基于MATCN的光纤周界入侵信号识别方法
摘要
针对光纤周界安防模式识别中机器学习算法依赖专家经验、现有深度学习算法学习关键特征能力不足的问题，提出了一种多注意力时间卷积网络（MATCN）识别模型。MATCN以时序信号为输入，通过利用通道和时序注意力优化网络学习机制，挖掘信号关键信息；在卷积过程中使用带泄露修正线性单元（Leaky ReLU）解决神经元坏死问题，提高模型的鲁棒性。搭建了基于相位敏感光时域反射系统（Φ-OTDR）的周界安防系统，模拟了攀爬、敲击、踩踏及无入侵事件。实验结果表明，MATCN的识别率达到了98.50%，识别时间为0.53 s，性能优于长短时记忆网络（LSTM）与融合卷积层的长短时记忆网络（CNN-LSTM）。所提方法能够有选择性地学习不同通道和时间片段中的关键信息，实现对周界入侵信号的准确、高效识别。
引用本文（GB/T 7714）
尚秋峰 Shang Qiufeng, 黄达 Huang Da. 基于MATCN的光纤周界入侵信号识别方法[J]. Acta Optica Sinica, 2023.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。