分布式光纖入侵信號檢測與識別

張永康，尚 盈，王 晨，趙文安，李 常，曹 冰，王 昌

分布式光纖入侵信號檢測與識別

張永康，尚 盈，王 晨，趙文安，李 常，曹 冰，王 昌*

齊魯工業(yè)大學(山東省科學院)激光研究所，山東 濟南 250014

分布式光纖聲波傳感(DAS)技術通過接收相干瑞利散射光的相位信息來探測聲波或振動信號，具有靈敏度高、動態(tài)范圍廣等特性，可利用線性定量測量實現(xiàn)對信號的高保真還原。隨著實際應用的需求不斷提高，光纖入侵檢測領域對事件的定位和識別提出了更高的要求，表現(xiàn)為對入侵事件的準確分類，因此將分布式光纖聲波傳感技術與模式識別(PR)技術相結合是目前研究的熱門，有利于推動分布式光纖傳感技術的應用發(fā)展。本文總結了近年來在分布式光纖入侵檢測的模式識別技術中所應用的特征提取和分類算法的研究進展，回顧了幾種實現(xiàn)入侵事件信號識別的特征提取方法及其在不同應用場合面臨的特征選擇難點，同時對特定事件識別算法的優(yōu)劣進行分析歸納。

分布式聲波傳感；模式識別；特征提取；分類算法

1 引 言

傳統(tǒng)的Φ-OTDR采用直接探測[1]的方式，通過探測光纖后向瑞利散射光的光強變化來對入侵信號進行檢測和定位。為了提高Φ-OTDR的信噪比和傳感范圍，后來又提出了相干探測[2]的方法，建立了相位與外界信號之間的線性關系，通過相位解調技術獲取外界聲波信號的幅度、頻率以及相位信息。分布式聲波傳感技術(Distributed acoustic sensing，DAS)是在Φ-OTDR基礎上發(fā)展起來的一種使用相干探測的新型分布式光纖傳感技術，該技術具有精度高、響應速度快、動態(tài)范圍廣等優(yōu)點，現(xiàn)已廣泛應用于周界安防[3]、地震勘探[4]、軌道交通[5]、管道運輸[6]等領域。

目前國內外有很多是針對提升DAS性能[7-9]的報道，通過提高信噪比、提升響應速度來快速定位入侵事件，增長測量距離，對于監(jiān)測系統(tǒng)的安全性有了較大提高。但隨著應用不斷深入，簡單判斷是否出現(xiàn)入侵信號已經不能滿足實際應用的需要，并且隨著安防、鐵路、管道等領域對預警準確率、漏報率和微弱信號探測的要求不斷提高，如何消除背景噪聲[10]造成的滋擾報警以及從復雜信號中識別出不同類型的入侵事件，目前已成為分布式光纖入侵檢測領域內所關注的焦點。因此基于DAS的模式識別技術研究日趨重要。

本文首先結合近年來研究分布式光纖入侵信號識別技術的相關文獻，對不同文獻所使用的技術進行歸納總結，然后針對特征提取和模式分類方法著重介紹其原理和應用特點。

2 DAS系統(tǒng)結構和原理

DAS系統(tǒng)是以聲波相位傳感為基礎，通過空間差分干涉技術解調后向瑞利散射光的相位信息，進而實現(xiàn)重構外界振動信號的一種新型分布式光纖聲波傳感技術。本文介紹的系統(tǒng)原理圖如圖1所示，由窄線寬分布反饋光纖激光器(DFB-FL)發(fā)出的激光經聲光調制器(AOM)調制成脈沖光，再經摻鉺光纖放大器(EDFA)放大后進入傳感光纖，光纖的后向瑞利散射信號經環(huán)形器進入3×3耦合器，耦合器另一側的兩個端口連接兩個法拉第旋轉鏡(FRM)，光程差為5 m，組成邁克爾遜干涉儀，入射光分成兩束經法拉第旋轉鏡反射在耦合器發(fā)生干涉，干涉信號被三個探測器(PD1~3)接收，最后采集到上位機進行數(shù)據處理。

當有外界入侵事件作用于傳感光纖時，傳感區(qū)域光纖的長度和纖芯折射率會發(fā)生變化，進而導致光纖中光波相位發(fā)生變化，通過計算不同時刻后向瑞利散射光的差值，即可準確定位入侵事件的位置。

當后向瑞利散射光返回到環(huán)形器時，在環(huán)形器作用下發(fā)生第一次干涉，此時光強表示為

圖2 入侵信號識別流程

通過DAS系統(tǒng)可獲得載有入侵信號的波函數(shù)，再經上位機解調即可獲取入侵信號的幅值、頻率、相位等信息，且信噪比高。對于入侵信號模式識別來說，完整、準確地提取原始信號是進行特征提取的重要前提，信號還原度越好，提取的特征作為判斷入侵事件的依據則越精確，進而可以準確進行分類識別。

圖3 暴雨期間攀爬事件監(jiān)測信號。(a) 時域信號；(b) LC值[12]

3 入侵信號特征提取

DAS系統(tǒng)的光纖入侵信號識別主要包括如圖2所示的流程：首先將DAS系統(tǒng)收集到的入侵信號進行濾波、降噪等預處理，提高信號的還原度；然后從信號中提取有效特征，組成可用于描述入侵事件類型的特征向量；最后選擇合適的分類識別算法，實現(xiàn)未知入侵信號分類識別。

在整個流程中，特征提取是影響最終入侵事件識別的關鍵因素。特征提取的目的是從DAS系統(tǒng)采集到的干涉信號中提取出有意義的、可用于表征不同事件特征的信息，所提取的特征應具備四個條件：普遍性、唯一性、穩(wěn)定性和可數(shù)據量化。結合不同的實際需求，選擇不同方式的特征提取方法，可以提高入侵信號檢測的準確率。目前較為廣泛使用的特征提取方法主要有三類：時域特征、頻域特征和時頻域特征，下面分別對三種不同的特征進行簡要介紹。

3.1 時域特征

當外界擾動作用在傳感光纖上時，后向瑞利散射光功率會隨時間變化，且效果直觀、顯著。通過統(tǒng)計一定時間內信號在時域上所呈現(xiàn)出來的某種規(guī)律性變化可以區(qū)分入侵事件。

2007年，饒云江[11]等人采用小波多尺度邊緣檢測方法對信號分割，提取邊緣、峰值、長度、幅度等特征來設定閾值，并建立報警模式來判斷報警，經現(xiàn)場實驗驗證了系統(tǒng)可靠性。2009年，Mahmoud[12]等人提出一種基于自適應動態(tài)閾值(level crossing，LC，用LC表示)的特征提取方法，用于區(qū)分入侵事件和滋擾事件(如降雨、大風)。首先根據經驗確定一個動態(tài)閾值，根據實際噪聲動態(tài)調整，然后對入侵信號按時間規(guī)律分割為不同區(qū)域，統(tǒng)計其每個區(qū)域過閾值的次數(shù)，定義為

