概括
本研究引入了一种新的几次射击学习方法,用于分类相位敏感光学时域反射计 (Φ-OTDR) 系统中的事件. 该方法在有限的数据中显著提高了准确性,使基础设施监测更快.
科学领域:
- 传感器技术 传感器技术
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 使用相位敏感光时域反射计 (Φ-OTDR) 的分布式光纤传感对于基础设施监控至关重要.
- 挑战包括有限的数据,高的计算成本,以及对事件分类的缓慢培训.
研究的目的:
- 使用有限的数据,为 Φ-OTDR 系统开发一种高效的事件分类方法.
- 整合表式机器学习与少数射击学习 (FSL),以提高性能和速度.
主要方法:
- 从 Φ-OTDR 数据中提取时间域和频域特征,将其转换为结构化表格数据.
- 采用预先训练的表格式先前数据拟合网络 (TabPFN) 模型进行少量学习.
- 使用五倍交叉验证和不同样本大小的独立测试来评估性能.
主要成果:
- 每个类只有10个样本,实现了90.0%的交叉验证准确率和89.0%的测试准确率.
- 使用更多样本 (每类50-60个) 的表现提高到97.78% (CV) 和100% (测试).
- 模型装配在几秒钟内完成,展示了低计算开销.
结论:
- 拟议的FSL方法显著提高了 Φ-OTDR 系统中的事件分类准确性,特别是在有限的数据的情况下.
- 与传统的ML和其他FSL基线相比,这种方法在少数拍摄场景中提供了更高的性能.
- 该方法的效率和准确性支持对管道监控等应用的快速工业部署.


