基于 FPGA 加速的极轻量分布式光纤振动识别及跨域蒸馏

分布式光纤振动传感 (DVS) 系统为大规模监测和入侵事件识别提供了有前景的解决方案。然而，其实际部署仍受两个主要挑战的制约：在动态条件下识别精度下降，以及大规模传感数据实时处理的计算瓶颈。本文提出了通过 FPGA 加速的极轻量模型及新提出的知识蒸馏框架，以解决上述挑战。该方法提出的三层深度可分离卷积网络仅包含 4141 个参数，是该领域目前最紧凑的架构，单样本处理速度可达 0.019 毫秒，覆盖 12.5 米光纤长度且在 0.256 秒内完成，实现了最长可达 168.68 公里光纤的实时处理能力。为提高在变化环境下的通用性，本文采用由物理先验指导的跨域蒸馏框架，将频域洞见嵌入时域模型，从而实现无需增加复杂度即可进行时频表示学习，显著提升了在不可见环境条件下的识别准确率，从 51.93% 提升至 95.72%。该方法的主要贡献包括：将可解释信号处理技术与深度学习相结合的框架、面向 DVS 系统及更广泛的分布式光纤传感 (DOFS) 领域的实时处理与边缘计算参考架构，弥合了感知范围与实时性之间的权衡，将理论能力与实际部署需求之间的鸿沟。此外，本工作揭示了构建更高效、稳健且可解释的人工智能系统以服务 DOFS 技术的新方向。