在實際應用中，環(huán)境噪聲(如風、雨等)會對入侵事件的識別造成較大影響。因此2013年，賈波[13]等人借鑒了語音信號端點檢測方法，通過對短時能量和過零率兩種方法的分析，實現(xiàn)了入侵信號和環(huán)境噪聲的準確區(qū)分。短時能量適用于噪聲幅值較小，待檢測信號與噪聲幅值相差較大的情況；短時過零率則適用于噪聲頻率較小，待檢測信號與噪聲頻率相差較大的情況。

2014年，王思遠[14]等人提出了短時平均頻率-時間特性進行模式識別，運用短時過零率提取信號不同頻率之間的差值，結合動態(tài)時間規(guī)劃(DTW)算法計算與原始信號之間的歐氏距離，篩選出最佳模型作為特征向量，實驗對敲打、拉伸、搖晃、踩踏四類入侵事件進行識別，平均識別率達97%以上。劉琨[15]等人提出短時能量比以及降采樣法，通過提取最大值對應幀數(shù)的加權平均值來對擾動點進行定位，減少了運算時間，定位準確度達93.47%，但由于僅提取了兩種時域特征，可用于濾除自然界的無用信號，無法對入侵信號進行進一步識別。同年，朱程輝[16]等人提出兩級判別法識別入侵信號，第一級將時域信號分幀，計算短時能量和短時過零率用于判斷是否有振動信號產生，第二級則提取振動信號復小波域特征，兩級結合用于區(qū)分敲擊欄桿、攀爬、大風、暴雨、飛鳥降落5種事件，其識別準確率達90%以上。2017年，朱程輝[17]又在之前兩級判別基礎上同樣引入了相空間重構，結合主成分分析方法得到貢獻最多的特征組成特征向量，實驗對跺腳、敲擊柵欄、連續(xù)跺腳、腳踩、手拍擊柵欄、連續(xù)晃動柵欄的識別準確率達94.1%以上。2019年，劉琨[18]等人將信號作分段處理，然后把每段計算得到的過零率組成特征向量，實驗對剪切、晃動、攀爬、敲擊和無入侵5種事件進行信號監(jiān)測，圖4為5種事件的原始信號，選取6個過零率作為特征向量，則5種事件的分段過零率分布圖如圖5所示，取60組樣本數(shù)據進行識別，用時僅0.0680 s，識別準確率達97.12%。

3.2 頻域特征

通過提取入侵信號的時域特征來對事件分類，優(yōu)點是方便、簡單、響應速度快，然而缺點是易受噪聲影響，波動較大。由于光纖振動信號的非平穩(wěn)特點，有些入侵事件的時域特征并不好區(qū)分，特別是在檢測微弱信號時會出現(xiàn)誤報漏報情況，而不同類型的振動信號其頻譜分布是存在差異的，因此通過分析入侵信號的頻域特征，精度也會更高。

圖4 5種事件原始信號。(a) 剪切；(b) 晃動；(c) 攀爬；(d) 敲擊；(e) 無入侵[18]

圖5 5種事件分段過零率。(a) 剪切；(b) 晃動；(c) 攀爬；(d) 敲擊；(e) 無入侵[18]

圖6 FFT特征提取流程圖

2015年，王照勇[19]等人采用短時能量和短時平移差分兩個時域特征對信號進行初步提取，然后再進行快速傅里葉變換(FFT)，將信號分成幾個特定頻段，觀察能量分布，不同的能量分布可以代表不同類型的振動信號，其頻譜特征可作為入侵信號的特征向量。FFT特征提取框圖如圖6所示。

歸一化后的入侵信號進行快速傅里葉變換提取的頻譜特征為

對其多次平均作為頻譜模板，再計算未知入侵信號頻譜與模板頻譜的歐氏距離來區(qū)別踢墻、踹墻與原地跑三種入侵信號，實驗表明該方法的處理時間小于動態(tài)時間規(guī)劃(DTW)的1/10。

同年，Cao[20]等人通過FFT對信號進行頻譜分析，選取了特征1(低頻能量與總能量之比)、特征2(總能量)和特征3(峰值與均值之比)組成特征向量，對5類入侵事件進行識別，平均識別率有92.62%。2017年，黃翔東[21]等人提出一種綜合特征的識別方法，引入了全相位濾波器組，通過對入侵信號進行廣義離散傅里葉逆變換，結合截止頻率和上限頻率得到全相位子FIR濾波器，對應了信號不同頻段的能量分布，再與每段信號的短時過零率一起組成特征向量，實驗對攀爬、敲擊、晃動、剪切四種入侵事件進行識別，平均準確率達88.5725%。

梅爾頻率倒譜系數(shù)(MFCC)是語音信號識別的一種方法，MFCC是從梅爾尺度頻域提取的倒譜參數(shù)，它描述了感知聲音頻率的非線性特征，流程圖如圖7所示。

圖7 MFCC特征提取流程圖

首先對信號分割為幀信號并加窗處理，然后通過快速傅里葉變換計算各幀信號的頻譜，使用梅爾濾波器對采集到的頻譜進行濾波處理，得到梅爾頻譜，計再每個梅爾頻譜的對數(shù)能量，得到對數(shù)頻譜，最后經離散余弦變換計算得到梅爾倒譜，表示為

式中：是濾波器數(shù)量，是倒譜設定長度，為每幀信號中數(shù)據的數(shù)量。實驗完成了對敲擊、剪切、吹風、下雨四種入侵事件的識別，總識別準確率達98.13%。

3.3 時頻域特征

頻域特征分析方法雖然獲取了信號的內在頻譜特征，但非平穩(wěn)信號也是隨時間而不斷變化的，單純提取頻域信息只能對某一幀信號進行頻譜分析，忽略了時域信息。時頻域特征分析是將時間和頻率結合起來分析信號的方法，這樣得到的不僅是某一時間段內的頻譜特性，還能得到每個頻段隨時間變化情況。

傅里葉變換只對信號頻率分析，不能反映頻率隨時間變化情況，而短時傅里葉變換(STFT)的思想是將非平穩(wěn)信號進行時間分割，看作許多短時平穩(wěn)信號的集合。2017年，Tejedor[24-25]等人采用短時傅里葉變換提取每一幀信號的頻帶能量并歸一化作為特征向量，結合高斯混合模型(GMM)的方法對大型、小型挖掘機、氣錘、板式壓路機四種機器活動事件進行分類，準確率達到55%以上。2018年，李志辰[26]等人對入侵信號進行短時傅里葉變換得到頻譜圖，結合奇異值分解得到信號的奇異值組成特征向量，實驗對攀爬圍欄、敲擊光纜、晃動圍欄三種事件進行識別，準確率在90%以上。

2019年，陳沛超[27]等人將短時傅里葉變換(STFT)應用到光纖周界安防系統(tǒng)中。首先用特定的窗函數(shù)將時間序列分成許多時間段，對分割后的每段信號作傅里葉變換，進而得到每段時間內的頻譜信息，通過改變窗函數(shù)的參數(shù)實現(xiàn)對時間上的遍歷，以此得到近似的頻率隨時間的關系，可表示為

