基于深度迁移学习与循环神经网络的相位OTDR系统强度与相位堆叠分析
机器学习
2023-03-22 v2 计算机视觉与模式识别
声音
音频与语音处理
摘要
分布式声学传感器（DAS）是一种有效的装置，广泛用于许多应用领域，以极高的空间分辨率沿光纤记录各种事件信号。为了正确检测和识别所记录的事件，具有高计算需求的先进信号处理算法至关重要。卷积神经网络是提取空间信息的高效工具，非常适用于DAS中的事件识别应用。长短期记忆（LSTM）是处理序列数据的有效手段。在本研究中，我们提出了一种多输入多输出的两阶段特征提取方法，将这类神经网络架构的能力与迁移学习相结合，以分类由压电换能器施加于光纤上的振动。首先，我们从相位OTDR记录中提取差分幅度与相位信息，并将其存储于时空数据矩阵中。然后，我们在第一阶段使用无全连接层的最先进预训练CNN作为特征提取器。在第二阶段，我们使用LSTM进一步分析CNN提取的特征。最后，我们使用全连接层对提取的特征进行分类。为观察所用CNN架构的影响，我们使用五种最先进预训练模型（VGG-16、ResNet-50、DenseNet-121、MobileNet和Inception-v3）测试了我们的模型。结果表明，在我们的框架中使用VGG-16架构在50次训练中均取得100%分类准确率，并在我们的相位OTDR数据集上获得最佳结果。本研究结果表明，预训练CNN与LSTM相结合非常适用于分析以时空数据矩阵表示的差分幅度与相位信息，这在DAS应用的事件识别中具有广阔前景。
引用
@article{arxiv.2206.12484,
title = {An Intensity and Phase Stacked Analysis of Phase-OTDR System using Deep Transfer Learning and Recurrent Neural Networks},
author = {Ceyhun Efe Kayan and Kivilcim Yuksel Aldogan and Abdurrahman Gumus},
journal= {arXiv preprint arXiv:2206.12484},
year = {2023}
}
备注
15 pages, 9 figures. Title updated