概括
这项研究引入了一种新的开放式半监督方法,用于分布式光纤传感 (DOFS) 事件识别. 该方法有效地识别出已知和未知事件,即使数据有限,增强在现实世界条件下的监控.
科学领域:
- 光学物理学 光学物理学
- 传感器技术 传感器技术
- 机器学习 机器学习
背景情况:
- 分布式光纤传感 (DOFS) 提供了广泛的监控能力,但面临着数据需求和识别新事件的挑战.
- 目前的事件识别模型在开放环境中扎,因为它们依赖于大型标记数据集,并且在识别看不见的干扰方面存在局限性.
研究的目的:
- 为DOFS系统开发一个开放式的半监督事件识别方法.
- 解决现有模型在处理稀缺的标记数据和未知事件中的现实应用中的局限性.
主要方法:
- 一个统一的自我训练框架,整合了封闭式和开放式的学习.
- 一种基于缓冲器的策略,用于选择可靠的未知样本.
- 同时优化识别已知和未见事件.
主要成果:
- 在事件识别中实现了95.14%的开放式精度.
- 与低监督 (1%标记数据) 下的IOMatch和OpenMatch等基线方法相比,表现出优异的性能.
- 在封闭式和开放式场景中表现出强和一致的表现.
结论:
- 拟议的方法显著提高了DOFS系统的识别性能和稳定性.
- 在动态,开放的环境中为智能光纤传感提供可靠的基础.
- 在实际的DOFS应用中克服了数据稀缺和未知事件检测的局限性.