經驗模態(tài)分解(EMD)方法是一種新的非平穩(wěn)信號處理方法，最早由Huang[28]等人于1998年提出。EMD算法將時域信號按照不同頻率尺度逐級分解，得到一組具有不同特征尺度的本征模函數(shù)(IMF)，不同類型的入侵信號，得到的IMF分量也不相同。2015年，Liu[29]等人采用經驗模態(tài)分解算法將入侵信號分解，由不同尺度的IMF組成，計算所有IMF分量的峭度并歸一化，表示為

圖8 兩種窗函數(shù)處理4種入侵事件的STFT圖。(a)，(c)，(e)，(g) 敲擊、搖晃、刮風、下雨經過漢寧窗處理后的時頻圖；(b)，(d)，(f)，(h) 敲擊、搖晃、刮風、下雨經過凱塞窗處理后的時頻圖[27]

圖10 4種入侵信號及其峰值特征向量。(a) 爬網; (b) 敲擊; (c) 爬網特征向量; (d) 敲擊特征向量; (e) 晃動; (f) 切割; (g) 晃動特征向量; (h) 切割特征向量

圖9 4種入侵信號及其IMF分量。(a) 爬網; (b) 敲擊; (c) 晃動; (d) 切割[29]

EMD算法需要逐個求取每個IMF的峭度值，會歷經多次復雜的迭代，存在模態(tài)混疊的缺點。2015年，蔣立輝[30]等人提出總體平均經驗模態(tài)分解(EEMD)，在計算IMF分量過程中加入均勻分布的白噪聲用于解決模態(tài)混疊問題，并定義了EEMD能量熵排除虛警信號，選取歸一化峭度值組成特征向量，實驗對攀爬、敲擊兩種入侵信號以及汽車、風兩種虛警信號進行識別，識別時間大大縮短，且準確率達90%以上。2018年，李靜云[31]等人將時域特征與EMD算法相結合組成兩級判別模型，短時能量和短時過閾值率作為一級預判用于判別是否有入侵信號發(fā)生，然后通過EMD獲得信號時頻特征，將時頻熵與高低頻段重心頻率作為時頻特征，和時域特征一起組成特征向量，實驗對無入侵、敲擊和攀爬三種事件進行識別，準確率達96.67%上。2020年，朱程輝[32]等人針對EEMD算法自適應性不強的問題，提出自適應經驗模態(tài)分解(AEMD)，采用順序統(tǒng)計濾波器上下包絡線均值求取IMF，選擇能量熵和峭度組成特征向量，實驗對敲擊、剪切、晃動、腳踩四種事件進行識別，準確率達93.8%以上，與EEMD相比時間更短。

小波變換是一種常見的信號處理方法，它可以有效提取入侵信號的時頻特性。2010年，張景川[33]等人把小波變換應用到油氣管道檢測中，提取出的小波能量譜和小波信息熵組成特征向量，實驗對管道泄漏、人工挖掘、機械挖掘三種入侵事件進行識別，準確率達98.5%。2013年，李彥[34]等人則在此基礎上，把小波能量信息熵歸一化處理，小波信息熵定義為

由于小波分解存在無法分辨高頻信號的缺點，2014年，喻驍芒[36]等人先用小波閾值收縮去噪法濾除噪聲，然后采用小波包分解對信號進行處理，將其分成了三層，把所有的頻帶能量值作成特征向量，實驗對行人、汽車、小動物三種入侵事件識別，平均準確率達96.9%。2015年，李凱彥[37]等人提出了雙門限判定法和小波包分解相結合的復合特征提取方法，首先檢查信號的包絡幅度是否大于所設門限來濾除干擾噪聲段，然后利用最大能量和信噪比挑選出有效特征段，再對信號進行小波包分解提取能量譜，將小波包能量譜、有效信號持續(xù)時間與衰減率組成特征向量，實驗對無擾動、大雨、大風、剪網、攀爬5種事件進行識別，平均識別率達99.5967%。

2017年，Wu[38]等人針對輸油管道中的振動入侵信號，對比研究了小波分解和小波包分解的特征提取方法，如圖11所示。實驗對背景噪聲、人工挖掘、車輛經過3種入侵事件進行3層小波分解和小波包分解，分別得到5個頻段和8個頻段。三種事件的WE和WPE分布曲線如圖12、圖13所示，從圖中可以明顯看出WE分布曲線人工挖掘事件的兩個頻段能量與背景噪聲幾乎重疊，而WPE分布曲線圖可以清晰分辨三種事件的不同頻段能量分布趨勢，說明WPE是一種更好的頻譜分析方法。實驗最后結合神經網絡對事件分類，小波分解的平均準確率為91.1%，小波包分解的準確率為94.4%，高于小波分解算法。

2019年，彭寬[39]等人采用了時域特征和小波包分解相結合的方法，首先用正交小波分解對振動信號進行去噪處理，然后提取時域特征，包括平均片段間隔、片段長度和PAR特征，再通過小波包分解提取信號不同頻段能量分布，兩者結合組成復合特征向量，對行人、自行車、拍擊、剪切四種入侵事件進行識別，準確率達98.33%。

圖11 多尺度分解樹。(a) 小波分解；(b) 小波包分解

除了對信號的時間-頻域特性進行分析之外，隨著圖像處理技術的發(fā)展，出現(xiàn)了提取入侵信號時間-空間域特征用于信號的分類。2015年，Sun[40]等人提出脈沖成像形態(tài)特征提取方法，通過采集振動信號隨時間變化的瀑布圖，利用閾值分割及噪聲處理方法得到入侵事件影響區(qū)域，將區(qū)域的幅值、大小、形狀、間隔等特征組成特征向量。入侵事件用瀑布圖可表示為一個斑點，不同類型事件的斑點形狀、大小都不一樣，圖14為車輛經過的仿真信號C和實驗信號C1、C2、C3，可以看出兩者之間雖然存在差異，但基本相同。實驗結合相關向量機對行走、挖掘、車輛經過三種入侵事件識別，準確率達97.8%。2019年，陳沛超[27]等人采用凱塞窗函數(shù)對入侵信號作短時傅里葉變換得到時頻圖，然后對圖像作二值化處理得到圖像信息，將其組成特征向量，實驗對敲擊、搖晃、刮風、下雨四種事件進行識別，同時添加高斯噪聲來驗證方法的穩(wěn)健性，識別準確率達93.83%以上。

圖12 三種事件WE分布[38]

圖13 三種事件WPE分布[38]

圖14 (a) 車輛經過仿真信號；(b) 車輛經過實驗信號[40]

圖15 DBSCAN算法的核心點和邊緣點[41]

4 入侵信號分類算法

對入侵信號提取時頻域特征組成特征向量后，下一步即對信號進行分類。分類包括兩種，無監(jiān)督學習和有監(jiān)督學習。無監(jiān)督學習即入侵信號數(shù)據集沒有標簽，缺乏足夠的先驗知識，通常采用聚類的方法進行識別，常見的算法有K-means算法、DBSCAN算法、高斯混合模型(GMM)等；有監(jiān)督學習即數(shù)據集帶有標簽，可以通過訓練學習到一個將數(shù)據映射到標簽的函數(shù)，常見的算法模型有向量機(SVM)、人工神經網絡(ANN)、卷積神經網絡(CNN)等。

