(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111630414.9 (22)申请日 2021.12.28 (71)申请人 齐鲁工业大学 地址 250000 山东省济南市长清区济南市 西部新城大 学科技园 申请人 山东山科控股集团有限公司 (72)发明人 杨振国　董火民　王金伟　张发祥　 王春晓　李传涛　 (74)专利代理 机构 济南泉城专利商标事务所 37218 专利代理师 张贵宾 (51)Int.Cl. G06K 9/00(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G01H 9/00(2006.01) (54)发明名称 一种分布式光纤传感器系统模式识别的方 法 (57)摘要 本发明涉及分布式光纤振动传感应用技术 领域， 特别涉及一种分布式光纤传感器系统模式 识别的方法， 分布式光纤传感器系统准备。 数据 信号采集， 构建不同事件的数据集。 信号数据进 行降噪处理。 将信号数据转换到对应事件的时域 图和时频域图。 构建基于Vi sion Transformer的 深度学习网络。 进行识别分类。 本发明预处理步 骤简单， 对数据没有进行大量的数据出来操作。 保证了数据的原始性和防止数据的丢失， 首次将 算法与分布式光纤传感器事件图像进行结合， 用 来场景下事件分类。 此算法是基于注 意力机制的 算法， 与以往的卷积神经网络不同， 其在大规模 数据集上识别效果更高， 一次能够提取全局特征 等多种优点。 权利要求书3页 说明书7页 附图5页 CN 114510960 A 2022.05.17 CN 114510960 A 1.一种分布式光纤振动传感器模式识别的方法， 其特 征在于， 包括以下步骤： S1， 分布式光纤传感器系统准备； S2， 数据信号采集， 构建不同事 件的数据集； S3， 信号数据进行降噪处 理； S4， 将信号数据转换到对应事 件的时域图和时频域图； S5， 构建基于Visi on Transformer的深度学习网络； S6， 进行识别分类。 2.根据权利要求1所述的分布式光纤振动传感器模式识别的方法， 其特征在于： 所述S1 具体为， S11， 选择基于光时域反射计方案作为分布式光纤传感器技 术方案； S12， 准备分布式光纤系 统中的窄线激光器、 耦合器、 声光调制器、 第一掺饵放大器、 带 通滤波器、 环形器、 第二掺饵放大器、 可调谐光衰减器、 光电探测 器、 数据采集卡、 个人电脑 和单模单侧光纤设备； S13， 将分布式光纤传感器系统进行组装， 为多种应用场景 下事件数据采集做准备。 3.根据权利要求1所述的分布式光纤振动传感器模式识别的方法， 其特征在于： 所述S2 具体为， S21， 根据要探测和应用的场景， 将分布式光纤传感系 统布置在场景中， 依据不同场景 采集场景对应事件数据， 在采集数据时依据分布式光纤传感系统设置对应的采样频率、 脉 冲宽度相关参数； S22， 在数据集采集时， 记录事 件作用下分布式光纤传感通道数据变化情况； S23， 将上一 步事件作用下发生信号强度变化的通道数据进行保存和备份。 4.根据权利要求1所述的分布式光纤振动传感器模式识别的方法， 其特征在于： 所述S3 具体为， S31， 将S2采集到的事 件数据， 从通道中提取 出来； S32， 将采集到的不同事 件数据通过 滤波器进行 滤波操作； S33， 将S32中的数据通过小波去噪进行降噪声 处理， 通过设置特定的小波基函数， 对信 号进行小波变换， 将信号分解到多个尺度上， 根据 尺度上噪声和信号取值的不同， 剔除或修 正部分尺度分量重构信号， 可以使用分解后得到的小波系 数对噪声进行判定， 噪声信号的 小波系数通常较小， 可以通过设定阈值的方法出去噪声， 当小波系数小于阈值时， 判定为噪 声信号， 反 之， 则判定为有效信号。 5.根据权利要求1所述的分布式光纤振动传感器模式识别的方法， 其特征在于： 所述S4 具体为， S41， 将S3中经过降噪预处理后的数据， 依据事件数据采集时设定的采样频率和时间， 批量将数据转换成对应多种事 件下的时域图； S42， 将S3中经过降噪预处理后的数据， 依据事件数据采集时设定的采样频率和时间， 经过短时傅里叶变换将数据转换成对应多种事 件下的时频域图。 6.根据权利要求1所述的分布式光纤振动传感器模式识别的方法， 其特征在于： 所述S5 具体为， S51， 将S4中处理好的事件的时域图进行打标签操作， 并按照8:1:1的比例划分为训练权　利　要　求　书 1/3 页 2 CN 114510960 A 2集、 检验集和 测试集； S52， 将S4中处理好的事件时频域图进行打标签操作， 并按照8:1:1的比例划分为训练 集、 检验集和 测试集； S53， 基于事件数据的时域图和时频域图数据集， 构建Vision  Transformer深度学习图 像分类模型， 并设置Visi on Transformer网络模型参数； S54， 训练S5 3中所得到的Visi on Transformer网络模型参数； S55， 对训练后的Vision  Transformer网络模型进行网络调优， 若找到最优参数则保存 最好结果的模型作为 最终事件识别的模型， 否则跳转至S54再进行网络模型的训练。 7.根据权利要求6所述的分布式光纤振动传感器模式识别的方法， 其特征在于： 所述 S53中的网络模型， 具体包括Embed ding层、 Transformer  Encoder层、 MLP  Head层； 所述Embedding层包括卷积层、 线性映射层、 Clas  s token层、 Position  Embedding层 以及Dropout层； 所述Transformer  Encoder层包括Layer  Norm层、 多头注意力层、 DropPath层、 MLP   Block层， 其中MLP  Block层又包括全连接层、 GELU激活函数层、 Dropout层； 所述MLP Head层包括全连接层、 tanh 激活函数层； 所述S53具体为： S531， 初始化Visi on Transformer网络模型参数； S532， 使用卷积层将三维 RGB图像展平成二维矩阵， 即向量序列； S533， 将S532中的二维矩阵进行压平处 理， 对应的为Flat ten层； S534， 引入Class  token层， Class  token是一个可训练的参数， 和S533中的向量系列格 式一样， 将Clas s token与S533中的向量序列拼接在一 起； S535， 为了能够确定向量序列内的位置关系， 使用Position  Embedding层， Position   Embedding层使用的是一个可训练的参数， 将Po sition Embedding层与步骤5.3.4的最终向 量序列叠加在一 起； S536， 将S535中的最终向量序列经 过Dropout层； S537， 经过Transformer  Encoder层； S538， 经过Layer Normalization层； S539， 提取Clas s Token层， 将S5 33中的Clas s Token层进行提取， 获取 标记样本信息； S5310， 经过全连接层， 将将数据前面步骤提取到的特征综合起来， 将多头注意力机制 学习到的特 征表示映射到样本标记空间中； S5311， 经过tanh激活函数层。 Tanh激活函数是以原点为 中心， 收敛速度更快， 对应的公 式为： S5312， 经过全连接层， 对上述 步骤中的特 征进行综合， 为下一 步的输出 结果做准备； S5313， 结果输出。 8.根据权利要求7所述的分布式光纤振动传感器模式识别的方法， 其特征在于： 所述 S537具体为， S5371， 先经过一个Layer  Normalization层， Layer  Normalization层对数据做归一化权　利　要　求　书 2/3 页 3 CN 114510960 A 3