一种DAS信号噪声抑制方法与流程
本技术涉及噪声抑制,尤其涉及一种das信号噪声抑制方法。
背景技术:
1、光纤分布式声传感(distributed acoustic sensing,das)技术以光纤作为传感器,利用光在光纤内部的瑞利散射原理,当外部声波作用于光纤时,会引起光纤内部的微观结构变化,进而改变背向散射光的特性,通过精密的光学与电子系统捕捉这些变化,即可实现对沿光纤分布区域声波的检测。单根光纤可实现50-100公里无中断连续检测,能检测纳米级光纤形变,不受雷电、高压电缆等电磁环境影响,所以das技术具有长距离、高分辨率、全天候工作的优点,在地质勘探、地下管道检测、区域安全防护、交通管理以及建筑物结构健康检测等多个领域发挥着重要作用。
2、但是,das就技术在实际应用中仍面临一系列挑战,其中最为突出的是噪声干扰问题,噪声来源多种多样,例如:
3、1、环境噪声:自然界的风、雨、雷电、地震活动乃至人为活动(如车辆行驶、施工噪声)都能在光纤中诱导额外的背向散射信号,这些信号与目标信号混叠,增加了数据解析难度;
4、2、设备噪声:光源的不稳定、光电探测器的热噪声以及信号处理单元的电子噪声,都可能在信号链路中引入额外的噪声成分,影响最终目标信号的纯净度;
5、3、光纤硬件:光纤制造缺陷、老化、弯曲或受损等因素,造成光信号在光纤中传输时的非均匀背向散射,形成伪信号,进一步混淆真实声波信号;
6、4、交叉感应:在密集的传感器网络环境中,相邻光纤间的声波或电磁场相互作用,也可能引起信号串扰,影响测量的准确性。
7、因此,需要一种可以高效抑制das信号中多种噪声的方法,以保证das技术应用的可靠性。
技术实现思路
1、本技术的目的在于提供一种das信号噪声抑制方法,旨在高效抑制das信号中的多种噪声。
2、为达到上述目的,本技术采用如下技术方案:
3、第一方面,本技术提供一种das信号噪声抑制方法,包括:
4、获取原始das信号,并对原始das信号进行去噪预处理,得到第一das信号;
5、通过时空模型对第一das信号进行目标信号增强处理,得到第二das信号,时空模型用于增强das信号中的目标信号;
6、对第二das信号进行目标信号与噪声信号的特征分离处理,得到第三das信号;
7、根据第三das信号确定噪声抑制门限,并根据噪声抑制门限对第三das信号进行噪声抑制。
8、本技术实施例提供的das信号噪声抑制方法,对原始das信号依次进行了去噪预处理、目标信号增强处理、目标信号与噪声信号的特征分离处理,经此三次处理后的das信号中目标信号更加显著。并且,噪声抑制门限是基于经过三次处理的das信号确定的,噪声抑制门限就能适应das信号中的各种噪声,基于噪声抑制门限对das信号进行噪声抑制的效果也更好。所以,本技术提供的das信号噪声抑制方法不仅适用于各种场景,鲁棒性更强,在光缆定位场景中定位精度更高,更加稳定,可以减少das技术的误报率,即使在噪声复杂的环境中也能确保高精度的定位服务。
9、在一些实施例中,对原始das信号进行去噪预处理,得到第一das信号,包括:通过高频滤波阈值和低频滤波阈值,对原始das信号进行初步去噪处理,得到初步去噪das信号;对初步去噪das信号进行最终去噪处理,得到第一das信号。
10、在一些实施例中,高频滤波阈值满足:n1=x+2y;其中,n1为高频滤波阈值,x为das信号中第一预设频段的功率谱密度,y为das信号中第一预设频段的功率谱密度的标准差;低频滤波阈值满足:n2=z-w;其中,n2为低频滤波阈值,z为das信号中第二预设频段的功率谱密度,w为das信号中第二预设频段的功率谱密度的标准差;第一预设频段高于第二预设频段;通过高频滤波阈值和低频滤波阈值,对原始das信号进行初步去噪处理,得到初步去噪das信号,包括:确定原始das信号对应的高频滤波阈值,以及原始das信号对应的低频滤波阈值;通过原始das信号对应的高频滤波阈值,以及和原始das信号对应的低频滤波阈值,对原始das信号进行初步去噪处理,得到初步去噪das信号。
11、在一些实施例中,对初步去噪das信号进行最终去噪处理,得到第一das信号,包括:将初步去噪das信号输入目标去噪自编码器模型,通过目标去噪自编码器模型对初步去噪das信号进行最终去噪处理,得到目标去噪自编码器模型输出的第一das信号;目标去噪自编码器模型通过以下方法得到:获取第一训练样本集与测试样本集,第一训练样本集中包括初步去噪das信号,测试样本集包括初步去噪das信号;构建初级去噪自编码器模型,通过第一训练样本集对初级去噪自编码器模型进行训练,得到中级去噪自编码器模型;通过测试样本集对中级去噪自编码器模型进行测试,在测试结果满足训练终止条件的情况下,将中级去噪自编码器模型确定为目标去噪自编码器模型。