4.1 聚類

無監(jiān)督學習中最典型的為聚類。在模式識別中，聚類就是按照某個標準將一個數(shù)據集分割成不同的類或簇，使得同一個簇內全部數(shù)據相似度盡可能大，不同簇之間相似度盡可能小。通?；趧澐值姆椒ㄓ衚-means，基于密度的方法有DBSCAN(density-based spatial clustering of applications with noise)，基于模型的方法有高斯混合模型(GMM，Gaussian mixture models)。

2015年，王照勇[19]等人提出可以快速響應的頻譜歐氏距離法(EDFS)，首先對采集到的信號作預處理，提取頻域特征，選擇可表征不同類型入侵事件特征的信息進行平均，得到最終的特征向量，以此作為參考模板，然后挑選待測入侵信號的頻譜信息與全部模板做對比，用歐氏距離作為判決依據，公式為

2020年，Suleyman[41]等人提出一種數(shù)據挖掘方法監(jiān)測地下隧道入侵事件，第一步對數(shù)據進行時域分析確定活躍信道，第二步對數(shù)據進行空間分析確定當前活動信道，第三步將兩個數(shù)據集組合成二維矩陣用于標記可疑信道，利用DBSCAN算法對可疑信道進行檢測，分離高密度報警區(qū)域和低密度報警區(qū)域，消除誤報。圖15為該算法分類原理，最后確定由信道組成的群集。實驗驗證了利用DBSCAN算法在隧道入侵檢測中的可靠性，解決了多點同時擾動情況定位與時間判斷問題。該方法減小了噪聲影響，提高了事件定位的精度，但僅用于事件的定位，并未對入侵事件作進一步分類。

無監(jiān)督學習相關算法可用于入侵事件報警，且能夠減少誤報率，方法簡單、響應速度快，但由于其本身算法的局限性，針對入侵事件進一步分類效果并不好。有監(jiān)督學習相關算法因有訓練集的存在，可以通過采集大量數(shù)據進行學習，再對入侵事件進行判別，大大提高了識別準確率，因此光纖分布式入侵檢測更多采用的是有監(jiān)督學習算法模型。

4.2 向量機

支持向量機(SVM)是Vapnik[42]等人提出的統(tǒng)計學習理論方法，在模式識別中，支持向量機本質上是解決二分類問題的算法，但是在光纖入侵事件識別系統(tǒng)中大多遇到的是多分類問題，因此需要對其進行改進。通常解決思路有一對一、一對多、有向無環(huán)圖以及決策樹法。

相關向量機(RVM)是Tipping[47]基于貝葉斯學習理論提出的一種新的機器學習算法。與支持向量機相比，RVM所需訓練樣本數(shù)據少、泛化能力強，同時克服了SVM規(guī)則化系數(shù)確定困難、核函數(shù)受Mercer條件限制等局限性問題[48]。

圖16 有向無環(huán)圖RVM[49]

2014年，孫茜[49]等人采集小波能譜和小波信息熵作為特征向量，由相關向量機對管道安全振動信號進行識別，其RVM的分類模型為

2015年，孫茜[40]又提出一種基于形態(tài)學的特征提取方法，把形態(tài)特征作為特征向量，分類算法采用了相關向量機，核函數(shù)選用高斯徑向基核函數(shù)，通過一對一多分類器對三類入侵事件分類，分類結果如圖17所示，平均識別率達97.8%。

4.2 神經網絡

人工神經網絡(ANN)是受人腦神經系統(tǒng)的工作方式啟發(fā)而構造的數(shù)學模型，神經元是構成神經網絡的基本單元，多個神經元一起協(xié)作便組成了神經網絡。在光纖入侵信號檢測領域中，輸入為入侵信號的特征向量，每個神經元都有相對應的權重。對輸入加權求和，再通過激活函數(shù)，最后輸出判斷結果。

BP神經網絡是一種典型的多層前饋網絡，它是采用了由Rumelhart[50]等人提出的誤差反向傳播算法(back propagation)，利用輸出層計算得出的誤差逐層反向修改每層神經元權值，當輸出層的誤差小于設定閾值時停止計算。典型結構如圖18所示。

2014年，李小玉[51]等人提出了一種基于時間序列奇異譜特征的檢測方法，將信號能量在狀態(tài)空間中的分布情況作為特征向量，結合BP神經網絡對入侵事件識別，準確率高于90%。同年，謝鑫[52]等人以自適應動態(tài)閾值作為特征向量，設計了一個包含5個神經元的隱藏層的BP神經網絡，實驗對小動物、人為攀爬、長棍滑動、溫度上升四種事件識別率達96.83%。2015年，Wu[35]等人以小波分解提取頻譜分布作為特征向量，結合BP神經網絡對入侵事件分類，準確率達89.19%。

圖18 三層BP神經網絡結構

式中：和為隱藏層到輸出層的重量因子，和為輸入層到隱藏層的重量因子。不斷重復上述過程，直至誤差達到允許范圍內即停止訓練。在實驗條件下實現(xiàn)了汽車駛過振動、人為擾動和PZT振動三種事件的識別，準確率達97.78%。

徑向基神經網絡(RBF)同樣是一種前饋網絡，包含隱含層和輸出層，與BP神經網絡相比，RBF在隱藏層使用徑向對稱的徑向基函數(shù)來對輸入數(shù)據實現(xiàn)非線性變換，并采用局部逼近的方法，比BP神經網絡的收斂速度更快。

2015年，Liu[29]等人提取IMF分量峭度值作為特征向量，結合RBF神經網絡對入侵事件分類，識別率在85.75%以上。2017年，黃翔東[21]等人將RBF神經網絡作為分類識別算法，把特征向量輸入到神經網絡中，輸出的判決值表示為

圖19 卷積神經網絡典型結構

4.3 深度學習

近年來，隨著模式識別技術的不斷成熟，深度學習的應用領域得以拓寬。為了讓模型自動學習出好的特征表示，提升準確率，人們開始構建具有一定“深度”的模型，神經網絡可以很好地解決貢獻度分批問題，所以各種具有深度的神經網絡得以發(fā)展起來。

卷積神經網絡(CNN)是深度學習中最具有代表性的，它是一種具有局部連接、權重共享等特性的深層前饋網絡，目前主要應用于圖像識別和視頻分析等領域，并且準確率遠遠超出其他類型的神經網絡。卷積神經網絡主要包括輸入層、卷積層、匯聚層、全連接層和輸出層，典型結構如圖19所示。

2017年，Aktas[54]等人采用短時傅里葉變換(STFT)對信號提取時頻域信息，并進行相位補償，以時頻圖為特征結合卷積神經網絡(CNN)對步行、挖掘、大風、設備噪聲進行識別分類，準確率達93%以上。

