混合事件分离和识别基于一个卷积神经网络训练的域转移方法为φ-OTDR传感系统的混合事件分离和识别

科学领域:

• 光电学是指光电子产品.
• 信号处理 信号处理
• 人工智能的人工智能

背景情况:

• 基于阶段敏感光时域反射仪 (φ-OTDR) 的分布式声学传感 (DAS) 在复杂环境中准确识别同时发生的声学事件方面面临挑战.
• 准确的事件识别对于各种应用中的有效监控和分析至关重要.

研究的目的:

• 开发一种新的卷积神经网络 (CNN),能够同时分离混合声事件,并在分布式声传感 (DAS) 数据中识别单个事件类型.
• 通过使用域转移方法,提高数据处理和DAS模型培训的效率.

主要方法:

• 设计了一个CNN模型,集成了分离和识别模块,用于混合声学事件分析.
• 域名转移技术被用于培训,微调和测试CNN,利用大型音频数据集.
• 纳入了微调阶段,以减轻音频和DAS数据之间的数据集转移问题.

主要成果:

• 拟议的CNN实现了混合声学事件的同时分离和识别.
• 域名转移显著减少了94%的数据收集和信号调节工作量.
• 该模型表现出良好的噪声耐受性,即使在低信号对噪声比率 (SNR) 中,也实现了近90%的识别准确性.

结论:

• 具有域转移的CNN模型为DAS中的声学事件识别提供了强大的和高效的解决方案.
• 微调阶段通过解决域转移,提高了分离和识别性能.
• 该方法提供了稳定的性能,并对目标DAS领域进行了很好的概括,优于传统方法.