基于TTDF和CNS算法的多路BOTDR散射谱信息高精度分析研究

传统的BOTDR光纤传感系统采用单路传感光纤实现对信息特征的测量,交叉敏感等不可控因素会使散射谱拟合精度较低,信息分析偏差较大。设计了一种同时对多路传感信息进行检测的BOTDR系统。针对基于布里渊光时域反射(BOTDR) 的多路传感散射谱高精度特征提取的要求,提出了一种三次数据融合(TTDF)与布谷鸟牛顿搜索(CNS)相结合的散射谱信息分析方法。该方法利用TTDF对信息数据的融合能力,根据狄克逊准则和格拉布斯准则,剔除了异常值的影响,减小了传感信号的误差;采用布谷鸟牛顿搜索算法进行频谱拟合,不仅通过布谷鸟的智能搜索能力得到全局最优解,而且以该最优解作为牛顿算法的初值进行局部寻优,保证了频谱拟合的精度,提高了布里渊散射谱信息分析的准确度。在温度信息散射谱线性权重比为1∶9的情况下,分析了不同线宽散射谱信息的提取。采用该方法进行多路数据融合的方差约为0.003 0,散射谱的中心频率约为11.213 GHz,温度误差小于0.15 K。理论分析和仿真结果表明,将此方法用于基于布里渊光时域反射的多路分布式光纤传感系统,可有效提高多路传感信号的准确度和布里渊散射谱信息分析的精确度。     

基于径向基函数神经网络的传感布里渊散射谱特征提取

基于布里渊效应的分布式光纤传感器以其可在沿光纤中同时获得被测量场时间和空间上的连续分布信息,成为当前国际的研究热点。根据光纤中布里渊散射谱的传输特点和高精度特征提取的要求,提出了利用莱文伯-马夸特(L-M)算法调节权值的径向基函数神经网络(RBFN)对布里渊散射谱进行特征提取。通过与反向传播(BP)神经网络、五次多项式曲线拟合法和三次样条插值法进行预测比较,在中心频率为11.213GHz,权重比为4∶1的仿真散射谱模型中,本方法相对误差最小,仅0.0015179%,温度相对误差仅为0.152℃,且拟合度较好。在不同脉宽和不同温度下的同一检测系统中,前者的综合评价指标优于其他三种拟合方法。数值分析和实验研究均表明径向基函数神经网络适用于对布里渊散射谱进行拟合,有效提高了预测精度。     

基于自适应变异果蝇优化算法和广义回归神经网络的布里渊散射谱特征提取

针对布里渊光时域反射光纤传感系统散射谱的高精度特征提取的要求,提出了一种基于自适应变异果蝇优化算法和广义回归神经网络的布里渊散射谱特征提取算法。不仅利用了广义回归神经网络在逼近能力、学习速度、模型的泛化等方面具有的优势,而且采用搜索能力较强的自适应变异果蝇优化算法进一步增强了神经网络的学习能力,从而提高了布里渊散射谱的拟合度和频移提取的准确度。在布里渊散射谱中心频率为11.213 GHz,线宽为40～50,30～60和20～70 MHz的散射谱白噪声实验模型中,将新算法分别与基于有限元分析的Levenberg-Marquardt拟合法、粒子群优化和拉凡格式混合拟合法、最小二乘法进行预测比较,新算法获得的最大拟合频移误差为0.4 MHz,平均拟合度为0.991 2,均方根误差为0.024 1。仿真结果表明所提出的算法拟合度较好,绝对误差小。因此,将此算法用于基于布里渊光时域反射的分布式光纤传感系统,可有效提高布里渊散射谱的拟合度和频移提取的准确度。     

基于BSS和BPNN-DS算法的光纤入侵传感网络信息的高精度识别

采用传统单路传感光纤实现对信息特征的测量,常由于交叉敏感等不可控因素使测量数据出现异常值,导致信息分析偏差较大,识别准确度低。因此,提出了一种基于双相干谱、样本熵和奇异值分解(BSS)和反向传播神经网络(BPNNDS)算法的多路光纤入侵传感系统信息的特征提取与识别方法。针对含3路传感光纤的布里渊光时域反射(BOTDR)传感入侵检测系统,该方法利用BSS算法分别对不同入侵类型的多路信号进行特征提取;采用BPNN算法对不同入侵振动特征矢量进行分类;经Dempster Shafer(DS)证据理论算法对多路传感光纤的时空信息进行融合。数值分析与仿真实验结果表明,提出的信息提取方法可以有效提取出多路传感网络的信息特征,且使用BPNN-DS证据理论的多路信息融合方法能够准确识别多路入侵传感网络的信号类型,具有较高的准确度和可信度。     