圖20 譜減法后的振動信號。(a) 去噪后敲擊信號；(b) 去噪后敲擊信號頻譜分布[55]

2019年，Shi[56]等人直接利用瀑布圖進行簡單的帶通濾波和灰度變換預處理。為了防止運算量過大、精度低以及過擬合問題，選擇GoogleNet的Inception-v3結構為基礎，提出了一種新的小型CNN結構，如圖21所示。經過CNN算法處理后即可實現(xiàn)五類入侵事件的分類，分類混淆矩陣如圖22所示，準確率達96.67%。

由于使用二維卷積對圖像特征處理時，會存在數(shù)據量大、處理速度慢、效率低等缺點。2019年，Wu[6]等人提出了一維CNN網絡，輸入特征向量為一維矢量，在卷積層中，用1×的一維卷積核替代大小為×的二維卷積核，同時選擇支持向量機作為卷積神經網絡的Softmax層，處理速度達0.0027 s，識別準確率達98.19%。同年，吳俊[57]等人在一維CNN基礎上，提出多尺度一維卷積神經網絡(MS 1-D CNN)，直接對預處理后的入侵信號進行多尺度卷積，獲取的不同尺度的時頻特征組成特征向量直接進入CNN網絡進行訓練與識別，實驗同時對比了2-D CNN和1-D CNN兩種分類算法，處理速度更快，且識別準確率達96.59%。

圖21 優(yōu)化后的CNN網絡結構(紅色方塊表示卷積運算，藍色方塊表示池化運算)[56]

深度學習促進了神經網絡模型的發(fā)展，不僅出現(xiàn)了上百層的卷積神經網絡，而且還出現(xiàn)了許多其他類型的神經網絡。

生成對抗網絡(GAN)是Goodfellow[58]等人提出的一種深度生成模型。在GAN中，存在兩個對抗訓練的網絡：一個是判別網絡，判斷樣本來自真實數(shù)據還是由生成網絡產生；一個是生成網絡，生成判別網絡無法區(qū)分來源的樣本，兩者目標相反，最后生成符合真實數(shù)據分布的樣本。GAN網絡的一個具體模型如圖23所示。

2018年，Shiloh[59]等人開發(fā)了一種計算機模擬生成數(shù)據集的方法，提取信號的時間空間信息組成圖像作為特征，并結合GAN網絡模擬真實入侵事件的數(shù)據。首先獲取一小部分實際入侵信號，通過GAN網絡生成樣本，得到一個與輸入信號相似的結果，然后交替迭代，最終，GAN網絡可以估測出樣本數(shù)據的分布情況。將判別網絡和生成網絡合并，則整個GAN網絡的目標函數(shù)可以看做Minmax Game：

由于GAN的訓練比較難，往往不太穩(wěn)定，因此需要平衡兩個網絡的能力。在訓練數(shù)據有限的情況下，如果判別網絡能力太強，會導致過擬合，從而模型無法收斂，但是判別能力也不能太弱，否則針對生成網絡也無法得到滿意的結果。實驗對行走和環(huán)境噪聲進行了數(shù)據拓展與識別，準確率達94%。

2019年，Li[60]等人采用CFAR自適應設定閾值，結合基于Dropout的隨機配置網絡(SCN)對挖掘、敲擊、電鉆三種入侵事件進行識別，同時和傳統(tǒng)人工神經網絡作比較，時延降低了約2.5倍，識別率達94.67%。

同年，Cai[61]等人提出92層雙路徑網絡(DPN)用于事件識別，首先提取信號的空間-時頻譜三維圖，對幅度作歸一化處理，然后將圖片轉換為三通道RGB圖像，再將圖像大小調整為224 pixels×224 pixels作為DPN的樣本，之后即可使用圖像識別方法進行后續(xù)處理。為驗證系統(tǒng)性能，引入了5層CNN網絡和AlexNet用作對比，圖24顯示了3種深度學習算法對于測試集損失值和準確率的變化趨勢，可見DPN92精度最高，魯棒性強，同時采用圖形處理單元(GPU)加快訓練速度，保證了系統(tǒng)實時性，實驗對7種入侵事件進行識別，準確率達到了97%。

圖22 5類事件混淆矩陣[56]

圖23 生成對抗網絡流程圖

圖24 不同訓練算法測試集的準確率和損失值[61]

圖25 LSTM網絡的循環(huán)單元結構

在前饋神經網絡中，信息傳遞是單向的，每次的輸入都是獨立的，并且使用前饋神經網絡處理時序數(shù)據時，輸入和輸出的維數(shù)都是固定的，這也是一個局限性。循環(huán)神經網絡(RNN)是一種具有短期記憶能力的神經網絡，它可以接受自身的信息，形成具有環(huán)路的網絡結構。長短期記憶網絡(LSTM)是循環(huán)神經網絡的一個變體，它通過引入門控機制有效解決了簡單RNN的梯度爆炸或消失問題。

2020年，Chen[62]等人為了減少計算復雜度，提高神經網絡處理信息能力，將注意力機制引入LSTM網絡中，形成新的ALSTM神經網絡，通過自上而下的信息選擇機制來過濾大量無關信息，先用譜減法對信號去噪處理，然后將短時能量、短時過零率和MFCC組成的特征向量輸入進網絡，實驗中的LSTM網絡的循環(huán)單元結構如圖25所示。

同年，Li[63]等人提出一種卷積神經網絡和循環(huán)神經網絡相結合的卷積長短期記憶神經網絡(ConvLSTM)，CNN提取空間特征，LSTM提取時間特征，兩者組成時空域特征向量，實驗對高鐵軌道附近爬墻、破墻、穿越鐵網三種入侵事件進行識別，在強背景噪聲下識別率為85.6%。表1為近幾年分布式光纖入侵檢測系統(tǒng)較為重要的模式識別技術總結。

5 總 結

本文系統(tǒng)敘述了基于DAS系統(tǒng)的模式識別技術中應用的主要方法。從特征提取和分類算法兩大方面進行介紹，可以看出針對不同應用場景以及不同種類的擾動信號，選擇合適的特征提取方法與分類算法是尤為重要的。目前大多數(shù)對于入侵信號識別分類的研究雖然識別率較高，但仍處于實驗階段，對于實際應用環(huán)境中的入侵事件識別率較低。除此之外，入侵信號的檢測對響應速度的要求也不斷上升。因此，如何簡單、高效、準確地對振動信號識別分類成為目前DAS系統(tǒng)模式識別技術的發(fā)展難題。近年來，隨著深度學習領域的快速發(fā)展，神經網絡算法不斷被優(yōu)化，這也使得信號識別的準確率不斷提升，相信基于DAS系統(tǒng)的模式識別技術未來必將會在周界安防、管道檢測等領域中發(fā)揮更加重要的作用與潛力。

表1 DAS模式識別技術發(fā)展歷程

[1] Juarez J C, Maier E W, Choi K N,. Distributed fiber-optic intrusion sensor system[J]., 2005, 23(6): 2081–2087.

