基于随机学习正则化的光纤信号识别算法研究.pdfVIP

基于随机学习正则化的光纤信号识别算法研究 摘 要 本文以基于相位敏感光时域反射技术的光纤预警系统为研究基础，主要开展 了在该体系下对光纤入侵信号的快速精确识别算法研究。在进行模型训练之前， 我们需要对光纤信号进行数据预处理。具体而言，首先采用去趋势方法来减小因 传感器漂移现象引起的光路抖动问题；其次，采用数据归一化方法来降低数据分 布范围，加快收敛速度；最后利用快速傅里叶变换（FFT ）技术来获取光纤入侵 信号的频谱分布特征，为后续的光纤入侵信号识别模型训练做准备。接下来，在 光纤信号识别模型方面，针对传统的基于人工神经网络的分类器，具有较长的迭 代时间，且模型复杂度较高等缺点，本文引入随机学习算法在保障识别模型学习 能力的前提下，加快模型的收敛速度，从而减少时间消耗。然而，在实际训练过 程中，随机学习算法模型会出现‘过拟合’以及数据不适定性等问题，从而容易导 致模型性能下降，识别精度不高。为了增强随机学习算法模型的泛化性能，保障 模型的稳定性，本文开展了对随机学习算法模型的优化算法研究。主要开展了对 L2正则化、截断奇异值分解法、Dropout三种优化算法的研究。在研究过程中， 我们从算法原理到公式推导，从目标函数设计到代码实现，通过对三种正则化优 化方法的全方位对比分析，展示了光纤信号识别模型优化前后模型性能的提升。 最后，通过实验结果表明，本文所研究的基于随机学习算法模型的光纤信号识别 算法可以有效地提高对光纤入侵信号的识别精度并保持了较低的时间延迟。本研 究对光纤预警系统中实现快速精确的光纤入侵信号识别提供了一种可行思路。 关键词：光纤预警系统，随机学习算法，L2 正则化，截段奇异值分解，Dropout. I 目 录 摘 要 I ABSTRACT II 第一章 绪论 1 1.1 研究背景及意义 1 1.2 国内外研究现状 2 1.3 论文结构 4 第二章 基于 Φ-OTDR 体制的光纤预警系统 7 2.1 光纤预警系统工作流程 7 2.2 Φ-OTDR 定位原理 9 2.3 本章总结 10 第三章 光纤预警系统的信号采集和预处理方法研究 11 3.1 光纤入侵信号采集 11 3.2 光纤信号预处理方法研究 12 3.2.1 去趋势（Detrending ） 12 3.2.2 归一化（Normalization ） 14 3.2.3 快速傅里叶变换（FFT ） 15 3.2.4 光纤信号数据集分配 16 3.3 本章总结 16 第四章 光纤入侵信号识别模型研究 17 4.1 基于人工神经网络的光纤信号识别模型 17 4.1.1 ANN 前向传播 18 4.1.2 ANN 误差后向传播 19 4.2 基于随机向量功能连接网络的光纤信号识别模型 19 4.2.1 RVFL 网络训练原理 20 4.2.2 RVFL 网络反向误差传播 21 4.3 基于随机配置网络的光纤信号识别模型 21 4.3.1 SCN 训练原理 21 4.3.2 SCN 通用逼近性质 23 4.4 本章总结 24 第五章 光纤入侵信号识别模型优化算法研究 25 5.1 基于 L2 参数范数惩罚的光纤信号识别优化算法 25 5.2 基于阶段奇异值分解的光纤信号识别优化算法 27 5.3 基于线性 DROPOUT 的光纤信号识别优化算法 30 5.3.1 传统 Dropout 原理 30 5.3.2 单层线性单元 Dropout 32 5.3.3 Dropout-SCN 光纤信号识别模型目