12、在一些实施例中,初级去噪自编码器模型包括:编码器,用于将初步去噪das信号压缩为编码向量;解码器,用于对编码器压缩得到的编码向量进行重构,得到第一das信号。
13、在一些实施例中,时空模型通过以下方法得到:对第二训练样本集中包括的第一das信号进行归一化处理,并建立时空相关矩阵;通过时空相关矩阵,构建无向加权图;无向加权图满足:g=(v,e);其中,g为无向加权图,v为传感点的集合,e为传感点之间边的集合;基于无向加权图对初始图神经网络模型进行训练,得到目标图神经网络模型;根据梯度下降优化算法,对目标图神经网络模型进行优化,得到时空模型。
14、在一些实施例中,根据梯度下降优化算法,对目标图神经网络模型进行优化,得到时空模型,包括:获取目标图神经网络模型对应的损失函数;损失函数满足:其中,lmse为目标图神经网络模型对应的损失函数,f′为第二训练样本集中每个时间步的特征维度,m为传感点的数量,t为时间步数,ym,t,f为第二训练样本集的目标标签,为目标图神经网络模型对应的预测输出结果;通过梯度下降优化算法以及损失函数,调整目标图神经网络型的模型参数,得到时空模型;梯度下降优化算法满足:其中,为目标图神经网络模型对应的图卷积层更新后的权重矩阵,为目标图神经网络模型对应的图卷积层更新前的权重矩阵,η为学习率,为动量估计,为超参数,为方差估计,ε为小常数。
15、在一些实施例中,对第二das信号进行目标信号与噪声信号的特征分离处理,得到第三das信号,包括:将第二das信号输入目标多模态融合模型,通过目标多模态融合模型对第二das信号进行目标信号与噪声信号的特征分离处理,得到目标多模态融合模型输出的第三das信号;目标多模态融合模型通过以下方法得到:获取第三训练样本集,第三训练样本集中包括第二das信号;对第二das信号进行特征提取处理,并对提取出的特征进行融合处理,得到融合特征;基于融合特征对初始多模态融合模型进行训练,得到目标多模态融合模型;其中,目标多模态融合模型中的模型参数通过自适应学习率算法进行更新。
16、在一些实施例中,对第二das信号进行特征提取处理,包括:提取第二das信号对应的das信号特征、温度特征以及应变特征;对提取出的特征进行融合处理,得到融合特征,包括:将das信号特征、温度特征以及应变特征在时间轴上进行对齐,并基于传感点对das信号特征、温度特征以及应变特征进行合并,得到特征矩阵;通过特征选择算法,从特征矩阵中确定出目标特征子集,将目标特征子集中的特征确定为融合特征。
17、在一些实施例中,根据第三das信号确定噪声抑制门限,包括:通过时间序列分析算法和机器学习预测算法,预估第三das信号中噪声水平的变化趋势,并识别第三das信号中的策略影响因素;基于噪声水平的变化趋势,以及策略影响因素,确定噪声抑制策略;基于噪声抑制策略,确定噪声抑制门限;该方法还包括:检测噪声抑制效果;根据噪声抑制效果与噪声抑制目标,对时间序列分析算法的算法参数、机器学习预测算法的算法参数以及噪声抑制门限进行调整。
18、第二方面,本技术提供一种das信号噪声抑制装置,包括:
19、获取模块,用于获取原始das信号,并对原始das信号进行去噪预处理,得到第一das信号;
20、处理模块,用于通过时空模型对第一das信号进行目标信号增强处理,得到第二das信号,时空模型用于增强das信号中的目标信号;
21、处理模块还用于,对第二das信号进行目标信号与噪声信号的特征分离处理,得到第三das信号;
22、处理模块还用于,根据第三das信号确定噪声抑制门限,并根据噪声抑制门限对第三das信号进行噪声抑制。
23、在一些实施例中,处理模块具体用于:通过高频滤波阈值和低频滤波阈值,对原始das信号进行初步去噪处理,得到初步去噪das信号;对初步去噪das信号进行最终去噪处理,得到第一das信号。
24、在一些实施例中,高频滤波阈值满足:n1=x+2y;其中,n1为高频滤波阈值,x为das信号中第一预设频段的功率谱密度,y为das信号中第一预设频段的功率谱密度的标准差;低频滤波阈值满足:n2=z-w;其中,n2为低频滤波阈值,z为das信号中第二预设频段的功率谱密度,w为das信号中第二预设频段的功率谱密度的标准差;第一预设频段高于第二预设频段;处理模块具体用于:确定原始das信号对应的高频滤波阈值,以及原始das信号对应的低频滤波阈值;通过原始das信号对应的高频滤波阈值,以及和原始das信号对应的低频滤波阈值,对原始das信号进行初步去噪处理,得到初步去噪das信号。