[2] Pan Z Q, Liang K Z, Ye Q,. Phase-sensitive OTDR system based on digital coherent detection[J]., 2011, 8311: 83110S.

[3] Juarez J C, Taylor H F. Field test of a distributed fiber-optic intrusion sensor system for long perimeters[J]., 2007, 46(11): 1968–1971.

[4] Lindsey N J, Martin E R, Dreger D S,. Fiber‐optic network observations of earthquake wavefields[J]., 2017, 44(23): 11792–11799.

[5] Cedilnik G, Hunt R, Lees G. Advances in train and rail monitoring with DAS[C]//, 2018: ThE35.

[6] Wu H J, Chen J P, Liu X R,. One-dimensional CNN-based intelligent recognition of vibrations in pipeline monitoring with DAS[J]., 2019, 37(17): 4359–4366.

[7] Johannessen K, Drakeley B, Farhadiroushan M. Distributed acoustic sensing-a new way of listening to your well/reservoir[C]//2012: 149602.

[8] Bao X Y, Zhou D P, Baker C,. Recent development in the distributed fiber optic acoustic and ultrasonic detection[J].,2017, 35(16): 3256–3267.

[9] Muanenda Y. Recent advances in distributed acoustic sensing based on phase-sensitive optical time domain reflectometry[J]., 2018, 2018:3897873.

[10] Adeel M, Shang C, Zhu K,Nuisance alarm reduction: using a correlation based algorithm above differential signals in direct detected phase-OTDR systems[J].,2019, 27(5): 7685–7698.

[11] Rao Y J, Wu M, Ran Z L,. A fiber-optic intrusion alarm system based on quasi-distributed FBG sensors[J]., 2007, 20(5): 998–1002. 饒云江, 吳敏, 冉曾令, 等. 基于準分布式FBG傳感器的光纖入侵報警系統(tǒng)[J]. 傳感技術學報, 2007, 20(5): 998–1002.

[12] Mahmoud S S, Katsifolis J. Elimination of rain-induced nuisance alarms in distributed fiber optic perimeter intrusion detection systems[J]., 2009, 7316: 731604.

[13] Wu H Y, Jia B, Bian P. Study on endpoint detection technology based on fiber perimeter security system[J]., 2013, 34(4): 743–748. 吳紅艷, 賈波, 卞龐. 光纖周界安防系統(tǒng)端點檢測技術的研究[J]. 儀器儀表學報, 2013, 34(4): 743–748.

[14] Wang S Y, Lou S Q, Liang S,. Pattern recognition method of fiber distributed disturbance sensing system based on M-Z interferometer[J]., 2014, 43(8): 2613–2618. 王思遠, 婁淑琴, 梁生, 等. M-Z干涉儀型光纖分布式擾動傳感系統(tǒng)模式識別方法[J]. 紅外與激光工程2014, 43(8): 2613–2618.

[15] Liu K, He C, Liu T G,. An endpoint detection method for fiber perimeter security system[J]., 2014, 25(11): 2136–2140. 劉琨, 何暢, 劉鐵根, 等. 一種用于光纖周界安防系統(tǒng)的端點檢測方法[J]. 光電子·激光, 2014, 25(11): 2136–2140.

[16] Zhu C H, Qu Y Z, Wang J P. The vibration signal recognition of optical fiber perimeter based on time-frequency features[J]., 2014, 41(1): 16–22. 朱程輝, 瞿永中, 王建平. 基于時頻特征的光纖周界振動信號識別[J]. 光電工程, 2014, 41(1): 16–22.

[17] Wang J P, Hao Z, Zhu C H. Research on vibration signal recognition of optical fiber perimeter based on phase space reconstruction[J]., 2017, 40(5): 643–648. 王建平, 郝釗, 朱程輝. 基于相空間重構的光纖周界信號識別算法研究[J]. 合肥工業(yè)大學學報(自然科學版), 2017, 40(5): 643–648.

[18] Liu K, Weng L F, Jiang J F,. Zero-crossing rate based efficient identification of intrusion events in fiber perimeter security systems[J]., 2019, 39(11): 1106002.劉琨, 翁凌鋒, 江俊峰, 等. 基于過零率的光纖周界安防系統(tǒng)入侵事件高效識別[J]. 光學學報, 2019, 39(11): 1106002.

[19] Wang Z Y, Pan Z Q, Ye Q,. Fast pattern recognition based on frequency spectrum analysis used for intrusion alarming in optical fiber fence[J]., 2015, 42(4): 0405010.王照勇, 潘政清, 葉青, 等. 用于光纖圍欄入侵告警的頻譜分析快速模式識別[J]. 中國激光, 2015, 42(4): 0405010.

[20] Cao C, Fan X Y, Liu Q W,. Practical pattern recognition system for distributed optical fiber intrusion monitoring system based on phase-sensitive coherent OTDR[C]//, 2015: ASu2A.145.

[21] Huang X D, Zhang H J, Liu K,. High-efficiency intrusion recognition by using synthesized features in optical fiber perimeter security system[J]., 2017, 66(12): 124206. 黃翔東, 張皓杰, 劉琨, 等. 基于綜合特征的光纖周界安防系統(tǒng)高效入侵事件識別[J]. 物理學報, 2017, 66(12): 124206.

[22] Zou D B, Liu H, Zhao L,Research of signal recognition of distributed optical fiber vibration sensors[J]., 2016, 40(1): 86–89. 鄒東伯, 劉海, 趙亮, 等. 分布式光纖振動傳感信號識別的研究[J]. 激光技術, 2016, 40(1): 86–89.

[23] Shuai S, Wang J, Wu H Y,A signal recognition method for distributed optical fiber sensor system[J]., 2018, 57(5): 611–618. 帥師, 王翦, 吳紅艷, 等. 一種分布式光纖傳感系統(tǒng)的信號識別方法[J]. 復旦學報(自然科學版), 2018, 57(5): 611–618.

[24] Tejedor J, Martins H F, Piote D,Toward prevention of pipeline integrity threats using a smart fiber-optic surveillance system[J]., 2016, 34(19): 4445–4453.

[25] Tejedor J, Macias-Guarasa J, Martins H F,A novel fiber optic based surveillance system for prevention of pipeline integrity threats[J]., 2017, 17(2): 355.

[26] Li Z C, Liu K, Jiang J F,A high-accuracy event discrimination method in optical fiber perimeter security system[J]., 2018, 47(9): 0922002. 李志辰, 劉琨, 江俊峰, 等. 光纖周界安防系統(tǒng)的高準確度事件識別方法[J]. 紅外與激光工程, 2018, 47(9): 0922002.

[27] Chen P C, You C T, Ding P F. Pattern recognition of intrusion events in perimeter defense areas of optical fiber[J]., 2019, 46(10): 1006001. 陳沛超, 游賜天, 丁攀峰. 光纖周界防區(qū)入侵事件的模式識別研究[J]. 中國激光, 2019, 46(10): 1006001.

[28] Huang N E, Shen Z, Long S R,. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]., 1998, 454(1971): 903–995.

