基于特征合成的Φ-OTDR零次事件识别方法、装置、系统及介质

本发明涉及光纤传感，尤其涉及一种基于特征合成的φ-otdr零次事件识别方法、装置、系统及介质。

背景技术：

1、分布式光纤传感系统由于其灵敏度高、定位精度高、电磁免疫等特性，广泛应用于长距离油气管道监测及周界安防、建筑结构健康监测等领域。相位敏感型光时域反射仪（phase sensitive optical time domain reflectometer，φ-otdr）技术，通过使用长相干光源，检测光脉冲返回光的相干结果，其干涉方法能有效实现动态响应，能同时实现高定位精度和高灵敏度检测，尤其是对于微弱扰动信号的检测，非常适用于管道预警。

2、随着人工智能的发展，φ-otdr引入了基于机器学习和深度学习的事件识别方法，在现场测试中显示出良好的振动事件识别能力和鲁棒性。所有机器学习或深度学习分类器都是数据驱动的，并需要一个包含所有待测试事件类型的训练数据集。然而在实际应用中，很难获得具有大量已知振动样本和所有事件类型的完美训练数据集。我们只知道一些事件类型的抽象概念，但无法提前获得它们的已知振动样本。如果训练数据集中没有特定事件类型的已知振动样本，则这些数据驱动的识别方法无法在测试中识别该事件。

3、另一方面，零次学习是解决没有或很少样本实例问题的有效方法。实例合成方法是一种零次学习方法，用于无训练已知振动样本识别任务或识别未知类的任务。然而，现有的零次学习方法不能直接应用于光纤传感应用，因为在光纤传感应用中没有用于描述振动或传感信号的语义集合，普通的实例合成方法所能达到的效果也比较有限。目前，在光纤传感领域，没有有效的解决无样本分类问题的方法。因此，需要一种能够在没有对特定振动进行预先训练的情况下，就能完成振动分类任务的方法。

技术实现思路

1、为解决上述技术问题，本发明实施例提出一种基于特征合成的φ-otdr零次事件识别方法、装置、系统及介质，旨在实现对未知振动样本的高质量特征合成与振动类型识别，有效提升光纤预警系统在缺少特定振动训练样本情况下的振动识别能力。

2、一方面，本发明实施例提供了一种基于特征合成的φ-otdr零次事件识别方法，所述方法包括以下步骤：

3、获取已知振动类型的已知振动样本并确定待识别振动类型的未知振动样本，对所述已知振动类型的已知振动样本进行特征提取，获得训练特征数据集；

4、获取各类振动的语言定义，根据所述语言定义生成每一类振动的语义向量，根据相似度计算选取与所述未知振动样本相似的其他振动类型样本，将所述其他振动类型样本的训练样本相互混合，获得混合振动样本，并计算所述混合振动样本与所述未知振动样本在语义空间中的转换关系；

5、使用所述训练特征数据集训练普通特征提取器，使用所述混合振动样本和引导性训练方法训练唯一目标特征提取器；

6、将训练特征数据集中样本输入唯一目标特征提取器及普通特征提取器，将混合振动样本输入对应唯一目标特征提取器，将所述唯一目标特征提取器的输出按照所述语义空间中的转换关系进行权重相加，再结合所述普通特征提取器的输出，获得合成特征向量，将所述合成特征向量作为训练样本训练分类器，使用训练后的分类器识别未知振动样本的振动类型。

7、可选地，所述对所述已知振动类型的已知振动样本进行特征提取，获得训练特征数据集，包括：

8、使用光纤预警系统获得振动发生时的瑞利散射光相位信号，将多条所述瑞利散射光相位信号重新排列为矩阵形式，获得时空矩阵信号；

9、使用定位方法对所述时空矩阵信号中的振动进行定位，提取所述时空矩阵信号中对应位置的区域数据，并对所述区域数据的列方向进行高通滤波，滤除直流分量，得到滤波后的区域数据；

10、对滤波后的区域数据进行梅尔倒谱变换，获得梅尔倒谱图；

11、以所述梅尔倒谱图为输入、以重构梅尔倒谱图为输出，以重构梅尔倒谱图与输入的梅尔倒谱图之间的差值为损失函数，通过自监督学习方式训练编码器和解码器；

12、使用训练后的编码器对所述梅尔倒谱图进行编码，将编码结果记为特征数据样本，同时记录所述特征数据样本的振动类型作为标签，获得训练特征数据集。

13、可选地，所述对滤波后的区域数据进行梅尔倒谱变换，获得梅尔倒谱图，包括：

14、将所述滤波后的区域数据的每个帧乘以汉明窗口，获得加窗后的信号；

15、对于每个短期分析窗口，通过离散傅里叶变换获得时间轴上不同时间窗口分布的频谱；

16、将所述频谱通过梅尔滤波器组以获得梅尔倒谱图，所述梅尔滤波器组由多个三角滤波器组成；

17、记录能量值，将信号经离散余弦变换进行变换后，获得梅尔倒谱图。

18、可选地，所述根据所述语言定义生成每一类振动的语义向量，根据相似度计算选取与所述未知振动样本相似的其他振动类型样本，将所述其他振动类型样本的训练样本相互混合，获得混合振动样本，并计算所述混合振动样本与所述未知振动样本在语义空间中的转换关系，包括：

19、将所有已知振动样本的语言描述和未知振动样本的语言描述输入语义模型，通过提示词引导所述语义模型输出每一类振动的语义向量，所述语义向量的维度预先设定，所述语义向量中的每个值均为离散值；