25、在一些实施例中,处理模块具体用于:将初步去噪das信号输入目标去噪自编码器模型,通过目标去噪自编码器模型对初步去噪das信号进行最终去噪处理,得到目标去噪自编码器模型输出的第一das信号;获取模块还用于,获取第一训练样本集与测试样本集,第一训练样本集中包括初步去噪das信号,测试样本集包括初步去噪das信号;处理模块还用于:构建初级去噪自编码器模型,通过第一训练样本集对初级去噪自编码器模型进行训练,得到中级去噪自编码器模型;通过测试样本集对中级去噪自编码器模型进行测试,在测试结果满足训练终止条件的情况下,将中级去噪自编码器模型确定为目标去噪自编码器模型。
26、在一些实施例中,初级去噪自编码器模型包括:编码器,用于将初步去噪das信号压缩为编码向量;解码器,用于对编码器压缩得到的编码向量进行重构,得到第一das信号。
27、在一些实施例中,处理模块用于:对第二训练样本集中包括的第一das信号进行归一化处理,并建立时空相关矩阵;通过时空相关矩阵,构建无向加权图;无向加权图满足:g=(v,e);其中,g为无向加权图,v为传感点的集合,e为传感点之间边的集合;基于无向加权图对初始图神经网络模型进行训练,得到目标图神经网络模型;根据梯度下降优化算法,对目标图神经网络模型进行优化,得到时空模型。
28、在一些实施例中,处理模块具体用于:获取目标图神经网络模型对应的损失函数;损失函数满足:其中,lmse为目标图神经网络模型对应的损失函数,f′为第二训练样本集中每个时间步的特征维度,m为传感点的数量,t为时间步数,ym,t,f为第二训练样本集的目标标签,为目标图神经网络模型对应的预测输出结果;通过梯度下降优化算法以及损失函数,调整目标图神经网络型的模型参数,得到时空模型;梯度下降优化算法满足:其中,为目标图神经网络模型对应的图卷积层更新后的权重矩阵,为目标图神经网络模型对应的图卷积层更新前的权重矩阵,η为学习率,为动量估计,为超参数,为方差估计,ε为小常数。
29、在一些实施例中,处理模块具体用于:将第二das信号输入目标多模态融合模型,通过目标多模态融合模型对第二das信号进行目标信号与噪声信号的特征分离处理,得到目标多模态融合模型输出的第三das信号;目标多模态融合模型通过以下方法得到:获取第三训练样本集,第三训练样本集中包括第二das信号;对第二das信号进行特征提取处理,并对提取出的特征进行融合处理,得到融合特征;基于融合特征对初始多模态融合模型进行训练,得到目标多模态融合模型;其中,目标多模态融合模型中的模型参数通过自适应学习率算法进行更新。
30、在一些实施例中,处理模块具体用于:提取第二das信号对应的das信号特征、温度特征以及应变特征;将das信号特征、温度特征以及应变特征在时间轴上进行对齐,并基于传感点对das信号特征、温度特征以及应变特征进行合并,得到特征矩阵;通过特征选择算法,从特征矩阵中确定出目标特征子集,将目标特征子集中的特征确定为融合特征。
31、在一些实施例中,处理模块具体用于:通过时间序列分析算法和机器学习预测算法,预估第三das信号中噪声水平的变化趋势,并识别第三das信号中的策略影响因素;基于噪声水平的变化趋势,以及策略影响因素,确定噪声抑制策略;基于噪声抑制策略,确定噪声抑制门限;处理模块还用于:检测噪声抑制效果;根据噪声抑制效果与噪声抑制目标,对时间序列分析算法的算法参数、机器学习预测算法的算法参数以及噪声抑制门限进行调整。
32、第三方面,本技术提供一种电子设备,包括:一个或多个处理器;一个或多个存储器;其中,一个或多个存储器用于存储计算机程序代码,计算机程序代码包括计算机指令,当一个或多个处理器执行计算机指令时,电子设备执行上述第一方面所提供的任一种das信号噪声抑制方法。
33、第四方面,本技术提供一种计算机可读存储介质,计算机可读存储介质存储有计算机执行指令,当计算机执行指令在计算机上运行时,使得计算机执行上述第一方面所提供的任一种das信号噪声抑制方法。
34、第五方面,本技术提供一种计算机程序产品,该计算机程序产品包括计算机指令,当计算机指令在电子设备上运行时,使得电子设备执行上述第一方面所提供的任一种das信号噪声抑制方法。
35、本技术中第二方面到第五方面及其各种实现方式的具体描述,可以参考第一方面及其各种实现方式中的详细描述;并且,第二方面到第五方面及其各种实现方式的有益效果,可以参考第一方面及其各种实现方式中的有益效果分析,此处不再赘述。
36、本技术的这些方面或其他方面在以下的描述中会更加简明易懂。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com