一种新的光纤布里渊传感散射谱拟合方法

讨论了应用于光纤分布式布里渊传感散射谱最优化拟合的Levenberg-Marquardt(L-M)非线性最小二乘算法。分析并推导了一种可较好地反映入纤脉冲宽度越来越窄所引起的光纤分布式布里渊传感散射谱形状变化的Pseu-do-Voigt分析拟合模型。由调制脉冲光和调制器泄漏连续光共同作用所产生的光纤分布式布里渊传感散射谱应为Lorentzian型谱和Gaussian型谱的线性权重组合。Gaussian型函数部分可视为Lorentzian型函数谱的近似修正处理。基于L-M算法对光纤布里渊传感散射谱采样数据进行了曲线拟合和最优化参数估计,所得到的结果与理论分析情况吻合。     

一种基于多准则决策和PSO-LM混合优化算法的多峰Brillouin散射谱的特征提取方法

采用传统方法对多峰Brillouin散射谱进行拟合的过程中,通常是以谱线最大功率点为基准的,却忽略了其他比该点小但却是极值的功率点。这样获得的拟合曲线通常只有一个峰值,相当于把除最高峰之外还有多个小峰的多峰Brillouin散射谱进行了简化,导致大量有用信息的丢失。为了提高Brillouin散射谱的特征提取精度,提出了一种基于MCDM和PSO-LM混合优化算法的多峰Brillouin散射谱特征提取方法(MCDM-PSO-LM)。MCDM可以识别和准确定位多峰Brillouin散射谱的各个波峰和波谷;PSO-LM混合优化算法可以实现分别对各个波峰和波谷的曲线进行拟合并找到每一个波峰的中心频率,该算法既克服了PSO算法过早收敛于局部极值和LM算法依赖初值的问题,又可以将PSO算法的全局搜索能力和LM算法的局部收敛能力结合在一起。较传统算法而言,MCDM-PSO-LM算法保证了对最优值求解的速度和精度,提高了运算能力,使解析解最大限度地接近最优值。分别在不同信噪比和不同线宽条件下进行仿真验证,频移和温度误差分析结果表明,MCDM-PSO-LM方法可以对多峰Brillouin散射谱的各个波峰与波谷进行准确定位,可用于多峰Brillouin散射谱的特征提取,识别效果明显强于传统算法,提高了信息分析的准确性。     

基于布里渊散射光时域分析的温度传感技术研究

为提高布里渊时域分析的传感精度,探寻一种相同条件下传感更为稳定、精确的传感光纤,通过实验得到一种布里渊频移与温度拟合线性度约为1的传感光纤.理论上分析了布里渊散射谱线宽度对温度传感测量精度的影响机制,在布里渊时域分析系统实验中分别以普通单模光纤与非零色散位移光纤(G.655)为传感光纤,测出在一定温度变化范围内标定点的布里渊散射谱线宽度和频移值.实验结果表明,非零色散位移光纤的布里渊散射谱线宽度随温度变化比较稳定,具有较高的传感精度.因此以G.655光纤为传感光纤更利于长距离监测场传感精度的提高.     

基于改进二次多项式拟合的布里渊频移快速高精度提取算法

为了在保证测量准确性的基础上提高基于布里渊散射的光纤分布式传感的实时性,对布里渊频移的快速、高精度提高算法进行了研究。实现了基于二次多项式拟合的布里渊频移提取算法和典型的基于洛伦兹、高斯、伪Voigt和Voigt模型的算法,采用光时域反射计(BOTDR)实测了一段长光纤上的布里渊谱,采用以上算法提取了对应的布里渊频移。计算结果表明,二次多项式拟合算法的计算速度明显快于以上经典算法,其计算耗时仅分别为以上经典算法的1.15%,1.80%,1.51%和0.51%,但计算误差明显大于经典算法,影响了其实际应用。以上结果与对应数值产生布里渊谱的计算结果吻合。为了提高该算法的计算准确性,系统研究了扫频范围、扫频点数、信噪比、线宽和扫频范围偏差对基于二次多项式的布里渊频移提取准确性的影响。结果表明:当扫频点数固定时随扫频范围增加布里渊频移误差先减少到最小值后逐渐增加,扫频点数固定时最佳扫频范围为1个线宽;扫频范围不变时随扫频点数和信噪比的增加布里渊频移误差分别成幂和指数规律减少;扫频范围与线宽比值不变及扫频点数不变时随线宽增加布里渊频移误差线性增大;随扫频范围偏差增加误差逐渐增大,实际用于拟合的谱信号尽量围绕布里渊频移左右对称。根据以上研究结果提出了一种用于布里渊频移快速提取的改进二次多项式拟合算法,该算法从测量得到布里渊谱中截取1倍线宽且关于最大增益对称的谱信号用于后续拟合,较之经典的谱拟合算法,改进算法不仅能大幅提高计算速度且计算准确性与经典算法相似。采用数值产生及实测布里渊谱的计算结果验证了所提出算法的有效性。提出的算法不仅能有效提高基于布里渊散射的光纤分布式传感的实时性。     

