概括
这项研究引入了一种新的零样本学习模型,用于光纤传感入侵检测. 该方法有效地识别了具有有限数据的罕见事件,提高了安全系统的可靠性.
科学领域:
- 光纤传感传感器是指光纤传感器.
- 机器学习 机器学习
- 侵入检测系统 侵入检测系统
背景情况:
- 现有的 Φ-OTDR 方法需要大量的训练数据,导致对常见事件进行过度调整.
- 模拟或获取罕见入侵事件样本的困难是一个重大挑战.
- 这限制了光纤传感入侵检测系统的稳定性.
研究的目的:
- 提出一个零样本学习模型,用于识别一维入侵事件,而培训数据不足.
- 为了解决传统入侵检测模型中常见的过度安装问题.
- 提高 Φ-OTDR 系统在检测罕见或新型入侵事件方面的性能.
主要方法:
- 开发一个零样本学习的一维残余模型 (APL-ZSL-1DResNet).
- 加入属性点损失 (APL) 来提高有限样本的识别准确性.
- 在自制和开放数据集上进行验证,将每个类别视为零样本事件.
主要成果:
- 在零样本入侵事件中实现了75%和66%的平均召回率.
- 保持高的平均召回率为94.6%和83.5%的常见入侵事件.
- 在缺乏或难以模拟入侵数据的场景中证明了模型的有效性.
结论:
- 拟议的APL-ZSL-1DResNet模型显著改善了入侵事件识别,而培训数据不足.
- 零样本学习为 Φ-OTDR 系统中数据饥饿模型的局限性提供了可行的解决方案.
- 这种方法提高了光纤传感用于安全应用的适应性和可靠性.
