利索能及
我要发布
收藏
专利号: 202011593993X
申请人: 电子科技大学
专利类型:发明专利
专利状态:已下证
更新日期:2025-12-01
缴费截止日期: 暂无
联系人

摘要:

权利要求书:

1.一种基于SNN的分布式光纤传感信号识别方法,其特征在于,包括以下步骤:S1数据准备:构建不同类型的事件信号数据集;

S2信号预处理:对事件信号数据集中的时间信号做信号预处理,构建时频特征数据集;

S3构建脉冲神经网络:基于得到的时频特征数据集,构建脉冲神经网络,并采用无监督学习方法训练;

S4识别分类:根据每类样本在兴奋层中每个神经元的脉冲响应强度来定义每个兴奋层神经元所属类别;根据测试样本在每类神经元的平均脉冲响应个数来判定其类别。

2.根据权利要求1所述的一种基于SNN的分布式光纤传感信号识别方法,其特征在于,所述S1具体包括以下步骤:

S11:利用基于相敏光时域反射仪的分布式光纤振动、声波传感系统硬件,采集多场景复杂背景环境下管道沿线的分布式光纤传感信号;

S12:该系统每个时刻返回沿空间分布的原始信号轨迹,在时间轴上连续累积T条原始信号轨迹,构建得到一个时间T维,空间S维的时空响应信号矩阵;

S13:将累积得到的时空响应信号矩阵中,抽取事件影响的任意一个空间点的一维时间序列,依次按列沿时间轴进行事件信号分割,来构建不同类型事件信号数据集。

3.根据权利要求2所述的一种基于SNN的分布式光纤传感信号识别方法,其特征在于,所述分布式光纤振动、声波传感系统硬件包括探测光缆、光信号解调设备和信号处理主机。

4.根据权利要求1所述的一种基于SNN的分布式光纤传感信号识别方法,其特征在于,所述S2具体包括以下步骤:

S21:时间信号通过短时傅里叶变换得到时频图;

S22:对时频图像进行预处理,包括裁剪、灰度转换并将二维图像转换为一维数据向量,构建事件信号样本的时频特征数据集。

5.根据权利要求1所述的一种基于SNN的分布式光纤传感信号识别方法,其特征在于,所述S3具体包括以下步骤:

S31:对不同类型事件信号的时频特征进行深度学习,构建脉冲神经网络,并对脉冲神经网络进行网络初始化;

S32:将时频特征数据作为输入,对构建的脉冲神经网络进行训练;

S33:利用STDP无监督训练算法对突触的权重值进行迭代调整,并利用设计的动态阈值调整算法对神经元阈值进行调整;

其中STDP无监督训练算法更新机制,是计算突触的权值改变量ΔW,由突触前脉冲和突触后脉冲的踪迹值计算得到:

其中,η是学习率,ηpre和ηpost分别指突触对每个突触前脉冲和突触后脉冲的学习率,Wmax是突触权重的最大值,μ决定这一次权重改变对上一场权重值的依赖程度,xpre/xpost是突触前/突触后脉冲踪迹值,每当突触前/突触后神经元发放一个脉冲,值置为1,否则按指数规律衰减。

6.根据权利要求5所述的一种基于SNN的分布式光纤传感信号识别方法,其特征在于,所述脉冲神经网络包括兴奋层和抑制层,其中兴奋层由400个兴奋型神经元组成;兴奋层神经元采用泄漏整合放电LIF神经元模型:抑制层神经元采用简化的LIF模型,其表示如下:其中Erest表示静息膜电位,Eexc是兴奋型突触平衡膜电位,ge为兴奋型突触的电导,τi为抑制型神经元的时间常数。

7.根据权利要求5所述的一种基于SNN的分布式光纤传感信号识别方法,其特征在于,所述网络初始化包括权值初始化和阈值初始化,所述阈值初始化具体包含以下步骤:将所有神经元的阈值变量Theta通过调试使得各样本输入在兴奋层发出的总脉冲数在5个到100个之间,最终得到的阈值作为初始化的网络参数值。

8.根据权利要求7所述的一种基于SNN的分布式光纤传感信号识别方法,其特征在于,所述权值初始化具体包含以下步骤:假设网络兴奋层神经元个数为N,在训练集中选取N个样本作为网络初始化样本,N个样本中需要包含四类典型事件的典型样本且各类样本数量一致,一个样本数据初始化一个神经元所连接的突触权值,若样本数小于神经元数,则多余神经元所连接的突触权值在限定范围内随机赋值。

9.根据权利要求5所述的一种基于SNN的分布式光纤传感信号识别方法,其特征在于,迭代调整过程中,每个样本输入在网络中运行250ms,在输入下一个样本前,网络需要在没有输入的情况下继续运行100ms,确保神经元恢复静息态。

10.根据权利要求1所述的一种基于SNN的分布式光纤传感信号识别方法,其特征在于,S4具体包括以下步骤:

S41:将训练时的带标签样本集再按类输入一遍,统计每个神经元对于每类样本发出的脉冲总个数,将其除以该类样本个数得到脉冲响应强度;当得到所有类的脉冲响应强度后,选择脉冲响应强度最强的那一类作为该神经元所属类别;依次类推定义所有神经元所属类别;

S42:分类时,将测试样本输入网络,获得兴奋层各个神经元的脉冲特征向量,以此计算各类神经元的平均脉冲响应个数,选择平均脉冲响应个数最多的那一类作为该样本类别;

每一类神经元的平均脉冲响应个数计算方法,如下:式中Ij为第j类的响应强度,Mj为属于第j类神经元的个数,xi为该样本在属于第j类的第i个神经元发放的脉冲个数。