI J, ALDHAIFALLAH M, NISAR K S, et al. Regularized least squares twin SVM for multiclass classification[J]. Big Data Research, 2022, 27(28): 100295.
[14] 杜永兴, 苗晓伟, 秦岭, 等. 基于VDNet卷积神经网络的羊群计数[J]. 激光技术, 2021, 45(5): 675-680. DOI: 10.7510/jgjs.issn.1001-3806.2021.05.023 DU Y X, MIAO X W, QIN L, et al. Herd counting based on VDNet convolutional neural network[J]. Laser Technology, 2021, 45(5): 675-680(in Chinese). DOI: 10.7510/jgjs.issn.1001-3806.2021.05.023
[15] 陶昕辰, 朱涛, 黄玉玲, 等. 基于DDR GAN的低质量图像增强算法[J]. 激光技术, 2023, 47(3): 322-328. DOI: 10.7510/jgjs.issn.1001-3806.2023.03.006 TAO X Ch, ZHU T, HUANG Y L, et al. Low-quality image enhancement algorithm based on DDR GAN[J]. Laser Technology, 2023, 47(3): 322-328(in Chinese). DOI: 10.7510/jgjs.issn.1001-3806.2023.03.006
[16] MAHMOUD S S, KATSIFOLIS J. Robust event classification for a fiber optic perimeter intrusion detection system using level crossing features and artificial neural networks[J]. Proceedings of the SPIE, 2010, 7677: 767708.
[17] ZHU H, PAN C, SUN X H. Vibration pattern recognition and cla-ssification in OTDR based distributed optical-fiber vibration sensing system[J]. Smart Sensor Phenomena, Technology, Networks, and Systems Integration 2014, 9062: 906205.
[18] 张颜, 娄淑琴, 梁生, 等. 基于多特征参量的φ-OTDR分布式光纤扰动传感系统模式识别研究[J]. 中国激光, 2015, 42 (11): 1105005. ZHANG Y, LOU Sh Q, LIANG Sh, et al. Study of pattern recognition based on multi-characteristic parameters for φ-OTDR distributed optical fiber sensing system[J]. Chinese Journal of Lasers, 2015, 42(11): 1105005(in Chinese).
[19] 曲洪权, 吉祥, 盛智勇, 等. 基于AdaBoost集成学习的光纤振动信号识别分类方法[J]. 激光与光电子学进展, 2022, 59(13): 1307004. QU H Q, JI X, SHENG Zh Y, et al. Recognition and classification method for fiber optical vibration signal using AdaBoost ensemble learning[J]. Laser & Optoelectronics Progress, 2022, 59(13): 1307004 (in Chinese).
[20] 张俊楠, 娄淑琴, 梁生. 基于SVM算法的φ-OTDR分布式光纤扰动传感系统模式识别研究[J]. 红外与激光工程, 2017, 46(4): 219-225. ZHANG J N, LOU Sh Q, LIANG Sh. Study on pattern recognition of φ-OTDR distributed optical fiber disturbance sensing system based on SVM algorithm[J]. Infrared and Laser Engineering, 2017, 46(4): 219-225 (in Chinese).
[21] CORTES C, VAPNIK V. Support-vector networks[J]. Machine Learning, 1995, 20(3): 273-297. DOI: 10.1023/A:1022627411411
[22] 徐铖晋. 分布式光纤传感系统的信号处理技术研究[D]. 杭州: 浙江大学, 2017: 9-13. XU C J. Research on signal processing technology of distributed optical fiber sensing system [D]. Hangzhou: Zhengjiang University. 2017: 9-13(in Chinese).
计量
- 文章访问数: 43
- HTML全文浏览量: 8
- PDF下载量: 6