一种多模FP激光器BOTDR系统的建模分析

根据相干检测理论提出了一种基于多模法布里-珀罗激光器的光纤瑞利与布里渊散射自外差检测的布里渊光时域反射计传感系统,分析了该系统提高光纤受激布里渊散射阈值和瑞利与布里渊散射自外差检测的原理,推导出系统信噪比表达式,分析了纵模数与布里渊谱峰值功率、谱宽和系统信噪比、温度及应变测量准确度之间的关系,并进行了计算.结果表明,选用纵模间隔为0.141nm的多模法布里-珀罗激光器时,随着纵模数的增加,在25km光纤末端系统信噪比、温度和应变测量准确度均得到了较大提升,当纵模数为19时,温度和应变测量准确度分别达到最佳值3.81℃和86.69με.     

提高布里渊光时域反射系统传感性能的方法

根据谱整形的思想将脉冲预抽运的概念引入布里渊光时域反射系统,提出了一种提高传感性能的方法。该方法利用由预抽运脉冲和传感脉冲组成的阶梯脉冲作调制信号,通过预抽运脉冲和传感脉冲的受激布里渊作用实现布里渊谱的整形和传感信号的放大,可有效地解决系统空间分辨率和测量精度的矛盾,并可提高系统信噪比,增加传感距离。通过受激布里渊稳态方程的瞬态分析对阶梯脉冲调制布里渊光时域反射系统中的受激布里渊散射模型进行了求解,对阶梯脉冲进行了最佳化设计,比较了矩形脉冲、洛伦兹形脉冲和阶梯脉冲调制时的系统性能。结果表明,当预抽运脉冲和传感脉冲参数为50ns、0.2W和2ns、1W时,采用阶梯脉冲时的布里渊谱宽约为44MHz,10km光纤末端信噪比较采用矩形脉冲时提高了7.97dB。最后,通过实验验证了所提方法的可行性。     

核燃料棒反光表面条纹自适应中心提取方法

针对水下检测中激光条纹中心难以准确提取的问题,提出了一种适用于水下核燃料棒反光表面的条纹自适应中心提取方法。根据检测环境中存在水体散射及物体表面高反光的特点,去除水下噪点、反光噪点,实现激光条纹分割提取;充分利用BP神经网络曲线拟合及由光条几何信息生成的自适应卷积模板,实现反光区域的轮廓与灰度分布修正,使光条截面灰度分布符合高斯分布;经灰度重心法在光条截面方向实现激光条纹中心的亚像素精度定位与提取。实验结果表明:该方法有效地解决了被测物体反光表面光条中心线不连续、噪点多的问题,点云三维重建误差在0.2 mm以内,保证了条纹中心提取的精度与稳定性,满足核燃料棒水下检测工程要求。     

一种公共网络攻击数据挖掘智能算法研究

公共网络的开放性和自组织特性导致网络容易受到病毒干扰和入侵攻击,对攻击数据的准确高效挖掘能确保网络安全。传统方法采用时频指向性波束特征聚类方法实现攻击数据挖掘,在信噪比较低时攻击数据准确挖掘概率较低。提出一种基于自适应滤波检测和时频特征提取的公共网络攻击数据挖掘智能算法。首先进行公共网络攻击数据的信号拟合和时间序列分析,对含噪的攻击数据拟合信号进行自适应滤波检测,提高信号纯度,对滤波输出数据进行时频特征提取,实现攻击数据的准确挖掘。仿真结果表明,采用该算法进行网络攻击数据挖掘,对攻击数据特征的准确检测性能较高,对干扰的抑制性能较强,能有效实现网络安全防御。     