[29] Liu K, Tian M, Liu T G,. A high-efficiency multiple events discrimination method in optical fiber perimeter security system[J]., 2015, 33(23): 4885–4890.

[30] Jiang L H, Gai J Y, Wang W B,. Ensemble empirical mode decomposition based event classification method for the fiber-optic intrusion monitoring system[J]., 2015, 35(10): 1006002.蔣立輝, 蓋井艷, 王維波, 等. 基于總體平均經驗模態(tài)分解的光纖周界預警系統(tǒng)模式識別方法[J]. 光學學報, 2015, 35(10): 1006002.

[31] Li J Y, An B W, Chen Y L,. Research on optical fiber vibration pattern recognition based on time-frequency characteristics[J].,2018, 42(7): 55–59. 李靜云, 安博文, 陳元林, 等. 基于時頻特征的光纖振動模式識別研究[J]. 光通信技術, 2018, 42(7): 55–59.

[32] Zhu C H, Zhu R, Wang J P,. Intrusion signal recognition of optical fiber security & protection system based on adaptive EMD[J]., 2020, 39(4): 26–30. 朱程輝, 朱睿, 王建平, 等. 基于自適應EMD的光纖安防系統(tǒng)入侵信號識別[J]. 傳感器與微系統(tǒng), 2020, 39(4): 26–30.

[33] Zhang J C, Zeng Z M, Lai P,. A recognition method with wavelet energy spectrum and wavelet information entropy for abnormal vibration events of a petroleum pipeline[J]., 2010, 29(5): 1–4. 張景川, 曾周末, 賴平, 等. 基于小波能譜和小波信息熵的管道異常振動事件識別方法[J]. 振動與沖擊, 2010, 29(5): 1–4.

[34] Li Y, Liang Z T, Li L J,. Pattern recognition of fiber-optic micro vibration sensor based on wavelet and SVM[J]., 2013, 32(2): 43–45, 49. 李彥, 梁正桃, 李立京, 等. 基于小波和支持向量機的光纖微振動傳感器模式識別[J]. 傳感器與微系統(tǒng), 2013, 32(2): 43–45, 49.

[35] Wu H J, Xiao S K, Li X Y,Separation and determination of the disturbing signals in phase-sensitive optical time domain reflectometry (Φ-OTDR)[J]., 2015, 33(15): 3156–3162.

[36] Yu X M, Luo G M, Zhu Z M,The multi target recognition of intrusion signal of perimeter security with distributed fiber-optic sensor[J]., 2014, 41(1): 36–41.喻驍芒, 羅光明, 朱珍民, 等. 分布式光纖傳感器周界安防入侵信號的多目標識別[J]. 光電工程, 2014, 41(1): 36–41.

[37] Li K Y, Zhao X Q, Sun X H,A regular composite feature extraction method for vibration signal pattern recognition in optical fiber link system[J]., 2015, 64(5): 054304. 李凱彥, 趙興群, 孫小菡, 等. 一種用于光纖鏈路振動信號模式識別的規(guī)整化復合特征提取方法[J]. 物理學報, 2015, 64(5): 054304.

[38] Wu H J, Qian Y, Zhang W,. Feature extraction and identification in distributed optical-fiber vibration sensing system for oil pipeline safety monitoring[J]., 2017, 7(4): 305–310.

[39] Peng K, Feng C, Wang S M,. Event discrimination method for distributed optical fiber intrusion sensing system based on integrated time/frequency domain feature extraction[J]., 2019, 39(6): 0628002.彭寬, 馮誠, 王森懋, 等. 基于時/頻域綜合特征提取的分布式光纖入侵監(jiān)測系統(tǒng)事件識別方法[J]. 光學學報, 2019, 39(6): 0628002.

[40] Sun Q, Feng H, Yan X Y,Recognition of a phase-sensitivity OTDR sensing system based on morphologic feature extraction[J]., 2015, 15(7): 15179–15197.

[41] Aslangul S A. Detecting tunnels for border security based on fiber optical distributed acoustic sensor data using DBSCAN[C]//, 2020: 78–84.

[42] Cortes C, Vapnik V. Support-vector networks[J]., 1995, 20(3): 273–297.

[43] Qi X X, Ji J W, Han X W,An Approach of passive vehicle type recognition by acoustic signal based on SVM[C]//, 2009: 545–548.

[44] King D, Lyons W B, Flanagan C,A multipoint optical fibre sensor system for use in process water systems based on artificial neural network pattern recognition techniques[J]., 2004, 115(2–3): 293–302.

[45] Lewis E, Sheridan C, O’Farrell M,. Principal component analysis and artificial neural network based approach to analysing optical fibre sensors signals[J]., 2007, 136(1): 28–38.

[46] Zhang J N, Lou S Q, Liang S. Study of pattern recognition based on SVM algorithm for φ-OTDR distributed optical fiber disturbance sensing system[J]., 2017, 46(4): 0422003. 張俊楠, 婁淑琴, 梁生. 基于SVM算法的φ-OTDR分布式光纖擾動傳感系統(tǒng)模式識別研究[J]. 紅外與激光工程,2017, 46(4): 0422003.

[47] Tipping M E. The relevance vector machine[C]//, 2000: 652–658.

[48] Zhu Y L, Yin J L. Study on application of multi-kernel learning relevance vector machines in fault diagnosis of power transformers[J]., 2013, 33(22): 68–74. 朱永利, 尹金良. 組合核相關向量機在電力變壓器故障診斷中的應用研究[J]. 中國電機工程學報, 2013, 33(22): 68–74.

[49] Sun Q, Zeng Z M, Li J. Application of relevance vector machine in pattern recognition of optical fiber pre-warning system[J]., 2014, 47(12): 1115–1120. 孫茜, 曾周末, 李健. 相關向量機在光纖預警系統(tǒng)模式識別中的應用[J]. 天津大學學報(自然科學與工程技術版), 2014, 47(12): 1115–1120.

[50] Rumelhart D E, Hinton G E, Williams R J. Learning internal representations by error propagation[M]//. Cambridge: MIT Press, 1986: 318–362.

[51] Li X Y, Wu H J, Peng Z P,. A novel time sequence singular spectrum analysis method for Φ-OTDR disturbance detection system[J]., 2014, 43(4): 0428001. 李小玉, 吳慧娟, 彭正譜, 等. 基于時間序列奇異譜特征的Φ-OTDR擾動檢測方法[J]. 光子學報, 2014, 43(4): 0428001.

[52] Xie X, Wu H J, Rao Y J. A fiber-optical perimeter intrusion detection system based on the fiber Bragg grating vibration sensors and its identification method[J]., 2014, 43(5): 0506005.謝鑫, 吳慧娟, 饒云江. 一種基于光纖布喇格光柵振動傳感器的光纖圍欄入侵監(jiān)測系統(tǒng)及其模式識別[J]. 光子學報, 2014, 43(5): 0506005.