20、计算每类振动的语义向量与所述未知振动样本的语义向量之间的欧氏距离，选择距离较近的振动作为混合子振动，将所述混合子振动的训练样本相互混合，获得混合振动样本，将所述混合振动样本和其他单振动样本组合成特征提取器的训练集；

21、将所述混合子振动的语义向量求和之后取平均值作为所述混合振动样本的语义向量，计算所述混合振动样本和所述未知振动样本在语义空间中的转换关系。

22、可选地，所述计算所述混合振动样本和所述未知振动样本在语义空间中的转换关系，包括：

23、计算所述混合振动样本的语义向量，所述混合振动样本的语义向量为所述混合子振动的语义向量之和的平均值；

24、计算所述混合振动样本与所述未知振动样本之间的语义空间距离；

25、计算全部所述混合振动样本和所述未知振动样本之间的语义空间距离的平均值；

26、根据所述语义空间距离和所述平均值，计算所述混合振动样本和所述未知振动样本在语义空间中的转换关系。

27、可选地，所述使用所述混合振动样本和引导性训练方法训练唯一目标特征提取器，包括：

28、将所述混合振动样本作为目标类，将样本输入到深度q学习网络中；

29、当所述样本的真实标签为所述目标类的标签时，若所述深度q学习网络产生的预测标签等于所述真实标签，则反馈正奖励到所述深度q学习网络，反之，反馈负奖励到所述深度q学习网络；

30、当所述样本的真实标签不为所述目标类标签时，若所述深度q学习网络产生的预测标签不等于所述目标类标签，则反馈正奖励到所述深度q学习网络，反之，反馈负奖励到所述深度q学习网络；

31、完成所述深度q学习网络的训练后，将所述深度q学习网络的第一层至倒数第二层作为唯一目标特征提取器。

32、可选地，所述将训练特征数据集中样本输入唯一目标特征提取器及普通特征提取器，将混合振动样本输入对应唯一目标特征提取器，将所述唯一目标特征提取器的输出按照所述语义空间中的转换关系进行权重相加，再结合所述普通特征提取器的输出，获得合成特征向量，包括：

33、将所述训练特征数据集中的样本分别输入到所述唯一目标特征提取器和所述普通特征提取器，将所述混合振动样本分别输入到具有对应识别能力的所述唯一目标特征提取器；

34、将所述语义空间中的转换关系作为所述唯一目标特征提取器的输出权重，将所述唯一目标特征提取器针对所述训练特征数据集样本的输出按所述权重相加，并与所述普通特征提取器的输出拼接，合成获得已知振动类型的合成特征向量；

35、基于所述语义空间中的转换关系，将所述唯一目标特征提取器针对所述混合振动样本的输出按所述权重相加，并将权重相加结果复制拼接，合成获得未知振动类型的合成特征向量；

36、将所述已知振动类型的合成特征向量和未知振动类型的合成特征向量作为合成特征向量。

37、另一方面，本发明实施例提供了一种基于特征合成的φ-otdr零次事件识别装置，包括：

38、第一模块，用于获取已知振动类型的已知振动样本并确定待识别振动类型的未知振动样本，对所述已知振动类型的已知振动样本进行特征提取，获得训练特征数据集；

39、第二模块，用于获取各类振动的语言定义，根据所述语言定义生成每一类振动的语义向量，根据相似度计算选取与所述未知振动样本相似的其他振动类型样本，将所述其他振动类型样本的训练样本相互混合，获得混合振动样本，并计算所述混合振动样本与所述未知振动样本在语义空间中的转换关系；

40、第三模块，用于使用所述训练特征数据集训练普通特征提取器，使用所述混合振动样本和引导性训练方法训练唯一目标特征提取器；

41、第四模块，用于将训练特征数据集中样本输入唯一目标特征提取器及普通特征提取器，将混合振动样本输入对应唯一目标特征提取器，将所述唯一目标特征提取器的输出按照所述语义空间中的转换关系进行权重相加，再结合所述普通特征提取器的输出，获得合成特征向量，将所述合成特征向量作为训练样本训练分类器，使用训练后的分类器识别未知振动样本的振动类型。

42、另一方面，本发明实施例提供了一种基于特征合成的φ-otdr零次事件识别系统，包括：

43、至少一个处理器；

44、至少一个存储器，用于存储至少一个程序；

45、当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述的方法。

46、另一方面，本发明实施例提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行上述的方法。

47、本发明实施例包括以下有益效果：

48、本发明通过设计的基于特征合成的φ-otdr零次事件识别方法，利用混合类和基于强化学习的引导性训练方式，实现高质量的未知振动特征合成。具体表现在，将多种振动样本混合可以突出混合振动样本的共同特征和削弱其他的边缘特征，而混合子振动的共同特征正好属于未知振动的重要特征，扩展特征空间范围的同时突出了共同特征；并且使用了强化学习的引导性训练方式，使得网络只能识别目标类，模糊其他类，网络将更加专注于目标类，这样得到的输出特征向量更加纯净，更好地保留了目标类的特征信息；同时利用大模型进行语义向量构建，避免了人为认知错误，同时在语义空间中，各个振动之间的转换关系和相似性同样适用于特征空间，因此可以通过在语义空间中混合振动样本和未知振动的转换关系，在特征空间中合成未知振动的特征向量。

49、本发明解决了在对神经网络进行训练的过程中缺少振动样本的问题，使得光纤预警系统在没有对特定振动进行预先训练的情况下，依然具有对相应的振动识别能力。光纤预警系统通过多个声光调制器调节外差拍频，使得外差信号可以被采集卡直接采集，降低了采集模块的复杂性及成本。这是目前在光纤传感领域中，对解决无样本分类问题较为有效的解决方法。