基于一维卷积神经网络的雌激素粉末拉曼光谱定性分类

拉曼光谱物质定性鉴别已被广泛应用于诸多行业和研究领域,但传统拉曼光谱分析过程中的预处理主要依赖人为经验,光谱特征提取虽然能够降低信号维度,同时也会造成部分光谱信息损失。特性相近物质本身光谱相似度较高,受到测量过程中环境干扰和分析过程中多种误差影响,导致最终分类效果并不理想。针对此问题,提出基于一维卷积神经网络（one-dimensional convolution neural network,1D-CNN）的拉曼光谱定性分类方法。实验采集雌酮（Estrone）、雌二醇（Estradiol）,雌三醇（Estriol）三种不同雌性激素粉末的拉曼光谱,设计随机平移、添加噪声和随机加权三种光谱数据增强方法,构建数量充足的拉曼光谱数据库用于神经网络模型训练与测试;基于拉曼光谱数据特点提出一维卷积神经网络分类模型,将光谱预处理、特征提取和定性分类的全过程融为一体。通过大量仿真实验,优化所提出的神经网络模型超参数和训练过程并测试分类效果,从预处理对光谱分类结果的影响和模型抗干扰性能两个方面与多种传统拉曼光谱分类算法对比,评价模型性能。实验结果表明,本文提出的一维卷积神经网络模型可实现三类雌性激素粉末拉曼光谱快速准确分类,分类正确率最高可达98.26%,分析过程中无需光谱预处理和特征提取步骤,简化了光谱分析流程,并能保留更多有效信息。同时,当模拟测量噪声强度达到60 dBW时,传统方法分类正确率均明显出现不同程度明显降低,卷积神经网络模型依然能够取得96.81%的分类正确率,说明相比对传统拉曼光谱分类方法,所提出方法受光谱测量噪声影响更小,鲁棒性更强,适用于分析更复杂现场测量的强噪声拉曼光谱信号。该研究结果表明深度学习方法在拉曼光谱的分析与处理领域具有很大的应用潜力和研究价值。     

基于神经网络的低照度彩色图像增强算法

由于低照度彩色图像存在整体亮度低、对比度低、颜色偏暗和信噪比低等特点,所以经典图像增强算法对其增强效果非常有限。提出了一种利用BP神经网络进行彩色图像增强的算法,并将RGB图像转换成HSI图像,以保证增强处理不引起图像的色彩失真。实验证明:该方法显著地改善了低照度彩色图像的视觉效果,提高了图像整体亮度和图像的信噪比,可调节图像的动态范围,能增强图像的对比度和细节,可增加图像信息熵。     

基于PCA-BP神经网络的光谱消光法颗粒粒径反演算法研究

光谱消光法广泛应用于颗粒粒径测量领域,在利用光谱消光法对颗粒粒径进行反演的过程中,由于颗粒的消光系数存在理论复杂、计算繁琐、收敛速度慢以及求解不稳定等问题,很大程度上影响了整个反演过程的快速性和准确性。且在众多波长的消光数据中,存在较多重复冗余的信息,也很大程度上增加了反演算法的时间。针对光谱消光法粒径反演算法计算繁琐、反演效率低的问题,提出了基于主成分分析（PCA）和BP神经网络的光谱消光颗粒粒径分析方法。基于Mie散射理论对不同粒径、不同波长下的光谱消光值进行了仿真计算,通过对光谱消光数据集的主成分分析及各个波长综合载荷系数的计算,实现了最优特征波长的选取,利用降维后的光谱消光数据训练了PCA-BP神经网络模型,并利用该网络模型计算了粒径颗粒分布。通过仿真计算,比较了PCA-BP神经网络模型与传统的BP神经网络模型的预测精度,并分析了波长数目对两种神经网络模型预测结果的影响。针对训练得到的PCA-BP神经网络模型开展光谱消光法粒径参数反演算法的验证实验,搭建了光谱消光法颗粒粒径参数测量实验系统,测量了粒径范围在0.5～9.7 μm内的6种不同粒径参数的聚苯乙烯标准颗粒。仿真和实验结果表明：基于主成分分析方法可确定各个波长向量之间的相关性,利用综合载荷系数选取最优特征波长对应的消光值对整体的光谱数据具有较好的代表性,可实现光谱数据的降维。相比传统的BP神经网络模型,基于PCA-BP神经网络模型的颗粒粒径分布的分析方法预测精度更高,对于较分散颗粒系的分布参数的预测有更加明显的优势。而且,被选取的波长数较少时,PCA-BP神经网络模型依然有较高的预测精度。利用训练好的PCA-BP神经网络模型对颗粒粒径参数进行实验验证,预测结果可瞬时输出,颗粒粒径分布误差在5%以内,验证了该算法的可行性。