[53] Shen L X, Feng H, Sha Z,. Pattern recognition of heterodyne phase-sensitive optical time-domain reflection technique based on down conversion and IQ demodulation[J]., 2017, 37(8): 0806005.沈隆翔, 封皓, 沙洲, 等. 基于下變頻和IQ解調的外差型相位敏感光時域反射技術的模式識別[J]. 光學學報,2017, 37(8): 0806005.

[54] Aktas M, Akgun T, Demircin M U,. Deep learning based threat classification in distributed acoustic sensing systems[C]//, 2017.

[55] Xu C J, Guan J J, Bao M,. Pattern recognition based on time-frequency analysis and convolutional neural networks for vibrational events in φ-OTDR[J]., 2018, 57(1): 016103.

[56] Shi Y, Wang Y Y, Zhao L,. An event recognition method for Φ-OTDR sensing system based on deep learning[J]., 2019, 19(15): 3421.

[57] Wu J, Guan L Y, Bao M,. Vibration events recognition of optical fiber based on multi-scale 1-D CNN[J]., 2019, 46(5): 180493.吳俊, 管魯陽, 鮑明, 等. 基于多尺度一維卷積神經網絡的光纖振動事件識別[J]. 光電工程, 2019, 46(5): 180493.

[58] Goodfellow I J, Pouget-Abadie J, Mirza M,. Generative adversarial nets[C]//, 2014: 2672–2680.

[59] Shiloh L, Eyal A, Giryes R. Deep learning approach for processing fiber-optic DAS seismic data[C]//, 2018: ThE22.

[60] Li W, Zeng Z Q, Qu H Q,. A novel fiber intrusion signal recognition method for ofps based on SCN with dropout[J]., 2019, 37(20): 5221–5230.

[61] Wang Z Y, Zheng H R, Li L C,. Practical multi-class event classification approach for distributed vibration sensing using deep dual path network[J]., 2019, 27(17): 23682–23692.

[62] Chen X, Xu C J. Disturbance pattern recognition based on an ALSTM in a long‐distance φ‐OTDR sensing system[J]., 2020, 62(1): 168–175.

[63] Li Z Q, Zhang J W, Wang M N,. Fiber distributed acoustic sensing using convolutional long short-term memory network: a field test on high-speed railway intrusion detection[J]., 2020, 28(3): 2925–2938.

Detection and recognition of distributed optical fiber intrusion signal

Zhang Yongkang, Shang Ying, Wang Chen, Zhao Wen￠an, Li Chang, Cao Bing, Wang Chang*

Laser Institute of Shandong Academy of Sciences, Qilu University of Technology (Shandong Academy of Sciences), Jinan, Shandong 250014, China

DAS system structure

Overview:Developed on the basis of phase-sensitive optical time domain reflectrometer(Φ-OTDR), distributed acoustic sensing(DAS) is a new type of distributed optical fiber sensing technology. It is a hot topic that how to accurately distinguish the type of intrusion events from complex signals, which attachs greater importance to the research on the pattern recognition technology based on DAS.

Intrusion signal recognition mainly includes two parts, feature extraction and classification algorithm. This paper summarizes the currently widely used feature extraction methods. Generally speaking, the time-domain features are simple, intuitive, and fast in response, but they are susceptible to noise. The frequency-domain features can obtain the inherent spectrum characteristics of the signal, but cannot reflect the frequency changes of the signal at every moment. The time-frequency domain features can express the time-domain and frequency-domain information of the signal, and the extracted feature information is also more accurate.

Classification algorithms include two categories, unsupervised learning and supervised learning. Supervised learning need to collect a large amount of data for training and verification. Therefore, supervised learning algorithms are mostly used in the fiber intrusion detection applications. Support vector machines (SVM) and BP neural networks are relatively common models for classification. In recent years, with the development of deep learning technology, building deep neural network models is very helpful for classification recognition. Therefore, models such as convolutional neural network (CNN), recurrent neural network (RNN), and generative adversarial network (GAN) are used in the field of distributed optical fiber intrusion signal recognition, which have achieved great performance.

In summary, choosing the proper feature extraction method and classification algorithm will greatly enhance the accuracy of intrusion signal recognition. Facing the increasing actual demands, the pattern recognition technology based on the DAS system will definitely play a more important role and fulfill its potential in the future.

Zhang Y K, Shang Y, Wang C,Detection and recognition of distributed optical fiber intrusion signal[J]., 2021, 48(3): 200254; DOI:10.12086/oee.2021.200254

Detection and recognition of distributed optical fiber intrusion signal

Zhang Yongkang, Shang Ying, Wang Chen, Zhao Wen￠an, Li Chang, Cao Bing, Wang Chang*

Laser Institute of Shandong Academy of Sciences, Qilu University of Technology (Shandong Academy of Sciences), Jinan, Shandong 250014, China

Distributed acoustic sensing (DAS) technology can detect acoustic or vibration signals with high sensitivity and wide dynamic range by receiving the phase information from coherent Rayleigh scattered light. Linear quantization is used to measure high fidelity restoration of the signals. With the increasing demand of practical applications, the optical fiber intrusion detection field has put forward higher requirements for event location and identification, which is manifested as the accurate classification of intrusion events. Therefore, the combination of distributed acoustic sensing and pattern recognition (PR) technology is a hot research topic at present. This is beneficial to promote the application and development of distributed optical fiber sensing technology. The research progress of the pattern recognition technology applied to distributed optical fiber intrusion detection in recent years is summarized in this paper, which can be used for feature extraction and classification algorithm research progress. In this paper, several feature extraction methods for realizing intrusion event signal recognition and their feature selection difficulties in different application situations are reviewed. Meanwhile, the advantages and disadvantages of specific event recognition algorithm are analyzed and summarized.

distributed acoustic sensing; pattern recognition; feature extraction; classification algorithms

Natural Science Foundation of Shandong Province (ZR2019QF011), Science and Technology Innovation Project of Shandong Province - Major Special (2019JZZY010113), Key R & D Program of Shandong Province (2019GSF111065), and the Youth Innovation Science and Technology Program of Colleges in Shandong Province (2019KJJ004)

10.12086/oee.2021.200254

TN29

A

* E-mail: ch_wangs@163.com

張永康，尚盈，王晨，等. 分布式光纖入侵信號檢測與識別[J]. 光電工程，2021，48(3): 200254

Zhang Y K, Shang Y, Wang C,Detection and recognition of distributed optical fiber intrusion signal[J]., 2021, 48(3): 200254

2020-07-10；

2020-11-20

山東省自然科學基金資助項目(ZR2019QF011)；山東省重大科技創(chuàng)新工程項目(2019JZZY010113)；山東省重點研發(fā)計劃(2019GSF111065)；山東省高等學校青創(chuàng)科技支持計劃(2019KJJ004)

張永康(1997-)，男，碩士研究生，主要從事分布式光纖傳感技術方面的研究。E-mail：ooozyk@163.com

王昌(1977-)，男，博士，研究員，主要從事智能材料與光纖傳感技術方面的研究。E-mail：ch_wangs@163.com

版權所有?2021中國科學院光電技術研究所