基于无监督脉冲神经网络的分布式光纤传感信号识别方法.pdfVIP

摘要

为了提高分布式光纤声波传感器（DAS）的智能识别能力，越来越多的机器学

习技术被应用到光纤分布式声传感器中。然而，有监督的方法需要充分和全面的标

记数据，或者当测试和训练数据不一致时，它们可能表现出较差的泛化能力。因此，

本文首次将一种新的无监督脉冲神经网络（SNN）引入到DAS信号识别中，以提

高其在不同场景和时变背景下的泛化能力。论文主要工作包括：

（1）对DAS信号识别方法的研究现状以及当前的挑战性问题调研，针对复杂

噪声环境下由于信号不一致、非典型带来的识别困难问题，提出了解决方案。

（2）提出一种基于无监督学习机制的SNN网络用于DAS信号识别，详细讨

论了新网络的理论机制、构建和优化。通过三组现场测试，分别使用具有均衡、典

型和一致数据的小数据集A、充满不一致和非典型数据的坏数据集B和C以及完

全不均衡数据集D，验证了其有效性。结果表明，当使用少样本数据集或不均衡数

据集进行训练时，使用无监督学习机制的SNN，即脉冲时间依赖性塑性（STDP），

比主流监督CNN更稳定。特别是在充满非典型或不一致样本的最具挑战性的情况

下，其泛化和反过度拟合能力被证明要好得多，其中使用坏数据集B和C的随机

测试的平均准确度分别提高了18.0%和14.4%，在实际不均衡数据集的现场测试中，

对比CNN，SNN识别率提高了2.9%。

（3）为了改善SNN的时效性，我们通过SNN的运行机制与CNN的卷积和

池化操作结合，提出了脉冲卷积神经网络（SCNN），并通过同样的三组现场测试

验证其有效性，其测试时间大概为SNN的五分之一，并且具有较稳定和优良的识

别效果。

关键词：脉冲神经网络，无监督学习，信号识别，光纤分布式声波传感器，脉冲卷

积神经网络

ABSTRACT

Moreandmoremachinelearningtechniquesareinvolvedinfiber-opticdistributed

acousticsensor(DAS)toimproveitsintelligentrecognitionability.However,the

supervisedmethodsneedsufficientandcomprehensivelabeleddata,ortheymaypresent

poorgeneralizationwhenthetestandthetrainingdataareinconsistent.Thus,inthisthesis

anovelunsupervisedSpikingNeuralNetwork(SNN)isintroducedintoDASforthefirst

timetoimproveitsgeneralizationindifferentscenesandtime-varyingbackgrounds.The

mainworkofthisthesisincludes:

(1)Thisthesisinvestigatestheresearchstatusandcurrentchallengingproblemsof

Dassignalrecognitionmethods,andputsforwardsolutionstotherecognitiondifficulties

causedbyinconsistentandatypicalsignalsincomplexnoiseenvironment.

(2)ASNNnetworkbasedonunsupervisedlearningmechanismisproposedforDAS

signalrecognition.Thetheoreticalmechanism,constructionandoptimizationofthenew

networkarediscussedindetail.Throughthreegroupsoffieldtests,itseff